更改

注：本实例可对应真实神经元活动上的解释。神经元可以理解为图中的微观变量，而粗粒化后的宏观变量可理解为神经元组成的“微柱”（minicolumn），对应有三种状态:'''“抑制态”'''，微柱中神经元均在t时刻静默，对应组内神经元状态全为0；'''“感受态”'''，部分神经元在t时刻放电，对应部分为1；'''“爆发态”'''：所有神经元均在t时刻放电，对应全为1。宏观的因果相互作用可以解释为，如果一个宏观“微柱”处于“抑制态”，那么只有接收到一次其他微柱的”爆发“式发放才能转换到“感受态”，极小可能转换为“爆发态”；否则，它将一直保持“抑制态”。

注：本实例可对应真实神经元活动上的解释。神经元可以理解为图中的微观变量，而粗粒化后的宏观变量可理解为神经元组成的“微柱”（minicolumn），对应有三种状态:'''“抑制态”'''，微柱中神经元均在t时刻静默，对应组内神经元状态全为0；'''“感受态”'''，部分神经元在t时刻放电，对应部分为1；'''“爆发态”'''：所有神经元均在t时刻放电，对应全为1。宏观的因果相互作用可以解释为，如果一个宏观“微柱”处于“抑制态”，那么只有接收到一次其他微柱的”爆发“式发放才能转换到“感受态”，极小可能转换为“爆发态”；否则，它将一直保持“抑制态”。

====变量外生化导致的因果涌现====

====变量外部化导致的因果涌现====

在Hoel的2017年的文章<ref name="hoel_2017"/>中，他定义了另外一种变量粗粒化的方式，这就是将系统中的某些变量'''外部化'''（Marginalization），即将其视为系统的外部变量。这样，当计算EI的时候，do干预操作便不会影响这些外部变量，从而也可能导致EI增加的可能性，即外部化导致的因果涌现现象。

在Hoel的2017年的文章<ref name="hoel_2017"/>中，他定义了另外一种变量粗粒化的方式，这就是将系统中的某些变量'''外部化'''（Marginalization），即将其视为系统的外部变量。这样，当计算EI的时候，do干预操作便不会影响这些外部变量，从而也可能导致EI增加的可能性，即外部化导致的因果涌现现象。