1982年，统计学家A. P. Dawid在《美国统计协会杂志》（JASA）发表了一篇只有六页的论文《The Well-Calibrated Bayesian》。他证明了一个听起来很安慰人的结论：只要预测者遵循贝叶斯连贯性原则、按顺序给出概率预测，他就会在自己的概率模型里"必然"相信自己是校准良好的——报30%概率下雨的那些日子，长期来看大约真有30%下雨。
但这篇论文真正的分量不在这句安慰话，而在于它捅破了一个窟窿：这种"必然校准"只在预测者自己的模型内部成立，现实世界完全可能让它落空。原文写到定理即将登场时，作者特意提醒读者，这个结果对连贯性理论本身有"破坏性含义"——论文摘录恰好停在这句话之后，后面四十年的学界接力，才把这句话真正讲完。
一个气象学问题，变成一条数学定理
校准这个概念，最早是气象预报员的日常麻烦。Dawid在论文里举的例子是丹佛的降水概率："今天降水概率30%"，或者气温可信区间"75%概率最高气温在63到67华氏度之间"。此前Murphy和Winkler的研究显示，有经验的预报员总体上校准良好，但这不代表他们的预报有用——一个永远只报长期降雨频率的懒人预报员，同样能做到校准良好，却没提供任何信息量。
Dawid把这个气象学经验问题，变成了一个严格的数学证明：用鞅差分收敛论证证明，只要预测者的判断服从概率公理，那么在他自己认定的那套概率分布下，预测值和实际结果的偏差会收敛到零。换句话说，一个连贯的预测者必然相信自己长期看会被校准。
校准良好，是"自认为"，不是"真的是"
这个证明方式本身就是陷阱：它是个"内部"结论，只在预测者自己的概率模型下成立。如果模型本身有偏，现实数据完全可能落进那个被判定为概率为零的失准区间里——这跟统计学里"不该给真正可能发生的事赋值为0"的经典原则正好相冲突。
更微妙的一层张力在于：如果发现某个概率档位的历史表现和实际频率对不上，直觉上该调整以后的预测；但如果原始概率已经是基于全部历史信息算出的条件概率，那么"因为校准差就下调"其实是换了一套模型，而不是在同一个先验下做贝叶斯更新。这才是原文所说"对连贯性理论的破坏性含义"真正指向的地方。
连贯贝叶斯主义者不是不会错，而是错了也无法在自己的逻辑里承认。
Oakes与Foster-Vohra：用十几年时间把窟窿堵上
Dawid把问题抛出后，学界花了十几年才接住。1985年，Oakes证明了一个更狠的结果：不存在任何确定性的贝叶斯先验或预测规则，能在所有可能的环境下都保持校准——对任何一套确定性预测系统，总能反过来构造出一个专门让它失准的数据生成过程。
这跟Dawid的结论并不矛盾，只是量词顺序换了位置：Dawid说"对每一个先验，校准概率是1"；Oakes说"对每一个先验，都存在一个专门针对它的环境，让失准概率是1"。两句话可以同时为真，却很容易被误读成互相推翻。
真正破局的是1998年Foster与Vohra的证明：只要引入随机化，预测算法就能在任意结果序列下把渐近校准误差压到零，前提是自然界看不到预测者当次抽签的结果。他们还带出一个意外的连带效果——如果博弈中的参与者都根据校准预测做最优反应，群体的经验行动分布会收敛到相关均衡，而不必然是纳什均衡。代价也很直白：随机报出来的概率不再是预测者"真诚"的信念，校准由此变成一种工具主义式的过关手段，而不是贝叶斯连贯性原本想要守护的"真实信念"表达。
- 风险.校准良好本身不能证明预测有用——永远报基础概率的预测者同样能"过关"，Brier评分里reliability只是一部分，resolution和sharpness才是补上这个漏洞的另一半。
这条脉络今天正套在大模型头上
从气象预报走到博弈论的这条路，如今几乎原封不动套用在大模型置信度校准上。评价LLM"是否知道自己不知道"最常用的ECE等指标，本质上就是Dawid当年定义的经验校准曲线——把模型给出的置信度分档，再看每一档里实际答对的比例是否吻合。
后校准方法比如temperature scaling，做的事跟"因校准差就下调概率"是同一类操作：把模型的置信度往基础概率上拉，校准分数好看了，但模型对具体问题的区分能力可能被一并磨平。Dawid-Oakes-Foster/Vohra这条线四十年前就讲清楚了：校准可以靠随机化"骗"过任何环境，但那不等于模型真的更懂自己错在哪。对研究不确定性量化和幻觉检测的团队来说，这篇六页论文提醒的是同一件事——校准分数好看，不代表可以信。