5,443
个编辑
更改
跳到导航
跳到搜索
第166行：
第166行： − + − 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。 −
→因果涌现框架
如上图所示，因果涌现（Causal Emergence） 指的是在某些系统中，宏观变量相比于微观变量表现出更清晰或更强的因果关系。换句话说，系统的因果结构 在某种粗粒化的表征下可能变得更具信息性，而不是简单地由微观层级直接推导出来。在这样的设定下，框架具体关注因果涌现的两种主要表现形式：
如上图所示，因果涌现（Causal Emergence） 指的是在某些系统中，宏观变量相比于微观变量表现出更清晰或更强的因果关系。换句话说，系统的因果结构 在某种粗粒化的表征下可能变得更具信息性，而不是简单地由微观层级直接推导出来。在这样的设定下，框架具体关注因果涌现的两种主要表现形式：
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>
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>
<math>P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t)</math>