title: "概率論的歷史、學派與前沿分歧：從機會計算到高階與範疇概率" english_title: "History, Schools, and Frontier Divergences of Probability: From the Calculus of Chances to Higher-Order and Categorical Probability" series: "判定域概率論與超概率研究" series_id: "JDPSP" paper_id: "JDPSP-01" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "正式初稿" date: "2026-08-13" language: "zh-TW" encoding: "UTF-8"

概率論的歷史、學派與前沿分歧

從機會計算到高階與範疇概率

作者： Neo.K
機構： EveMissLab
系列： 判定域概率論與超概率研究，Paper 01
版本： v0.1.0
日期： 2026-08-13

摘要

概率論常被教科書壓縮成一條由古典機會計算走向 Kolmogorov 公理化、再由 Bayesian 與 frequentist 統計分流的單線歷史。然而，這種敘事容易同時混淆三種不同問題：第一，概率究竟表示客觀頻率、主觀信念、邏輯支持、物理傾向，或其他不確定性結構；第二，面對資料時應採取何種統計推斷規則；第三，概率應由何種數學結構承載。本文將這三個問題分別稱為「概率解釋軸」、「推斷規則軸」與「數學承載軸」，並據此重建概率論從 Bernoulli、Bayes、Laplace、von Mises、Fisher、Neyman–Pearson、Kolmogorov、de Finetti、Savage，到 Dempster、imprecise probability、quantum probability、nonlinear expectation、Giry monad、quasi-Borel spaces 與 Markov categories 的多線發展。

本文的目的不是宣稱傳統概率論錯誤。相反地，Kolmogorov 型概率空間已經精確指定樣本空間、事件族與概率測度，而現代概率理論亦早已發展出非精確、非交換、非線性、高階與範疇化的多種擴張。本文提出的問題更早一階：在一個概率空間被指定之前，研究者如何決定「什麼是當前被判定的空間」、此空間屬於何種尺度、哪些局部概率可以合法提升為較大尺度概率，以及當概率空間本身會變動或被再次概率化時應如何記錄其階數與轉換。這些問題在既有領域中各有局部處理，但通常未被共同包裝成一個顯式的「前概率判定域」研究層。本文因此將歷史回顧轉化為後續「判定域概率論」與「遞歸概率場」研究的基線，而不把新框架建立在對既有概率學派的簡化否定之上。

關鍵詞： 概率論史、概率解釋、頻率派、Bayesian、Kolmogorov 公理、非精確概率、量子概率、非線性期望、高階概率、範疇概率、Markov categories、判定域

1. 問題起點：概率論從來不是只有一個「概率」

在最簡化的數學課程中，概率常被寫成一個函數：

P(A)\in[0,1].

然而，這個數字究竟代表什麼，歷史上從未只有一種回答。它可以被理解為大量重複試驗中的相對頻率極限，可以被理解為理性行動者對命題的信念強度，可以被視為證據對命題的邏輯支持程度，也可以被理解為某種物理裝置或事件產生結果的傾向。更重要的是，即使兩位研究者對「概率是什麼」採取相近解釋，他們仍可能對假設檢定、估計、決策與模型比較採取完全不同的方法。

因此，本文首先拒絕一個常見但過度簡化的分類：

\text{概率論} = \text{Bayesian} \ \text{vs.}\ \text{Frequentist}.

這個二分對部分統計實務有用，但無法完整描述概率基礎的歷史。更合適的分析方式，是把「學派」拆成至少三個互相耦合、但不等同的軸。

定義一個歷史分析用的三元組：

\mathfrak S = (\mathcal I,\mathcal R,\mathcal M),

其中：

$\mathcal I$ ：probability interpretation，概率的解釋；
$\mathcal R$ ：inference rule，統計或認識論推斷規則；
$\mathcal M$ ：mathematical carrier，承載概率的數學結構。

本文的第一個基本主張是：

\boxed{ \mathcal I \neq \mathcal R \neq \mathcal M }

它們可以互相影響，卻不能直接視為同一件事。

例如，Kolmogorov 公理化首先是一個數學承載框架；它本身並不強迫使用者接受 de Finetti 的主觀概率，也不強迫使用者接受 von Mises 的頻率解釋。類似地，Fisher 的顯著性檢定與 Neyman–Pearson 的假設檢定雖然常被現代教材共同放入 frequentist 統計，但兩者的原始推斷邏輯並不完全相同。若不先拆開三個軸，後續討論「傳統概率」時很容易批判到一個實際上並不存在的單一對象。

2. 古典階段：從機會計算到逆概率

2.1 Bernoulli：從賭局走向長期穩定性

1713 年出版的 Jakob Bernoulli《Ars Conjectandi》是概率史的重要節點。它不只延續早期賭局與組合計算，也包含後來被視為大數定律早期形式的結果，使「單次不確定」與「大量試驗中的穩定比例」第一次形成深刻連結。

若令 $X_1,\ldots,X_n$ 為獨立 Bernoulli 試驗，現代語言會把其核心直覺寫成：

\frac{1}{n}\sum_{i=1}^{n}X_i \longrightarrow p

於適當意義下成立。

這一歷史轉折的重要性，不只在於定理本身，而在於它打開了一條後來會被頻率解釋反覆使用的道路：有限樣本中的波動，可以透過大量重複而與某種穩定參數建立關係。

2.2 Bayes：從結果反推未知機制

Thomas Bayes 的論文於 1763 年由 Richard Price 整理並發表。其問題形式已經包含後來 Bayesian inference 的核心方向：已知觀察結果後，如何反向推理未知成功機率或未知原因。

現代形式常寫成：

P(H\mid E) = \frac{P(E\mid H)P(H)}{P(E)}.

但必須避免歷史倒置：今天所謂完整的「Bayesian school」並不是在 1763 年就以現代形式一次完成。Bayes 提供了逆概率問題的重要數學起點，後來經 Laplace、Ramsey、de Finetti、Savage 等不同傳統重新解釋，才形成今天多種 Bayesian 立場。

2.3 Laplace：古典概率的巨大綜合

Laplace 在 1814 年《Essai philosophique sur les probabilités》中把概率方法與自然哲學、觀察、推斷及不確定性問題結合成更大的知識框架。古典概率常以「等可能情形之比」作為最直觀模型：

P(A) = \frac{|A|}{|\Omega|}

但此形式只有在有限、對稱且「等可能」本身可被合理指定時才直接成立。

這裡其實已經埋下一個後來不斷重現的問題：若「等可能」不是由問題本身唯一決定，而是依賴表示、對稱性或建模選擇，那麼概率值之前便存在一層空間建構工作。本文暫不在此提前提出新理論，只指出這個問題並非由現代概率突然創造，而是從古典概率起點就已存在。

3. 十九至二十世紀轉折：頻率、顯著性、檢定與決策

3.1 頻率解釋不是單純「多做幾次」

頻率派的核心直覺，是把概率與可重複序列中的長期相對頻率建立關係。Richard von Mises 在 1928 年《Wahrscheinlichkeit, Statistik und Wahrheit》中，以 collective 等概念試圖給這一路線更嚴格的基礎。

簡化地說，若某事件在前 $n$ 次試驗中發生 $N_n(A)$ 次，頻率直覺關注：

\lim_{n\to\infty} \frac{N_n(A)}{n}.

但這不能被簡化為「頻率派就是數次數」。真正的基礎問題包括：何種序列可被視為同一重複機制？何種選取規則可以接受？有限資料如何支持無限極限的推斷？這些問題使頻率論既是一種概率解釋，也與統計設計及可重複性緊密相連。

3.2 Fisher 與 Neyman–Pearson 不是同一套推斷哲學

R. A. Fisher 的 1925 年《Statistical Methods for Research Workers》把顯著性檢定、估計、變異分析等方法推向廣泛科學實務。Fisherian significance testing 的典型問題是：若虛無假設成立，觀察到目前或更極端資料的程度有多罕見？

這類量不是：

P(H_0\mid E),

而較接近：

P(T\ge t_{\mathrm{obs}}\mid H_0).

Neyman 與 Pearson 在 1933 年則建立另一套更明確包含型一錯誤、型二錯誤、拒絕域與長期決策表現的假設檢定框架。其典型結構不是「一次資料告訴我們假設有多少概率」，而是設計一個在重複使用下具有受控錯誤率的決策規則。

因此，把 Fisher 與 Neyman–Pearson 全部壓成單一「frequentist 方法」雖然方便，卻會掩蓋推斷規則的差異。這一點對本文後續非常重要：概率空間、概率解釋與決策規則是三個不同層級。

4. Kolmogorov 公理化：概率成為測度論的一部分

1933 年，Andrey Kolmogorov 的《Grundbegriffe der Wahrscheinlichkeitsrechnung》奠定現代測度論概率的標準形式。現代教科書通常把一個概率空間寫為：

(\Omega,\mathcal F,P),

其中：

$\Omega$ 是樣本空間；
$\mathcal F$ 是事件的 $\sigma$ -代數；
$P$ 是概率測度。

基本條件包括：

P(\Omega)=1,

以及對兩兩不交事件 $A_1,A_2,\ldots$ ：

P\left( \bigcup_{n=1}^{\infty}A_n \right) = \sum_{n=1}^{\infty}P(A_n).

Kolmogorov 公理化的成功，在於它把大量離散與連續概率模型置於共同數學結構中，並讓隨機變量、期望、條件概率、隨機過程等概念可以與測度論、積分論及函數分析深度結合。

但必須精確區分兩句完全不同的話：

第一句：

標準概率論沒有定義域。

這句話是錯的。Kolmogorov 框架明確要求 $\Omega$ 與 $\mathcal F$ 。

第二句：

Kolmogorov 公理一旦接收到 $(\Omega,\mathcal F)$ 後，並不單獨提供一套科學方法論，告訴研究者為什麼現實問題必須被建模成這個 $\Omega$ 、這個 $\mathcal F$ ，而不是另一個空間或另一個尺度。

這句才是本文後續要研究的問題。

換句話說，標準概率論非常精確地回答：

\text{在已指定概率空間內，概率如何運作？}

但「概率空間如何被指定」通常部分落在模型建構、實驗設計、物理假設、統計語境、因果結構或其他外部理論之中。

本文將這個區別視為後續研究的第一條安全線：新的判定域研究不能靠否認 Kolmogorov 空間已經存在來建立，而必須研究概率空間被選定之前與不同概率空間之間的結構。

5. 主觀概率、邏輯概率與傾向解釋

5.1 Keynes 與 Carnap：概率作為邏輯支持

二十世紀並非只有頻率與主觀 Bayesian 兩條路。Keynes 在 1921 年《A Treatise on Probability》中把概率理解為命題與證據之間的一種邏輯關係；Carnap 後來在《Logical Foundations of Probability》中延續以 confirmation 與 inductive logic 分析概率的路線。

這條傳統的重要性在於：概率不一定先被理解為世界中某個長期頻率，也不一定只是個人心理信念，而可以被理解為「在給定證據下，命題受到何種程度的理性支持」。

5.2 Ramsey、de Finetti 與 Savage：個人概率的行為化

Ramsey、de Finetti 與 Savage 所代表的個人概率傳統，則把信念強度與一致選擇、賭注或偏好行為建立關係。de Finetti 1937 年的論文直接把概率描述為主觀實體，並以 exchangeability 等工具處理歸納問題；Savage 1954 年《The Foundations of Statistics》則把個人概率與效用、決策公理更完整地連接。

這一路線把概率從「重複試驗的客觀比例」轉向：

\text{belief} + \text{coherence} + \text{decision}.

在這個意義下，同一證據下不同主體可能具有不同先驗，但若遵守相應一致性條件，其推斷仍可以具有嚴格形式。

5.3 Popper：傾向不是信念也不是實際頻率

Popper 1959 年提出 propensity interpretation，試圖把概率理解為實驗安排、物理系統或生成條件所具有的傾向。這種解釋尤其適合提醒我們：即使一個事件只發生一次，人們仍可能希望對其生成機制賦予客觀概率，而不把概率完全等同於已觀察到的頻率。

至此，概率至少已有數種互不等價的解釋：

\mathcal I \in \{ \text{classical symmetry}, \text{frequency}, \text{logical support}, \text{personal belief}, \text{propensity}, \ldots \}.

因此，「傳統概率」若不先指明是哪一種解釋，便不是一個足夠精確的批判對象。

6. 精確單一概率之外：上下概率與非精確概率

6.1 Dempster：一個事件不一定只得到一個精確數字

1967 年，A. P. Dempster 研究由 multivalued mapping 所誘導的 upper and lower probabilities。其基本精神是：資訊不足時，對事件 $A$ 未必能合理指定唯一數字 $P(A)$ ，而可能只能得到區間：

\underline P(A) \le P(A) \le \overline P(A).

這並不是「拒絕數學精確」，而是把「我們對概率本身知道多少」放進數學結構。

6.2 Walley：不精確性可以與一致性共存

Peter Walley 1991 年《Statistical Reasoning with Imprecise Probabilities》系統發展 imprecise probability 與 coherent lower previsions。這條路線非常重要，因為它直接反對一個不必要的假設：

所有不確定性都必須被壓成唯一精確概率。

當資訊只能支持一族概率模型時，可以寫成：

\mathcal P = \{ P_\theta:\theta\in\Theta \},

再由此得到：

\underline P(A) = \inf_{P\in\mathcal P}P(A),

\overline P(A) = \sup_{P\in\mathcal P}P(A).

這類方法已經觸及本文未來研究的一個重要鄰域：概率的「容器」可能不是單一測度，而是一個測度集合。

然而，這仍與本文後續要研究的「判定域」不同。概率集合處理的是一個既定事件空間上有多個可接受測度；判定域問題則還要問事件空間、尺度與可判定結構本身如何被選出。

7. 非交換與量子概率：事件代數本身也可以改變

經典 Kolmogorov 概率的事件結構與交換代數密切相關。量子理論則迫使概率研究處理非交換觀測量與算子代數。Hudson 與 Parthasarathy 1984 年建立 quantum Itô calculus，把經典隨機分析擴展到非交換算子過程，且經典 Brownian 與 Poisson 情形可以作為其特殊情形出現。

這表示「概率擴張」並不只能修改 $P$ 的值；它也可以修改承載事件、觀測與隨機演化的代數結構。

抽象地說，經典情況可想成：

\text{commutative event structure},

而量子概率允許：

\text{noncommutative event structure}.

因此，如果有人宣稱「概率學只有 Kolmogorov 那一套」，這在現代數學與數學物理中顯然過度簡化。更準確的說法應是：Kolmogorov 測度論概率仍是核心基準，而不同領域已對事件結構、可加性、期望算子與條件化方式作出多種擴張。

8. 非線性概率：連期望的線性也可以放棄

Shige Peng 在 2006 年的 G-expectation 工作中建立非線性期望框架，並發展 G-normal distribution、G-Brownian motion 與相應隨機微積分。其特別值得注意之處，是該框架被明確描述為不以一個預先給定的線性概率空間為基礎。

在傳統線性期望中：

E[aX+bY] = aE[X]+bE[Y].

而 sublinear expectation 可滿足不同結構，例如：

\mathcal E[X+Y] \le \mathcal E[X]+\mathcal E[Y].

這使模型不確定性、波動不確定性與 robust probability 可以直接進入基礎結構。

對本文而言，G-expectation 提供一個重要警告：若我們要提出「超概率」或「判定域概率」，不能把所有既有概率理論誤認成單一線性測度框架。現代概率早已存在超越單一線性期望的成熟方向。

9. 範疇概率與高階概率：概率空間本身成為可組合對象

9.1 Giry monad：把「取概率分布」變成一個結構操作

Giry 1982 年的 categorical approach 將概率測度組織成 monad。直觀地，若 $X$ 是可測空間，可以考慮其上的概率測度空間：

\mathsf P(X).

更重要的是，範疇方法關注的不只某一個 $P$ ，而是概率空間、Markov kernel 與組合規則之間的結構關係。

這裡已經出現與本文未來「概率之上的概率」非常接近的數學接口。對概率測度空間再次取概率測度，可以形式上考察：

\mathsf P(\mathsf P(X)).

而 monadic multiplication 或 barycentric operation 則研究如何把「分布的分布」適當壓回一階分布。這說明高階概率不是全新的語句，而是有既有數學傳統可以對接。

9.2 Quasi-Borel spaces：高階函數迫使概率基礎再擴張

Heunen、Kammar、Staton 與 Yang 在 2017 年指出，支援高階函數與連續分布的 probabilistic programming 會超出一般 measurable spaces 的方便範圍，因為可測空間範疇並非 cartesian closed。他們提出 quasi-Borel spaces，使高階函數、函數上的概率分布與連續概率能在較合適的範疇中共同處理。

這是一個非常重要的前沿訊號：

\text{probability on values} \rightarrow \text{probability on functions} \rightarrow \text{higher-order probabilistic objects}.

它與人工智能尤其相關，因為現代 probabilistic programming 與生成模型本來就會把函數、程序、策略或模型本身作為隨機對象。

9.3 Markov categories：從測度計算轉向概率結構的合成描述

Fritz 2020 年系統發展 Markov categories 作為 synthetic probability and statistics 的框架，用抽象範疇語言處理條件化、條件獨立、充分統計量等概念。近年的工作仍在快速發展這條路線。

2025 年的 Partial Markov Categories 進一步把部分性、觀測、Bayes 更新與 normalization 納入合成框架；同年 Chen、Fritz 等人的 categorical probability 工作在 Markov categories 中重證 Aldous–Hoover theorem，並得到新的 synthetic de Finetti theorem，顯示範疇概率已不只是重新包裝基礎定義，而正在承載更高階的概率定理。

因此，到 2026 年，至少可以確認以下事實：

\boxed{ \text{概率基礎研究仍然是活躍領域} }

而且其前沿之一，正是把「概率對象如何組合、條件化、分層與高階化」從具體測度計算提升到結構層。

10. 重新整理概率學派：三條軸，而不是一條戰線

根據前述歷史，本文提出一個較不容易混淆的學派地圖。

10.1 概率解釋軸

\mathcal I = \{ I_{\mathrm{classical}}, I_{\mathrm{freq}}, I_{\mathrm{logical}}, I_{\mathrm{subj}}, I_{\mathrm{prop}}, \ldots \}.

它問的是：

概率數值究竟意味著什麼？

10.2 推斷規則軸

\mathcal R = \{ R_{\mathrm{Fisher}}, R_{\mathrm{NP}}, R_{\mathrm{Bayes}}, R_{\mathrm{decision}}, R_{\mathrm{robust}}, \ldots \}.

它問的是：

給定資料與模型後，我們如何做推斷與決策？

10.3 數學承載軸

\mathcal M = \{ M_{\mathrm{Kolmogorov}}, M_{\mathrm{imprecise}}, M_{\mathrm{noncommutative}}, M_{\mathrm{sublinear}}, M_{\mathrm{categorical}}, M_{\mathrm{higher}}, \ldots \}.

它問的是：

什麼數學結構允許我們表達概率與不確定性？

於是，一個具體概率研究傳統不應只被標成一個名詞，而可以被理解為三軸中的一個位置：

\boxed{ \mathfrak S = (\mathcal I,\mathcal R,\mathcal M) }

這個表示不是要建立新的歷史學標準，而是作為後續超概率研究的防錯裝置。當我們說某框架「超越傳統概率」時，必須先回答：

超越的是哪一種概率解釋？
超越的是哪一種推斷規則？
還是超越某種數學承載結構？

如果三者都不說，所謂「超越」便沒有可檢查的對象。

11. 從歷史走到現在：哪些問題已經被處理？

本文特別關心與後續判定域研究相鄰的問題。到目前為止，既有概率理論至少已經處理下列大量擴張。

11.1 單一精確概率不是唯一選項

Dempster、Walley 等方向說明可以使用：

[\underline P(A),\overline P(A)]

或概率集合，而不是強制唯一值。

11.2 事件結構不必保持經典交換形式

量子概率與非交換概率說明：

\text{event algebra}

本身可以被推廣。

11.3 期望不必保持線性

sublinear expectation 與 G-expectation 說明：

E

本身可以被替換為非線性不確定性算子。

11.4 概率對象可以高階化

概率分布可以作用於函數、模型、概率測度或其他高階對象：

X \rightarrow \mathsf P(X) \rightarrow \mathsf P(\mathsf P(X)) \rightarrow \cdots.

11.5 概率推理可以範疇化與合成化

Giry monad、quasi-Borel spaces、Markov categories 等方向說明，概率理論不必只被表達為逐個積分與逐個測度計算，也可以研究其組合結構、kernel、monad 與 morphism。

因此，後續新理論不能宣稱「我們第一次發現概率可以是多層、非精確、非線性或概率的概率」。這些說法都已有重要先例。

真正需要尋找的是不同方向之間尚未被同一框架明確固定的結構問題。

12. 尚可獨立提出的問題：概率之前的判定域

12.1 概率空間已經有域，但「域如何被選」是另一問題

標準概率空間：

(\Omega,\mathcal F,P)

已經明確具有樣本空間與事件空間。

因此，後續研究不應聲稱：

\text{傳統概率沒有空間}.

更精確的研究問題是：

\boxed{ \text{在指定 } (\Omega,\mathcal F,P) \text{ 之前，} (\Omega,\mathcal F) \text{ 如何成為當前合法判定域？} }

這個問題尤其在以下情況變得尖銳：

同一現象可以有微觀、中觀、宏觀與全域描述；
不同觀察尺度產生不同事件分類；
研究者只能觀察到局部子空間；
容器本身隨時間改變；
多個概率模型之間需要投影或聚合；
一階概率本身成為二階概率的隨機對象。

12.2 局部概率不能自動被讀成全域概率

假設某局部域為：

\mathfrak D_\mu,

較大域為：

\mathfrak D_M.

即使在局部域中已知：

P_{\mathfrak D_\mu}(A)=p,

也不能只靠符號省略，就宣稱：

P_{\mathfrak D_M}(A)=p.

兩者之間至少需要某種合法映射、限制、pushforward、extension、aggregation 或其他尺度轉換條件。

因此，本文提出後續系列需要正式研究的禁則候選：

\boxed{ P_{\mathfrak D_\mu}(A) \not\Rightarrow P_{\mathfrak D_M}(A) }

除非局部至較大域的提升條件已被明確給定。

這不是對 Kolmogorov 公理的修改，而是對「概率陳述的使用語境」增加一層形式規範。

12.3 「全域概率」可以存在，但必須聲明全域量詞

本文並不否認全域概率。

真正反對的是：

\text{未聲明尺度的局部概率} \quad \Longrightarrow \quad \text{被語言上讀成全域概率}.

若研究對象確實具有全域樣本空間：

\Omega_G,

並且事件族與測度皆已合法定義，那麼：

P_G(A)

完全可以是正當對象。

因此，後續框架的立場不是：

不存在全域概率。

而是：

若要說全域概率，必須先說明何謂全域、全域容器如何定義，以及局部觀測如何與全域測度連接。

這個差異將是判定域概率論與泛化反概率立場之間的根本區別。

13. 與多尺度概率場的交點

若把尺度記為：

s \in \{ \mu,m,M,G \},

分別代表微觀、中觀、宏觀與全域，那麼概率不再只有一個裸值 $P(A)$ ，而是可以首先寫成：

P_s(A).

再若考慮概率本身的階數：

r = 0,1,2,\ldots,

則可以形成：

\mathfrak P_s^{(r)}.

這給出兩個互相獨立的軸：

\boxed{ \text{Scale} \times \text{Probability Order} }

其中 scale 處理「在哪個判定空間」，probability order 處理「我們是在對事件、概率分布、概率分布的分布，還是更高階對象做概率化」。

若再加入時間：

t,

便得到一個後續可研究的三軸結構：

\boxed{ \mathfrak P_{s,t}^{(r)} }

這個表示目前只是研究綱領，不在本文宣稱為已完成理論。它的價值在於把三個常被混合的問題拆開：

尺度變化；
概率階數變化；
時間演化。

這將是後續「多尺度判定域概率幾何」與「遞歸概率場」的交點。

14. 2026 年的前沿定位：我們應該站在哪裡？

截至 2026 年，若只考察與「概率基礎」直接相關、而非整個概率學所有應用前沿，可以看到至少五條仍活躍的研究線。

14.1 Robust / imprecise uncertainty

研究單一概率不足以代表模型不確定性的情況。

14.2 Nonlinear expectation

研究線性期望、公理與隨機微積分在模型不確定下如何改寫。

14.3 Quantum / noncommutative probability

研究非交換事件與觀測結構中的概率。

14.4 Higher-order probability and probabilistic programming semantics

研究函數、程序、模型與高階隨機對象上的概率。

14.5 Categorical / synthetic probability

研究概率推理的組合、公理與 morphism 結構，並嘗試以 Markov categories 等框架統一離散、測度、Gaussian 與其他概率模型。

近年的 categorical probability 已經推進到條件化、統計實驗、部分 Markov 結構、exchangeability 與 Aldous–Hoover 類定理。這意味著我們若提出新框架，必須直接與這些工作對話，而不能只拿二十世紀初的概率教材作為比較對象。

本文因此把後續研究的定位收斂為：

\boxed{ \text{不是「替代概率論」，而是研究概率空間被判定、縮放、提升與遞歸時的結構。} }

15. 本系列的研究邊界

為避免「超概率」變成無限擴張的總稱，本系列從第一篇起設定四條邊界。

15.1 不否定既有概率論

若某問題可在標準：

(\Omega,\mathcal F,P)

中完整處理，就沒有必要因為新名詞而重寫。

15.2 不把所有非標準概率都收編為自己的子理論

imprecise probability、quantum probability、G-expectation、categorical probability 等有自己的數學傳統。本系列只研究接口與可組合關係，不宣稱這些領域原本就是本系列的一部分。

15.3 不把「概率的概率」宣稱為首次提出

高階概率、概率測度上的概率、probability monad 與 higher-order probability 已有既有研究。後續「遞歸概率場」若有新意，必須來自其與判定域、尺度、動態容器及局部—全域提升的共同形式化，而不是只來自：

P(P(P(\cdots))).

15.4 不把判定域問題偷換成哲學修辭

後續 Paper 02 必須給出可檢查的數學對象，至少回答：

判定域有哪些組件？
它與 measurable space 有何差異？
域之間的 morphism 是什麼？
何時允許 restriction？
何時允許 extension？
何時允許 pushforward？
何時禁止 local-to-global lifting？
如何表示尺度與觀察條件？

若無法回答，則「判定域」只能算方法論語彙，而不能算新的概率數學框架。

16. 結論

概率論的歷史並不是一條從「錯誤古典概率」走向「正確現代概率」的直線，也不是 Bayesian 與 frequentist 兩軍對戰的簡化故事。

更接近實際的圖像是：

\boxed{ \text{Interpretations} \times \text{Inference Rules} \times \text{Mathematical Carriers} }

三個維度長期交錯演化。

從 Bernoulli 的大量試驗穩定性、Bayes 與 Laplace 的逆概率，到 von Mises 的頻率基礎、Fisher 與 Neyman–Pearson 的不同推斷規則，再到 Kolmogorov 的測度論公理化，概率的數學基礎逐漸獲得高度統一性。另一方面，Keynes、Ramsey、de Finetti、Savage、Popper 等又持續爭論概率究竟代表邏輯支持、個人信念、頻率或物理傾向。

後來的發展更證明，現代概率遠比單一精確測度豐富。上下概率與 imprecise probability 允許不確定性本身保持區間或集合形式；quantum probability 改變事件的代數結構；G-expectation 放棄線性期望；Giry monad、quasi-Borel spaces 與 Markov categories 則把概率推向高階、組合與範疇結構。

因此，本系列不應建立在：

\text{「傳統概率沒有處理空間」}

這種過度陳述上。

真正值得研究的命題是：

\boxed{ \text{概率空間存在，} \quad \text{但概率空間如何被選為當前判定域，仍可被獨立形式化。} }

並進一步追問：

\boxed{ \text{局部域如何提升？尺度如何聲明？域如何演化？概率如何遞歸？} }

這將成為下一篇《判定域概率論：概率之前的容器、空間與量詞》的正式起點。

參考文獻

[1] Bernoulli, J. (1713). Ars Conjectandi. Basel: Thurnisiorum Fratrum.

[2] Bayes, T. (1763). An Essay towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society, 53, 370–418. DOI: 10.1098/rstl.1763.0053.

[3] Laplace, P.-S. (1814). Essai philosophique sur les probabilités. Paris: Courcier.

[4] Keynes, J. M. (1921). A Treatise on Probability. London: Macmillan.

[5] Fisher, R. A. (1925). Statistical Methods for Research Workers. Edinburgh and London: Oliver and Boyd.

[6] Ramsey, F. P. (1926/1931). Truth and Probability. In The Foundations of Mathematics and Other Logical Essays. London: Kegan Paul.

[7] von Mises, R. (1928). Wahrscheinlichkeit, Statistik und Wahrheit. Berlin: Springer.

[8] Kolmogorov, A. N. (1933). Grundbegriffe der Wahrscheinlichkeitsrechnung. Berlin: Springer. English translation: Foundations of the Theory of Probability.

[9] Neyman, J., & Pearson, E. S. (1933). On the Problem of the Most Efficient Tests of Statistical Hypotheses. Philosophical Transactions of the Royal Society A, 231, 289–337. DOI: 10.1098/rsta.1933.0009.

[10] de Finetti, B. (1937). La prévision: ses lois logiques, ses sources subjectives. Annales de l'Institut Henri Poincaré, 7(1), 1–68.

[11] Carnap, R. (1950/1951). Logical Foundations of Probability. Chicago: University of Chicago Press.

[12] Savage, L. J. (1954). The Foundations of Statistics. New York: Wiley.

[13] Popper, K. R. (1959). The Propensity Interpretation of Probability. The British Journal for the Philosophy of Science, 10(37), 25–42. DOI: 10.1093/bjps/X.37.25.

[14] Dempster, A. P. (1967). Upper and Lower Probabilities Induced by a Multivalued Mapping. The Annals of Mathematical Statistics, 38(2), 325–339. DOI: 10.1214/aoms/1177698950.

[15] Giry, M. (1982). A Categorical Approach to Probability Theory. In Categorical Aspects of Topology and Analysis, Lecture Notes in Mathematics, pp. 68–85. DOI: 10.1007/BFb0092872.

[16] Hudson, R. L., & Parthasarathy, K. R. (1984). Quantum Itô's Formula and Stochastic Evolutions. Communications in Mathematical Physics, 93, 301–323. DOI: 10.1007/BF01258530.

[17] Walley, P. (1991). Statistical Reasoning with Imprecise Probabilities. London: Chapman & Hall.

[18] Peng, S. (2006). G-Expectation, G-Brownian Motion and Related Stochastic Calculus of Itô's Type. arXiv:math/0601035.

[19] Heunen, C., Kammar, O., Staton, S., & Yang, H. (2017). A Convenient Category for Higher-Order Probability Theory. LICS 2017, 1–12. DOI: 10.1109/LICS.2017.8005137.

[20] Fritz, T. (2020). A Synthetic Approach to Markov Kernels, Conditional Independence and Theorems on Sufficient Statistics. Advances in Mathematics, 370, 107239. DOI: 10.1016/j.aim.2020.107239.

[21] Kristel, P., & Peterseim, B. (2024). A Topologically Enriched Probability Monad on the Cartesian Closed Category of CGWH Spaces. arXiv:2404.08430.

[22] Di Lavore, E., Román, M., & Sobociński, P. (2025). Partial Markov Categories. arXiv:2502.03477.

[23] Bohinen, M., & Perrone, P. (2025). Categorical Algebra of Conditional Probability. arXiv:2502.14941.

[24] Chen, L., Fritz, T., Gonda, T., Klingler, A., & Lorenzin, A. (2025). The Aldous–Hoover Theorem in Categorical Probability. Algebraic Statistics, 16, 131–174. DOI: 10.2140/astat.2025.16.131.