2,435
个编辑
更改
无编辑摘要
'''图1：'''一群即将栖息的椋鸟。
'''图1：'''一群即将栖息的椋鸟。
=='''涌现的类型'''==
== 涌现的类型 ==
从直观上看，涌现可以指两种情况：一种是宏观层面的属性，它“超越了微观部分的总和”（称为“属性涌现”或“共时涌现”，property/synchronic emergence）；另一种是随着时间推移，出现了某种全新的、有质的区别的现象（称为“时间涌现”或“历时涌现”，temporal/diachronic emergence）。一个属性涌现的典型例子是当鸟群在天空中飞行时，鸟群似乎拥有独立的形状和轨迹，远远超越了每只鸟的个体行为。历时涌现的典型例子则可以从胚胎发育过程中，新形态特征逐渐形成的过程看出。本文主要探讨如何衡量属性涌现，但也指出了衡量时间涌现的潜在机会。根据 Bedau<ref name="Bedau_weak_emergence">{{cite journal|author=Bedau M|title=Weak emergence|journal=Philosophical Perspectives|year=1997|volume=11|page=375–399}}</ref><ref name="Bedau_downward_causation" />的分类，属性涌现和时间涌现都可以进一步划分为三类：[[强涌现]]（strong emergence）、[[弱涌现]]（weak emergence）和[[名义涌现]]（nominal emergence）。
从直观上看，涌现可以指两种情况：一种是宏观层面的属性，它“超越了微观部分的总和”（称为“属性涌现”或“共时涌现”，property/synchronic emergence）；另一种是随着时间推移，出现了某种全新的、有质的区别的现象（称为“时间涌现”或“历时涌现”，temporal/diachronic emergence）。一个属性涌现的典型例子是当鸟群在天空中飞行时，鸟群似乎拥有独立的形状和轨迹，远远超越了每只鸟的个体行为。历时涌现的典型例子则可以从胚胎发育过程中，新形态特征逐渐形成的过程看出。本文主要探讨如何衡量属性涌现，但也指出了衡量时间涌现的潜在机会。根据 Bedau<ref name="Bedau_weak_emergence">{{cite journal|author=Bedau M|title=Weak emergence|journal=Philosophical Perspectives|year=1997|volume=11|page=375–399}}</ref><ref name="Bedau_downward_causation" />的分类，属性涌现和时间涌现都可以进一步划分为三类：[[强涌现]]（strong emergence）、[[弱涌现]]（weak emergence）和[[名义涌现]]（nominal emergence）。
本文提出了一个连续的弱涌现版本，认为宏观属性在多大程度上无法从微观层面观察中辨别，决定了其弱涌现的程度。这种变化之所以有价值，首先是因为对于许多系统来说，证明“只能通过模拟推导”可能并不现实；其次，从测量的角度来看，连续值比二元分类更有用。
本文提出了一个连续的弱涌现版本，认为宏观属性在多大程度上无法从微观层面观察中辨别，决定了其弱涌现的程度。这种变化之所以有价值，首先是因为对于许多系统来说，证明“只能通过模拟推导”可能并不现实；其次，从测量的角度来看，连续值比二元分类更有用。
=='''格兰杰涌现（G-涌现）方法'''==
== 格兰杰涌现（G-涌现）方法 ==
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<math>M</math>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：<math>M</math>的过去观测值能够比仅基于<math>m</math>的过去观测值更准确地预测<math>M</math>的未来观测值。条件2：<math>m</math>的过去观测值能够比仅基于<math>M</math>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<math>M</math>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：<math>M</math>的过去观测值能够比仅基于<math>m</math>的过去观测值更准确地预测<math>M</math>的未来观测值。条件2：<math>m</math>的过去观测值能够比仅基于<math>M</math>的过去观测值更准确地预测M的未来观测值。
值得注意的是，格兰杰涌现性的概念并不依赖于使用特定的非线性回归方法。还有其他更为复杂的方法比泰勒展开更不易受噪声观测的影响，并且涉及更少的参数。例如，Ancona等人<ref name="Ancona_nonlinear_granger">{{cite journal|author1=Ancona N|author2=Marinazzo D|author3=Stramaglia S|title=Radial basis function approaches to nonlinear granger causality of time series|journal=Physical Review E|year=2004|volume=70|issue=056221}}</ref>已经表明，径向基函数可以作为有效的回归核来测量非线性格兰杰因果关系。然而，出于当前的目的，泰勒方法是更可取的，因为（i）它简单易于描述和实施，（ii）统计显著性可以很容易地评估，以及（iii）它提供了格兰杰涌现性的明确公式（如公式 (4)）。最后，注意格兰杰涌现性的值将取决于包含在 中的微观变量集。因此，在异质系统中，可以通过识别一个格兰杰涌现集，即能够最大化 的微观变量集。
值得注意的是，格兰杰涌现性的概念并不依赖于使用特定的非线性回归方法。还有其他更为复杂的方法比泰勒展开更不易受噪声观测的影响，并且涉及更少的参数。例如，Ancona等人<ref name="Ancona_nonlinear_granger">{{cite journal|author1=Ancona N|author2=Marinazzo D|author3=Stramaglia S|title=Radial basis function approaches to nonlinear granger causality of time series|journal=Physical Review E|year=2004|volume=70|issue=056221}}</ref>已经表明，径向基函数可以作为有效的回归核来测量非线性格兰杰因果关系。然而，出于当前的目的，泰勒方法是更可取的，因为（i）它简单易于描述和实施，（ii）统计显著性可以很容易地评估，以及（iii）它提供了格兰杰涌现性的明确公式（如公式 (4)）。最后，注意格兰杰涌现性的值将取决于包含在 中的微观变量集。因此，在异质系统中，可以通过识别一个格兰杰涌现集，即能够最大化 的微观变量集。
=='''格兰杰涌现方法的应用示例'''==
== 格兰杰涌现方法的应用示例 ==
=== 鸟群模拟 ===
=== 鸟群模拟 ===
图4展示了从全局质心到boid个体轨迹的向下（格兰杰）因果关系，涵盖了线性和非线性的格兰杰因果关系测量。在每个条件下，对所有boid和所有25次运行取平均值。与涌现与向下因果关系之间的关联一致，向下因果关系的两种测量在条件<math>H</math>下明显高于条件<math>R</math>或<math>L</math>。尽管有这一结果，原则上弱涌现似乎可能在没有向下因果关系的情况下发生（当然，强涌现按定义需要向下因果关系）。拥有可分别应用的弱涌现和向下因果关系的测量方法，使得探索涌现和向下因果关系不同时发生的条件（如果存在）成为可能，从而潜在地细化和深化了涌现的概念。
图4展示了从全局质心到boid个体轨迹的向下（格兰杰）因果关系，涵盖了线性和非线性的格兰杰因果关系测量。在每个条件下，对所有boid和所有25次运行取平均值。与涌现与向下因果关系之间的关联一致，向下因果关系的两种测量在条件<math>H</math>下明显高于条件<math>R</math>或<math>L</math>。尽管有这一结果，原则上弱涌现似乎可能在没有向下因果关系的情况下发生（当然，强涌现按定义需要向下因果关系）。拥有可分别应用的弱涌现和向下因果关系的测量方法，使得探索涌现和向下因果关系不同时发生的条件（如果存在）成为可能，从而潜在地细化和深化了涌现的概念。
=='''格兰杰涌现方法的局限性'''==
== 格兰杰涌现方法的局限性 ==
在本文中，我介绍了一种通过物理测量来检测系统中弱涌现程度的方法。由于该方法基于因果关系的统计解释，它规避了微观和宏观因果关系之间的竞争等概念上的难题，同时为微观到宏观推理路径的复杂性提供了客观且分级的评估方法。作者在个人网站上提供了用于计算G-涌现的 MATLAB 代码，适用于任意时间序列数据。
在本文中，我介绍了一种通过物理测量来检测系统中弱涌现程度的方法。由于该方法基于因果关系的统计解释，它规避了微观和宏观因果关系之间的竞争等概念上的难题，同时为微观到宏观推理路径的复杂性提供了客观且分级的评估方法。作者在个人网站上提供了用于计算G-涌现的 MATLAB 代码，适用于任意时间序列数据。
近年来，物理学家开始对boid 模型中的自驱动粒子集体行为产生了兴趣<ref name="Vicsek_novel_type_phase_transition">{{cite journal|author1=Vicsek T|author2=Czirok A|author3=Ben-Jacob E|author4=Cohen I|author5=Shochet O|title=Novel type of phase transition in a system of self-driven particles|journal=Physical Review Letters|year=1995|volume=75|issue=1226}}</ref><ref name="Edelman_naturalizing_consciousness">{{cite journal|author=Edelman G|title=Naturalizing consciousness: A theoretical framework|journal=Proceedings of the National Academy of Sciences, USA|year=2003|volume=100|issue=9|page=5520–5524}}</ref>。在这些系统中，可以观察到从“气态”相（每个粒子独立运动）、“液态”相（粒子集体移动但相对彼此仍有扩散）、到“固态”相（粒子集体移动并彼此保持固定）等相变（Phase transitions）。这些相变可能分别对应于本文模型中的 <math>R</math>、<math>H</math> 和<math> L</math> 条件，图3中的边界可能代表了相变。不过，相变分析更侧重于转变的动态过程，并假定涌现行为在某些相中显而易见，而在其他相中不存在。相比之下，本文重点在于通过物理测量检测涌现程度。
近年来，物理学家开始对boid 模型中的自驱动粒子集体行为产生了兴趣<ref name="Vicsek_novel_type_phase_transition">{{cite journal|author1=Vicsek T|author2=Czirok A|author3=Ben-Jacob E|author4=Cohen I|author5=Shochet O|title=Novel type of phase transition in a system of self-driven particles|journal=Physical Review Letters|year=1995|volume=75|issue=1226}}</ref><ref name="Edelman_naturalizing_consciousness">{{cite journal|author=Edelman G|title=Naturalizing consciousness: A theoretical framework|journal=Proceedings of the National Academy of Sciences, USA|year=2003|volume=100|issue=9|page=5520–5524}}</ref>。在这些系统中，可以观察到从“气态”相（每个粒子独立运动）、“液态”相（粒子集体移动但相对彼此仍有扩散）、到“固态”相（粒子集体移动并彼此保持固定）等相变（Phase transitions）。这些相变可能分别对应于本文模型中的 <math>R</math>、<math>H</math> 和<math> L</math> 条件，图3中的边界可能代表了相变。不过，相变分析更侧重于转变的动态过程，并假定涌现行为在某些相中显而易见，而在其他相中不存在。相比之下，本文重点在于通过物理测量检测涌现程度。
=='''与其他测量方法的关系'''==
== 与其他测量方法的关系 ==
=== 宏观预测 ===
=== 宏观预测 ===
Bar-Yam<ref name="Bar-Yam_mathematical_theory_strong_emergence">{{cite journal|author=Bar-Yam Y|title=A mathematical theory of strong emergence using multiscale variety|journal=Complexity|year=2004|volume=9|issue=6|page=15–24}}</ref>提出了一种测量强涌现的方法，基于在多尺度上测量系统的熵。多尺度多样性的波动被认为揭示了不同变量值之间的约束，而这些约束在单独的变量中不存在，且被认为是强涌现的标志。然而，考虑到强涌现本质上拒绝机械解释，全面分析 Bar-Yam 的测量方法超出了本文的讨论范围。
Bar-Yam<ref name="Bar-Yam_mathematical_theory_strong_emergence">{{cite journal|author=Bar-Yam Y|title=A mathematical theory of strong emergence using multiscale variety|journal=Complexity|year=2004|volume=9|issue=6|page=15–24}}</ref>提出了一种测量强涌现的方法，基于在多尺度上测量系统的熵。多尺度多样性的波动被认为揭示了不同变量值之间的约束，而这些约束在单独的变量中不存在，且被认为是强涌现的标志。然而，考虑到强涌现本质上拒绝机械解释，全面分析 Bar-Yam 的测量方法超出了本文的讨论范围。
=='''在意识与强涌现领域的潜在应用'''==
== 在意识与强涌现领域的潜在应用 ==
如前所述，强涌现与弱涌现有根本的不同，强涌现的属性被认为是无法从其微观成分中还原的，并且对这些微观成分产生向下的因果影响<ref name="Kim_emergence_core_ideas_issues">{{cite journal|author=Kim J|title=Emergence: core ideas and issues|journal=Synthese|year=2006|volume=151|issue=547–559}}</ref>。因此，强涌现给科学带来了极大的挑战，因为它暗示了世界上存在一些无法通过已知物理相互作用解释的真实属性。
如前所述，强涌现与弱涌现有根本的不同，强涌现的属性被认为是无法从其微观成分中还原的，并且对这些微观成分产生向下的因果影响<ref name="Kim_emergence_core_ideas_issues">{{cite journal|author=Kim J|title=Emergence: core ideas and issues|journal=Synthese|year=2006|volume=151|issue=547–559}}</ref>。因此，强涌现给科学带来了极大的挑战，因为它暗示了世界上存在一些无法通过已知物理相互作用解释的真实属性。
相比之下，神经机制与意识体验之间的联系很可能在许多方面涉及弱涌现。意识体验的一个显著特征是，它看起来像是某种“整体大于部分之和”的现象（每个意识体验都是一个整体），并且具有鲜明的时间流动感（William James 的“意识流”）。可以用弱涌现分析的意识模型因此有可能通过神经机制层面的动态过程来解释意识现象的特征。开发和实验测试这样的“解释关联”(explanatory correlates)<ref name="Seth_consciousness_complexity" />是科学描述意识的一个非常有前途的方向。考虑到弱涌现的测量方法最终可能用于解释自由意志，并帮助弥合神经机制与现象体验之间的解释鸿沟，这是令人兴奋的。
相比之下，神经机制与意识体验之间的联系很可能在许多方面涉及弱涌现。意识体验的一个显著特征是，它看起来像是某种“整体大于部分之和”的现象（每个意识体验都是一个整体），并且具有鲜明的时间流动感（William James 的“意识流”）。可以用弱涌现分析的意识模型因此有可能通过神经机制层面的动态过程来解释意识现象的特征。开发和实验测试这样的“解释关联”(explanatory correlates)<ref name="Seth_consciousness_complexity" />是科学描述意识的一个非常有前途的方向。考虑到弱涌现的测量方法最终可能用于解释自由意志，并帮助弥合神经机制与现象体验之间的解释鸿沟，这是令人兴奋的。
==总结==
== 总结 ==
理解现象的科学进展依赖于是否能够对其进行测量。到目前为止，“涌现”一直难以发展出有用的测量方法，可能是因为人们怀疑涌现必然违反机械或还原论的解释。然而，这种怀疑仅适用于强涌现，且强涌现的测量方法往往难以应用和解释<ref name="Bar-Yam_mathematical_theory_strong_emergence" />。在本文中，我提出并展示了一种量化、直观且实际可操作的弱涌现测量方法。G-涌现基于这样一种直观想法，即涌现属性既依赖于其组成部分，又具有一定的自主性<ref name="Bedau_weak_emergence" />，并通过线性和非线性时间序列分析进行了操作。
理解现象的科学进展依赖于是否能够对其进行测量。到目前为止，“涌现”一直难以发展出有用的测量方法，可能是因为人们怀疑涌现必然违反机械或还原论的解释。然而，这种怀疑仅适用于强涌现，且强涌现的测量方法往往难以应用和解释<ref name="Bar-Yam_mathematical_theory_strong_emergence" />。在本文中，我提出并展示了一种量化、直观且实际可操作的弱涌现测量方法。G-涌现基于这样一种直观想法，即涌现属性既依赖于其组成部分，又具有一定的自主性<ref name="Bedau_weak_emergence" />，并通过线性和非线性时间序列分析进行了操作。
在鸟群飞行的模拟中，与随机运动或刚性队形飞行相比，视觉上引人注目的鸟群行为伴随着高 G-涌现。高 G-涌现还伴随着从鸟群整体到每只鸟的向下因果作用，尽管这种情况并非在所有系统中都存在。最后，G-涌现为测量其他类型的涌现提供了一个平台；例如，可以通过两个不同时期 G-涌现的变化来衡量时间涌现或自组织现象。
在鸟群飞行的模拟中，与随机运动或刚性队形飞行相比，视觉上引人注目的鸟群行为伴随着高 G-涌现。高 G-涌现还伴随着从鸟群整体到每只鸟的向下因果作用，尽管这种情况并非在所有系统中都存在。最后，G-涌现为测量其他类型的涌现提供了一个平台；例如，可以通过两个不同时期 G-涌现的变化来衡量时间涌现或自组织现象。
=='''参考文献'''==
== 参考文献 ==
<references />
<references />
[[分类:格兰杰]]
[[分类:格兰杰]]