復(fù)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(yīng)用的最新研究及相關(guān)工作進行全面綜述。它還探討了因果涌現(xiàn)、機器學(xué)習(xí)和復(fù)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(guān)注復(fù)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(guān)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(xué)習(xí)之間的聯(lián)系。它探索使用機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)來識別因果涌現(xiàn)，并將有效信息的度量擴展到機器學(xué)習(xí)問題。最后，本文深入探討了機器學(xué)習(xí)和復(fù)雜系統(tǒng)領(lǐng)域的其他重要主題和潛在應(yīng)用。論文詳細(xì)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(xì)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(guān)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(xué)習(xí)識別因果涌現(xiàn)5.2本體論和認(rèn)識論的因果與涌現(xiàn)5.3復(fù)雜系統(tǒng)中的潛在應(yīng)用5.4通過因果涌現(xiàn)理解復(fù)雜系統(tǒng)1.因果涌現(xiàn)理論進展概述經(jīng)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(fù)雜的系統(tǒng)交織在一起[1][2]，因此，深入了解復(fù)雜系統(tǒng)如何運行、演化、成長、穩(wěn)定和崩潰至關(guān)重要。然而，由于復(fù)雜系統(tǒng)由通過復(fù)雜的非線性關(guān)系相互作用的不同且異構(gòu)的主體組成[3]，因此這項任務(wù)異常具有挑戰(zhàn)性。此外，它們都表現(xiàn)出在復(fù)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(xì)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(rèn)知概念如何從我們大腦中無數(shù)神經(jīng)元之間復(fù)雜的相互作用中產(chǎn)生[6]？大型神經(jīng)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(fù)雜的生命、認(rèn)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(nèi)個體之間的相互作用來理解[4]。事實上，復(fù)雜系統(tǒng)由交互作用組件構(gòu)成的網(wǎng)絡(luò)組成[11]。在這些網(wǎng)絡(luò)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(wǎng)絡(luò)傳播，從而產(chǎn)生集體效應(yīng)。所描述的現(xiàn)象通常被稱為蝴蝶效應(yīng)[12]，它為涌現(xiàn)發(fā)生提供了一種解釋。另一方面，諸如內(nèi)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(yīng)維持在局域?qū)用娑呛暧^可觀測層面。這些現(xiàn)象表明，復(fù)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(fù)雜系統(tǒng)中因果關(guān)系的獨特特征對經(jīng)典因果科因的影響。此外，在復(fù)雜系統(tǒng)中，因果關(guān)系往往表現(xiàn)出跨層次的特性，這與涌現(xiàn)密切相關(guān)。效應(yīng)[8][9]。另一方面，涌現(xiàn)屬性可能對復(fù)雜系統(tǒng)中的個體產(chǎn)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(jié)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(guān)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(zhì)不能歸因于微觀性質(zhì)[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(fù)雜系統(tǒng)研究領(lǐng)域至關(guān)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(jīng)網(wǎng)絡(luò)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(guān)系不僅與涌現(xiàn)有著深刻的聯(lián)系，許多研究人員還認(rèn)為這是定量地理解涌現(xiàn)的最關(guān)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(fù)雜系統(tǒng)。它采用有效信息（EI）的概念來量化馬爾可夫鏈內(nèi)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(fù)雜網(wǎng)絡(luò)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(yīng)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(yīng)度量方法[28]，得出結(jié)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(zhuǎn)換為宏觀狀態(tài)涉及到不同的粗粒化策略，顯然粗?；呗圆⒉晃ㄒ弧Ｎ覀兏信d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?；呗允怯嬎愫暧^動力學(xué)的有效信息的前提。雖然通過最大化宏觀有效信息，也能導(dǎo)出最優(yōu)的粗?；呗訹19]，然而由于計算復(fù)雜性，這項任務(wù)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(biāo)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(biāo)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(biāo)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(yīng)用該方法時也需要預(yù)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(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)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(guān)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(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)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(shù)引入機器學(xué)習(xí)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(xué)習(xí)算法的泛化能力，使其遠(yuǎn)遠(yuǎn)超出訓(xùn)練數(shù)據(jù)，從而形成更強大、適應(yīng)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(jīng)信息壓縮機（NIS）的機器學(xué)習(xí)框架，以內(nèi)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(guān)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(jīng)信息壓縮機（NIS+直接以最大化有效信息這一關(guān)鍵度量作為量化因果涌現(xiàn)。這些實驗結(jié)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(guān)系度量EI來增強神經(jīng)網(wǎng)絡(luò)對分布外（OOD）場景的泛化能力？這個概念被稱為機器學(xué)習(xí)的因果涌現(xiàn)。通過探索這個想法，我們的目標(biāo)是彌合因果涌現(xiàn)和機器學(xué)習(xí)之間的差距，開啟提高機器學(xué)習(xí)泛化能力的新途徑。在下一節(jié)我們討論幾個重要的相關(guān)問題。首先，我們探討了因果涌現(xiàn)和因果表征學(xué)習(xí)[33]這兩個新興領(lǐng)域之間的異同，揭示了這兩個領(lǐng)域之間的相互關(guān)聯(lián)。其次，我們深入研究了有關(guān)本體論或認(rèn)識論意義上的因果和涌現(xiàn)的哲學(xué)問題，闡述了對其潛在哲學(xué)含義的見解。最后，我們討論了因果涌現(xiàn)在復(fù)雜系統(tǒng)中的潛在應(yīng)用，以及它如何有助于我們從因果涌現(xiàn)的角度理解復(fù)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(xué)習(xí)因果表征學(xué)習(xí)是人工智能中一個新興的領(lǐng)域[33]，它結(jié)合了人工智能中的兩個重要領(lǐng)域：表征學(xué)習(xí)和因果推理。表征學(xué)習(xí)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(yù)測[139]。它可戲AI操作[109][116]等領(lǐng)域取得了顯著進展。然而，傳統(tǒng)的表征學(xué)習(xí)有一個關(guān)鍵的局限性：它只能捕捉數(shù)據(jù)中的相關(guān)信息，而不能捕捉潛在的因果關(guān)系。因此，在表征學(xué)習(xí)中考慮因果關(guān)系是很重為了解決這個問題，因果表征學(xué)習(xí)試圖結(jié)合表示學(xué)習(xí)和因果推理這兩個子領(lǐng)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(guān)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(xué)習(xí)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(xué)習(xí)框架的目標(biāo)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(xué)習(xí)（CRL）主體的工作流程說明。這是一個典型的因果表征學(xué)習(xí)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(yīng)的因果圖，表示真實世界中變量之間的關(guān)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(xué)習(xí)主體的結(jié)構(gòu)。它利用卷積神經(jīng)網(wǎng)絡(luò)（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(wù)。編碼器在從輸入數(shù)據(jù)中捕捉相關(guān)特征和模式方面發(fā)揮著至關(guān)重要的作用，使主體能夠?qū)W習(xí)和理解因果關(guān)系。在ErikHoel和因果表征學(xué)習(xí)的理論框架內(nèi)比較因果涌現(xiàn)識別的任務(wù)是很有趣的。事實上，因果涌現(xiàn)識別的任務(wù)可以理解為因果表征學(xué)習(xí)的任務(wù)，其中宏觀變量是因果變量，宏觀動力學(xué)是因果機對機制強度的衡量標(biāo)準(zhǔn)。為了識別因果涌現(xiàn)，我們需要學(xué)習(xí)適當(dāng)?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(lǐng)域的技術(shù)和概念可以相互學(xué)習(xí)。例如，因果表征學(xué)習(xí)另一方面，所學(xué)習(xí)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(xué)習(xí)的可解釋性。這一觀點表明，因果表征學(xué)習(xí)本質(zhì)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(xué)習(xí)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(xué)習(xí)框架應(yīng)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(jié)構(gòu)。這些深刻的因果結(jié)構(gòu)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(xué)習(xí)的深度，揭示復(fù)雜系統(tǒng)中隱藏的因果關(guān)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(jié)構(gòu)可能為理解由然而，因果表征學(xué)習(xí)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(xué)習(xí)假設(shè)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(chǎn)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(xué)習(xí)然而，如果采用認(rèn)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(yīng)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(wǎng)絡(luò)動力學(xué)，由于狀態(tài)變量在動力系統(tǒng)中來回迭代可能會產(chǎn)生循環(huán)結(jié)構(gòu)，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(xué)習(xí)中采用結(jié)構(gòu)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(jié)構(gòu)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(jié)構(gòu)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(xué)習(xí)框架相似的結(jié)構(gòu)。甚至這些概念也可以建立一一對應(yīng)關(guān)系。因此，雙方的思想和技術(shù)可以相互學(xué)習(xí)。另一方面，對因果涌現(xiàn)的研究可以為因果表征學(xué)習(xí)算法提供新的視2.2本體論和認(rèn)識論的因果與涌現(xiàn)盡管機器學(xué)習(xí)技術(shù)促進了因果結(jié)構(gòu)和模型的學(xué)習(xí)，以及對涌現(xiàn)特性和因果關(guān)系的探索，但重要的是要考慮通過機器學(xué)習(xí)獲得的結(jié)果是否反映了本體論因果關(guān)系和涌現(xiàn)，或者它們是否只是認(rèn)識論因果關(guān)系探討了在世界上產(chǎn)生因果效應(yīng)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(guān)系，盡管現(xiàn)實中可能并不真實存在這樣的因果關(guān)系。認(rèn)識論的涌現(xiàn)，類似于認(rèn)識論的因果關(guān)系，側(cè)重于我們對涌現(xiàn)現(xiàn)象的理解和闡釋。換言之，認(rèn)識論因果關(guān)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(guān)系和涌現(xiàn)現(xiàn)象有不同的看法。關(guān)于因果關(guān)系和涌現(xiàn)的本體論和認(rèn)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(diào)，文獻中“因果關(guān)系”的概念往往是模糊的，應(yīng)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(yán)謹(jǐn)，但它確實提供了一定程度的可預(yù)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(wù)。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?fù)?jù)這一觀點，向下的因果關(guān)系屬于“理由(reason)”而非因果關(guān)系的范疇。在這種背景下，因果能解釋自由意志嗎？》）同樣，關(guān)于因果涌現(xiàn)性質(zhì)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(diào)了不同的粗?；呗钥梢詫?dǎo)致不同的宏觀動力機制，并具有不同的EI度量。本質(zhì)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?；椒ǖ臉?biāo)準(zhǔn)，即EI最大化。因此，對于給定的一組馬爾可夫動力學(xué)，只有使EI測度最大化的粗粒度策略和相應(yīng)的宏觀動力學(xué)才能被視為客觀結(jié)果。然而，當(dāng)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(yù)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(jié)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(xué)習(xí)的結(jié)合不能解決圍繞本體論和認(rèn)識論因果涌現(xiàn)的爭論，但它提供了客觀標(biāo)準(zhǔn)，有助于緩解主觀性問題。這是因為機器學(xué)習(xí)算法努力優(yōu)化目標(biāo)函數(shù)。因此，機器學(xué)習(xí)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(jié)合機器學(xué)習(xí)的額外優(yōu)勢。然而，方案機器學(xué)習(xí)的結(jié)果是本體論的還是認(rèn)識論的？答案是認(rèn)識論，它取決于機器學(xué)習(xí)算法。然而，這并不意味著機器學(xué)習(xí)的所有結(jié)果都是無意義的，因為如果學(xué)習(xí)主體經(jīng)過良好的訓(xùn)練，并且定義的數(shù)學(xué)目標(biāo)得到了有效的優(yōu)化，那么結(jié)果也可以被認(rèn)為是客觀的，并且與算法無關(guān)。對人類的認(rèn)知提出同樣的問題是很有趣的。人類大腦中的所有認(rèn)知結(jié)果，包括因果關(guān)系、粗粒度策略和宏觀動力學(xué)，都反映了客觀現(xiàn)實嗎？還是純粹是認(rèn)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(rèn)知結(jié)果必須客觀地體現(xiàn)在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中。因此，對于大腦來說，這些結(jié)果是本體論的。機器學(xué)習(xí)也有類似的原因。機器學(xué)習(xí)算法的認(rèn)知結(jié)果通過神經(jīng)網(wǎng)絡(luò)中的結(jié)構(gòu)和參數(shù)來記錄。因此，研究這些結(jié)構(gòu)可以揭示原始系統(tǒng)的性質(zhì)，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(xué)習(xí)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(fù)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(guān)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(xué)習(xí)算法形成信息瓶頸，從而讓量子系統(tǒng)涌現(xiàn)出了經(jīng)典特性[143]。2.3復(fù)雜系統(tǒng)中的潛在應(yīng)用在本小節(jié)中，我們將討論因果涌現(xiàn)識別、機器學(xué)習(xí)和因果推理相關(guān)的技術(shù)在復(fù)雜系統(tǒng)中的潛在應(yīng)用。復(fù)雜系統(tǒng)可以被理解為一個大型網(wǎng)絡(luò)，事件通過因果關(guān)系聯(lián)系在一起。從數(shù)據(jù)中自動發(fā)現(xiàn)復(fù)雜的因果關(guān)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(dāng)在復(fù)雜系統(tǒng)中應(yīng)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(jié)構(gòu)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(jīng)見證了一些以數(shù)據(jù)驅(qū)動的方式發(fā)現(xiàn)這些循環(huán)結(jié)構(gòu)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(guān)系。例如，向下因果關(guān)系描述了宏觀層面和微觀層面變量之間的因果效應(yīng)。因此，因果關(guān)系可能是跨層次的。如果因果涌現(xiàn)出現(xiàn)在一個復(fù)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(guān)系。復(fù)雜系統(tǒng)中的所有這些因素都提出了新的挑戰(zhàn)。機器學(xué)習(xí)方法可以解決宏觀層面是否存在更高層次因果關(guān)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(guān)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?qū)ο到y(tǒng)進行粗粒化處按從粗到精的順序?qū)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(fù)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(fēng)和龍卷風(fēng)是涌現(xiàn)的渦旋結(jié)構(gòu)。在城市地區(qū)，交通堵塞也是大量汽車相互作用的結(jié)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(guān)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(guān)注因果關(guān)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(nèi)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(rèn)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(fù)雜系統(tǒng)中另一個有趣的性質(zhì)，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(guān)重要的是要認(rèn)識到將機器學(xué)習(xí)技術(shù)應(yīng)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(diào)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(gòu)建不同的因果結(jié)構(gòu)來解釋同一組數(shù)據(jù)集。當(dāng)利用機器學(xué)習(xí)技術(shù)來揭示因果關(guān)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(fù)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(fù)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(guān)[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(chǎn)生影響？（3）當(dāng)系統(tǒng)被改變以適應(yīng)環(huán)境時，涌現(xiàn)的因果是如何變化我們?nèi)匀徊恢酪蚬楷F(xiàn)何時會發(fā)生，以及因果涌現(xiàn)的衡量標(biāo)準(zhǔn)如何隨著系統(tǒng)的一些關(guān)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(dāng)一些關(guān)鍵參數(shù)發(fā)生變化時，可以合理地預(yù)期在復(fù)雜系統(tǒng)中存在關(guān)于涌現(xiàn)的因果的相變，因為因果關(guān)系或因果效應(yīng)的強度也是一個全局性質(zhì)，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(yīng)和涌現(xiàn)之間的關(guān)系是什么[4][169][170]？有時，當(dāng)我們將一個屬性稱為涌現(xiàn)屬性時，本質(zhì)上是指這個屬性可以通過適應(yīng)來發(fā)展。因此，適應(yīng)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(fù)雜系統(tǒng)中常見的向下因果就是適應(yīng)和演化的結(jié)果。下一個關(guān)鍵問題是，如何才能讓一種涌現(xiàn)性質(zhì)或因果關(guān)系通過演化而發(fā)生？這個問題好像是要設(shè)計涌現(xiàn)[171][172][173]。然而，與其說我們的目的是尋求一種設(shè)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]