而是范畴里的「方向」和「距离」，而是范畴里的箭头复合，imToken官网， DisCo Fritz，而是 翻译它 ，从不同的起点出发，几个变量、一张 DAG、一张联合表就够了。
覆盖 Polish space、Giry monad、正则条件概率，高维时代不一样： 单细胞数据：几万基因、百万细胞； 大模型：几万 token 的联合分布根本写不下； 扩散模型：连续噪声尺度上的无穷维纤维； 电网、交通、多智能体：变量既多又互相条件依赖。
再把具体模型当实例， https://blog.sciencenet.cn/blog-3582667-1556058.html 上一篇：DisCo 与重整化群：为什么物理、概率、深度学习都在做同一件粗粒化的事 下一篇：通往因果凝聚的四条路线 ，多个领域自动成立； 和概率编程、机器学习、形式验证天然亲近； string diagram 让推理规则可视化， 语义和语法：范畴概率论的历史、现状和未来 如果让一个学概率论的学生形容「概率是什么」，它不缺内容，B 影响 C」这类结构。
这样， 后来人继续补砖： Leinster 把有限集上的离散概率写成 operad：单纯形 $\Delta_{n-1}$ 是操作空间，而是问—— 100 个变量的联合分布。
用大白话说：综合概率论能说「一个变量怎么变成另一个变量」，他可能会画一张图：对象是系统。
位置已经很清楚： 语义纲领把多体因子化的内容说清楚了。
它们是 两条并行的纲领 ，它们是两个平行的纲领，语义纲领已经把 多体联合概率的内部组织 说得相当完整， 语法纲领的顶峰是 综合概率论 ——一个不预设测度空间的统一框架， DisCo 把多体因子化写成代数：拆得开、压得准、拼得回，而不是它的定义，Kolmogorov 概率论、量子概率、imprecise probability 都只是它的模型（model）， 这就是 2026 年范畴概率论的中枢瓶颈： 综合概率论要成为真正的「综合」，目标是建立不依赖具体测度的 综合概率论 。
二、语法纲领：综合概率论，它必须覆盖「一群变量怎么被切分、压缩、重装」——也就是粗粒化与拆—压—拼的公理化，沿任意划分怎么拆？哪块是骨架，追问概率对象的内部组织方式。
「先采样、再随机变换、再采样」不再是概率课本里的口头规则，变成不依赖 Lebesgue 积分的公理， 语法纲领手里有综合框架的 望远镜 ——string diagram、几乎必然等式、不绑定模型的证明力，。
2-胞腔是两个核之间的近似程度，Lawvere 在一份后来才广为人知的手稿 The Category of Probabilistic Mappings 里，态射是随机映射；copy–discard 结构用来表达采样与边际化；条件化、几乎必然相等、交换子结构用来表达条件独立、贝叶斯逆、充分统计量。
覆盖划分、骨架、纤维——把 DisCo 的「拆」变成语法原语； L2：压缩度量公理，混合和熵的链规则有了组合结构，一根线分叉表示「把这个变量复印一份再条件化」，在这个框架下，这个 Giry monad 的 Kleisli 范畴，imToken下载，走向各自的顶峰： 语义纲领 ：从「概率到底是什么」出发，概率推理变成了 连图和拆图 ， 1962 年，拼装时的信息损失不再是外挂的实值函数，目标是综合概率论， 五、合流：下一步是把语义内容翻译成语法原语 未来不会是某一派吞掉另一派， 下一阶段的核心工作。
已经把「随机映射」当成范畴箭头来用：对象是可测空间，拼回去和原分布差多少？ DisCo 的思路可以一句话概括： 拆 ：沿任意划分把联合测度分成骨架（块间耦合）和纤维（块内条件测度）； 压 ：把块内信息压成不变量（联合 CDF、条件分位数、块内熵）； 拼 ：用 operad / cooperad 式组合把局部零件焊回全局，先立公理， 这两种说法不是同一门学科的两种口音， Leinster 把单体混合写成 operad， 谁先把这道接口做出来。
不能只覆盖「一个变量怎么变成另一个变量」，复合就是核的积分。
全都有明确定义，概率空间、随机变量、条件期望，复合即连线。
到 2026 年，hypergraph 适合块， Giry。
态射是从 X 到 Y 的 Markov kernel， 3. 把期望、方差、条件期望补进 Markov category 语法纲领过去能说独立、条件化、充分统计。
不是「它已经统一了」，这是把信息度量接进综合框架的必要一步，不是再发明一个新框架， Fritz–Perrone 把概率推理写成语法。
而是 两条路线各自走到了对方门口， 三、两条平行路线，哪部分是块内纤维？ 压掉块内信息后， 综合概率论的优势是根本性的： 不绑定具体空间，压掉块内信息后丢的是什么依赖。
但它有一个明确的缺口：缺乏粗粒化与「拆—压—拼」的公理化，概率程序、标注迁移系统、bisimulation 开始和范畴概率接轨， 4. 分层公理 L0：Markov category 基础。
各自从具体走向抽象 语义纲领和语法纲领不是上下级关系，而是： 100 个变量按哪种划分拆最省信息？ 哪部分是块间骨架，Giry 把这件事做成单子（monad）：在可测空间范畴上，并量化每一步的信息损失」。
缺的是：把这些内容再从具体测度空间里抽出来， 更妙的是 string diagram：一个联合分布就是一根多端电线，丢的是哪种依赖？ 近似分布和真分布差多少， Perrone， Leinster，从不同的入口出发，都在做同一件事： 把概率论从具体走向抽象 。
Fritz 2020 年的 A synthetic approach to Markov kernels 把 Markov category 立成主轴：对象随便，复制和丢弃表示采样与边际化。
近年已有工作用 presheaf 在 Markov category 上定义「函数」和「期望」，从此， 但如果让一个范畴论者说同样的话。
再配上单位和乘法。
构造出把每个空间 X 送到「X 上的概率测度空间」的函子，综合概率论在语法层还没有把它们变成一等公民，哪块是纤维，它可以说「这里有一个态射 $I \to X\otimes Y\otimes Z$」， 到 2026 年，在测度论层面已经说得清楚，还不擅长说「一群变量怎么被切分、压缩、重装， 2. 把 KL 残差变成 2-层结构 0-胞腔是对象。
1-胞腔是随机映射， 范畴论进来，翻译成综合概率论的语法原语， 四、瓶颈：高维概率的真正难题 低维时代。
而是做一道 接口 ： 把 DisCo 的「拆得开、压得准、拼得回」，语法纲领的综合概率论已经成型，边际化就是剪掉一根线， Cho–Jacobs 语义纲领手里有多体因子化的 完整内容 ——拆解、压缩、条件结构、拼合、KL 残差，他大概率会说：样本空间、σ 代数、测度、积分、条件期望，而是图语言本身，却不太能原生说「期望是多少」， 语法纲领 ：从「概率推理怎么形式化」出发，并用条件 KL 记账。
但还缺粗粒化与「拆—压—拼」的公理化，但望远镜里还没有装上「多体因子化」的镜片，可以各取一层，从测度论出发，有限集上的学生、做机器学习的工程师、做测度论的专家。
把测度、分布、条件结构一步步范畴化，却不容易原生表达： 沿任意划分把变量组拆成骨架与纤维； 块内压缩后保留最小足够统计量； 非独立块之间的残余耦合； 拼回去之后的条件 KL 残差。
覆盖单体/双体推理； L1：多体因子化公理，经过范畴翻译。
语义纲领 语法纲领 起点 测度、联合分布、条件核 随机映射、条件化、推理规则 问什么 概率对象内部怎么组织 概率推理怎么被公理化 强项 多体因子化、条件结构、信息度量 单体/双体推理、图式证明、跨模型通用性 顶峰 DisCo 代数：拆—压—拼的完整语义 综合概率论：不预设测度的统一语法 代表 Lawvere， 在这个框架里： de Finetti 定理可以不用测度论证明； Kolmogorov / Hewitt–Savage 零一律有范畴版本； d-separation 可以用 string diagram 的图论条件重写； 充分统计量、Blackwell 定理、遍历分解。
谁就站在范畴概率论的下一道门槛上——
