更改

===单尺度因果态===

===单尺度因果态===

词条的上一部分已经介绍过了[[计算力学]]中因果态的概念，为了与原文符号对应，我们重新提供因果态的定义。在一个时序系统中，我们想要有一个ϵ-machine（ϵ-机器），能够根据当前时间步的状态和历史记忆，来预测未来状态。

[[计算力学]]词条中已经介绍过因果态的概念，为了与原文符号对应，我们重新提供因果态的定义。在一个时序系统中，我们想要有一个ϵ-machine（ϵ-机器），能够根据当前时间步的状态和历史记忆，来预测未来状态。

无论系统是确定的或概率生成的，当我们已知 <math>t</math> 时刻的状态和历史记忆 <math>\overleftarrow{X_t}=\{... , X_{t-2}, X_{t-1}, X_t\}</math> 时，我们能够预测未来状态的轨迹 <math>p(\overrightarrow{X}^L_t| \overleftarrow{X_t})</math>，其中<math>\overrightarrow{X}^L_t=\{X_{t+1}, X_{t+2}, ... , X_{t+L}\}</math>，简写成<math>\overrightarrow{X_t}</math>。

无论系统是确定的或概率生成的，当我们已知 <math>t</math> 时刻的状态和历史记忆 <math>\overleftarrow{X_t}=\{... , X_{t-2}, X_{t-1}, X_t\}</math> 时，我们能够预测未来状态的轨迹 <math>p(\overrightarrow{X}^L_t| \overleftarrow{X_t})</math>，其中<math>\overrightarrow{X}^L_t=\{X_{t+1}, X_{t+2}, ... , X_{t+L}\}</math>，简写成<math>\overrightarrow{X_t}</math>。

我们可以从最小解释模型的角度出发来理解因果态。最小解释模型是指，我们要如何去用最简洁的宏观状态来解释和描述系统发生的现象，而且这种解释模型要在微观层面扰动时保持‘稳定’。所以它追求的是两方面：首先需要稳定，其次尺度越高越好。而这个宏观状态就是因果态。

我们可以从最小解释模型的角度出发来理解因果态。最小解释模型是指，我们要如何去用最简洁的宏观状态来解释和描述系统发生的现象，而且这种解释模型要在微观层面扰动时保持‘稳定’。所以它追求的是两方面：首先需要稳定，其次尺度越高越好。而这个宏观状态就是因果态。

[[文件:因果态示例.png|无|缩略图|500x500像素|因果态示例，出自Rosas于因果涌现读书会第五季第一期的分享]]

[[文件:因果态示例.png|无|缩略图|500x500像素|因果态示例，出自Rosas于因果涌现读书会第五季第一期的分享]]

==跨尺度因果态==

==跨尺度因果态==