更改

==批判==

==批判==

纵观历史，关于因果关系和涌现的[[本体论]]和[[认识论]]方面一直存在长期争论。作者在文献中强调<ref>Yurchenko, S. B. (2023). Can there be a synergistic core emerging in the brain hierarchy to control neural activity by downward causation?. Authorea Preprints.</ref>，文献中的“causation”概念往往是模糊的，应区分为“cause”和“reason”，符合本体论和认识论的因果关系。“cause”指的是充分导致结果的真实原因，而“reason”则仅仅是个人对结果的解释。Reason可能没有真正的cause那么严格，但它确实提供了一定程度的可预测性。同样，关于因果涌现的本质也存在争论。因果涌现是否是一种独立于特定观察者而存在的真实现象？这里强调，不同的粗粒化策略可以导致不同的宏观动力学机制与不同的因果效应度量结果（EI）。本质上，不同的粗粒化策略可以被视为代表不同的观察者。Hoel的理论通过干预将涌现与因果关系联系起来，以定量的方式引入了因果涌现的概念，Hoel的理论提出了一个区分粗粒化方法的标准，即EI最大化。因此，对于给定的一组马尔科夫动力学，只有使EI最大化的粗粒化策略和相应的宏观动力学才能被认为是客观结果。然而，当存在多种最大化EI的解决方案时，就会出现挑战，引入一定程度的主观性<ref>Dewhurst, J. (2021). Causal emergence from effective information: Neither causal nor emergent?. Thought: A Journal of Philosophy, 10(3), 158-168.</ref>。Dewhurst对Hoel的理论进行了哲学上的澄清，认为它是认识论的，而不是形而上学的。这表明，Hoel的宏观因果关系仅仅是一种基于信息论的因果解释，而不是涉及“真正的因果”。这也引起了对[[均匀分布]]假设的关注，因为没有经验基础支持它优于其他分布。Hoel有效信息的计算依赖于两个前提:(1)系统微观动力学;(2)粗粒化方案。然而，在实践中，很少同时满足这两个条件，特别是在观察性研究中，这两个条件都是未知的。这一局限性阻碍了Hoel理论的实际适用性。同时有人指出，Hoel的理论忽略了对粗粒化方法的约束，某些粗粒化方法可能导致歧义<ref>Eberhardt, F., & Lee, L. L. (2022). Causal emergence: When distortions in a map obscure the territory. Philosophies, 7(2), 30.</ref>。此外，一些对状态的粗粒化操作和对时间的粗粒化操作的组合并不表现出可交换性。这表明某些粗粒化操作会导致宏观状态的演化与微观系统粗粒化状态的演化存在差异。这意味着需要对粗粒化策略进行一致的约束。机器学习技术促进了因果结构和模型的学习，以及对涌现属性和因果关系的探索，但重要的是通过机器学习获得的结果是否反映了本体论的因果关系和涌现，或者它们仅仅是认识论现象？尽管机器学习的结合不能解决围绕本体论和认识论因果关系和涌现的争论，但它可以提供有助于减轻主观性的客观标准。这是因为机器学习算法努力优化目标函数。因此，机器学习代理可以被视为“客观”的观察者，对因果关系和涌现做出判断。然而，唯一解问题在这一办法中至关重要。机器学习的结果是本体论还是认识论?答案是，结果是认识论的，依赖于机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习代理得到了良好的训练，并且定义的数学目标得到了有效的优化，那么结果也可以被认为是客观的和独立于算法的。结合机器学习方法可以帮助建立观察者建模的理论框架，并研究观察者与相应的被观察复杂系统之间的相互作用。

纵观历史，关于因果关系和涌现的[[本体论]]和[[认识论]]方面一直存在长期争论。作者在文献中强调<ref>Yurchenko, S. B. (2023). Can there be a synergistic core emerging in the brain hierarchy to control neural activity by downward causation?. Authorea Preprints.</ref>，文献中的“causation”概念往往是模糊的，应区分为“cause”和“reason”，符合本体论和认识论的因果关系。“cause”指的是充分导致结果的真实原因，而“reason”则仅仅是个人对结果的解释。Reason可能没有真正的cause那么严格，但它确实提供了一定程度的可预测性。同样，关于因果涌现的本质也存在争论。因果涌现是否是一种独立于特定观察者而存在的真实现象？这里强调，不同的粗粒化策略可以导致不同的宏观动力学机制与不同的因果效应度量结果（EI）。本质上，不同的粗粒化策略可以被视为代表不同的观察者。Hoel的理论通过干预将涌现与因果关系联系起来，以定量的方式引入了因果涌现的概念，Hoel的理论提出了一个区分粗粒化方法的标准，即EI最大化。因此，对于给定的一组马尔科夫动力学，只有使EI最大化的粗粒化策略和相应的宏观动力学才能被认为是客观结果。然而，当存在多种最大化EI的解决方案时，就会出现挑战，引入一定程度的主观性<ref>Dewhurst, J. (2021). Causal emergence from effective information: Neither causal nor emergent?. Thought: A Journal of Philosophy, 10(3), 158-168.</ref>。Dewhurst对Hoel的理论进行了哲学上的澄清，认为它是认识论的，而不是形而上学的。这表明，Hoel的宏观因果关系仅仅是一种基于信息论的因果解释，而不是涉及“真正的因果”。这也引起了对[[均匀分布]]假设的关注，因为没有经验基础支持它优于其他分布。Hoel有效信息的计算依赖于两个前提:(1)系统微观动力学;(2)粗粒化方案。然而，在实践中，很少同时满足这两个条件，特别是在观察性研究中，这两个条件都是未知的。这一局限性阻碍了Hoel理论的实际适用性。同时有人指出，Hoel的理论忽略了对粗粒化方法的约束，某些粗粒化方法可能导致歧义<ref>Eberhardt, F., & Lee, L. L. (2022). Causal emergence: When distortions in a map obscure the territory. Philosophies, 7(2), 30.</ref>。此外，一些对状态的粗粒化操作和对时间的粗粒化操作的组合并不表现出可交换性，例如假定<math>A_{m \times n}</math>是对状态进行粗粒度操作(将n个状态合并为m个状态)，<math>(\cdot) \times (\cdot</math>)是时间粗粒化操作(将两个时间步骤合并为一个),其中等式<math>A_{m\times n}(TPM_{n \times n}) \times A_{m \times n}(TPM_{n \times n}) = A_{m \times n}(TPM_{n \times n} \times TPM_{n \times n})</math>不总是成立。这表明某些粗粒化操作会导致宏观状态的演化与微观系统粗粒化状态的演化存在差异。这意味着需要对粗粒化策略进行一致的约束。机器学习技术促进了因果结构和模型的学习，以及对涌现属性和因果关系的探索，但重要的是通过机器学习获得的结果是否反映了本体论的因果关系和涌现，或者它们仅仅是认识论现象？尽管机器学习的结合不能解决围绕本体论和认识论因果关系和涌现的争论，但它可以提供有助于减轻主观性的客观标准。这是因为机器学习算法努力优化目标函数。因此，机器学习代理可以被视为“客观”的观察者，对因果关系和涌现做出判断。然而，唯一解问题在这一办法中至关重要。机器学习的结果是本体论还是认识论?答案是，结果是认识论的，依赖于机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习代理得到了良好的训练，并且定义的数学目标得到了有效的优化，那么结果也可以被认为是客观的和独立于算法的。结合机器学习方法可以帮助建立观察者建模的理论框架，并研究观察者与相应的被观察复杂系统之间的相互作用。

==相关领域研究==

==相关领域研究==