復雜系統(tǒng)中的因果和涌現(xiàn)

本文旨在對因果涌現(xiàn)的定量理論和應用的最新研究及相關工作進行全面綜述。它還探討了因果涌現(xiàn)、機器學習和復雜系統(tǒng)之間的聯(lián)系。第2節(jié)中深入探討了因果涌現(xiàn)的背景，特別關注復雜系統(tǒng)中因果和涌現(xiàn)之間的相互作用。第3節(jié)中介紹了各種定量理論框架，包括Crutchfield等人的計算力現(xiàn)理論。此外，還討論了粗粒度策略、有效信息度量和部分信息分解等相關概念，并對這些理論進行了比較分析。第4節(jié)討論因果涌現(xiàn)理論和機器學習之間的聯(lián)系。它探索使用機器學習和神經網絡技術來識別因果涌現(xiàn)，并將有效信息的度量擴展到機器學習問題。最后，本文深入探討了機器學習和復雜系統(tǒng)領域的其他重要主題和潛在應用。論文詳細目錄如下，希望深入研讀論文的朋友可以參考原論文，以及掃描下方二維碼查看作者們對論文的詳細介紹：論文目錄2.背景：從因果到涌現(xiàn)3.用因果量化涌現(xiàn)3.1.早期相關工作3.3G-Emergence理論3.4其他量化涌現(xiàn)的理論4.1用機器學習識別因果涌現(xiàn)5.2本體論和認識論的因果與涌現(xiàn)5.3復雜系統(tǒng)中的潛在應用5.4通過因果涌現(xiàn)理解復雜系統(tǒng)1.因果涌現(xiàn)理論進展概述經濟增長、環(huán)境保護、可持續(xù)發(fā)展、全球氣候危機、社會不平等等諸多問題都與復雜的系統(tǒng)交織在一起[1][2]，因此，深入了解復雜系統(tǒng)如何運行、演化、成長、穩(wěn)定和崩潰至關重要。然而，由于復雜系統(tǒng)由通過復雜的非線性關系相互作用的不同且異構的主體組成[3]，因此這項任務異常具有挑戰(zhàn)性。此外，它們都表現(xiàn)出在復雜系統(tǒng)中非常常見卻依然神秘的涌現(xiàn)現(xiàn)象[4]。第一個活細胞如何從地球早期環(huán)境中各種分子之間的碰撞中涌現(xiàn)出來[5]？“我”的認知概念如何從我們大腦中無數(shù)神經元之間復雜的相互作用中產生[6]？大型神經語言模型如何突然展現(xiàn)出涌現(xiàn)能力[7]？這些基本問題圍繞著復雜的生命、認知和人工系統(tǒng)中的涌現(xiàn)概念。涌現(xiàn)是指宏觀屬性和現(xiàn)象無法完全用單個組件屬性加以解釋的現(xiàn)象[4][8][9][10]。這對傳統(tǒng)的還原論觀點提出了巨大的挑然而，正如Bedau的弱涌現(xiàn)理論[10]所闡明的，許多涌現(xiàn)現(xiàn)象可以通過系統(tǒng)內個體之間的相互作用來理解[4]。事實上，復雜系統(tǒng)由交互作用組件構成的網絡組成[11]。在這些網絡中，即使是一個很小的原因，例如單個元素被擾動，也可以通過互連網絡傳播，從而產生集體效應。所描述的現(xiàn)象通常被稱為蝴蝶效應[12]，它為涌現(xiàn)發(fā)生提供了一種解釋。另一方面，諸如內穩(wěn)態(tài)（homeostasis）[13]之類的涌現(xiàn)特性可以穩(wěn)定系統(tǒng)本身，從而將因果效應維持在局域層面而非宏觀可觀測層面。這些現(xiàn)象表明，復雜系統(tǒng)通過因果律實現(xiàn)相互作用，眾多的局部因果律形成了相系。然而，由于涉及大量變量和涌現(xiàn)現(xiàn)象的存在，復雜系統(tǒng)中因果關系的獨特特征對經典因果科因的影響。此外，在復雜系統(tǒng)中，因果關系往往表現(xiàn)出跨層次的特性，這與涌現(xiàn)密切相關。效應[8][9]。另一方面，涌現(xiàn)屬性可能對復雜系統(tǒng)中的個體產生因果影響[4][17]。例如，化石燃料的價格是市場上買賣雙方互動的結果。同時，價格也可能向市場提供反饋：它可以影響每個人的此外，我們還可以從因果關系的角度來理解涌現(xiàn)。涌現(xiàn)的意思是宏觀層面上的一些現(xiàn)象和性質不能歸因于微觀性質[18]。因此，涌現(xiàn)的屬性或現(xiàn)象失去了通常來自微觀的直接解釋，但卻可以歸析了這一現(xiàn)象。也就是說，在更大尺度上可以觀察到新的因果總之，深入理解涌現(xiàn)對復雜系統(tǒng)研究領域至關重要，涌現(xiàn)的定量理論的發(fā)展正方興未艾。這樣的理論有可能解決重大挑戰(zhàn)，包括生命的起源[20]、大型神經網絡模型中新奇能力的涌現(xiàn)，以及人工智能、意識和自由意志在人工系統(tǒng)中涌現(xiàn)的潛力[21]。因果關系不僅與涌現(xiàn)有著深刻的聯(lián)系，許多研究人員還認為這是定量地理解涌現(xiàn)的最關鍵視角之一[18][19][22][23]。第一個是建立涌現(xiàn)的定量定義；為了解決第一個挑戰(zhàn)，過去十年出現(xiàn)了兩種著名的涌現(xiàn)定量理論。第一個是ErikHoel等人的因果涌現(xiàn)理論[19]，第二個是FernandoE.Rosas等人的部分信息分解（PID）涌現(xiàn)理論[24]。Hoel等人的因果涌現(xiàn)理論專門針對使用馬爾可夫鏈建模的復雜系統(tǒng)。它采用有效信息（EI）的概念來量化馬爾可夫鏈內因果影響的程度，并針對同一系統(tǒng)在不同宏微觀尺度下比較有效信息值[19][25]。因果涌現(xiàn)是通過宏觀層面和微觀層面的有效信息值差異來定義的：如果宏觀有效信息值他研究人員進一步擴展了具有連續(xù)變量[26]和復雜網絡的動力系統(tǒng)[27]的有效信息和因果涌現(xiàn)的度量。盡管還有其他一些量化因果效應和因果涌現(xiàn)的方法，不過Comolatti和Hoel系統(tǒng)地比較了幾種因果效應度量方法[28]，得出結論是這些度量方法是相通的，都可以用幾個通用的因果涌現(xiàn)度將系統(tǒng)的微觀狀態(tài)轉換為宏觀狀態(tài)涉及到不同的粗?；呗?，顯然粗粒化策略并不唯一。我們感興趣的是能夠引發(fā)因果涌現(xiàn)的粗?；呗?。然而，在Hoel的因果涌現(xiàn)理論中，給定粗粒化策略是計算宏觀動力學的有效信息的前提。雖然通過最大化宏觀有效信息，也能導出最優(yōu)的粗?；呗訹19]，然而由于計算復雜性，這項任務對于大規(guī)模系統(tǒng)來說非常挑戰(zhàn)。為了解決這些Rosas等人引入了一種新的不依賴于粗粒化方法的因果涌現(xiàn)的定量定義[24]。該定義借鑒了部分信息分解理論（PIDPID是Williams等人開發(fā)的一種方法，旨在將目標變量和源變量之間的互步發(fā)展了這一概念，并引入了稱為φlD的理論來分解多個目標變量和源變量之間的互信息。該框架基于系統(tǒng)的固有特征來定量刻畫因果涌現(xiàn)，通過測量源變量和目標變量之間的協(xié)同信息，如果[24]。但Rosas的方法有些局限性，其一，這只是一種近似方法，且只能給出涌現(xiàn)的充分條件，其二，應用該方法時也需要預先定義粗粒度的宏狀態(tài)變量。因此，仍然需要開發(fā)新的識別方法。近年來，在機器學習和深度神經網絡技術快速發(fā)展的推動下，人工智能取得了長足的進步。有兩個關鍵方面需要在因果涌現(xiàn)的背景下考慮，首先，可以采用機器學習和神經網絡技術來解決因果涌現(xiàn)識別的挑戰(zhàn)。通過利用這些工具，我們可以開發(fā)有效檢測和分析因果涌現(xiàn)現(xiàn)象的方法。其次，可以將因果涌現(xiàn)的概念和技術引入機器學習中，以增強模型的泛化能力。這種集成可以潛在地提高機器學習算法的泛化能力，使其遠遠超出訓練數(shù)據(jù)，從而形成更強大、適應性更強的系在張江等人最近的一項研究[31]中，引入了一種名為神經信息壓縮機（NIS）的機器學習框架，以內部模型的“機器觀察者”，表現(xiàn)出識別各種類型數(shù)據(jù)之間因果關系的非凡能力。這項工作的進展進一步開發(fā)了改進版的神經信息壓縮機（NIS+直接以最大化有效信息這一關鍵度量作為量化因果涌現(xiàn)。這些實驗結果凸顯了NIS+在捕獲和分析因果涌現(xiàn)現(xiàn)象方面的有效性和潛力。第二個問題：我們能否在因果涌現(xiàn)的背景下利用因果關系度量EI來增強神經網絡對分布外（OOD）場景的泛化能力？這個概念被稱為機器學習的因果涌現(xiàn)。通過探索這個想法，我們的目標是彌合因果涌現(xiàn)和機器學習之間的差距，開啟提高機器學習泛化能力的新途徑。在下一節(jié)我們討論幾個重要的相關問題。首先，我們探討了因果涌現(xiàn)和因果表征學習[33]這兩個新興領域之間的異同，揭示了這兩個領域之間的相互關聯(lián)。其次，我們深入研究了有關本體論或認識論意義上的因果和涌現(xiàn)的哲學問題，闡述了對其潛在哲學含義的見解。最后，我們討論了因果涌現(xiàn)在復雜系統(tǒng)中的潛在應用，以及它如何有助于我們從因果涌現(xiàn)的角度理解復雜系統(tǒng)。這些討論擴大了本文的范圍，并為未來的研究提2.未來展望2.1因果涌現(xiàn)與因果表征學習因果表征學習是人工智能中一個新興的領域[33]，它結合了人工智能中的兩個重要領域：表征學習和因果推理。表征學習旨在提取或表達隱藏在數(shù)據(jù)中的重要特征，以自動進行預測[139]。它可戲AI操作[109][116]等領域取得了顯著進展。然而，傳統(tǒng)的表征學習有一個關鍵的局限性：它只能捕捉數(shù)據(jù)中的相關信息，而不能捕捉潛在的因果關系。因此，在表征學習中考慮因果關系是很重為了解決這個問題，因果表征學習試圖結合表示學習和因果推理這兩個子領域的優(yōu)勢，自動提取數(shù)據(jù)背后的重要特征和與因果關系[33]。描述了機械臂和彩色方塊的世界是如何運作的。然而，對于正在進行因果表征學習的主體來說，這些機制是不可直接觀察到的。相反，主體可以觀察到的是由機械臂和塊生成的一組圖像。因果學習框架的目標是從觀察到的圖像中提取因果變量和機制，這些變量和機制可以用于執(zhí)行例如因果發(fā)現(xiàn)[140]、以及在不同環(huán)境[120]或區(qū)域[118][121]中一個典型的因果表征學習（CRL）主體的工作流程說明。這是一個典型的因果表征學習主體的工作流程說明。圖的上部描繪了一個帶有機械臂的真實區(qū)塊世界和相應的因果圖，表示真實世界中變量之間的關系，而這對主體者來說是完全未知的。此外，數(shù)據(jù)被呈現(xiàn)為由塊世界生成的圖像。圖的下部描述了因果表征學習主體的結構。它利用卷積神經網絡（CNN）從數(shù)據(jù)中提取有意義的表示，并基于這些表示執(zhí)行向下的任務。編碼器在從輸入數(shù)據(jù)中捕捉相關特征和模式方面發(fā)揮著至關重要的作用，使主體能夠學習和理解因果關系。在ErikHoel和因果表征學習的理論框架內比較因果涌現(xiàn)識別的任務是很有趣的。事實上，因果涌現(xiàn)識別的任務可以理解為因果表征學習的任務，其中宏觀變量是因果變量，宏觀動力學是因果機對機制強度的衡量標準。為了識別因果涌現(xiàn)，我們需要學習適當?shù)囊蚬兞縼肀硎緮?shù)據(jù)，并在宏始數(shù)據(jù)的EI。有了這些相似之處，這兩個領域的技術和概念可以相互學習。例如，因果表征學習另一方面，所學習的抽象因果表征可以被視為宏觀狀態(tài)，這增強了因果表征學習的可解釋性。這一觀點表明，因果表征學習本質上揭示了數(shù)據(jù)中隱藏的因果涌現(xiàn)特此外，涌現(xiàn)現(xiàn)象和因果表征學習之間的這些相似之處有助于更深入地理解涌現(xiàn)本身。通過將因果表征學習框架應用于表現(xiàn)出涌現(xiàn)現(xiàn)象的動力系統(tǒng)生成的數(shù)據(jù)，我們可以提取更深刻的因果結構。這些深刻的因果結構可能是圍繞涌現(xiàn)的奧秘的起源。通過深入研究因果表征學習的深度，揭示復雜系統(tǒng)中隱藏的因果關系，我們可以深入了解涌現(xiàn)現(xiàn)象背后的機制。這些因果結構可能為理解由然而，因果表征學習和因果涌現(xiàn)之間存在一些理論上的差異。最大的區(qū)別是因果表征學習假設數(shù)據(jù)背后有一個真正的因果機制，數(shù)據(jù)是由這個因果機制產生的[33]。相比之下，對于因果涌現(xiàn)識因果涌現(xiàn)識別與因果表征學習然而，如果采用認識論的觀點，這種差異就會消失，因為這兩種方法都從觀測數(shù)據(jù)中提取有意義的信息，以獲得具有更強因果效應的表示。另一個主要區(qū)別是，宏觀狀態(tài)在因果涌現(xiàn)中的因果機制是一個動力系統(tǒng)。因此，如果在宏觀狀態(tài)空間中的是一個網絡動力學，由于狀態(tài)變量在動力系統(tǒng)中來回迭代可能會產生循環(huán)結構，因此這樣的模型允許反饋和循環(huán)交互的存在。但在因果表征學習中采用結構因果模型來刻畫因果機制，用圖來表示就是一個不允許包含循環(huán)結構的有向無環(huán)圖（DAG）。然而這些差異并不重要，因為最后一點區(qū)別，未知混淆變量在因果結構模型中扮演著非常重要的角色，然而在因果涌現(xiàn)中它們架表現(xiàn)出與因果表征學習框架相似的結構。甚至這些概念也可以建立一一對應關系。因此，雙方的思想和技術可以相互學習。另一方面，對因果涌現(xiàn)的研究可以為因果表征學習算法提供新的視2.2本體論和認識論的因果與涌現(xiàn)盡管機器學習技術促進了因果結構和模型的學習，以及對涌現(xiàn)特性和因果關系的探索，但重要的是要考慮通過機器學習獲得的結果是否反映了本體論因果關系和涌現(xiàn)，或者它們是否只是認識論因果關系探討了在世界上產生因果效應的基本機制和相互作用。同樣，本體論的涌現(xiàn)也與涌現(xiàn)屬驗來感知、建模和解釋因果關系，盡管現(xiàn)實中可能并不真實存在這樣的因果關系。認識論的涌現(xiàn)，類似于認識論的因果關系，側重于我們對涌現(xiàn)現(xiàn)象的理解和闡釋。換言之，認識論因果關系和涌現(xiàn)取決于觀察者，不同的觀察者可能對特定客觀對象的因果關系和涌現(xiàn)現(xiàn)象有不同的看法。關于因果關系和涌現(xiàn)的本體論和認識論方面，歷史上一直存在著長期的爭論[17][22][68][76]。[68]的作者強調，文獻中“因果關系”的概念往往是模糊的，應區(qū)分為“因(cause和排除原理[142]而“理由(reason)”只是個人理解影響的解釋。理由可能不像真正的原因那樣嚴謹，但它確實提供了一定程度的可預測性，在某些情況下會還是很有價值的。然而，區(qū)分它們，特別是在處理具體現(xiàn)象時，仍然是一項具有挑戰(zhàn)性的任務。其中一個有爭議的因果不僅獨立于特定的觀察者存在，而且還能通過使用信息分解方法來提供向下因果的量化特據(jù)這一觀點，向下的因果關系屬于“理由(reason)”而非因果關系的范疇。在這種背景下，因果能解釋自由意志嗎？》）同樣，關于因果涌現(xiàn)性質的爭論仍在繼續(xù)。涌現(xiàn)的問題是，因果涌現(xiàn)是否是一種真正的現(xiàn)象，獨立于特定的觀察者而存在[77]。我們先前強調了不同的粗粒化策略可以導致不同的宏觀動力機制，并具有不同的EI度量。本質上，不同的粗粒度策略可以被視為代表不同的觀察者。然而，Hoel的理論提出了一個區(qū)分粗粒化方法的標準，即EI最大化。因此，對于給定的一組馬爾可夫動力學，只有使EI測度最大化的粗粒度策略和相應的宏觀動力學才能被視為客觀結果。然而，當存在多個最大化EI的解決方案，引入一定程度的主觀性時，就會出現(xiàn)挑戰(zhàn)[77]。[31][32]的作者通過引入微觀狀態(tài)中預測誤差的約束來解決這個問題，這部分緩解了這個問題。然而，最優(yōu)結果是否具有唯一的解決方案仍然是一個懸而未決的問題，需要進一步研究。同樣，盡管機器學習的結合不能解決圍繞本體論和認識論因果涌現(xiàn)的爭論，但它提供了客觀標準，有助于緩解主觀性問題。這是因為機器學習算法努力優(yōu)化目標函數(shù)。因此，機器學習主體可以被視為對因果涌現(xiàn)做出判斷的“客觀”觀察者。這代表了結合機器學習的額外優(yōu)勢。然而，方案機器學習的結果是本體論的還是認識論的？答案是認識論，它取決于機器學習算法。然而，這并不意味著機器學習的所有結果都是無意義的，因為如果學習主體經過良好的訓練，并且定義的數(shù)學目標得到了有效的優(yōu)化，那么結果也可以被認為是客觀的，并且與算法無關。對人類的認知提出同樣的問題是很有趣的。人類大腦中的所有認知結果，包括因果關系、粗粒度策略和宏觀動力學，都反映了客觀現(xiàn)實嗎？還是純粹是認識論的？首先，回答這個問題極具挑戰(zhàn)性。其次，特定人腦的認知結果必須客觀地體現(xiàn)在神經網絡結構中。因此，對于大腦來說，這些結果是本體論的。機器學習也有類似的原因。機器學習算法的認知結果通過神經網絡中的結構和參數(shù)來記錄。因此，研究這些結構可以揭示原始系統(tǒng)的性質，觀察者和被觀察對象之間相互作用此外，建立一個集成了機器學習的理論框架，將有助于對觀察者進行建模，也有助于研究觀察者與被觀測復雜系統(tǒng)之間的相互作用。這個框架不僅使我們能夠探索有關因果涌現(xiàn)的難題，而且還能夠理解觀察者的邊界和局限性。這項研究的一個例子是利用機器學習算法形成信息瓶頸，從而讓量子系統(tǒng)涌現(xiàn)出了經典特性[143]。2.3復雜系統(tǒng)中的潛在應用在本小節(jié)中，我們將討論因果涌現(xiàn)識別、機器學習和因果推理相關的技術在復雜系統(tǒng)中的潛在應用。復雜系統(tǒng)可以被理解為一個大型網絡，事件通過因果關系聯(lián)系在一起。從數(shù)據(jù)中自動發(fā)現(xiàn)復雜的因果關系是一個具有挑戰(zhàn)性的問題。因果發(fā)現(xiàn)試圖通過各種方式來解決這個問題[144][145][146][147][148][149]。然而，當在復雜系統(tǒng)中應用這些因果發(fā)現(xiàn)方法時，可能會出現(xiàn)額外的挑自循環(huán)反饋或形成環(huán)形長鏈影響自己。這種循環(huán)因果結構可能會對現(xiàn)有的因果方法提出挑戰(zhàn)，因為這些方法大多研究有向無環(huán)因果圖。然而，最近的進展已經見證了一些以數(shù)據(jù)驅動的方式發(fā)現(xiàn)這些循環(huán)結構方法的發(fā)展，例如[46][47][48][49][150][151][152][153]。另一個方面是，如果考慮到尺度和粗?；某煞?，可能存在更高層次或跨層次的因果關系。例如，向下因果關系描述了宏觀層面和微觀層面變量之間的因果效應。因此，因果關系可能是跨層次的。如果因果涌現(xiàn)出現(xiàn)在一個復雜系統(tǒng)中，那么在宏觀變量之間可能會發(fā)現(xiàn)一些顯著的因果關系。復雜系統(tǒng)中的所有這些因素都提出了新的挑戰(zhàn)。機器學習方法可以解決宏觀層面是否存在更高層次因果關系的問題。然而需要注意的是，用這樣的方法所能找到的是一個全局性的因果度量。它必須進一步發(fā)展和擴展，以找到宏觀變量或宏觀變量與微觀變量之間的局部因果關系[98]。此外，現(xiàn)有的因果發(fā)現(xiàn)方法有必要擴展到考慮對一組變量進行分組或對系統(tǒng)進行粗?；幇磸拇值骄捻樞驅ψ兞窟M行分組，從而提高算法的效率。其他多層次因果發(fā)現(xiàn)方法也在[155]另一個有趣的問題是涌現(xiàn)探測。在復雜動力系統(tǒng)中，各種更高層次的模式，如波、周期振蕩和孤子，無處不在。例如，在氣候系統(tǒng)中，臺風和龍卷風是涌現(xiàn)的渦旋結構。在城市地區(qū)，交通堵塞也是大量汽車相互作用的結果。社會騷亂是人類社會更高層涌現(xiàn)事件的又一個例子。在早期識別這些涌現(xiàn)模式至關重要[81,158,159,160,161,162]。因此，迫切需要一種方法能夠自動檢測這些涌在這篇綜述中，我們主要關注因果關系的涌現(xiàn)；然而，我們并不局限于這種特定類型的涌現(xiàn)。更宏觀或全局層面的屬性也可能是涌現(xiàn)的，盡管因果涌現(xiàn)可能是最重要的一個。例如，在[163]中，作者討論了涌現(xiàn)信息封閉的概念，它指的是主體內編碼的信息可以形成一個不受外部世界影響的封閉系統(tǒng)。然后，作者認為這種具有信息封閉性的主體可以被視為一種意識。對稱性可能是一些復雜系統(tǒng)中另一個有趣的性質，它可能是涌現(xiàn)的。例如，在二維歐幾里得空間中，大量隨機游走者的任何單個軌跡都是隨機的。然而，描述每個小區(qū)域中跌倒的隨機游走者數(shù)量如何隨不同位置而變化的高斯分布面是各向同性的。這種對稱性只能在宏觀層面上找到，因此，它也是涌現(xiàn)的。部署一種自動發(fā)現(xiàn)這種涌現(xiàn)對稱性的方法將會是有趣然而，至關重要的是要認識到將機器學習技術應用于因果發(fā)現(xiàn)和涌現(xiàn)識別問題的固有局限性。例如，在[45]中，作者強調了存在“統(tǒng)計上等效”但因果上不同的DAG族，這意味著可以構建不同的因果結構來解釋同一組數(shù)據(jù)集。當利用機器學習技術來揭示因果關系和涌現(xiàn)特性時，就需要解決2.4通過因果涌現(xiàn)理解復雜系統(tǒng)對因果涌現(xiàn)和涌現(xiàn)的因果的深刻理解可以為理解復雜系統(tǒng)中的各種神秘現(xiàn)象提供見解，包括生命系統(tǒng)、社會系統(tǒng)、氣候系統(tǒng)、生態(tài)系統(tǒng)等。值得注意的是，如自由意志[68]、意識[165]和生命等基本問題，都與涌現(xiàn)的因果密切相關[166]。例如，自由意志可以被視為向下因果的一種涌現(xiàn)形式[167]。社會現(xiàn)象可以通過因果涌現(xiàn)的視角來理解。有趣的是，因果涌現(xiàn)的EI和?ID框架都與一種意識理論——整合信息論（IIT）有聯(lián)系[168]。然而，在因果涌現(xiàn)的的背景下理解這些抽象的概念對于一個特定系統(tǒng)，有三個問題需要在未來的研究中解決：（1）因果涌現(xiàn)何時出現(xiàn)？（2）涌現(xiàn)的因果如何對系統(tǒng)功能產生影響？（3）當系統(tǒng)被改變以適應環(huán)境時，涌現(xiàn)的因果是如何變化我們仍然不知道因果涌現(xiàn)何時會發(fā)生，以及因果涌現(xiàn)的衡量標準如何隨著系統(tǒng)的一些關鍵參數(shù)而變化。在[32]中，作者展示了鳥群（Boid）模型中因果涌現(xiàn)的測度如何隨著不同噪聲的變化而變化。當一些關鍵參數(shù)發(fā)生變化時，可以合理地預期在復雜系統(tǒng)中存在關于涌現(xiàn)的因果的相變，因為因果關系或因果效應的強度也是一個全局性質，并且可能取決于一些序參量。以被理解為一個涌現(xiàn)的宏觀變量[68]，“自我”是如何影響身體其他部分的，比如腳的運動？題并不無聊，因為它涉及到身心互動的問題。重要的是，要理解這一現(xiàn)象，必須同時從宏觀和微最后，適應和涌現(xiàn)之間的關系是什么[4][169][170]？有時，當我們將一個屬性稱為涌現(xiàn)屬性時，本質上是指這個屬性可以通過適應來發(fā)展。因此，適應或演化是某些涌現(xiàn)特性的因果力。這一概念也適用于涌現(xiàn)的因果。例如，在復雜系統(tǒng)中常見的向下因果就是適應和演化的結果。下一個關鍵問題是，如何才能讓一種涌現(xiàn)性質或因果關系通過演化而發(fā)生？這個問題好像是要設計涌現(xiàn)[171][172][173]。然而，與其說我們的目的是尋求一種設計，不如說是想尋求一種解釋。我們想了解的是哪些被我們看到的涌現(xiàn)的因果是通過什么樣的具體環(huán)境和方式而演化出來的。所有這些問題都需要在未來進一步研究。然而，這些還只是冰山一角，更多更有趣的問題還在等參考文獻1.Ledford,H.Howtosolvetheworld’sbiggestproblems.Nature2015,525,308–311.[GoogleScholar][CrossRef][PubMed]2.Mensah,P.;Katerere,D.;Hachigonta,S.;Roodt,A.SystemsAnalysisApproachforComplexGlobalChallenges;Springer:Berlin/Heidelberg,Germany,2018.[GoogleScholar]3.Bar-Yam,Y.Generalfeaturesofcomplexsystems.InEncyclopediaofLifeSupportSystems(EOLSS);UNESCO,EOLSSPublishers:Oxford,UK,2002;Volume1.[GoogleScholar]4.Holland,J.H.Emergence:FromChaostoOrder;OUP:Oxford,UK,2000.[GoogleScholar]5.Artime,O.;DeDomenico,M.Fromtheoriginoflifetopandemics:Emergentphenomenaincomplexsystems.Philos.Trans.R.Soc.A2022,380,20200410.[GoogleScholar][CrossRef]