第八部：資訊時代與人工智慧的機率心智

當機率論走過了賭場、農田與華爾街，最終，它成為了賦予機器「智慧」的靈魂。

1. 什麼是資訊？夏農的資訊熵

故事進入 20 世紀中葉，人類正準備迎接數位時代。電報、電話與早期的電腦開始出現。工程師們面臨一個本質的問題：我們該如何衡量「資訊」的多寡？

一篇 1000 字的廢話，和一句 10 字的國家機密，哪一個包含的資訊量更大？

為了解決這個問題，被譽為「資訊理論之父」的天才工程師克勞德·夏農 (Claude Shannon)，在 1948 年發表了劃時代的論文。他巧妙地借用了熱力學中代表混亂程度的「熵 (Entropy)」概念，並將其與機率論結合，提出了「資訊熵 (Information Entropy)」。

夏農提出了一個極度深刻的觀點：資訊的本質，就是「不確定性的消除」。

如果我告訴你「明天太陽會從東邊升起」，這句話發生的機率是 100%，它完全沒有消除任何不確定性，所以它的資訊量是 0。 但如果我告訴你「明天的樂透頭獎號碼是…」，這個事件發生的機率極低，充滿了極大的不確定性。當這個不確定性被揭曉時，它所帶來的「資訊量」就是極大的。

透過機率分佈，夏農將抽象的「資訊」轉化為可以被精確計算的 bits（位元）。沒有這項機率與通訊的結合，就沒有今天的互聯網、手機通訊與影片壓縮。

2. 貝氏定理的逆襲

在資訊時代全面爆發的同時，統計學界也發生了一場靜悄悄的革命。

在我們之前的第四部中，費雪等人確立了基於頻率的「假設檢定（頻率學派）」。頻率學派認為，機率是事物客觀存在的屬性（例如硬幣出現正面的機率就是客觀的 50%）。

但有一種古老且被冷落的理論，被稱為「貝氏推論 (Bayesian Inference)」。它是 18 世紀由一位名叫托馬斯·貝氏 (Thomas Bayes) 的牧師提出的。

貝氏學派認為：機率不是客觀的頻率，而是我們「主觀信念的強度」。

貝氏定理的公式非常簡單： \(P(A|B) = \frac{P(B|A) P(A)}{P(B)}\)

它的哲學意義是：我們對這個世界一開始會有一個主觀的猜測（先驗機率 $P(A)$）。當我們觀察到新的數據或證據 $B$ 時，我們就可以利用這個公式，去「更新」我們的猜測，得到一個更準確的認知（後驗機率 $P(A

B)$）。

在過去，因為貝氏計算涉及大量的積分與主觀假設，它一直被主流統計學派邊緣化。

3. 機器的學習與人工智慧的靈魂

到了 21 世紀，隨著電腦算力呈指數級暴增，貝氏推論迎來了史詩級的逆襲。為什麼？因為貝氏定理的「不斷接收新數據，更新舊認知」的過程，這不就是我們所謂的「學習」嗎！

現代的人工智慧 (AI) 與機器學習 (Machine Learning)，其核心運作邏輯幾乎都建立在機率論與統計學的基礎上。

當你在教神經網路辨識一隻貓時，AI 其實並不是像人類一樣「看懂」了貓。它是透過成千上萬張圖片的訓練，在龐大的參數空間中，利用統計模型與貝氏推論，找出一組「當輸入這些像素時，最有可能（機率最高）是一隻貓」的參數。

從垃圾郵件過濾（單純貝式分類器）、語音辨識（隱馬可夫模型），到今天強大的大型語言模型（LLM），它們本質上都是在做一件事：計算在給定前文的條件下，下一個字詞出現的「最大機率」。

4. 結語：與不確定性共舞

我們的史詩來到了終點。

回顧這段長達數百年的歷史： 16 世紀的卡爾達諾在酒館裡，第一次意識到骰子背後隱藏著可以計算的樣本空間； 17 世紀的帕斯卡與哈雷，用期望值為死亡定價，創立了保險業； 18 世紀的伯努利與高斯，用大數法則與鐘形曲線，在社會的混亂中找到了統計的秩序； 20 世紀的柯爾莫哥洛夫與馮·諾伊曼，用測度論與賽局理論，將隨機性變成了最嚴謹的數學與經濟博弈； 直到今天，夏農與貝氏讓機率成為了資訊的載體與人工智慧的心智。

人類之所以偉大，不在於我們能全知全能地預見未來；而在於當我們面對宇宙的未知與混亂時，我們發明了「機率與統計」。

透過這門科學，我們學會了如何在不確定的世界中，做出最理性的抉擇。

(《隨機的秩序》全系列完)