数学大还是逻辑大?塔斯基说:随你!

阿尔弗雷德·塔斯基在1966年的演讲中,提出了一个关于逻辑概念的界定,即一个概念若对世界到自身的所有可能的一一变换都保持不变,则称其为逻辑的。这一界定解释了传统上被认为是逻辑概念的对象的本质特征。塔斯基进一步探讨了数学概念是否都是逻辑概念,以及数学是否是逻辑的一部分。

提要: 阿尔弗雷德·塔斯基(Alfred Tarski)在一次题为“什么是逻辑概念?”的演讲中,对数学和逻辑的关系这个玄之又玄的问题给出非常优雅而简洁的回答。

Alfred Tarski, photo from New World Encyclopedia, under CC-by-sa
数学是逻辑的一部分还是相反?这是个有意思的话题。

逻辑学家大概喜欢说数学只不过是逻辑的一部分。罗素与怀特海的《数学原理》就是做这个的。但是这难免会令一些数学家不爽。

看到塔斯基对这个问题的解答,感觉很简洁和优雅。1966年5月塔尔斯基在伦敦大学贝德福德学院的演讲,题目是“什么是逻辑概念?”柯可兰整理了这个演讲稿,在塔斯基去世后第三年,发表在《逻辑史和逻辑哲学》1986年第7卷。

塔斯基首先对什么是一个逻辑的概念提出了一个方案:“称一个概念是 “逻辑的”,如果它对世界到自身的所有可能的一一变换都保持不变。” 其中,“世界”也可代换为“论域”。

这个方案(也就是术语“逻辑概念”的界定)的合理性在哪里?一个有力的回答是,《数学原理》中定义的概念都符合这个提议。这里,塔斯基呈现了一个似乎并不难理解的简洁而优雅的说明,在上述建议的意义下,

1)在个体层次上不存在逻辑概念;

2)在个体类中,恰有两个逻辑概念(全域类和空类);

3)二元关系只有四个逻辑概念(n元关系有少量有穷多个);

4)类的类(类的性质):仅与这些类中元素的数目有关的性质才是逻辑概念。

进一步,类之间的关系:类之间的包含、两个类的不相交性、两个类的重叠以及许多其他关系,都符合上述“逻辑概念”的定义,并且也都是通常意义上的逻辑概念。

换言之,在域的所有一一变换中保持不变的这一性质,正是一直以来人们认为是逻辑概念的那些对象背后的基本性质。

再此基础上,塔斯基通过对“数学概念是否都是逻辑概念”的讨论,来引出“数学是否逻辑的一部分”的答案。

“众所周知,全部数学可以在集合论或类理论中构造,因此,上述问题可以归约为如下问题:集合论的概念是否都是逻辑概念?我们又知道,所有通常的集合论概念可以用一个概念来定义,即归属概念或属于关系的概念,因此我们的问题的最后一种形式是:属于关系是否是我所建议的意义上的逻辑概念?”

(惊叹:一个看似玄而又玄的问题,就归结于“属于关系”的定义方法这么一个“小”问题上!)

答案是——取决于怎样构造集合论。用“类型方法”(《数学原理》的方法),集合论就是逻辑的一部分。用“一阶方法”(策梅洛、冯·诺依曼和贝奈斯等人的方法),其中“没有类型分层,只有一个论域,个体之间的属于关系是不加定义的关系、一个初始概念”,这样,数学概念就不属于上述意义的逻辑概念。

我觉着,塔斯基内心里大概也是喜欢前一种方式的,只是碍着数学家的“面子问题”。把“属于关系”当作直接引进的也无所谓啊——反正这背后的道理已经是清楚了,就好象坐船过河,还是走桥过河,只是一个局部的技术性选择,可以“随你所愿”。


参考:A. 塔斯基《什么是逻辑概念?》刘新文/译,《世界哲学》2014年3期
在线版本:http://www.philosophy.org.cn/Subject_info.aspx?n=20150304161520190030

原发:2015-05-08 https://www.douban.com/group/topic/75075773/

作者印记:f6c6c0


相关阅读

  • 我所见的一点塔斯基

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值