更改

该例子是一个特殊的马尔科夫过程，这里，<math>p_{X_{t+1}|X_t}(x_{t+1}|x_t)</math>表示动力学关系，<math>X_t=(x_t^1,…,x_t^n )\in \left\{0,1\right\}^n </math>为微观态。所有微观变量的异或<math>\bigoplus_{j=1}^{n} x_t^j</math>为宏观态。该过程是基于前后两个时刻的变量<math>x_t</math>和<math>x_{t+1}</math>取值间关系的概率定义的。

文中作者列举了一个具体的例子(如上式)，来说明什么时候发生因果解耜向下因果以及因果涌现。该该例子是一个特殊的马尔科夫过程，这里，<math>p_{X_{t+1}|X_t}(x_{t+1}|x_t)</math>表示动力学关系，<math>X_t=(x_t^1,…,x_t^n )\in \left\{0,1\right\}^n </math>为微观态。所有微观变量的异或<math>\bigoplus_{j=1}^{n} x_t^j</math>为宏观态。该过程是基于前后两个时刻的变量<math>x_t</math>和<math>x_{t+1}</math>取值间关系的概率定义的。

定义的第一行表示下一时刻的第一个微观变量取值是由上一时刻宏观态（全部微观变量的异或操作）决定的，这种需要上一时刻所有变量共同参与才能够进行的预测（运算）对应着向下因果。第二行和第三行确定了系统上下时刻宏观态之间的关系，根据<math>\gamma</math>取值的不同，系统上下时刻间会存在不同的宏观预测能力，而这对应着因果结耦。

因而该过程的宏观态可以就看做是整个序列所有维度和的奇偶性，该奇偶性的概率分布是微观态的异或计算的结果。定义的第一行表示下一时刻的第一个微观变量取值是由上一时刻宏观态（全部微观变量的异或操作）决定的，这种需要上一时刻所有变量共同参与才能够进行的预测（运算）对应着向下因果。第二行和第三行确定了系统上下时刻宏观态之间的关系，根据<math>\gamma</math>取值的不同，系统上下时刻间会存在不同的宏观预测能力，而这对应着因果结耦。

=== 各项具体定义 ===

=== 各项具体定义 ===