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]]方面一直存在长期的争论。

纵观历史，关于因果关系和涌现的[[本体论]]和[[认识论]]方面一直存在长期的争论。

Dewhurst<ref>Dewhurst, J. (2021). Causal emergence from effective information: Neither causal nor emergent?. Thought: A Journal of Philosophy, 10(3), 158-168.</ref>对 Hoel 的理论进行了哲学上的澄清，认为它是认识论的，而不是本体论的。这表明，Hoel 的宏观因果仅仅是一种基于信息论的因果解释，而不涉及“真正的因果”。这也引起了对[[均匀分布]]假设的质疑（参见[[有效信息]]词条），因为没有证据表明它应该优于其他分布。

Dewhurst<ref>Dewhurst, J. (2021). Causal emergence from effective information: Neither causal nor emergent?. Thought: A Journal of Philosophy, 10(3), 158-168.</ref>对 Hoel 的理论进行了哲学上的澄清，认为它是认识论的，而不是本体论的。这表明，Hoel 的宏观因果仅仅是一种基于信息论的因果解释，而不涉及“真正的因果”。这也引起了对[[均匀分布]]假设的质疑（参见[[有效信息]]词条），因为没有证据表明它应该优于其他分布。

除此之外，Hoel 的 <math>EI</math> 计算以及因果涌现的量化，依赖于两个已知的前提因素：(1)已知的微观动力学；(2)已知的粗粒化方案。然而，在实践中，人们很少能够同时获得这两个因素，特别是在观察性研究中，这两个因素可能都是未知的。因此，这一局限性阻碍了Hoel理论的实际适用性。

首先，<ref name="Eberhardt"/>指出，如果对粗粒化方案不加约束，有可能在对转移概率矩阵（TPM）进行粗粒化（状态的合并，以及概率的加和处理）的时候产生歧义性（Ambiguity）。例如，当被合并的两个状态所对应的TPM中的两行向量非常不相似的时候，强行合并它们（例如求平均的方式），就会引发歧义。这种歧义主要体现为，对合并后宏观状态的干预究竟是什么含义？由于行向量是不相似的，因此对合并后宏观态的干预就无法简单还原到对微观态的干预。如果强行按照平均的方式将宏观态的干预转化为微观态的干预，则忽略了微观态彼此之间的差异。同时也会引发新的不可交换性的矛盾问题。

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> 是对状态进行粗粒化操作(将n个状态合并为m个状态)，这里的粗粒化策略是使得宏观状态转移矩阵有效信息最大的策略，<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)。这样 [math]A_{m\times n}(TPM_{n \times n})[/math] 就是对一个 [math]n\times n[/math] 的 TPM 做粗粒化，粗粒化过程就简化为矩阵 [math]A[/math] 与矩阵 [math]TPM[/math] 的乘积。

如果强行将不相似的两个行向量做平均，那么得到的粗粒化的TPM就有可能破坏抽象化操作（即粗粒化）和边际化（marginalization，即时间演化算子）彼此之间的[[可交换性]]。例如假定 <math>A_{m \times n}</math> 是对状态进行粗粒化操作(将n个状态合并为m个状态)，这里的粗粒化策略是使得宏观状态转移矩阵有效信息最大的策略，<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)。这样 [math]A_{m\times n}(TPM_{n \times n})[/math] 就是对一个 [math]n\times n[/math] 的 TPM 做粗粒化，粗粒化过程就简化为矩阵 [math]A[/math] 与矩阵 [math]TPM[/math] 的乘积。

不过，虽然机器学习技术促进了因果关系与因果机制的学习，以及对涌现属性的识别，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，或者它们仅仅是一种认识论现象？这一点则尚无定论。尽管机器学习的引入不一定能解决围绕本体论和认识论因果关系和涌现的争论问题，但它可以提供有助于减轻主观性的依赖。这是因为机器学习主体可以被视为一个“客观”的观察者，对因果关系和涌现做出判断，这种判断是独立于人类观察者的。然而，唯一解的问题在这一方法中仍然存在。机器学习的结果是本体论还是认识论的?答案是，结果是认识论的，其中认识主体是机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习的主体得到了良好的训练，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，因为算法本身是客观的，且透明的。结合机器学习方法可以帮助我们建立观察者的理论框架，并研究观察者与相应的被观察复杂系统之间的相互作用。

不过，虽然机器学习技术促进了因果关系与因果机制的学习，以及对涌现属性的识别，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，或者它们仅仅是一种认识论现象？这一点则尚无定论。尽管机器学习的引入不一定能解决围绕本体论和认识论因果关系和涌现的争论问题，但它可以提供有助于减轻主观性的依赖。这是因为机器学习主体可以被视为一个“客观”的观察者，对因果关系和涌现做出判断，这种判断是独立于人类观察者的。然而，唯一解的问题在这一方法中仍然存在。机器学习的结果是本体论还是认识论的?答案是，结果是认识论的，其中认识主体是机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习的主体得到了良好的训练，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，因为算法本身是客观的，且透明的。结合机器学习方法可以帮助我们建立观察者的理论框架，并研究观察者与相应的被观察复杂系统之间的相互作用。

==相关研究领域==

==相关研究领域==