这篇论文由Jean-Louis Le Mouël等八位作者撰写，于2026年5月26日提交至arXiv，归类于人工智能（cs.AI）与概率论（math.PR）两个学科，全文共44页、含7幅图。论文并不是一篇常规的数学史综述，而是把概率概念的演变当作一面镜子，用来观察“理性”本身如何变化。作者的核心主张是：概率论从计算赌局胜负的工具成长为处理不确定性的核心框架，这一过程不只是数学技术的积累，更是科学判断方式的转型。
论文梳理了一条清晰的历史线索。起点是帕斯卡与费马围绕组合对称性所作的工作，概率最初被理解为等可能情形的计数。随后，贝叶斯与拉普拉斯把概率引入归纳逻辑，使其成为从经验中更新信念的工具。泊松对事件统计的研究进一步把概率与可重复观察联系起来。到柯尔莫哥洛夫建立公理化体系，概率论获得了严格的数学基础。作者认为，在这一长期演进中，不确定性、时间与一致性逐步被纳入科学判断，概率不再只是描述随机现象，而成为一种推理框架。
这一轨迹在现代贝叶斯推断中达到较为成熟的认识论形态。论文特别引述Tarantola的观点，把概率视为一种“信息的逻辑”：先验知识与观测数据被一致地结合起来，形成对命题的信念度量。作者对此持肯定态度，但同时指出这一框架的边界。概率能够量化关于定义明确的命题的不确定性，却无法凭自身形式化描述这些命题所用概念的模糊性。换言之，概率回答“我有多大把握”，却不直接回答“这个概念本身有多模糊”。
正因如此，论文把讨论扩展到概率之外。作者将模糊逻辑呈现为一种处理分级含义与定性判断的严谨语言，使“较热”“大致相等”这类渐变概念获得可操作的形式表达。与此同时，论文把深度学习分析为一种独特而强大的预测方式：它依赖几何插值与优化，而非显式的推理链条。作者并未贬低深度学习，而是强调它与概率推断、模糊逻辑在认识论上属于不同类别，各自擅长不同的问题。
论文的结论带有规范性色彩。作者主张，当代科学理性不能被简化为单纯的数据驱动性能；要真正理解一个结论，必须明确表达不确定性、模糊性以及推理过程本身。将概率、模糊逻辑与深度学习放在共同的历史与认识论视角下考察，有助于厘清三者的角色与局限。对人工智能研究而言，这一观点提示：模型的高预测精度并不等同于完整的科学推理，忽视概念模糊性与推断结构的系统，可能在可解释性与可靠性上留下隐患。