3,094
个编辑
更改
跳到导航
跳到搜索
第26行：
第26行： − 本文提出了一个连续的弱涌现版本，认为宏观属性在多大程度上无法从微观层面观察中辨别，决定了其弱涌现的程度。这种变化之所以有价值，首先是因为对于许多系统来说，证明“只能通过模拟推导”可能并不现实；其次，从测量的角度来看，连续值比二元分类更有用。+
→弱涌现
那么，宏观属性在认识上不可还原是什么意思呢？Bedau 的回答是，弱涌现的（在认识上不可还原的）属性只有通过模拟才能推导出来。这是一种非此即彼的分类：要么宏观属性可以通过某种解释捷径推导出来，此时弱涌现不适用；要么无法推导，此时必须明确模拟微观因果因素来得出宏观属性。
那么，宏观属性在认识上不可还原是什么意思呢？Bedau 的回答是，弱涌现的（在认识上不可还原的）属性只有通过模拟才能推导出来。这是一种非此即彼的分类：要么宏观属性可以通过某种解释捷径推导出来，此时弱涌现不适用；要么无法推导，此时必须明确模拟微观因果因素来得出宏观属性。
本文提出了一个连续的弱涌现度量版本，认为宏观属性在多大程度上无法从微观层面观察中辨别，决定了其弱涌现的程度。这种变化之所以有价值，首先是因为对于许多系统来说，证明“只能通过模拟推导”可能并不现实；其次，从测量的角度来看，连续值比二元分类更有用。
== 格兰杰涌现（G-涌现）方法 ==
== 格兰杰涌现（G-涌现）方法 ==