这篇文章英文版应Philosophies的特刊Logic anf Science的客座编辑Dr. Fabien Paillusson的邀请而写（不收版面费）。他邀请我是因为看到我发表在Entropy上关于确证的文章：https://www.mdpi.com/1099-4300/22/4/384 . 

应邀文章是一个大统一文章：

1. 统计和逻辑的统一 ———了解人工智能中统计学派和逻辑学派的分歧的人更能理解这一统一的重要性；

2. 归纳（包括确证）和证伪的统一——这是从休谟开始由来已久的被认为是难以调和的科学哲学问题；

3. Shannon 信息论和Popper科学进化论的统一。 

这篇文章将会产生怎样影响？......至少斯坦福百科全书的许多词条要改写或补充，其中几个词条（点击词条比较看看）： 概率的解释，语义信息，确证， 逼真度， 逻辑和概率， 归纳逻辑。

英文原文见：https://www.mdpi.com/2409-9287/5/4/25  欢迎点击

中文版见这里：http://www.survivor99.com/lcg/CM/P-T/index.html 

中文摘要：

摘要: 很多研究者想通过合理地定义逻辑概率或概率逻辑统一概率和逻辑；而本文试图统一统计和逻辑，以便我们可以同时使用统计概率和逻辑概率。为此，本文提出P-T概率框架——它是用Shannon的概率框架（用于电子通信）、Kolmogorove的概率公理（用于逻辑概率）和Zadeh的隶属函数（用作真值函数）组装的。推广的贝叶斯定理可以连接两种概率，用它我们可以将似然函数和真值函数相互转换；据此，我们可以用统计中的样本分布训练逻辑中的（模糊）真值函数。这一概率框架是在作者的语义信息、统计学习和颜色视觉的长期研究中发展而成的。本文首先介绍P-T概率框架并且通过其应用于语义通信解释其中不同概率，然后解释我们如何将这一概率框架和语义信息方法应用于统计学习、统计力学，假设评价（包括证伪）、确证和贝叶斯推理。这些理论上的应用显示了这一概率框架的合理性和实用性。这一概率框架将有助于可解释的人工智能。为解释神经网络，我们需要进一步研究。

关键词：统计概率；逻辑概率；语义通信；信息率失真；Boltzmann分布; 证伪; 逼真度；确证测度；乌鸦悖论；贝叶斯推理。