不少人談論過關於Te與Ti所使用的邏輯之區別。筆者見過有人說，Ti用的是演繹法，Te用的是歸納法。且不說這種看法正誤與否，若要弄明白一個問題，最基礎的工作其實是先理順該問題中所涉及的重要元素究竟是什麼。具體說來，本文最首先應當陳述的便是歸納推理 （Inductive reasoning）與演繹推理（ Deductive reasoning）之區別。
一
歸納推理
歸納推理是從許多個別事例中推理出一個較具概括性的規則。
它包括
完全歸納法
與
不完全歸納法
。完全歸納將研究物件都一一考察到了（數學歸納法）。而在現實中，由於需要面臨更龐雜且不可窮盡的物件，使用得更多的實際上是不完全歸納法。
不完全歸納法又分為兩種：
簡單列舉法
：例如從“金”和“銀”都導電，推測出“所有金屬都導電”這一結論。
科學歸納法
：依據某類事物的部分物件都具有某種屬性，並分析出制約著這種情況的原因，從而推出這類事物普遍具有這種屬性。 基本方法有，求同法，求異法。
關於不完全歸納法，英國數學家羅素提出過一個帶有諷刺意味的
火雞問題
。
在火雞飼養場裡，有一隻火雞發現，第一天上午9點鐘主人給它餵食。
然而作為一個卓越的歸納主義者，它並不馬上作出結論。它一直等到已收集了有關上午9點給它餵食這一經驗事實的大量觀察；而且，它是在多種情況下進行這些觀察的：雨天和晴天，熱天和冷天，星期三和星期四……它每天都在自己的記錄表中加進新的觀察陳述。
最後，它的歸納主義良心感到滿意，它進行歸納推理，得出了下面的結論：“主人總是在上午9點鐘給我餵食。”
可是，事情並不像它所想像的那樣簡單和樂觀。在聖誕節前夕的上午，主人沒有給它餵食，而是把它宰殺了。
火雞問題所引發的反思並不是要人們放棄歸納法，而是需要警惕在歸納過程中的“
以偏概全
”。錯誤的歸納其實是相當於在不可控的情況下，被動抽取了樣本，然後由於
樣本量過少
，或是由於
樣本分佈不均勻（偏離靶心）
導致了樣本
有效性減弱
。
簡單的說就是，
前提
本身就已經
不太牢靠
了，結論失誤基本已成定局。
不完全歸納法的思路和統計思維有類似之處，統計最大的優點是“講效率”，因此可以節省大量成本。而一個人在使用不完全歸納法的時候，若能銘記自己取樣時可能碰到的若干瓶頸，也就不至於像火雞那樣得出錯得離譜的歸因了。
二
演繹推理
歸納推理注重
感覺與經驗
來積累知識，而演繹推理從
已知推匯出事物的未知部分
。
其具體型別主要有，公理演繹法（依據公設進行推理），假說演繹法（依據假說進行推理），定律演繹法（以某種普遍規律或是經驗規律為前提進行推理），理論演繹法。
在使用演繹推理時最重要的點是，
大前提要對
。
公理演繹和定律演繹在這方面所面臨的壓力很小，但是在我們運用假說演繹時，假說本身的正確性會顯得至關重要，就算推理邏輯脈絡沒有問題（相當於解題的過程正確），但是前提（假說）錯了，最後結果也不可避免是錯的。
一言以蔽之，
演繹推理
是從前提推導結果，從一個核心去輻射到表層，從DNA去畫出對應的細胞。
歸納推理
是從外圍推導核心，從結果上溯原因，從細胞壁一路深挖到細胞核。
坦率的說，我個人認為這兩者並沒有孰優孰劣之分。
準確來講，在構建一套體系之時，這兩者我都會用到。
舉例：構建“看
臉
識人”體系
該體系的骨架在於“一個人的
臉
能和他的
性格
吻合”這一核心前提。透過從一個人的臉（外圍果）辨認出他的性格（上層因），從而基本可以做到
識得此人
。
初期建模：需要大量可靠的人臉資料（可靠的意思是，人臉對應的性格需要是已知的）
總結共性：用
歸納法提煉出相同性格人的臉部特徵相似之處
（例如臉部表情，神態，眼神）
驗證：用總結出來的核心面部特徵，去驗證新面孔的性格，驗證成功（與對應性格匹配）則視為有效經驗（Si）。
過程輔助：最難的地方在於，初期的時候，判斷一個人性格的準確度需要依賴大量除了“臉”以外的資訊，例如語言風格，行為習慣等，而陌生人能提供的有效資訊略少。
因此初期建模進展會很緩慢。
該體系看似是從“臉“歸因到”性格“，其實卻不僅僅是從”臉“歸納到”性格“，一開始的時候，觀察者需要看的是一籃子的資訊”臉“+”語言方式“+”服飾“+”愛好“+……=”性格“，只有在熟練之後才能進行單線操作，做到僅以“臉”推其“性格”。
在使用歸納法的時候，筆者是不挑外圍資訊的（嗯，此時的我飢不擇食），凡是覺得有所聯絡的資訊點皆會考慮（甚至會考慮聲音），因此”看臉識人“只是
模型建好
了之後的
最後一步
，就像是一個軟體已通過了測試，只等著你的使用（將臉輸入，得出性格的型別），至於程式是怎樣run的，那並不是你在使用它的時候需要關心的問題。如果出了bug，再進一步修理完善即可。
系統版本：目前還沒有最終完善（處在不斷更新中），但不影響使用。
需要時間：若干年。也許高手建模只需要幾個月？原諒我是個凡人。
以上可知，使用歸納法所需要的
工作量其實是巨大的
（即便是已經用統計法節約了大量成本之後），它有時候需要源源不斷的花費幾年的時間。
這其實很容易理解，因為外圍對應的資料總是琳琅滿目的洶湧，用個比喻就是，金字塔只有越往上走才會越精巧，底部都是些粗重的石塊，而搬磚的時間，總是佔據大部分的比重。
因此從時間的維度上來看，筆者使用歸納法的時間反而更多些。使用歸納法的時候就像是在長年累月的搬磚，而只有建造好金字塔之後才能輕鬆的演繹（這感覺太美妙，演繹的速度很快，有一種千里目的感覺，像在飛）。
小結：歸納=長年搬磚。演繹=一目千里。兩者一體，先辛苦，後享受，形容其是破繭成蝶也不為過。
不肯搬磚或者不喜歡搬磚的人，堅持不了太久，也就沒辦法真正掌握Ti。
至於Te，個人認為它主要是運用在達成目標上，
和歸納與演繹的關係並不大
。
比如“怎樣自拆自卸並組裝一臺洗衣機”，又或者“如何修理壞了的門鎖”（這兩件事筆者都做過）。
Te採用逐層倒推的方法上溯到可以解決問題的那一層原因即可，不需要過多的追求因果
，也不需要複雜建模，筆直的幾步邏輯推導即可完成任務。
也就是說，雖然Ti和Te都帶T，但Te是一個很顯化的功能（甚至比Fe還要具象），它是一種執行，而非建模，就好像一臺機器人，可以去執行各種各樣的任務，但執行任務的過程中不需要用到Ti，不需要演繹也不需要歸納。程式已寫好，只要去完成就可以了。實際上，Te跟Se的頻率更靠近些（這二者其實才是鄰居）。當然，沒有Te，許多現實中的事都無法完成（例如打掃衛生，投籃進球），沒有Te諸位基本上可考慮永居象牙塔中不必出門了。
最後我想說，
歸納法和演繹法對於Ti都是必不可少的
。
只有運用的不好的歸納與演繹，而不存在演繹優於歸納這一說。
雖然，初期的Ti使用者因為運算精力有限，會習慣使用演繹法推導（例如使用公理演繹法，其大前提是現成的，無需費力取得，這個時候不需要自己去建模，相對來說會輕鬆許多），
但是一旦與龐雜的現實接觸，就不可避免的要使用到歸納法來精煉分析出各種新核心點，這些核心點最終指向一個方向，一個塔尖
。
因此想要發展Ti的話，諸位需要克服懶惰的習性（堅持努力搬磚），多多反思以及拷問每一層因果環節，也許有一天就能站在塔頂把這世界看得清楚明瞭真真切切了。
Fin
