EmergenceandCausalityinComplexSystems:ASurveyofCausalEmergenceandRelatedQuantitativeStudies
2.1因果
2.2涌现
3.6FernandoRosas量化因果涌现的框架
4.1用机器学习识别因果涌现
4.2为什么是“因果”涌现？
4.3因果涌现用于机器学习
5.1因果涌现与因果表征学习
5.2本体论和认识论的因果与涌现
5.3复杂系统中的潜在应用
5.4通过因果涌现理解复杂系统
1.因果涌现理论进展概述
从因果角度理解涌现有两个主要挑战：
2.未来展望
一个典型的因果表征学习场景如图所示。假设有一组变量和因果机制（包括因果图和结构方程）描述了机械臂和彩色方块的世界是如何运作的。然而，对于正在进行因果表征学习的主体来说，这些机制是不可直接观察到的。相反，主体可以观察到的是由机械臂和块生成的一组图像。因果学习框架的目标是从观察到的图像中提取因果变量和机制，这些变量和机制可以用于执行例如因果发现[140]、以及在不同环境[120]或区域[118][121]中做预测等其他下游任务。
一个典型的因果表征学习（CRL）主体的工作流程说明。
另一个主要区别是，宏观状态在因果涌现中的因果机制是一个动力系统。因此，如果在宏观状态空间中的是一个网络动力学，由于状态变量在动力系统中来回迭代可能会产生循环结构，因此这样的模型允许反馈和循环交互的存在。但在因果表征学习中采用结构因果模型来刻画因果机制，用图来表示就是一个不允许包含循环结构的有向无环图（DAG）。然而这些差异并不重要，因为马尔可夫动力学总是可以转换为因果模型。
最后一点区别，未知混淆变量在因果结构模型中扮演着非常重要的角色，然而在因果涌现中它们是被忽视的。
另一方面，认识论因果关系侧重于我们对因果关系的认识和理解。它涉及我们如何根据观察和经验来感知、建模和解释因果关系，尽管现实中可能并不真实存在这样的因果关系。认识论的涌现，类似于认识论的因果关系，侧重于我们对涌现现象的理解和阐释。换言之，认识论因果关系和涌现取决于观察者，不同的观察者可能对特定客观对象的因果关系和涌现现象有不同的看法。
关于因果关系和涌现的本体论和认识论方面，历史上一直存在着长期的争论[17][22][68][76]。[68]的作者强调，文献中“因果关系”的概念往往是模糊的，应区分为“因(cause)”和“理由(reason)”，与本体论和认识论因果关系相一致，“因(cause)”是指充分造成影响的真正因素（因果闭合原理[141]和排除原理[142]），而“理由(reason)”只是个人理解影响的解释。理由可能不像真正的原因那样严谨，但它确实提供了一定程度的可预测性，在某些情况下会还是很有价值的。
机器学习的结果是本体论的还是认识论的？答案是认识论，它取决于机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习主体经过良好的训练，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，并且与算法无关。
此外，建立一个集成了机器学习的理论框架，将有助于对观察者进行建模，也有助于研究观察者与被观测复杂系统之间的相互作用。这个框架不仅使我们能够探索有关因果涌现的难题，而且还能够理解观察者的边界和局限性。这项研究的一个例子是利用机器学习算法形成信息瓶颈，从而让量子系统涌现出了经典特性[143]。
另一个方面是，如果考虑到尺度和粗粒化的成分，可能存在更高层次或跨层次的因果关系。例如，向下因果关系描述了宏观层面和微观层面变量之间的因果效应。因此，因果关系可能是跨层次的。如果因果涌现出现在一个复杂系统中，那么在宏观变量之间可能会发现一些显著的因果关系。复杂系统中的所有这些因素都提出了新的挑战。机器学习方法可以解决宏观层面是否存在更高层次因果关系的问题。然而需要注意的是，用这样的方法所能找到的是一个全局性的因果度量。它必须进一步发展和扩展，以找到宏观变量或宏观变量与微观变量之间的局部因果关系[98]。此外，现有的因果发现方法有必要扩展到考虑对一组变量进行分组或对系统进行粗粒化处理的方法。例如，[154]提出了一种基于格兰杰因果和图神经网络的从粗到细因果发现算法，可以按从粗到精的顺序对变量进行分组，从而提高算法的效率。其他多层次因果发现方法也在[155][156][157]中提出和讨论。
然而，至关重要的是要认识到将机器学习技术应用于因果发现和涌现识别问题的固有局限性。例如，在[45]中，作者强调了存在“统计上等效”但因果上不同的DAG族，这意味着可以构建不同的因果结构来解释同一组数据集。当利用机器学习技术来揭示因果关系和涌现特性时，就需要解决类似的挑战。这方面的进一步研究值得高度重视。
对于一个特定系统，有三个问题需要在未来的研究中解决：（1）因果涌现何时出现？（2）涌现的因果如何对系统功能产生影响？（3）当系统被改变以适应环境时，涌现的因果是如何变化的？我们逐一讨论这些问题。
我们仍然不知道因果涌现何时会发生，以及因果涌现的衡量标准如何随着系统的一些关键参数而变化。在[32]中，作者展示了鸟群（Boid）模型中因果涌现的测度如何随着不同噪声的变化而变化。当一些关键参数发生变化时，可以合理地预期在复杂系统中存在关于涌现的因果的相变，因为因果关系或因果效应的强度也是一个全局性质，并且可能取决于一些序参量。
如果系统中发生了因果涌现，那么涌现的因果如何影响系统的各个部分和整体？例如，“自我”可以被理解为一个涌现的宏观变量[68]，“自我”是如何影响身体其他部分的，比如脚的运动？这个问题并不无聊，因为它涉及到身心互动的问题。重要的是，要理解这一现象，必须同时从宏观和微观两个层面研究信息流。
最后，适应和涌现之间的关系是什么[4][169][170]？有时，当我们将一个属性称为涌现属性时，本质上是指这个属性可以通过适应来发展。因此，适应或演化是某些涌现特性的因果力。这一概念也适用于涌现的因果。例如，在复杂系统中常见的向下因果就是适应和演化的结果。下一个关键问题是，如何才能让一种涌现性质或因果关系通过演化而发生？这个问题好像是要设计涌现[171][172][173]。然而，与其说我们的目的是寻求一种设计，不如说是想寻求一种解释。我们想了解的是哪些被我们看到的涌现的因果是通过什么样的具体环境和方式而演化出来的。
参考文献
（参考文献可上下滑动查看）
Entropy因果与复杂系统特刊征稿中
主要信息如下：
期刊：Entropy(ISSN1099-4300)
栏目：复杂性特刊
主题：因果与复杂系统（CausalityandComplexSystems）
征稿截止日期：2024年9月24日
因果涌现社区
跨尺度、跨层次的涌现是复杂系统研究的关键问题，生命起源和意识起源这两座仰之弥高的大山是其代表。因果涌现理论、机器学习重整化技术、信息论或信息分解等近年来新兴的理论与工具，有望破解复杂系统的涌现规律。
因果涌现社区由集智俱乐部通过系列因果涌现读书会孕育孵化，旨在促进学术交流和科学创新，聚焦于破解复杂科学的圣杯问题，为国内学者和科学爱好者提供一个共享和探索的平台，推动科学研究的发展。
集智科学研究中心
部分研究成果报道：
访问集智科学研究中心网站了解详情：www.research.swarma.org/research