5,443
个编辑
更改
→向下因果
本词条翻译自论文《Measuring emergence via nonlinear Granger causality》（Anil K. Seth 英国苏塞克斯大学信息学系）
本词条翻译自论文《Measuring emergence via nonlinear Granger causality》（Anil K. Seth 英国苏塞克斯大学信息学系）
<math></math>
=='''摘要'''==
=='''摘要'''==
[[涌现]](emergence)在人工生命和复杂性科学中至关重要。然而目前关于涌现的定量、直观且易于应用的测量方法却极为匮乏。本文提出了一种名为“G-涌现”(G-emergence)的新测量方法，它将涌现过程“既受到底层因果因素的影响，同时又具备自身独立性”的这一概念进行了具体化和应用。G-涌现基于“格兰杰因果关系”的非线性时间序列分析，能够同时衡量涌现现象和明显的“向下因果作用” (downward causation)。我通过一个经典的涌现实例——基于智能体(Agent)的鸟群模拟来展示这一方法的应用，并探讨了它对科学中最具挑战性的涌现问题之一的意识问题可能产生的深远影响。
[[涌现]]<ref>[[涌现]]</ref>(emergence)在人工生命<ref>[[人工生命]]</ref>和复杂性科学<ref>[[复杂性科学经典论文]]</ref>中至关重要。然而目前关于涌现的定量、直观且易于应用的测量方法却极为匮乏。本文提出了一种名为“G-涌现”(G-emergence)的新测量方法，它将涌现过程“既受到底层因果因素的影响，同时又具备自身独立性”的这一概念进行了具体化和应用。G-涌现基于“格兰杰因果关系”<ref>[[格兰杰因果关系]]</ref>的非线性时间序列分析，能够同时衡量涌现现象和明显的“向下因果” (downward causation)。我通过一个经典的涌现实例——基于智能体(Agent)的鸟群模拟来展示这一方法的应用，并探讨了它对科学中最具挑战性的涌现问题之一的意识问题可能产生的深远影响。
==引言==
==引言==
在本文中，我将首先区分几种涌现的概念，并借此简要说明其中的一些关键挑战。接着，我将介绍一种名为“G-涌现”（G-emergence）的新测量方法，这种方法具体化了一个直观的想法，即涌现过程既独立于其底层因果因素，同时又依赖于这些因素。G-涌现简单易用，我会通过一个经典的涌现现象例子——鸟群飞行的模拟来展示这一方法的应用。最后，我将讨论相关的测量方法，如何化解“向下因果”（downward causation）这一形而上学上的难题，以及它如何为科学中最难解决的问题之一的神经机制与现象体验之间的关系带来新的启示。
在本文中，我将首先区分几种涌现的概念，并借此简要说明其中的一些关键挑战。接着，我将介绍一种名为“G-涌现”（G-emergence）的新测量方法，这种方法具体化了一个直观的想法，即涌现过程既独立于其底层因果因素，同时又依赖于这些因素。G-涌现简单易用，我会通过一个经典的涌现现象例子——鸟群飞行的模拟来展示这一方法的应用。最后，我将讨论相关的测量方法，如何化解“向下因果”（downward causation）这一形而上学上的难题，以及它如何为科学中最难解决的问题之一的神经机制与现象体验之间的关系带来新的启示。
[[文件:图1鸟群.png|居左|'''图1：'''一群即将栖息的椋鸟。|替代=|无框]]
[[文件:图1鸟群.png|'''图1：'''一群即将栖息的椋鸟。|替代=|无框|500x500像素]]
=='''测量弱涌现'''==
=='''测量弱涌现'''==
为了得出一种连续的弱涌现的测量方法，我从一个基本概念开始：一个弱涌现的宏观属性同时具备(i) 自主性和(ii) 对其底层因果因素的依赖性<ref name="Bedau_weak_emergence" />。为了将这一概念转化为统计学上的操作方法，我提出可以通过如下方式来衡量一个宏观变量M相对于一组微观变量m（其中 \(m = m_1, m_2, ..., m_N\)）的弱涌现程度：条件1：M的过去观测值能够比仅基于m的过去观测值更准确地预测M的未来观测值。条件2：m的过去观测值能够比仅基于M的过去观测值更准确地预测M的未来观测值。
为了得出一种连续的弱涌现的测量方法，我从一个基本概念开始：一个弱涌现的宏观属性同时具备(i) 自主性和(ii) 对其底层因果因素的依赖性<ref name="Bedau_weak_emergence" />。为了将这一概念转化为统计学上的操作方法，我提出可以通过如下方式来衡量一个宏观变量M相对于一组微观变量<math>m</math>（其中 <math>\(m = m_1, m_2, ..., m_N\)</math>）的弱涌现程度：条件1：M的过去观测值能够比仅基于m的过去观测值更准确地预测M的未来观测值。条件2：m的过去观测值能够比仅基于M的过去观测值更准确地预测M的未来观测值。
第一个条件提供了一个客观的度量标准，来衡量从微观到宏观的推导路径是否具有非平凡性；第二个条件则检验了从微观到宏观的因果依赖性。这个定义依赖于宏观和微观描述层次的选择，同时也依赖于预测方法的选择。正如后文所述，格兰杰<ref name="Granger_investigating_causal_relations">{{cite journal|author=Granger C|title=Investigating causal relations by econometric models and cross-spectral methods|journal=Econometrica|year=1969|volume=37|page=424–438}}</ref>最早提出的因果关系的统计定义，为这种预测提供了适当的框架，因此本文将这种测量方法称为G-涌现（G-emergence）。
第一个条件提供了一个客观的度量标准，来衡量从微观到宏观的推导路径是否具有非平凡性；第二个条件则检验了从微观到宏观的因果依赖性。这个定义依赖于宏观和微观描述层次的选择，同时也依赖于预测方法的选择。正如后文所述，格兰杰<ref name="Granger_investigating_causal_relations">{{cite journal|author=Granger C|title=Investigating causal relations by econometric models and cross-spectral methods|journal=Econometrica|year=1969|volume=37|page=424–438}}</ref>最早提出的因果关系的统计定义，为这种预测提供了适当的框架，因此本文将这种测量方法称为G-涌现（G-emergence）。
这里测试了三种不同的条件。条件 R（随机）产生了接近随机的 boid 行为（α<sub>R</sub> = [0.01, 0.01, 0.01, 0.01, 0.01, 0.01]）。条件 L（低）通过增强对速度匹配的强依赖性引发了较差的群集行为；在这种条件下的 boid 趋向于半刚性的队形移动（α<sub>L</sub> = [0.1, 0.1, 0.6, 0.6]）。条件 H（高）引发了引人注目的群集行为；参数集（α<sub>H</sub> = [0.1, 0.3, 0.3, 0.3]）是手动选择的。每种条件下 boid 和质心轨迹的示例显示在图 2 中。尽管静态图像无法完全捕捉群集行为的动态特性，但很明显，条件 H 下的 boid 轨迹比条件L和R下的更像群集行为。
这里测试了三种不同的条件。条件 R（随机）产生了接近随机的 boid 行为（α<sub>R</sub> = [0.01, 0.01, 0.01, 0.01, 0.01, 0.01]）。条件 L（低）通过增强对速度匹配的强依赖性引发了较差的群集行为；在这种条件下的 boid 趋向于半刚性的队形移动（α<sub>L</sub> = [0.1, 0.1, 0.6, 0.6]）。条件 H（高）引发了引人注目的群集行为；参数集（α<sub>H</sub> = [0.1, 0.3, 0.3, 0.3]）是手动选择的。每种条件下 boid 和质心轨迹的示例显示在图 2 中。尽管静态图像无法完全捕捉群集行为的动态特性，但很明显，条件 H 下的 boid 轨迹比条件L和R下的更像群集行为。
[[文件:图2boid.png|居左|无框|图2：boid群的质心（CM）的格兰杰涌现性。左上角：不同条件下线性和非线性格兰杰涌现性的均值和标准差（星号表示统计显著性）。其他面板：在条件H（高格兰杰涌现性）、L（低格兰杰涌现性）和R（随机）下，boid（灰色）和CM（红色）的示例轨迹（500时间步片段）。]]
[[文件:图2boid.png|无框|图2：boid群的质心（CM）的格兰杰涌现性。左上角：不同条件下线性和非线性格兰杰涌现性的均值和标准差（星号表示统计显著性）。其他面板：在条件H（高格兰杰涌现性）、L（低格兰杰涌现性）和R（随机）下，boid（灰色）和CM（红色）的示例轨迹（500时间步片段）。|替代=|500x500像素]]
这些剖面中有几个值得注意的方面。首先，线性和非线性格兰杰涌现性高度相关，这表明即使是线性度量在某些复杂系统中也能提供对涌现属性的洞见。其次，在参数空间的大多数区域中，格兰杰涌现性平滑变化，表明这是一种稳健的度量方法。然而，在某些区域中，出现了明显的跃迁，例如在一些α<sub>1</sub>=0的向量与其相邻向量之间的跃迁。格兰杰涌现性对这些跃迁的敏感性表明，它可以有效识别复杂模型中存在非平凡弱涌现的参数区域。
这些剖面中有几个值得注意的方面。首先，线性和非线性格兰杰涌现性高度相关，这表明即使是线性度量在某些复杂系统中也能提供对涌现属性的洞见。其次，在参数空间的大多数区域中，格兰杰涌现性平滑变化，表明这是一种稳健的度量方法。然而，在某些区域中，出现了明显的跃迁，例如在一些α<sub>1</sub>=0的向量与其相邻向量之间的跃迁。格兰杰涌现性对这些跃迁的敏感性表明，它可以有效识别复杂模型中存在非平凡弱涌现的参数区域。
[[文件:图3实验.png|居左|无框]]
[[文件:图3实验.png|居左|无框|替代=|659x659像素]]
一个关于涌现的普遍直觉是它涉及从宏观层面到微观层面的“向下”因果关系。对于强涌现的支持者来说，向下因果关系实际上是涌现本质的一个关键方面<ref name="Kim_making_sense_emergence" />。然而，向下因果关系的物理解释会引发复杂的形而上学问题，例如，如何解决微观和宏观因果之间的竞争<ref name="Bedau_downward_causation" />。格兰杰涌现性由于是统计定义的，提供了一种形而上学上无害的替代方案，其中向下因果关系反映为宏观变量对微观变量的格兰杰因果关系。
一个关于涌现的普遍直觉是它涉及从宏观层面到微观层面的“向下”因果关系。对于强涌现的支持者来说，向下因果关系实际上是涌现本质的一个关键方面<ref name="Kim_making_sense_emergence" />。然而，向下因果关系的物理解释会引发复杂的形而上学问题，例如，如何解决微观和宏观因果之间的竞争<ref name="Bedau_downward_causation" />。格兰杰涌现性由于是统计定义的，提供了一种形而上学上无害的替代方案，其中向下因果关系反映为宏观变量对微观变量的格兰杰因果关系。
[[文件:图4实验2.png|居左|无框]]
[[文件:图4实验2.png|居左|无框|替代=|500x500像素]]