專訪：因果涌現能解釋什么

對于一個復雜系統來說，“整體大于部分之和”是我們對其涌現現象的簡單描述。涌現背后是否存在可度量的因果？本期我們訪談了北京師范大學張江教授，聚焦其“因果涌現”理論展開，談一談科學家怎樣自上而下地定義涌現，如何從數據中自動找到簡化復雜系統的粗粒化規則，以及它和AI、和意識研究又有怎樣深刻的關聯。

受訪者 | 張江
整理 | 集智俱樂部
目錄

如何理解涌現？

科學家通常怎么研究涌現？

因果涌現和傳統方法有啥不同？

它到底想回答哪些難題？

因果涌現能幫助理解AI嗎？

因果涌現強弱為何與時間反演對稱相關？

它能不能為破解意識帶來新思路？

未來因果涌現研究會走向哪里？

因果涌現的核心理解

Q1：如何理解涌現？

簡單來說，涌現就是指整體大于部分之和。也就是說，當一個復雜系統形成一個整體的時候，它在宏觀層面就會展現出一些特性，而這些特性很難簡單地歸因于每一個個體或每一個單元的特性。因此，這種特性就被稱為涌現的屬性。涌現而出的不僅僅是這種特性，而且有時候它會展現出一種規律。比如，像規模法則，當系統在變大的時候，它的新陳代謝與體重規模之間會有一個冪律關系。像這樣一種可以用數學方程去描述的規律，也被稱為涌現的。

圖1：體重和新陳代謝之間的冪律關系， = 3/4，F：新陳代謝，縱軸（total metabolic rate），M：生物體重，橫軸（body mass）

Q2：科學家通常怎么研究涌現？

通常，涌現研究是一種所謂的自下而上的、以微觀為基礎的研究。它的研究方式，基本就是試圖找到一個復雜系統在個體層面遵循的相互作用規則、規律或方程，然后我們可以在計算機里面、或者是用一個數學方程，去整體描述整個系統的相互作用、大量個體的相互作用，從而復現出真實復雜系統中的這些涌現規律。因此，這是一種目前來看科學家們最主要使用的研究涌現的手段。

Q3：因果涌現和傳統方法有什么不同？

因果涌現是一個研究涌現的不同視角。它并不試圖從微觀到宏觀，去解釋一個個涌現現象的發生。因為那樣去解釋的話，實際上基本上找不到通用性，你只能針對一種涌現現象找到一種解釋模型，另一種現象的時候就會換一種模型。但是，這個因果涌現跟以往的涌現研究非常不同的點，就是在于它試圖自上而下地去找到一種涌現的描述性定義，這是它非常不同的點。這樣的話，它的一個好處就是在于，它可以針對不同的涌現現象，給出一個統一的量化的定義。當然，它的缺點也是很明顯，就是它無法去刻畫究竟是什么機制產生這種涌現現象。

Q4：它到底想回答哪些難題？

實際上，因果涌現面向的研究對象是各式各樣的動力系統。這樣一個系統，無論是復雜的還是簡單的，只要能抽象成一個馬爾科夫鏈，或者說一個馬爾科夫的動力學過程，那么實際上都可以用因果涌現這個框架來對它加以刻畫。

它要解決的科學問題，第一是判斷涌現的發生，也就是說給你這樣一個動力學系統以后，這個背后它是不是有涌現現象，這是第一點。第二點，它還能夠找到涌現的宏觀動力學，也就是說我對一個很大的系統，能否用一種更加簡化的方式去描述它的運動規律。第三點，就是找到從微觀到宏觀的這個過渡，也就是我們常說的所謂的粗粒化的方法，也就是你如何把一個復雜的、大型的系統給它簡化成一個小型系統，這種簡化的規則是什么，它也能找到。

圖2：粗粒化示例圖，尋找到復雜系統的簡單規則

比如說我們以鳥群作為一個典型的復雜系統的分析例子來說。那么如果采用一個因果涌現的視角，它就會先去找一些宏觀變量，比如說我們找到的宏觀變量就是每一群鳥的重心這個位置，假如說重心也是一個動點，那么它也會隨著這個鳥群的飛行而產生一個運動的軌跡。那么因果涌現它就會自動能夠識別出來這種軌跡，并且能夠比較你這個重心飛行的軌跡和你這些個體的鳥飛行的軌跡，哪一個因果性更強，它就能夠計算出來。另外一個就是說，如何從一群鳥的這個軌跡得到這個重心，這樣的一個粗粒化的方式，它也能夠找到。

AI與因果涌現

Q5：因果涌現能幫助理解AI嗎？實際上，整個因果涌現的機器學習框架，它是和World Model相似。比如說這個在強化學習里面，我們建立一個agent模型，那么比較好的一種建模方法，就是要讓這個agent內部產生一個小的世界模型，相當于一個內嵌的虛擬世界。那么agent要先去學習這個虛擬世界的動力學，再跟這個真實世界進行互動。那么這個時候，它的學習效率以及它的這種規劃能力，就會變得更強，這就是強化學習的所謂的基于World Model的這種建模方式。

比較有趣的是，我們發現，實際上因果涌現這個框架和內嵌World Model的agent，其實是存在著一個非常相似的這種結構特性，如果把agent所在的環境看做是因果涌現中的微觀動力學，那么World Model就對應了宏觀動力學。因此，我們說因果涌現這個框架，不僅僅能夠描述一個復雜系統，而且它還可以抽象一個認知或者是建模的主體，比如說一個人、或者說一個AI、一個智能體。那么實際上，也可以用因果涌現的框架去描述它。那么有了這樣一套描述，好處就在于，它遵循了兩條重要的原則，第一條，它是要把這個外界世界盡可能預測地準，這是一個。另外一個重要的原則，就是它不僅僅要追求準確，還要追求因果的最大化，也就是說，它的World Model是一個因果性非常強的這種世界模型，這個時候agent才會具有一個內在的審美觀點。

因果涌現與時間反演對稱的聯系

Q6：因果涌現強弱為何與時間反演對稱相關？這個發現也是讓我們自己覺得很意外的。首先就是動力學可逆性，這是一個在物理學里面一個非常重要的概念，跟時間之箭、時間的運動方向、熱力學第二定律，實際上是密切相關的。我們都知道，這個世界的時間是不能倒流的，但是實際上這個不能倒流，它也有一個前提條件，就是你在宏觀去討論這個問題，你看到是我們日常的這種宏觀世界，那它的確，這個時間箭頭是不能夠倒著運轉的。這個背后，實際上是聯系著著名的熱力學第二定律，因為熵是要一直不停地增加，因此時間不能倒流。但是如果你的觀察視角，如果能夠進到微觀粒子這個層面，甚至于你不去對這個系統做測量，而是保持它的這種量子態，我們知道，實際上這個系統，它的時間是沒有箭頭的，它往前走和往后走，實際上是一樣的。那這個不是我隨便亂說的，這是物理學基本的規律，它就告訴我們，實際上，這個最基本的量子層面的物理學規律，實際上是一種時間反演對稱的。

那么我們意外地就發現，動力學上的可逆性實際上是跟因果性是密切相關的。為什么會這樣呢？實際上我們的研究就會發現，當你給定因變量和果變量的時候，就是你不去討論其它因素的干擾，只考慮因變量和果變量，這一對變量，那么這個時候，二者之間，它會有一個因果效應的強度，也就是說你干預一下因變量以后，這個果變量有多大程度跟著一起做出精確的反應，那實際上這個就刻畫出來因果變量之間的所謂的因果效應的強度。那么我們就會發現，這種因果效應的強度，就跟整個因、果這兩個變量，如果把它看成是一個動力學的話，它的動力學的可逆性，就密切相關了。

當因果這個系統構成一個函數映射，或者構成一個馬爾科夫的動力學的時候，那么你就會發現，它越是可逆的，也就意味著它的因果效應就會越強，否則的話，它越是不可逆的一個系統，它的因果效應，其實也就越弱。因此，我們就建立一種等價的關系，也就是一個因果變量的這種系統，它的因果效應強度，和它的動力學的可逆性程度，其實是密切相關的。這個是在我們的論文里面，有大量的從數值角度、從數學公式推導的這個角度，都給出了相應的這個推論和驗證。因此，這二者建立等價性以后，我們就會發現，因果涌現整個這個框架，其實完全可以把它翻譯成是一種動力學可逆性的涌現。那換句話說，一個系統發生了因果涌現的時候，實際上也就意味著它的動力學層面，發生了一個可逆性的這種涌現。原本是一個動力學上可能不那么可逆的系統，那么當你粗粒化以后，它可能變成是一個可逆的這種動力學，那么這個時候我們就說這個系統，發生了一個可逆性的涌現。

那么既然二者都是等價的，那你為什么又要換一種說法，非要用可逆性的角度去描述同樣的這種因果涌現呢？其實這個背后，有一個更高層次的，我覺得是審美上的一種追求吧。那實際上動力學可逆性，它其實跟時間的反演對稱性有關，那換句話說，也就是說這個可逆性，它其實是跟對稱性有關，這也是物理學還有大自然充滿了一種優美的一種特性。因此，當我們追求因果涌現的時候，其實我們也是在追求一種對稱性的涌現，這是一個智能體所要追求的目標。那么這個目標就很符合整個物理學發展的一個精神，以及我們對大自然這種審美的一種追求。

對意識的探索

Q7：因果涌現能不能為破解意識帶來新思路？

我們開發了一個機器學習的框架，這個機器學習框架能夠自動地從數據之中來識別出因果涌現的發生，以及學習出來它的宏觀動力學和它的粗粒化函數，或者說粗粒化的這種方法。那么我們最近的一些研究也已經表明了，就是我們用因果涌現這個機器學習的框架，去對這個復雜的，比如像大腦里面的這個數據，進行分析，那就會發現，它實際上是能夠發現一系列不同層級的這種因果變量，而這些因果變量，很有可能就跟大腦之中的意識現象密切相關。

因此，因果涌現也會跟意識這個問題有一個非常深刻的聯系。我們知道就是因果涌現這個理論框架的提出者，它的通訊作者實際上和意識中的整合信息論的提出者是同一個人，就是意大利的神經科學家Giulio Tononi（朱利奧·托諾尼）。所以你就能看出來，實際上因果涌現的研究是幫助我們破解意識之謎必不可少的一個理論工具，也是研究人工智能，讓人工智能如何更加優美地去對數據進行建模，它也是一個必不可少的一個工具。

走向對稱性的涌現

Q8：未來因果涌現研究會走向哪里？

首先，我們將在理論層面進一步突破。正如剛才所述，我們通過動力學可逆性的研究，已經嘗試在因果涌現和可逆性（也就是時間反演對稱性）二者之間架起一座橋梁。同時，這座橋梁讓我們更深入地看出，可能它背后所追求的，更多的是這種所謂的對稱性的涌現。因為本身關于大自然有一種說法，就是之所以會呈現出今天所看到的這種復雜性，實際上是一種對稱性破缺的結果。

也就是說，在宇宙演化的初期，整個宇宙實際上是高度對稱的，你可以理解成是個幾何體或者是個物體，但是由于各種原因，比如噪聲、觀察者的存在等等因素，那么大自然或宇宙就會發生不斷的一系列的這種對稱性破缺。因此，慢慢地很多的這種對稱性不再存在了，而破缺成了各種各樣的復雜性。那反過來講，對于一個智能體來說，它卻是在歷經一個反向的過程，也就是它面對的是這種嘈雜的、復雜的這種世界，試圖在這個背后去抽象出它可能存在的那種對稱性。這個是我們經過這個因果涌現框架的研究最后悟到的。可能說跟宇宙的演化也密切相關的規則。因此，在這樣一個原理的制約下，我們猜測有可能存在一個普適的、更加廣義的涌現的原理，而不僅僅是局限在因果涌現上面。我們暫且把它叫做，比如說“對稱性的涌現”。

很有可能，一個系統，無論你是不是動力學，經過粗粒化以后，如果你的對稱性能夠比原來的系統更高，無論你這個對稱性是，比如空間平移對稱性、旋轉對稱性等等，都有可能，只要你體現出更好的、更多的對稱性，我們都可以看成是一種涌現現象。因此這樣的話，如果這個結論是成立的，那就是可以大大推進我們對涌現的認知。

本文根據訪談內容進行了書面化整理，內容刪減僅涉及重復表述與非核心細節。

本文為科普中國創作培育計劃作品

受訪者：張江 北京師范大學系統科學學院教授

創作團隊：集智俱樂部

審核專家：劉宇 北京師范大學珠海校區 副教授

出品：中國科協科普部

監制：中國科學技術出版社有限公司、北京中科星河文化傳媒有限公司

特 別 提 示

1. 進入『返樸』微信公眾號底部菜單“精品專欄“，可查閱不同主題系列科普文章。

2. 『返樸』提供按月檢索文章功能。關注公眾號，回復四位數組成的年份+月份，如“1903”，可獲取2019年3月的文章索引，以此類推。