更改

近年来，随着人工生命和复杂性科学的发展，人们对涌现现象重新产生了兴趣。虽然涌现的概念有着悠久的哲学历史<ref name="Broad_mind_nature">{{cite book|editor=Broad C|title=The mind and its place in nature|publisher=Routledge and Kegan Paul|year=1925|location=London}}</ref><ref name="Kim_making_sense_emergence">{{cite journal|author=Kim J|title=Making sense of emergence|journal=Philosophical Studies|year=1999|volume=95|issue=3–36}}</ref>，其核心思想其实非常简单：一种涌现的属性通常是“整体大于部分的总和”。在各类复杂系统中，涌现属性非常普遍，比如在生物系统、认知系统、社会系统和技术系统中。总体来说，人工生命和复杂性科学主要是解释看似与涌现相关的现象，而这些领域中的模型通常被描述为具有涌现性质<ref name="Bedau_downward_causation">{{cite journal|author=Bedau M|title=Downward causation and the autonomy of weak emergence|journal=Principia|year=2003|volume=6|issue=5–50}}</ref>。因此，令人惊讶且值得注意的是，目前缺乏定量且易于应用的涌现测量方法。而这很可惜，因为科学上对现象的有效描述很大程度上依赖于是否能对其进行测量<ref name="Chang_inventing_temperature">{{cite book|editor=Chang H|title=Inventing temperature: Measurement and scientific progress|publisher=Oxford University Press|year=2004|location=New York, NY}}</ref>。

近年来，随着人工生命和复杂性科学的发展，人们对涌现现象重新产生了兴趣。虽然涌现的概念有着悠久的哲学历史<ref name="Broad_mind_nature">{{cite book|editor=Broad C|title=The mind and its place in nature|publisher=Routledge and Kegan Paul|year=1925|location=London}}</ref><ref name="Kim_making_sense_emergence">{{cite journal|author=Kim J|title=Making sense of emergence|journal=Philosophical Studies|year=1999|volume=95|issue=3–36}}</ref>，其核心思想其实非常简单：一种涌现的属性通常是“整体大于部分的总和”。在各类复杂系统中，涌现属性非常普遍，比如在生物系统、认知系统、社会系统和技术系统中。总体来说，人工生命和复杂性科学主要是解释看似与涌现相关的现象，而这些领域中的模型通常被描述为具有涌现性质<ref name="Bedau_downward_causation">{{cite journal|author=Bedau M|title=Downward causation and the autonomy of weak emergence|journal=Principia|year=2003|volume=6|issue=5–50}}</ref>。因此，令人惊讶且值得注意的是，目前缺乏定量且易于应用的涌现测量方法。而这很可惜，因为科学上对现象的有效描述很大程度上依赖于是否能对其进行测量<ref name="Chang_inventing_temperature">{{cite book|editor=Chang H|title=Inventing temperature: Measurement and scientific progress|publisher=Oxford University Press|year=2004|location=New York, NY}}</ref>。

在本文中，我们将首先区分几种涌现的概念，并借此简要说明其中的一些关键挑战。接着，我将介绍一种名为“G-涌现”（G-emergence）的新测量方法，这种方法具体化了一个直观的想法，即涌现过程既独立于其底层因果因素，同时又依赖于这些因素。G-涌现简单易用，我会通过一个经典的涌现现象例子——鸟群飞行的模拟来展示这一方法的应用(下图是一群即将栖息的椋鸟)。最后，我将讨论相关的测量方法，如何化解“向下因果”（downward causation）这一形而上学上的难题，以及它如何为科学中最难解决的问题之一的神经机制与现象体验之间的关系带来新的启示。

在本文中，我们将首先区分几种涌现的概念，并借此简要说明其中的一些关键挑战。接着，我们将介绍一种名为“G-涌现”（G-emergence）的新测量方法，这种方法具体化了一个直观的想法，即涌现过程既独立于其底层因果因素，同时又依赖于这些因素。G-涌现简单易用，我们会通过一个经典的涌现现象例子——鸟群飞行的模拟来展示这一方法的应用(下图是一群即将栖息的椋鸟)。最后，我们将讨论相关的测量方法，如何化解“向下因果”（downward causation）这一形而上学上的难题，以及它如何为科学中最难解决的问题之一的神经机制与现象体验之间的关系带来新的启示。

[[文件:图1鸟群.png|'''图1：'''一群即将栖息的椋鸟。|替代=|无框|500x500像素]]

[[文件:图1鸟群.png|'''图1：'''一群即将栖息的椋鸟。|替代=|无框|500x500像素]]