涌现何时发生？机器观察者可以像人类一样识别涌现吗？

主要观点总结

本文介绍了关于量化涌现的最新研究，包括如何量化涌现、机器观察者如何识别涌现以及机器观察者是否可以像人类一样识别涌现等问题。文章还通过实例解释了因果涌现理论、有效信息度量指标以及机器观察者的构建过程等。

关键观点总结

关键观点1: 量化涌现的意义和方法

出现涌现现象的复杂系统，如天空中的云彩和蚁群，可以通过量化涌现来研究其宏观尺度上的因果效应。机器观察者可以替代人类观察者，更加清晰、客观地识别涌现问题。

关键观点2: 机器观察者如何识别涌现

机器观察者通过构建神经网络来模拟人类观察过程，寻找最佳观测尺度并识别出涌现的发生。通过最大化宏观动力学的有效信息，机器观察者可以在复杂系统中捕捉到有意义的宏观斑图。

关键观点3: 机器观察者的应用实例

机器观察者被应用于预测鸟群的运动轨迹、捕捉生命游戏的斑图以及在真实的大脑核磁共振数据上识别涌现和大脑动力学。这些实验证明了机器观察者在识别复杂系统涌现现象方面的潜力。

正文

请到「今天看啥」查看全文

杨明哲 丨作者

1. 涌现如何量化？

看到天空中的云彩，我们很容易把它们看成各种图案，比如一个人，一只兔子，一台机器。同样地，观察蚁群这样的复杂系统，有的人在看几只蚂蚁之间的互动，而有人会把整个蚁群看成一个具备智能的有机体。

当我们观察一个系统时，下意识地会在多个尺度上观察。比如构成云彩的水分子在运动和碰撞，是在微观尺度；而我们看到云彩形成的“人脸”图案，则是在宏观尺度。发生涌现是说，宏观尺度上的因果效应大于微观尺度上的因果效应。

这里所说的因果效应强度是什么意思呢？当我们看一团气体分子的时候，固然可以用牛顿定律来描述每一个分子的运动轨迹，但这太复杂了，几乎是不可能的。而当我们可以用温度、压强等宏观量来描述系统时，就有了理想气体状态方程 PV=nRT 这样简洁明了的公式，这就是因果效应更强的尺度。因果效应最强的尺度是我们对一个系统建模研究的最佳尺度。

请到「今天看啥」查看全文