453
个编辑
更改
无编辑摘要
==批判==
==批判==
Erik Hoel等人最早提出基于最大化有效信息的因果涌现理论虽然很好刻画了因果涌现现象，并在许多实际系统之中得到了广泛的应用，但是有学者指出，该理论仍然存在着很多缺陷和弊端。这主要体现在哲学层面和马尔科夫动力系统粗粒化的技术层面。
Erik Hoel等人最早提出基于最大化有效信息的因果涌现理论虽然很好刻画了因果涌现现象，并在许多实际系统之中得到了广泛的应用，但是有学者指出，该理论仍然存在着很多缺陷和弊端。这主要体现在哲学层面和马尔科夫动力系统粗粒化的技术层面。
===哲学层面===
===哲学层面===
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。
例如，Yurchenko 就在文献<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>中指出”因果“（causation）这一概念往往是模糊的，应区分为'''原因（cause）'''和'''理由（reason）'''两种不同的概念，它们分别符合本体论和认识论的因果。其中，原因（cause）指的是充分导致结果的真实原因，而理由（reason）则仅仅是观察者对结果的解释。理由可能没有真正的原因那么严格，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。
例如，Yurchenko 就在文献<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>中指出“因果（causation）”这一概念往往是模糊的，应区分为'''原因（cause）'''和'''理由（reason）'''两种不同的概念，它们分别符合本体论和认识论的因果。其中，原因（cause）指的是充分导致结果的真实原因，而理由（reason）则仅仅是观察者对结果的解释。理由可能没有真正的原因那么严格，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。
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。
===技术层面===
===技术层面===
====不唯一性====
====不唯一性====
因果涌现的结果定义为粗粒化后宏观动力学的EI 与原始微观动力学EI之差，因此，该结果明显依赖于粗粒化方案的选择。为了消除这种不确定性，Hoel 等人的引入了最大化有效信息的概念，也就是一个系统中的因果涌现判断和度量是建立在最大化宏观动力学EI的基础之上的。然而，目前尚没有理论保证这种最大化宏观动力学EI的方式能够保证粗粒化方案的唯一性。也就是说，完全有可能多个粗粒化方案会对应同样的宏观动力学 EI。事实上，对于连续映射动力系统的研究已经表明，最大化EI的解是存在着无穷多种可能性的<ref name="exact">{{cite journal |last1=Liu|first1=K.W.|last2=Yuan|first2=B.|last3=Zhang|first3=J.|title=An Exact Theory of Causal Emergence for Linear Stochastic Iteration Systems|journal=Entropy|volume=26 |issue=8 |year=2024|page=618}}</ref>。
====歧义性====
====歧义性====
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和不合理<ref name="Eberhardt">Eberhardt, F., & Lee, L. L. (2022). Causal emergence: When distortions in a map obscure the territory. Philosophies, 7(2), 30.</ref>。
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。
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。
====不可交换性====
====不可交换性====
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。
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。
左边表示的是先对连续两个时间步的状态做粗粒化，再将两个时间步的动力学TPM乘到一起，得到一个两步演化的转移矩阵；方程右边表示先将两个时间步的 TPM 乘到一起，得到微观态的两步演化，再用 A 做粗粒化得到宏观的 TPM。该等式的不满足表明某些粗粒化操作会导致宏观状态的演化与微观系统演化后的粗粒化状态存在差异。这意味着需要对粗粒化策略添加某种一致性的约束，例如马尔科夫链可聚类的条件（lumpable），参见[[马尔科夫链的粗粒化]]词条。
左边表示的是先对连续两个时间步的状态做粗粒化，再将两个时间步的动力学TPM乘到一起，得到一个两步演化的转移矩阵；方程右边表示先将两个时间步的 TPM 乘到一起，得到微观态的两步演化，再用 A 做粗粒化得到宏观的 TPM。该等式的不满足表明某些粗粒化操作会导致宏观状态的演化与微观系统演化后的粗粒化状态存在差异。这意味着需要对粗粒化策略添加某种一致性的约束，例如马尔科夫链可聚类的条件（lumpable），参见[[马尔科夫链的粗粒化]]词条。
然而，如文献<ref name=":6" />中指出，通过在连续变量空间中最大化EI的同时考虑模型的误差因素，上述问题可以得到缓解。
然而，如文献<ref name=":6" />中指出，通过在连续变量空间中最大化EI的同时考虑模型的误差因素，上述问题可以得到缓解。
====其它问题及补救====
====其它问题及补救====
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。
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。
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==