5,443
个编辑
更改
跳到导航
跳到搜索
第167行：
第167行： − + − <math>P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t)</math> + − 这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
→因果涌现框架
1. 向下因果性（Downward Causation）：宏观态 <math>V_t</math> 影响下一时刻微观态 <math>X_{t+1}</math>，即：<math> P(X_{t+1} | V_t) \neq P(X_{t+1} | X_t)</math>，这意味着宏观信息能够提供额外的预测能力，而不仅仅是微观状态的直接演化。
1. 向下因果性（Downward Causation）：宏观态 <math>V_t</math> 影响下一时刻微观态 <math>X_{t+1}</math>，即：<math> P(X_{t+1} | V_t) \neq P(X_{t+1} | X_t)</math>，这意味着宏观信息能够提供额外的预测能力，而不仅仅是微观状态的直接演化。
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比微观层级更强的能力：
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比微观层级更强的能力：<math>P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t)</math>，这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
==== 基于部分信息分解的因果涌现定义 ====
==== 基于部分信息分解的因果涌现定义 ====