什么是因果涌现理论?
对我来说，最令人惊叹的科学概念之一是涌现，或者一种能力从一系列物体或行为中产生。山的形状，雪花的图案，甚至是思维都可以被认为是突现的例子。但最近在集成信息理论(IIT)方面的工作表明，有时大型对象本身可以在小对象上表现出涌现行为。
这种因果关系的出现仍处于起步阶段，并将随着时间的推移而发展，但其含义是惊人的:大世界确实可能对小世界产生影响。
减少元素
常规物理学在科学的还原主义方法上有很好的记录，我们把我们想研究的现象分解成越来越小的部分，然后从那里建立我们的知识。这种自底向上的方法是大规模的特征如何突然出现并创建结构，以展示单个部分所没有的行为。
这是我们周围世界运作的关键。但当涉及到我们人类时，它留下了一些有待改进的地方。我们真的只是组成我们的小碎片吗?原子的集合真的构成了被感知的自我吗?
穿越迷雾
神经科学家埃里克·霍尔(Erik Hoel)不这么认为。事实上，他开发了一个数学模型，解决了“意识和能动性是如何从我们这个原子的集合中产生的”，并称之为因果涌现。该理论与Larissa Albantakis和Giulio Tononi共同开发，运用信息理论的技术来证明我们如何解析现实的碎片可以导致从宏观物体中出现新的原因(Wolchover, Ball 44)。
这些更大的“物理系统的粗粒度宏观状态……可能比更详细、更细粒度的系统描述更能对系统的未来产生因果影响。”这当然符合我们的直觉，我们确实控制了比我们构成的更多的东西(Wolchover, Dewhurst, Ball 44)。
Hoel和他的团队自2013年以来一直在打击这一理论，并在2017年5月取得了重大突破，当时他们能够使它更像是一个理论，而不是一个想法，“通过展示宏观尺度以完全相同的方式获得因果力，在数学上，纠错码增加了可以通过信息通道发送的信息量”(Wolchover, Ball 44-6)。
这些代码通过使数据中的不确定性尽可能小来发挥作用，其论点是，宏观尺度的对象可以对自己的因果结构做同样的事情，“加强因果关系，使系统的行为更具确定性”。通过将我们的意志强加于一个系统，我们正在使它更加有序!(Wolchover)
建立信心?
对于世界各地的神经科学家来说，这当然是一个非常令人兴奋的前景，但它也有潜在的应用于其他紧急行为，如超导、物质的拓扑相、鸟群模式、晶体、波等等。然而，由于还原主义路线的成功，许多人质疑这项工作的结果。
对于更多的科学家来说，所有的原因都源于现实的基本组成部分，并“从那里扩散开来”。可以说，我们需要构建复杂性。但如果我们同时采用自下而上和自上而下的方法，那么你怎么能真正知道什么在影响什么呢?因果关系不会混淆了吗?这就是为什么还原方法会引发排斥论，说“所有因果力量都必须起源于微观层面”(Wolchover, Ball 44)。
但这并不意味着它是简单的讨论代理的方式。我们更愿意通过宏观层面的手段来讨论因果关系，因为……这通常是一个对过程及其影响链进行解释的问题。我们会真的想要从粒子层面来解释每一个单一的大型活动?如何决定哪个微尺度是足够的呢?或者一件事能在多大程度上引发大规模事件?(Wolchover, Ball 44)
具有讽刺意味的是，这是对IIT的批判，在此基础上，因果涌现获得了立足点。度量系统集成信息传递能力的能力之一确实取决于如何划分系统。将元素分组为两个单独的组，将噪声输入一个组，然后查看另一个组如何响应。在划分成所有可能的子集就像这样，你就能感受到哪种分区在减少熵方面最有效(Wolchover, Dewhurst)。
Hoel和他的团队更深入地研究了这个缩放问题，希望“弄清楚神经元的集合大小可能与最大的集成信息相关——因此，可能与有意识的思想和决定相关”(Wolchover, Dewhurst)。
他们清楚地认识到，如果你想在宏观层面上展示意识是如何产生的，那么你必须找到一种方法来量化大脑状态对所处环境的因果影响程度。使用因果演算和IIT，开发了一种称为有效信息的新度量(与IIT中建立的版本分开-我知道，它可能令人困惑)，表明“特定状态如何有效地影响系统的未来状态”。它包括原因系数和结果系数，前者有助于划定可能导致某事发生的界限，后者同样划定可能结果的界限(Wolchover, Dewhurst, Ball 46)。
利用这些有效的信息，就有可能证明，越是把神经元群体视为宏观实体，而不是行为上的微观实体，它们的力量就越强。这些可能的状态在相互作用时形成因果结构，从一个状态到另一个状态的转换可以使用转换概率矩阵建模。使用这些工具，列值表示当前状态，行值表示下一个可能的状态。每个值都是一个到另一个的概率，所以可以用0到1的任何值表示(Wolchover, Dewhurst)。
一个元素的值越大，我们对它发生的可能性就越有信心，因此它的有效信息就越高。但微分也可以是有效信息的一个指标，所以如果每个元素的值相同，那么有效信息为0，因为这意味着所有事情都有相同的发生几率。这是一个随机设置(Wolchover, Dewhurst)。
取决于我们如何分解我们的系统，我们可以有一个包含许多低概率元素的巨大矩阵，或者我们可以将其配对成一个2x2的单位矩阵，其有效信息将是1。从微观角度来看，每个元素进入下一个状态的概率都很低，因为存在大量可用的选择，但如果我们将其分组到宏观事件中，那么我们肯定会有更好的几率达到我们所做的分组(Wolchover, Dewhurst, Ball 46)。
根据所选择的宏观尺度，有效信息会达到其可能的最高值，这表明我们的系统具有最大的因果力，“以最可靠、最有效的方式预测未来的状态”。这是因为如果你进一步放大，你就会失去信息之间的联系，基本上无法透过树木看到森林(Wolchover, Dewhurst, Ball 46)。
之前的纠错方法在这里发挥作用，因为如果我们作为人类要发挥作用，我们显然需要某些过程发生。神经元的基本规模在随机性和高冗余性方面存在问题，如果我们需要一个链以某种方式激发，还原论方法很难解释为什么会发生这种情况(Wolchover, Dewhurst)。
但如果我们对它施加因果涌现作用，那么我们就可以把它当作一个更大的对象来对待，从而减少它本身的错误。当然，这比试图确定的未来状态要简单得多你身体里的每一个原子(杜赫斯去接替Wolchover)。
未来状态
目前，因果关系的出现仍然只是一个理论，但人们正在设计测试来检验它的优点。正在计划对大脑进行扫描，以确定是否可以发现这些宏观尺度的因果出现。一些人仍然反对因果涌现，因为它统治了已被证明的还原论方法，并且仍然不确定它是否可以应用于神经元功能。
其他人则质疑使用有效信息作为因果指标。它看起来应该是这样的，因为如果它测量得高，我们就知道我们对一个集合的输入会对下一个集合产生很大的影响，这表明了因果关系。Hoel和他的团队多年来使用有效的信息来分析由哲学、遗传学等多个领域定义的谨慎性。所有这些领域的因果关系版本都表明因果涌现的发生，正如Hoel指出的那样，跨领域的这种一致应该表明所使用的方法的优点以及结果(Wolchover, Dewhurst, Bell 46-7)。
但你能说这样的宏观尺度一定会以某种方式影响微观，从而混淆了真正发生的事情吗?当然，一些宏观尺度对我们更有用，我们不需要如此精细的细节来欣赏我们看到的发生在我们周围的一些事情。
我们真正需要做的是，当宏观尺度分组预测微观尺度无法解释的事情时，以某种方式确定，本质上以某种方式证明宏观事件影响微观，而微观却没有任何办法解释它(Wolchover, Dewhurst)。
祝你好运!
作品的引用
球,菲利普。“什么导致什么?”《新科学家》．2022年5月28日。44-7打印。
杜赫斯特乔。”因果涌现和真实模式．”
Wolchover,娜塔莉。"一种超越各部分之和的现实理论"Quantamagazine.org．广达，2017年6月1日。2021年5月10日。
据作者所知，这些内容是准确和真实的，并不意味着要取代来自合格专业人士的正式和个性化的建议。
©2022 Leonard Kelley