科學如何「解釋」？從演繹律則到因果與機制

烏鴉、氣壓計與一根旗杆：科學「解釋」到底解釋了什麼

入門篇問的是「科學是什麼」——如何把科學從偽科學裡劃分出來。這一篇我們換一個更貼近實作的問題：當科學家說他「解釋」了一個現象，他到底做了什麼？

這聽起來簡單到不像問題。下雨是因為氣壓下降、潮汐是因為月球引力、發燒是因為免疫反應——這些不都是解釋嗎？但只要你追問「解釋的『邏輯形式』是什麼」，整件事立刻變得棘手。考慮兩個句子：「氣壓計讀數下降，所以要下雨了」與「氣壓下降，所以要下雨了」。前者讓你預測得到下雨，卻沒有解釋下雨——氣壓計不是雨的原因，它和雨只是共同被氣壓這個第三者所驅動。可是從純粹「由前提推出結論」的角度看，兩者長得一模一樣。

於是科學哲學最核心、也最常被入門課略過的一塊浮現了：解釋（explanation）不等於預測，也不等於相關。 一個好的科學解釋，必須抓住某種「為什麼」的結構——而要把這個「為什麼」講清楚，二十世紀的哲學家足足吵了大半個世紀。這一篇，我們就走進這場關於解釋、定律與因果的交火。

DN 模型：把解釋當成一場演繹

第一個系統性的解釋理論，來自邏輯實證論的繼承者亨佩爾（Carl Hempel）。他與 Paul Oppenheim 在一九四八年提出演繹—律則模型（Deductive-Nomological model，簡稱 DN 模型），野心很大：他想把「解釋」化約成嚴格的邏輯推論。

DN 模型主張，一個科學解釋就是一個論證，它的結論（被解釋的現象，稱為 explanandum）從前提（解釋項，explanans）演繹地推導出來，而前提中至少要包含一條自然定律（law of nature）。

舉例：為什麼這根金屬棒受熱後變長了？

• 前提一（定律）：所有金屬受熱都會膨脹。
• 前提二（初始條件）：這根金屬棒被加熱了。
• 結論：這根金屬棒膨脹了。

結論從前提邏輯地跟出來，前提裡有定律，這就是一個合格的 DN 解釋。亨佩爾的洞見很深刻：解釋與預測在結構上是對稱的。 解釋是「事情發生後，指出它如何能被預期」；預測則是「事情發生前，指出它將如何發生」。兩者用的是同一套演繹機器，只是時間方向相反。這個「解釋—預測對稱論題（symmetry thesis）」一度被視為 DN 模型最優雅的成果。

亨佩爾也考慮到並非所有解釋都是嚴格演繹的。對於統計性的現象（為什麼這個人吃了盤尼西林後痊癒了？因為盤尼西林對這種感染有高機率療效），他補上歸納—統計模型（Inductive-Statistical model，IS 模型）：前提中的定律是機率性的，結論則以高機率被支持。

解釋的不對稱：旗杆與影子的反擊

DN 模型乾淨俐落，卻很快被一連串反例打得千瘡百孔。最著名的就是旗杆與影子。

考慮這個合格的 DN 論證：

• 定律：光直線傳播 + 三角函數關係。
• 初始條件：旗杆高 15 公尺、太陽在某仰角。
• 結論：影子長 20 公尺。

完美。旗杆的高度解釋了影子的長度。 沒問題。

但現在把前提與結論對調：

• 定律：同上。
• 初始條件：影子長 20 公尺、太陽在某仰角。
• 結論：旗杆高 15 公尺。

這個論證在邏輯上同樣有效，同樣有定律、同樣能演繹出結論。按 DN 模型，它應該也是一個合格的解釋。可是直覺上，影子的長度並不「解釋」旗杆的高度——是旗杆造成影子，不是影子造成旗杆。

DN 模型抓不到這個不對稱，因為它只看「能不能演繹」，而演繹是對稱的（A 推出 B 不代表 B 推不出 A）。但解釋顯然有方向：原因解釋結果，結果不解釋原因。同理，回到開頭的氣壓計——你能從氣壓計讀數演繹出「要下雨」，但氣壓計不解釋雨。DN 模型放進了太多不該算解釋的東西。

問題的根源，是 DN 模型刻意迴避的那個詞，現在不得不被請回來：因果（causation）。解釋的方向，似乎就是因果的方向。

把因果請回來：薩蒙的因果機制觀

針對 DN 的失敗，衛斯里·薩蒙（Wesley Salmon）主張一條完全不同的路線：解釋一個現象，不是把它塞進一個演繹論證，而是揭示產生它的因果歷程與因果交互作用。

薩蒙引入一個精巧的區分：因果歷程（causal process） vs 偽歷程（pseudo-process）。一顆滾動的球是因果歷程；牆上一道移動的光斑（你用手電筒掃過牆面造成的）則是偽歷程。怎麼分？薩蒙的判準是標記傳遞（mark transmission）：你能在因果歷程上「打一個標記」並讓它自己傳下去（在球上塗一塊紅漆，球滾到哪紅漆跟到哪），但偽歷程做不到（你在光斑某處動手腳，下一個位置的光斑不會記得）。光斑移動的速度甚至可以超過光速，卻不違反相對論，正因為它不傳遞任何因果影響。

在薩蒙的圖像裡，解釋一個事件，就是把它定位在世界的因果網絡之中——指出哪些因果歷程匯聚、交互、產生了它。這徹底解決了不對稱問題：旗杆是影子那條因果歷程的起點，反過來不成立，因果方向天然就有方向性。

但薩蒙的因果觀也付出代價：它把解釋綁死在物理性的「能量—動量傳遞」上。那麼，「供需法則解釋了價格上漲」這種社會科學解釋呢？「自然選擇解釋了長頸鹿的脖子」這種沒有單一物理推力的演化解釋呢？純物理的因果歷程觀，在這些高層次科學前顯得力不從心。

看一個例子：避孕藥與懷孕的男人

有一個經典案例，一句話就揭穿了「能演繹就是解釋」的謬誤，值得細看，因為它同時打中 DN 模型與一個更深的爭論。

設想以下論證：

• 定律（姑且當作真）：所有規律服用某避孕藥的人都不會懷孕。
• 初始條件：張先生這個月規律服用了該避孕藥。
• 結論：張先生這個月沒有懷孕。

這個論證形式完美：有定律、能演繹、結論為真。按 DN 模型，它「解釋」了張先生為什麼沒懷孕。

但這顯然荒謬。張先生沒懷孕根本不是因為吃藥——他是男性，本來就不會懷孕。避孕藥這個前提是因果無關（causally irrelevant）的。

這個案例（由薩蒙推廣）逼出一個關鍵教訓：解釋的核心是因果相關性（causal relevance），而不是邏輯可導出性（logical derivability）。 一個因素要能解釋結果，它必須真的「對結果有所作為」——加進它會改變結果發生的機率，拿掉它結果就不同。這個「會不會改變機率」的直覺，後來發展成因果推論的反事實（counterfactual）核心：張先生吃不吃藥，他懷孕的機率都是零，所以吃藥與否「不造成差別」，因此不解釋。我們在文末會看到這個直覺如何被精確化。

統一論：另一種「為什麼」

如果你覺得「因果」這個概念本身太神祕、太形上學，還有一條與薩蒙針鋒相對的路線：統一論（unificationism），由 Michael Friedman 與 Philip Kitcher 發展。

統一論主張：解釋的本質不是因果，而是統一（unification）——用盡量少的「論證模式（argument patterns）」去涵蓋盡量多的現象。牛頓力學之所以是偉大的解釋，不是因為它指出了某條因果推力，而是因為它用同一組定律，把蘋果落地、月球繞地、潮汐漲落、彗星軌道全部收進同一個推導框架。科學的進步，就是不斷減少我們必須「照單全收、無法再解釋」的獨立事實數量。

統一論的魅力在於它能容納那些「沒有清晰物理因果推力」的解釋。為什麼自然界的守恆律成立？統一論可以說：因為它們都是某個對稱性原理（如諾特定理 Noether's theorem）的展現——這是一種統一，卻不是一條因果鏈。

但統一論也有它的痛點，而且這個痛點恰恰是因果論的強項：它難以排除「偽統一」。 如果有人發明一套極簡的、能涵蓋一切的偽科學論證模式（比如「凡事皆神意」），它在「用最少前提涵蓋最多現象」這點上甚至贏過科學。統一本身似乎無法保證我們抓到的是真實的世界結構，而非一個方便的記帳系統。

於是當代科學哲學的解釋理論，大致就在這兩極之間拉鋸：因果論（解釋是定位於因果網絡）抓住了不對稱與相關性，卻難以涵蓋高層科學；統一論（解釋是把現象收進共同框架）抓住了科學的整合野心，卻難以排除偽統一。多數哲學家如今相信，真實的科學解釋兩者皆有——既要因果相關，又要某種系統性的統一。

定律與偶然：什麼樣的規律才「撐得起」解釋

注意到了嗎，DN 模型與統一論都預設了一樣東西：自然定律。但「定律」本身就是個哲學謎團。

比較兩個全稱句：

• (A)「所有的金球直徑都小於一公里。」
• (B)「所有的鈾球直徑都小於一公里。」

兩者碰巧都為真（宇宙中確實沒有那麼大的金球或鈾球）。但 (B) 是一條定律（鈾達到臨界質量會核爆，物理上不可能堆出一公里的鈾球），(A) 只是偶然為真的概括（accidental generalization）（金球小只是因為沒人鑄過那麼大的，物理上完全可以）。

差別在哪？關鍵測試是反事實支持（counterfactual support）。定律 (B) 支持反事實句：「如果你試圖堆一個一公里的鈾球，它會爆炸。」偶然概括 (A) 不支持：「如果有人鑄一個一公里的金球——」嗯，它就會存在，(A) 並不禁止它。定律告訴你哪些事「不可能」，偶然概括只是回報哪些事「碰巧沒發生」。 只有前者能撐起解釋與預測，因為解釋要回答的是「為什麼非如此不可」。

這就帶出定律的形上學之爭。休謨式規律論（Humean regularity view）（David Lewis 的「最佳系統分析」是精緻版）主張，定律不是什麼神祕的「必然連結」，世界底層只是一大片「分散事件的鑲嵌（Humean mosaic）」，定律不過是「能以最佳的『簡潔 vs. 涵蓋力』平衡來描述這片鑲嵌的那些概括」。反對者——必然論者（necessitarians），如 Armstrong、Dretske、Tooley——則認為這太弱了：定律必須是性質與性質之間一種真實的、模態上必然的關係（記為 N(F,G)），正是這個「必然」撐起了反事實。休謨主義者反問：你那個神祕的 N 關係到底是什麼，憑什麼它能「強迫」個別事件就範？這場爭論至今未決，卻直接決定了我們如何理解「解釋」的力量從何而來。

重點回顧

• 解釋不等於預測，也不等於相關。 氣壓計能預測雨卻不解釋雨；這道裂縫驅動了整個科學解釋理論的發展。
• DN 模型（亨佩爾）把解釋化約為「含定律的演繹論證」，並提出解釋—預測對稱論題；但旗杆與影子、懷孕的男人等反例顯示它抓不住因果不對稱與因果相關性。
• 薩蒙的因果論主張解釋是把現象定位於因果網絡（以標記傳遞區分因果歷程與偽歷程），解決了不對稱，卻難以涵蓋社會科學與演化等高層解釋。
• 統一論（Friedman、Kitcher）主張解釋是用最少論證模式涵蓋最多現象，能容納非因果的整合，卻難以排除「偽統一」。當代立場多認為解釋兼需因果相關與系統統一。
• 自然定律與偶然概括的分野在於反事實支持；定律的本質則分裂為休謨式規律論與必然論兩大陣營，這直接關係到解釋的「強制力」從何而來。

深入探討（研究所視角）

走到研究所層級，科學解釋的討論已從「解釋的邏輯形式」進一步深入到因果推論（causal inference）的形式化與機制（mechanism）這兩條當代最活躍的線索，並與統計學、人工智慧深度交織。

其一，因果的反事實理論與結構因果模型。 前文「懷孕的男人」案例所訴諸的「會不會造成差別」直覺，被 David Lewis 的反事實因果論精確化為：「C 造成 E」當且僅當「若 C 不發生，則 E 不發生」這個反事實句為真（以可能世界的相似性語意來評估）。這條進路在當代由 Judea Pearl 的結構因果模型（Structural Causal Models）與 do-演算（do-calculus）徹底數學化：因果不再是模糊的形上學，而是有向無環圖（DAG）上可計算的介入（intervention）效果。Pearl 的「因果階梯」三層——關聯（看見）、介入（動手做）、反事實（想像若非如此）——把休謨「相關不等於因果」的古老警告，升級成一套能告訴你「哪些因果問題從觀測資料根本無法回答、必須做實驗」的嚴格判準。Woodward 的操控論（manipulationist/interventionist theory）則在哲學端與之呼應：X 因果相關於 Y，意思是「存在一種對 X 的理想介入，會改變 Y 的分佈」——這正好把「避孕藥對男性懷孕無因果相關」說得乾淨利落（對男性是否服藥做任何介入，懷孕機率紋風不動）。

其二，新機制論（new mechanism）的崛起。 在生物學、神經科學、醫學等領域，科學家其實很少在找「涵蓋律（covering law）」——生物學裡幾乎沒有亨佩爾意義下嚴格無例外的定律。Machamer、Darden、Craver 等人因此主張：這些科學的解釋單位是機制——由一組「實體（entities）與活動（activities）」組織起來、從起始條件規律地產生終止條件的系統（如蛋白質合成機制、動作電位機制）。解釋一個現象，就是拆開黑箱、描繪出產生它的機制，而非把它塞進一條定律。這對 Educational Omics 這類研究尤具啟發：當我們整合認知、語言、生理、社會多模態資料去解釋「學習如何發生」，我們追求的恰恰是學習的機制圖譜——哪些實體（注意力、工作記憶、HRV 所反映的自律神經狀態）透過哪些活動相互作用，而不是一條放諸四海皆準的「學習定律」。

其三，確證理論與貝氏轉向。 入門篇談過休謨的歸納問題，但「證據如何支持假設」這個正面問題本身也有深刻難題。亨佩爾的烏鴉悖論（raven paradox）是經典：「所有烏鴉都是黑的」邏輯上等價於「所有非黑的東西都不是烏鴉」，於是觀察到一顆「紅色的蘋果」（一個非黑的非烏鴉）竟也該確證「烏鴉是黑的」——這違反直覺到近乎荒謬。Goodman 的新歸納之謎（grue 悖論）更尖銳：定義「綠藍（grue）」為「在時間 t 前被觀察為綠、之後為藍」，那麼所有「至今觀察到是綠的」翡翠，同樣完美地確證了「所有翡翠都是綠藍的」——憑什麼我們投射「綠」而不投射「綠藍」？這逼問的是「哪些謂詞可被合法地歸納投射」這個無法純由邏輯決定的問題。當代主流回應是貝氏確證論（Bayesian confirmation theory）：證據 E 確證假設 H，意思是 E 提高了 H 的事後機率，亦即 P(H|E) > P(H)，並透過貝氏定理量化。這套框架優雅地消解烏鴉悖論（紅蘋果確實確證，只是確證量微乎其微），也為機器學習的歸納偏誤提供了哲學基礎——但它自身又留下「先驗機率從何而來」的主觀性難題，與休謨的幽靈遙相呼應。

這三條線索共同標誌著科學哲學的一次重心轉移：從二十世紀中葉「為孤立的解釋與確證尋找邏輯形式」的句法取向，轉向當代「以因果、機制與機率為核心」、且與統計學與 AI 並肩前行的取向。若你想深入，建議從 Wesley Salmon《Scientific Explanation and the Causal Structure of the World》、Judea Pearl《Causality》與 James Woodward《Making Things Happen》三本入手——分屬哲學的因果論、計算的因果論與操控論，正反對讀，最能看清「解釋為什麼非得談因果不可」這條主線在今日的全貌。