亚里士多德 Aristotle
西方 · 古希腊 / 形式逻辑
《前分析篇》(Ἀναλυτικὰ Πρότερα) · 公元前384–322
核心命题 · 原典选段
συλλογισμός ἐστι λόγος ἐν ᾧ τεθέντων τινῶν ἕτερόν τι τῶν κειμένων ἐξ ἀνάγκης συμβαίνει. — 三段论是这样一种论说：确立某些前提后，一个不同于前提的结论便必然地随之而来。
——《前分析篇》卷一第一章
命题：推理的"必然性"来自形式，而非内容。只要结构正确，「凡人皆有死；苏格拉底是人；故苏格拉底有死」无论换成什么名词都成立——有效性是可被机械检验的。
历史背景与核心洞察
亚里士多德要平息智者派的话术混战：他要找出"什么样的论证不可能前提真而结论假"。其天才之举是引入变量——用 A、B、C 代替具体词项，第一次把论证的"骨架"从"血肉"中剥离，由此穷举出有效的格与式（如 Barbara）。逻辑从此成为可演算的科学，统治西方两千年。
跨学科 cross-reference
把内容抽象成形式、让有效性可机械判定，正是计算的基因。这条线索经布尔代数、弗雷格、图灵，直通数字电路与程序的形式语义。反讽的是：大模型擅长"像"在推理，却常在多步演绎中悄悄跳步，逼我们重拾亚里士多德的分野——流畅不等于有效。
当代启示
BigCat 场景：审查 AI 给出的论证时，先剥出它的形式骨架：前提是什么、结论是否真由前提必然推出。很多"幻觉"不是事实错，而是形式无效——前提为真、结论却不跟着来。把"听起来有道理"翻译成"A→B 是否成立"，是超级个体最廉价的护城河。
English Summary
Aristotle discovered that the necessity of an inference lies in its form, not its content: by replacing concrete terms with variables A, B, C, he stripped the skeleton of argument from its flesh and enumerated the valid figures of the syllogism. Validity thus became mechanically checkable—a single cut separating persuasion from proof that governed Western thought for two millennia.
一句话精华 · 思考题
最不可替代的洞察：有效性属于形式，不属于内容——这一刀劈开了"说服"与"证明"。
你最近被说服的一个观点，若抽掉煽动性措辞、只留逻辑骨架，它还站得住吗？
因明学 · 陈那 Dignāga
东方 · 印度 / 佛教逻辑
《因明入正理论》商羯罗主造 · 玄奘译 · 约公元5–6世纪
核心命题 · 原典选段
宗：声是无常。
因：所作性故。
喻：若是所作，见彼无常，譬如瓶等。
——《因明入正理论》
命题：一个成立的推理须具宗、因、喻三支，且"因"须满足因三相——遍是宗法性、同品定有性、异品遍无性。它不满足于抽象规则，每步推理都要有现实实例（喻）托底。
历史背景与核心洞察
因明在古印度宗教辩论的烈火中锻成——输了辩论可能意味着改宗。陈那改旧五支为三支，删去冗余。与亚里士多德最深的分歧在"喻"：西方三段论纯靠形式，印度逻辑却强制要求一个正面实例（同品，如瓶）并排除一切反例（异品）。这使因明成为演绎与归纳的混血：结论的必然，建立在"凡所作皆无常"这一被观察到的遍充之上。
跨学科 cross-reference
异品遍无性——"理由必须在所有反例中都缺席"——与波普尔的可证伪性惊人同构：一个主张的力量不在于多少正例支持，而在于能否排除反例。这也正是机器学习用正样本（同品）+ 负样本（异品）界定概念的逻辑。一千五百年前，因明已把"找反例"写进了有效推理的定义。
当代启示
BigCat 场景：评估任何判断，别只问"有什么证据支持"（同品），更要逼问"有没有一个反例：我的理由成立、结论却不成立"（异品）。AI 给的论证常堆满正例却从不自找反例。养成"先找异品"的习惯，是抵御确认偏误最锋利的刀。
English Summary
Dignāga's Buddhist logic requires every inference to carry three members—thesis, reason, and example—with the reason present in all similar cases and absent in every dissimilar one. By demanding a concrete positive instance and the exclusion of all counter-cases, Hetuvidyā fuses deduction with induction and writes "seek the counter-example" into the very definition of valid reasoning, anticipating Popper's falsifiability by fifteen centuries.
一句话精华 · 思考题
最不可替代的洞察：有效不靠正例之多，而靠反例之无——主动消灭异品，才是真推理。
你当下最坚信的一个结论，存在哪个"理由仍成立、结论却翻车"的情形？你认真找过吗？
莱布尼茨 Gottfried Leibniz
西方 · 德国 / 理性主义
《单子论》(Monadologie) §31–32 · 1714
核心命题 · 原典选段
…le principe de la raison suffisante, en vertu duquel nous considérons qu'aucun fait ne saurait être vrai… sans qu'il y ait une raison suffisante pourquoi il en soit ainsi et non pas autrement. — 充足理由律：没有任何事实能为真，除非有一个充足的理由说明它为何如此、而非别样。
——《单子论》§32
命题：理性建立在两大原则上——矛盾律（不自相矛盾）与充足理由律（凡存在必有其所以然）。"为何是这样而非那样"这一追问，对一切事实都不容豁免。
历史背景与核心洞察
莱布尼茨身处科学革命之巅，要为新物理学奠定理性根基。但他更惊人的雄心是普遍文字（characteristica universalis）与推理演算（calculus ratiocinator）：把概念编码为符号，让一切争论都能像算术一样被计算解决。他那句"Calculemus！（让我们来算一算）"，是用形式系统终结争吵的最早梦想。
跨学科 cross-reference
这不是泛泛的"哲学家也谈计算"——莱布尼茨"把推理化为计算"的构想，正是整个 AI 与计算机科学的奠基幻想；而他亲手提出的二进制，今天是每一块芯片的母语。当我们让大模型"推理"，本质上仍在兑现莱布尼茨的 Calculemus。
当代启示
BigCat 场景：充足理由律是工程师与决策者的根因纪律：系统出故障，别停在"重启就好"，要追到"为何是这样而非那样"。对 AI 输出更要如此——不接受"它说是就是"，而要求可追溯的理由（可解释性）。相关不是理由，能复现的因果链才是。
English Summary
Leibniz grounds rationality on two principles—non-contradiction and sufficient reason: no fact is true without a reason why it is so and not otherwise. His dream of a characteristica universalis that would settle every dispute by calculation ("Calculemus!"), together with the binary arithmetic he invented, forms the founding blueprint of computer science and AI—though the transparent, traceable calculus he demanded is precisely what today's black-box models still lack.
一句话精华 · 思考题
最不可替代的洞察：凡事必有充足理由——把"为何如此而非别样"问到底，既是理性的底线，也是 AI 时代的奠基蓝图。
你今天做的最重要的决定，能给出一条"为何如此而非别样"的充足理由吗，还是只是惯性？
《墨子·小取》《墨子·非命上》 · 约公元前5世纪
核心命题 · 原典选段
以名举实，以辞抒意，以说出故。
……夫辩者，将以明是非之分，审治乱之纪，明同异之处，察名实之理，处利害，决嫌疑。
——《墨子·小取》
命题：辩（逻辑）是明是非、决嫌疑的实践工具。推理的核心是"说出故"——讲出一个判断背后的理由（故）；而判断真假，须经三表法检验。
历史背景与核心洞察
战国百家争鸣，墨家为在论辩中胜出，发展出中国古代最严密的逻辑体系。《非命上》的三表法给出真理的三重标尺：本之（考诸古圣王的历史经验）、原之（验诸百姓耳目的直接经验）、用之（行之于刑政，观其是否真利国利民）。这套逻辑此后湮没近两千年，却足以击穿"中国无逻辑"的成见。
跨学科 cross-reference
三表的第三表"用之者"——以实际后果与功利检验主张真伪——与美国实用主义（Peirce、James、Dewey）几乎同构：真理由其可兑现的效果定义，而非先验玄思。墨家又以"名实"之辨直指语言与指称的对应，正是现代语义学的关切。东方逻辑从一开始就是经验的、后果导向的。
当代启示
BigCat 场景：三表法是一套现成的决策框架：评估一个方案，先看本（有无先例与历史验证）、再看原（有无一手数据证据）、最重要是用（落地后真的产生收益吗）。面对铺天盖地的 AI 叙事，第三表是最好的解毒剂——不看它说什么，看它用起来真利于谁。
English Summary
The Mohists forged logic as a practical instrument for "distinguishing right from wrong and resolving doubt": every judgment must state its reason (gu), and its truth must pass the Three Gauges—precedent in history, verification by direct experience, and above all the test of consequences when applied in governance. Truth, for Mohist logic, is settled not in abstraction but in whom a claim actually benefits once put to use.
一句话精华 · 思考题
最不可替代的洞察：逻辑不是空中楼阁——一个主张的真伪，最终要在"用之"的后果里见分晓。
你正在采用的一个方法或工具，若用墨家第三表问"它落地后究竟利于谁、利在何处"，答案清晰吗？
四种理性观的合奏
综合
亚里士多德 · 因明（陈那） · 莱布尼茨 · 墨家
合奏
四个文明各自发明了逻辑，围剿的却是同一个敌人——似是而非：如何分辨"听起来对"与"真的有效"？
· 亚里士多德（形式）：有效性属于形式不属于内容——结构对了，结论必然随前提而来，这一刀劈开"说服"与"证明"。
· 因明（实例）：有效不靠正例之多，而靠异品之无——每步推理都须实例托底、反例出清。
· 莱布尼茨（计算）：凡事必有充足理由——把推理化为透明、可追溯的演算，争论止于"让我们来算一算"。
· 墨家（后果）：辩以明是非、决嫌疑——主张的真伪最终在"用之"的后果中见分晓。
四者恰好接成一条对付"似是而非"的完整流水线，可称一套"理性操作系统"：第一步用亚里士多德抽骨架——剥掉煽动性措辞，检查结论是否真由前提必然推出；第二步用因明找异品——主动追问"有没有理由成立、结论却翻车的反例"，斩断确认偏误；第三步用莱布尼茨追根因——不接受"它说是就是"，要求可追溯、可复现的充足理由；第四步用墨家验后果——落地之后究竟利于谁、利在何处，用效果为整条推理背书。西方偏抽象演绎，东方重经验落地，四步合璧正好互补短长。在大模型能批量生产"听起来很有道理"的时代，这条流水线不再是逻辑学家的专业癖好，而是每个与 AI 协同的人的日常护栏——流畅不等于有效，四把刀比任何时候都该常磨。
思考题
下一次 AI 递给你一个流畅的结论，你会先抽骨架、先找反例、先追理由，还是先验后果？回想你最近一次判断失误——四步之中，你跳过的是哪一步？
深入思考
亚里士多德的纯形式逻辑与因明的"必有实例"，哪种更接近真正的推理？
纯形式的优势是普适与可机械化——这成就了计算机；代价是它对"前提从何而来"保持沉默，形式有效的论证可以建立在荒谬前提上。因明的"喻"强行把推理钉回现实，却依赖"遍充"这一归纳前提（休谟会追问凭什么）。或许两者本是分工：形式管"结构对不对"，实例管"内容真不真"，真推理需两者合一。
莱布尼茨梦想"让我们来算一算"，今天的大模型实现了吗？
部分实现、部分背离。实现的是：推理确实被搬上了可计算的硬件，符号与神经计算都在兑现 Calculemus。背离的是：莱布尼茨要的是透明、可追溯、必然正确的演算，而大模型的"推理"是概率性的、黑箱的、可能跳步的。它算得出答案，却给不出莱布尼茨要的"充足理由"。我们造出了计算的力量，却还没造出他要的可解释性。
墨家三表法与因明三相，同是东方逻辑，思路有何不同？
因明三相为单个推理的"有效性"立规（结构层面），关心"这个论证站不站得住"；墨家三表则为"一个主张是否为真"立检验标准（来源层面：历史、经验、后果），更接近一套认识论的验证程序。前者像逻辑学，后者像实证方法论。两者互补：因明保证推得对，三表保证前提与结论值得信。
若逻辑这么古老又强大，为何人类（和 AI）仍频繁犯逻辑错误？
因为逻辑是"慢思考"的产物，而大脑默认运行省力的"快直觉"（卡尼曼系统一），逻辑训练是反本能的"伪"（荀子）。AI 则相反：底层是模式匹配（某种超级直觉），形式演绎反成短板——它会被表面相似性带偏。无论人或机器，可靠推理都不是自动的，而需刻意架设护栏：写下来、抽骨架、找反例、追根因。