Patterns：因果涌現2.0——如何區分四類復雜系統｜Erik Hoel

導語

現代科學長期建立在一種信念之上：只要掌握了最底層的規律，我們就能夠解釋整個世界。然而，從天氣系統到生命智能，從組織行為到人工智能，越來越多的復雜系統正在挑戰這種直覺。它們似乎都在訴說同一個事實：最有效的解釋，并不一定出現在最微觀的層面。為什么有些宏觀結構能夠比微觀細節擁有更強的因果力量？為什么退后一步，反而看得更清楚？2026年1月Erik Hoel發表于 Cell 子刊 Patterns 的一項研究進一步提出，一個系統究竟有多復雜，或許并不取決于它包含多少組成部分，而取決于最重要的因果關系分布在哪些尺度上。

關鍵詞：涌現、復雜性、因果關系

郭瑞東丨作者

趙思怡丨審校

論文題目：Quantifying emergent complexity 論文鏈接：www.cell.com/patterns/fulltext/S2666-3899(25)00320-4 發表時間：2026年1月12日 發表期刊：Patterns

你不需要理解晶體管如何開關，就能用手機讀到這篇文章；氣象學家也不必追蹤每一滴水珠的運動軌跡，仍然可以判斷明天是否會有暴雨。我們對世界的理解，很多時候并不是建立在最細微的事實之上，而是建立在某種更高層次、更可操作的描述之上。問題在于，為什么有些宏觀“說法”，反而比微觀“真相”更好用？

近年來復雜性科學中的因果涌現（Causal Emergence）理論，正是試圖回答這個問題。它指出，在某些復雜系統中，當我們不再執著于最底層細節，而是退后一步，用更粗粒度的尺度觀察系統時，反而可能獲得更強的預測力和解釋力。宏觀描述并不只是微觀事實的簡化版本，在特定條件下，它本身就可能承載更清晰、更有效的因果關系。

這就引出了一個更深的“尺度悖論”：面對一個系統，比如大腦、公司、城市或生態網絡，理論上總有無數種描述它的方式。我們可以從分子、神經元、個體行為、組織結構，直到文化和制度層面來理解它。可是，憑什么說“企業文化”比“某個員工今天敲了多少字”更能解釋一家公司的變化？還原論認為，真正的原因只存在于最微觀層面；相對主義則認為，不同尺度只是不同敘事，并無高下之分。但現實經驗告訴我們，這兩種說法都不夠準確：有些尺度確實比另一些尺度更有解釋力。

因果涌現的關鍵意義正在于此：它不只是說宏觀描述“有用”，而是試圖說明，在什么條件下，宏觀狀態能夠比微觀指標具有更強的因果預測力。2026年1月，Erik Hoel在Cell子刊Patterns發表論文《Quantifying emergent complexity》，進一步將這一問題推進到可量化層面：一個復雜系統的涌現程度，或許可以通過因果關系在不同尺度上的分布來衡量。換言之，這篇論文關心的不是簡單地證明“宏觀可以勝過微觀”，而是追問：為什么有的系統會在某些尺度上突然變得更清晰、更可解釋、更像一個真正的因果整體？

尺度悖論：為何有些尺度更具有解釋力

復雜系統的一個核心特征，是同時存在于多個尺度之上（multiscale structure）。以計算機為例，最底層是晶體管，向上依次可以抽象為邏輯門、機器指令、程序模塊，直到最終形成操作系統和人機交互界面。對于同一個系統，我們總是能夠從不同層級對其進行描述。

問題在于，這些可能的描述方式數量極其龐大。即使一個只有8個狀態的簡單系統，其所有可能的狀態劃分方式（partition）也多達4140種，對應第8個貝爾數（Bell number，B8）。而隨著系統規模增加，這一數量會以超指數速度增長，很快達到無法窮盡的程度。

這意味著，任何一個宏觀——例如一家公司的興衰、一座城市的交通擁堵，甚至一次金融危機——理論上都存在海量的解釋路徑。公司倒閉，可以追溯到每位員工的每一次決策；交通堵塞，可以分解為每輛汽車的每一次加速與剎車。這種由多尺度結構帶來的海量解釋空間，被稱為解釋過載（explanatory overload）。

然而，現實經驗表明，并不是所有尺度都同樣重要。研究一家公司的經營狀況時，“組織文化”“部門協作”往往比記錄每位員工每天敲擊了多少次鍵盤更有解釋力；理解大腦功能時，神經回路層面的描述通常也比單個離子的運動軌跡更有意義。換句話說，在眾多可能的尺度中，往往只有少數幾個層級真正抓住了系統運行的核心因果機制。Erik Hoel將這種現象稱為尺度悖論（The Paradox of Scale）：系統明明由微觀組成，但最有效的解釋卻未必出現在微觀層面。

面對這一悖論，傳統上主要存在兩種極端立場。還原論（reductionism）認為，真正的因果關系只存在于最微觀尺度，高層次描述不過是對底層機制的簡化表象。然而，這種觀點難以解釋為何心理學、經濟學乃至生態學，能夠僅憑宏觀變量就實現有效預測。與之相對，相對主義則認為不存在“特權尺度”，所有尺度的解釋地位完全平等。但現實又清楚地表明，不同尺度的解釋能力并不相同，有些尺度明顯比另一些尺度更有效。

尺度悖論因此提出了一個更深刻的問題：在一個復雜系統中，究竟是什么決定了某個尺度能夠成為最具因果解釋力的“最佳描述層級”？

理論演進：從“什么是因果”到“如何量化因果”

尺度悖論背后，其實隱藏著一個更基礎的問題：什么是因果關系？如果我們無法定義和量化因果，就無法比較不同尺度究竟誰更“重要”。

回溯人類對因果關系的探索，可追溯到18世紀英國啟蒙哲學家大衛·休謨的規律性解釋。大衛·休謨認為，所謂因果，不過是事件之間反復出現的相繼模式：當某類事件總是在另一類事件之前發生時，我們便傾向于把前者視為原因、后者視為結果。從現代視角來看，休謨實際上將因果理解為一種穩定的統計相關性。

之后的多位哲學家不斷試圖超越單純的相關性。例如，Ellery Eells 提出概率提升理論：如果事件 (c) 的發生提高了事件 (e) 出現的概率，那么 (c) 可以被視為 (e) 的原因。David Lewis則進一步提出著名的反事實理論：如果事件 (c) 已經發生，并且在一個假想世界中“若沒有 (c)，便不會有 (e)”，那么 (c) 就是 (e) 的原因。

這些理論深化了我們對因果的理解，但它們仍然留下了一個關鍵難題：如何在復雜系統中比較不同尺度的因果效力？在一個復雜系統中，因果關系關系不是如太陽東升西落一樣一成不變，也不是只發生在一個尺度上。我們需要一個方便計算的方法，來回答這樣一個問題：

一個系統在某個特定尺度上，究竟具有多強的因果能力？

有效信息（Effective Information, EI）最初由 Giulio Tononi 和 Olaf Sporns 在神經科學的背景下引入，用于衡量大腦區域之間因果交互的強度。它后來在因果涌現理論中被獨立地重新發現，又被稱為因果特異性（causal specificity）。有效信息衡量的是，當我們可以自由地干預系統（設置其初始狀態）時，我們能夠從系統的輸出（下一狀態）中獲取多少關于其輸入（上一狀態）的信息。

2013年，Erik Hoel 的PNAS論文[1]，基于有效信息，首次提出因果涌現理論。其核心觀點是：在某些復雜系統中，宏觀尺度的描述不僅能簡化系統，還能比微觀尺度提供更強的因果效力。

有效信息的定義，其創新之處在于對系統進行均勻干預（即對所有可能狀態施加 do 操作，最大熵干預）后，考察下一時刻狀態的互信息，據此量化“原因能多確定地導致結果”。Hoel 發現，在某些系統中，適當的粗粒化（coarse-graining）反而會提高有效信息。也就是說，當我們把若干微觀狀態合并為一個宏觀狀態之后，系統的因果結構有時會變得更清楚，而不是更模糊。這意味著宏觀變量并不只是為了方便理解而人為創造的簡化標簽；在特定條件下，它們確實能夠比微觀變量提供更強的因果預測力。所謂因果涌現，正是指這種因果效力從微觀層面轉移并增強于宏觀層面的現象。

圖1： 一個“神經元”系統，常規和圓形箭頭分別表示組間和組內連接。(B) 每個宏觀元素接收來自自身和其他宏觀元素的輸入。宏觀層面的因果解釋力強于微觀層面。來自1

這也正是因果涌現對還原論的挑戰。傳統還原論認為，只有最底層的微觀機制才具有真正的因果力，宏觀描述只是方便敘事的表象。但因果涌現表明，多實現性（multiple realizability）——即多個微觀狀態對應同一個宏觀狀態——并不一定削弱解釋力，反而可能發揮類似“因果糾錯”的作用。它經由過濾掉微觀噪聲，從而讓系統在宏觀層面涌現出更強的因果結構。

不過，1.0版的因果涌現也存在局限：它通常只比較一條預設的微觀→宏觀路徑（例如將 8 個狀態壓縮為 4，再壓縮到2或1），并未系統探索所有可能的粗粒化方式。而Hoel最新提出的因果涌現 2.0（CE 2.0），不再只關注單一從微觀到宏觀的路徑，而是把所有可能的狀態劃分方式納入考察，形成一個由細到粗的尺度格（partition lattice）。在這個尺度格中，每一種劃分都代表一種可能的觀察尺度；CE 2.0要做的，就是評估每個尺度究竟為系統貢獻了多少新的因果解釋力。這樣，因果涌現就從“宏觀是否可能勝過微觀”的問題，推進為“整個系統的因果結構如何分布在不同尺度上”的問題。

圖2：不同從微觀到宏觀因果路徑的案例

數學框架：如何找到系統真正的因果尺度？

在因果涌現2.0中，一個復雜系統任何時刻都處于某個明確的狀態中。例如，一個簡單開關只有“開”和“關”兩種狀態；兩個開關組成的系統，則可能處于00、01、10、11四種狀態中的任意一種。

系統隨時間如何演化，則由一個轉移概率矩陣（transition probability matrix, TPM）完全描述。這個矩陣記錄了系統從當前狀態轉移到下一狀態的概率。例如，系統處于狀態00時，有90%的概率仍保持00，有10%的概率轉移到10。轉移概率矩陣因此可以被看作系統最底層、最精確的運行規則，也構成了因果涌現分析的“微觀基準”。根據轉移概率矩陣可知系統最底層的、最精確的運行規則。任何對系統的粗粒度描述（宏觀尺度），都必須是通過對這個微觀轉移概率矩陣進行某種“概括”或“分組”得到。

任何更高層次的描述，都必須建立在這一微觀規則之上。所謂宏觀尺度，本質上就是對微觀狀態進行某種概括或分組。例如，對于狀態集合 {A, B, C, D}，一個可能的分區是 {(A, B), (C, D)}，從觀察者的角度看，原本四種微觀狀態被壓縮成了兩種宏觀狀態。問題在于，對于一個復雜系統，這樣的分組方式并不是唯一的，而是可能存在海量方案。不同的分組，對應著不同的觀察尺度，也對應著不同的宏觀世界。

因果涌現1.0通常只沿著一條預先設定好的路徑進行粗粒化；而在因果涌現2.0中，研究者不再預設哪個尺度最重要，而是遍歷整個分區格（partition lattice）——也就是所有可能的狀態劃分方式所構成的層級結構。

對于每一種分區方式，研究者都會重新構建對應的宏觀轉移概率矩陣，并計算這一尺度上的因果效力。最終，系統中所有可能的尺度都會進入同一個“因果競技場”，接受統一比較。

圖3：系統的多尺度結構基于其狀態的劃分。子圖分別展示了具有 2, 3, 4, 8 個狀態的系統的分區格

了理解因果涌現2.0如何比較不同尺度，我們不妨從一個極簡的報警器系統開始。

假設這個報警器由兩個組件構成：傳感器（Sensor，S）負責感知環境，警報鈴（Bell，B）負責發出警報。每個組件都只有兩種狀態：開啟（1）或關閉（0）。

因此，整個系統在任意時刻都可以用狀態對 (S,B) 來表示，共有4種可能狀態：

• 00: 傳感器關，鈴關（正常靜默）

• 01: 傳感器關，鈴開 （故障狀態）

• 10: 傳感器開，鈴關 （故障/延遲狀態）

• 11: 傳感器開，鈴開 （正常報警）

接下來，我們需要規定系統如何隨時間演化。假設系統遵循一個簡單規則：如果傳感器開啟，它最終會觸發鈴鐺。如果傳感器關閉，鈴鐺最終會關閉。真實系統并不總是完美運行，因此允許存在一些小概率的隨機錯誤。

這種動態規則可以用轉移概率矩陣表示。矩陣中的每一個元素，都表示系統從當前狀態轉移到下一狀態的概率。

當前狀態

→ 00

→ 10

→ 11

00

0.9

0.0

0.1

0.0

01

0.1

0.8

0.0

0.1

10

0.0

0.0

0.1

0.9

11

0.0

0.1

0.0

0.9

第一行 (00)表示： 當系統當前處于狀態00時，有90%的概率在下一時刻仍然保持00，但也有10%的概率由于誤觸發而轉移到10。其余行的含義以此類推。這個轉移概率矩陣就是警報系統的微觀的特質。

有了系統的微觀規則之后，觀察者就可以嘗試用不同方式對這些狀態進行分組，從而構造不同的觀察尺度。對于報警器系統，我們先考察三種具有代表性的分區方式：

1)微觀尺度 (最精細分區)：πmicro中分區: {(00), (01), (10), (11)}，這是我們原始的、最詳細的描述。我們可以看到所有狀態，包括故障狀態。

2)功能尺度：πfunctional中將狀態分為兩組 {(00, 01), (10, 11)}。這里，我們不再關心鈴鐺是否已經響起，而只關注系統最核心的功能變量——傳感器是否被激活。因此，狀態00（正常關閉）和01（故障響鈴）被歸入同一個宏觀狀態Off，因為二者都對應“傳感器未被觸發”；狀態10（故障未響）和11（正常報警）則被歸入宏觀狀態On，因為它們都表示“傳感器已經觸發”。

3)鈴鐺尺度：πbell根據鈴鐺是否在響來分組 {(00, 10), (01, 11)}。宏狀態00和10對應鈴不響；宏狀態01和11對應鈴響。這個分區很糟糕，因為它把原因（傳感器狀態）不同的狀態混在一起。

然而，僅僅提出不同的分區還不夠。接下來的問題是：如何公平地比較這些尺度誰更好？具體來說，研究者并不是被動地觀察系統，而是主動對系統進行干預。所謂干預操作 do(c)，就是人為地把系統設置到狀態 (c)。

對系統進行分區并遍歷所有可能后，要做的是通過干預操作 do(c) 對應將系統置于狀態 c，在報警器例子中，do(S=0, B=0) 或簡寫 do(00)，意味著我們手動將傳感器和鈴鐺都關閉，然后觀察下一時刻系統會變成什么狀態。

這種干預與簡單觀察有本質區別。觀察到系統處于00，可能是許多隱藏因素共同作用的結果；而干預則切斷了所有指向00的因果路徑，使我們能夠純粹地測量“00本身會導致什么”。

為了保證不同尺度之間的比較公平，研究者進一步規定：在每一個尺度上，所有狀態都以相同概率被干預。例如，在微觀尺度下：p(C=00) = p(C=01) = p(C=10) = p(C=11) = 1/4。我們進行無數次試驗，其中1/4次我們設置系統為00，1/4次設為01，以此類推。在宏觀尺度（例如功能尺度π_functional = {Off, On}）：p(C=Off) = p(C=On) = 1/2。我們一半的試驗干預系統到Off的宏觀狀態，另一半干預到On的狀態。

之后，Hoel定義了兩個基本的因果原語，用來衡量一個尺度作為“因果機器”的質量。

第一個指標是確定性（Determinism）。衡量原因對結果的約束力，在上述警報器的例子中，因為大多數轉移是高度確定的，通過計算每個原因c的條件熵H(E|c)，然后求平均會得到一個比較高的確定性值。

另一個指標是Degeneracy（退化性）。衡量結果的“特異性，如果退化性大于0，表示系統存在一定的簡并性（例如，01和11都可能由不同的原因產生）

最終，Hoel將二者組合，定義了一個尺度的總體因果效力（Causal Power，CP）：CP=determinism+(1?degeneracy)?1，之后對每個區間劃分 π，計算其 ΔCP：ΔCP(π)=max(0,CP(π)?π′ <πmaxcp(π′)< pan>

若ΔCP大于0，則對應劃分π所在的尺度，相比所有更細的尺度的因果增益，保留所有 ΔCP > 0 的尺度，構成系統的涌現層級（emergence hierarchy），從而找到系統真正的“因果骨架”。

在上述的警報器例子中，功能尺度πfunctional的確定性非常高，接近1。因為從Off幾乎總是到Off，從On幾乎總是到On。退化性非常低，接近0。因為效應Off和On幾乎只由它們自身引起，特異性很高。而最終的因果效力CP為~1 + (1 - ~0) - 1 = 1.0；而相比微觀尺度，其ΔCP > 0，這個π_functional分區對應的尺度被保留在涌現層級中。它為我們理解系統提供了非冗余的、新增的因果解釋力。而對于糟糕的尺度π_bell(按鈴鐺分組)，由于 ΔCP ≤ 0，這個尺度被剔除出涌現層級。它沒有提供任何超越其祖先的新因果見解。

圖4：在一個6狀態系統的全部尺度集合中，計算特定尺度的因果效力CP的演示。從較小的組到較大的組沿著格向上移動遍歷了所有粗粒化過程。左圖的粗粒化，降低了因果效力（通過降低確定性），表明該尺度未能為系統的因果運作增加任何內容。右圖是一個特別信息豐富的粗粒化，將六個狀態分成適當的對，增加了確定性并降低了退化性。

圖5：在8個狀態的馬爾可夫鏈中，微狀態(4,5,6,7)具有完全相同的轉移概率分布，將微狀態(4,5,6,7)合并為單個宏觀態能帶來因果解釋的增益，超過這個尺度后，進一步的粗粒化不再產生因果增益

小結上述過程，因果涌現2.0的計算方式分為4步，首先是通過do-操作和均勻干預，為所有尺度建立一個公平的因果力競技場。之后組合確定性和退化性這兩個“因果原語”來量化每個尺度作為因果機器的質量。

圖6：在一個具有5個狀態的小系統上的可視化使用該方法，b圖顯示子圖A中那5個高亮的黑色節點，以及它們之間的連接關系。這構成了一個更小、更清晰的區分，節點的大小反映了其ΔCP值。c圖對稱化了圖B旁邊的垂直柱狀圖。可以把它想象成系統因果結構的“指紋”或“光譜”。

第三步的篩選通過 ΔCP 這個“過濾器”，識別出那些真正提供了因果增值的尺度。這些尺度不是對底層細節的簡單總結，而是發現了新的、更高效的因果規律。最終呈現所有 ΔCP > 0 的尺度，這些尺度構成的涌現層級，就是該系統最本質的“因果骨架”。

對應報警器的案例，因果涌現2.0告訴我們，理解這個系統最關鍵的是抓住On/Off這個功能尺度，而不是糾纏于微觀的故障細節或單純的鈴鐺狀態。這正是在工程上設計和控制此類系統所需要的“藍圖”。

分類體系：復雜系統究竟有幾種“因果地形”？

通過 ΔCP 分布，Erik Hoel提出可將復雜系統分為四類，這也是該文最核心的發現。這四類分別是：

1. Bottom-heavy：底部主導。ΔCP 集中在微觀，只有微觀細節有實際因果作用，宏觀概括無用。例如拼圖時每一塊拼圖的位置和形狀都至關重要，若只看“整體輪廓”或“顏色區塊”（宏觀）；無法完成拼圖。例如做蛋糕，面粉、糖、泡打粉的比例差一點，成品可能完全失敗——無法用“大概差不多”來替代。底部主導的系統，其所有微觀狀態無法塌縮到少數幾個宏觀狀態中，

2. Top-heavy：頂部主導，大局即因果。這類系統只需關注宏觀狀態，細節無關緊要。例如面對紅綠燈，只需知道“紅燈停、綠燈行”，無需關心內部電路如何切換狀態。天氣預報說“明天有雨”這一宏觀判斷足以指導帶傘決策，無需知道每一滴云中水分子的軌跡。在這些場景中，高層抽象完全主導行為，底層細節被“因果淹沒”。

3. Mesoscale-peaked：中觀尺度峰值。存在一個“恰到好處”的中間描述層級，既不過細也不過粗。例如團隊管理中，只看宏觀成敗無法干預，若是看每個人每小時做了什么又太細，最高效的管理方式是“各小組任務進度”。這類常常是典型的復雜系統，例如城市導航問題，微觀特征是每輛車的位置，宏觀角度只能看“城市是不是堵車”，而中觀指標，例如“早高峰時XX路段擁堵”才是導航App優化路線的關鍵尺度。之所以這樣，是由于這些系統在中間層級展現出最強的因果解釋力與干預有效性。

4. Balloon-like：氣球型，單層激增，僅一尺度有效。這通常出現在人類設計的系統中。例如象棋中宏觀特征是輸贏，微觀特征是每個棋子的行動，但描述與操控棋局最有效的是像連環馬，雙炮等人為設定的戰術。在音樂中，單個音符（微觀）或整首歌情緒（宏觀）都不足以解釋為何某段音樂“動人”；而識別出“II-V-I 和弦進行”這類特定結構，才能理解音樂如何闡述的情感（因果關系）。這里只有特定的某一層有效，因果力像氣球一樣，只在一個孤立尺度上“鼓起”。

圖7依次描述了五個具有不同涌現結構的系統，其中最左邊的為“頂部主導”： 其涌現層級子格在頂部（宏觀端）非常“肥厚”，節點大且多。其表現是一旦上升到主導的宏觀尺度，因果規律（兩個模塊的互動）就變得非常清晰，而更精細的尺度（如模塊內部）提供的因果增益很小。這就像國際政治中，理解國與國關系比理解各個國家間的市縣互動更重要。從左往右的第二個子圖，描述的是一個幾乎確定的（由2個長度為4的循環組成）系統，其中所有狀態都在宏觀層面體現。

圖7：五個復雜系統及其涌現層級示例

位于最中間的系統以及最右側的，其涌現層級都是在中間最顯著，其最強的因果力既不在最底層也不在最頂層，而是在一個中間的、特定的粗粒化水平上。這種系統通常經過精心設計或被進化優化過，其表現是在生物學中，解釋生物體的運作機制，使用器官功能（中尺度）可能比用整個生物體（宏觀）或細胞生化（微觀）更有效。

從左到右第四個系統具有完全確定性且高度退化性。系統中許多不同的狀態都會轉移到同一個下一個狀態。因為系統是退化的，粗粒化（合并狀態）很容易使問題變得更糟，因為這會進一步混淆已經模糊的因果路徑。因此，微觀尺度本身可能就是最具因果力的尺度，或者存在一個非常特殊的粗粒化能緩解一些問題。這體現了退化性對因果涌現的抑制作用。

圖8：對比左邊頂部主導的，宏觀狀態2維時描述最準確的簡單系統，其因果力集中于特定維度；而右邊是中觀尺度峰值，宏觀維度3-4時描述效果最佳，其涌現的復雜度相比更高

臨界性下，因果涌現最顯著

找到系統的最佳尺度之后，一個更深的問題隨之出現：什么樣的系統，才是真正“復雜”的系統？

Hoel認為，僅僅存在因果涌現還不足以定義復雜性。一個系統可能只在某一個尺度上出現強烈的因果涌現（例如氣球型系統），但這并不意味著它就具有豐富的多尺度結構。

此，論文進一步提出了一種新的涌現復雜性（emergent complexity）概念。按照這一框架，一個系統只有同時滿足兩個條件時，才稱得上真正復雜：第一，因果貢獻不能只集中在某一個尺度，而應該分布在多個尺度上；第二，在同一個尺度內部，不同的粗粒化方式也應該表現出顯著差異。

為了研究這種復雜性何時出現，作者構建了一系列具有不同拓撲結構的網絡，并將這些網絡視為系統的狀態轉移圖。網絡中的節點代表系統狀態，邊則表示狀態之間可能發生的轉移。通過改變網絡的生長規則，研究者生成了從樹狀網絡到高度中心化網絡的一系列結構。

其中，網絡生成時使用了偏好依附模型。模型關鍵參數是 α，它控制著新節點連接已有節點的偏好強度。α = 1是經典的 Barabási-Albert (BA) 模型，生成的是傳統意義上“無標度” 的網絡，其度分布遵循冪律。α < 1： 次線性偏好依附，生成樹狀、稀疏、分支狀的結構。α > 1： 超線性偏好依附，生成高度集中化的、“星形”的結構。

對于每個由不同α值生成的轉移概率矩陣，研究者使用分支貪婪算法（因為網絡較大，有40個狀態，無法暴力計算）來估算其涌現層級，并計算確定性和退化性來度量因果效力。

隨后，研究者對這些網絡逐一計算其涌現層級，并進一步提出了兩個新的指標來刻畫系統的復雜性。

第一個指標是路徑熵（path entropy）。它衡量的是：因果貢獻在不同尺度之間分布得是否均勻。在一條微觀到宏觀的路徑上，將ΔCP值歸一化為一個概率分布，然后計算其熵 H(p)。如果所有尺度貢獻均等，路徑熵最大；如果只有一個尺度貢獻，路徑熵為0。如果一個系統是“字面無標度”的，就意味著沒有一個層級（無論是微觀、中觀還是宏觀）在因果貢獻上占據主導地位。因果力量均勻地散布在所有尺度上。這對應著高的路徑熵。圖6中間是不同α值的網絡下對應的路徑熵。

第二個指標是行負熵（row negentropy）。它關注的是同一個尺度內部，不同觀察方式之間是否存在顯著差異。在同一個粗粒化層級（即分區格的同一行）內，不同分區方式之間的因果貢獻（ΔCP）差異有多大。通過在一個特定層級1上，將所有分區的ΔCP值歸一化，計算其熵S_1。如果該層級所有分區的貢獻都一樣，熵就高（對稱性高，差異性小）。 高的行負熵意味著，在同一個粗粒化水平上，存在多種不同的、有意義的“看法”，而且這些看法對系統因果的貢獻大小很不相同。這表示系統在同一尺度上具有豐富的、非對稱的因果結構。

圖9左側是不同α值的網絡下對應的行負熵。將復雜性定義為路徑熵和行負熵的乘積，可以看到圖9最下方中間描述的無標度網絡中，涌現的復雜性最高，這說明在一個高度復雜的系統，即文中定義的“字面意義上的無標度性”（Literal Scale-Freeness），其垂直方向沒有主導尺度，因果貢獻“雨露均沾”；而水平方向在每個尺度內部，都存在多種競爭性的因果描述，且重要性各異，結構多樣化。而圖9下半部分描述ΔCP分布隨α的變化，分布從α<1的左偏（底部主導），過渡到α=1附近的相對平坦或中尺度凸起（復雜），再變為α>1的右偏（頂部主導）

圖9：復雜性度量隨偏好依附模型中的α變化

研究結果顯示，當網絡呈現經典的無標度結構——即連接度服從冪律分布時，系統的涌現復雜性達到最大。此時，因果貢獻既沒有集中在微觀層面，也沒有完全被宏觀規律主導，而是相對均勻地分布在不同尺度之間。

為了描述這一現象，Hoel提出了一個新的概念：字面無標度性（literal scale-freeness）。

在傳統復雜網絡理論中，“無標度”描述的是網絡拓撲結構：系統中不存在一個典型的連接規模，少數節點擁有大量連接，而大量節點只有少量連接，其度分布遵循冪律。而Hoel所說的“字面無標度”，描述的則不是連接結構，而是因果結構。如果一個系統在微觀、中觀和宏觀等多個尺度上都具有相近的重要性，沒有任何一個尺度占據絕對主導地位，那么這個系統就具有字面意義上的無標度性。換句話說，它不存在一個唯一的“最佳描述尺度”。

這一概念在傳統復雜網絡科學與因果涌現理論之間建立起了一座橋梁：前者關注網絡連接如何分布，后者關注因果貢獻如何分布；前者揭示系統的拓撲組織方式，后者則揭示系統的多尺度因果組織方式。

更有趣的是，經典的BA無標度網絡長期以來就被認為與臨界狀態密切相關，臨界狀態以最優的信息處理、計算能力和適應性著稱。與之相對的是，正是在這個臨界區域，系統也展現出最豐富的多尺度因果結構。這表明，臨界性不僅是關于拓撲的，更是關于因果的。一個處于臨界狀態的系統，其因果故事在任何單一的尺度上都講不完，必須通過一個跨越所有尺度的、復雜的“因果檔案”來完整理解。而臨界性可能是實現最大因果復雜性和多功能性的通用原理。這為理解和工程化具有高度適應性和智能的系統提供了新的視角和工具。

一個處于“字面無標度”的臨界系統，擁有最豐富的多尺度因果故事。它既不被微觀噪音淹沒，也不被宏觀死板束縛，因此具有最強的適應性、信息處理能力和計算能力。這為理解生命、大腦和智能的本質提供了全新的數學語言。

精準工程涌現：涌現可以被設計出來嗎？

因果涌現理論最激進的地方，或許并不在于它解釋了為什么宏觀能夠勝過微觀，而在于它暗示：涌現不僅可以被發現，還可以被設計。

事實上，Hoel將因果涌現2.0的工作稱為工程化涌現（engineering emergence）。如果我們已經能夠計算不同尺度上的因果貢獻，那么原則上，我們也就能夠反過來設計系統，使某個特定尺度成為系統最重要的因果層級。更進一步，通過引入特定的循環結構、置換關系或模塊邊界，研究者甚至可以讓系統只在某一個指定尺度上產生顯著的因果涌現。這種現象被稱為精準工程涌現（Pinpoint Emergence）。

以高級編程語言舉例，微觀尺度（晶體管/機器碼）對應 CPU指令序列和內存狀態。這是系統最底層的、最精確的描述。中觀尺度（編程語言結構）對應 高級語言中的變量、循環、條件語句、函數調用。宏觀尺度（軟件功能）對應 類的職責、模塊的API、軟件的總體功能。精準工程涌現的目標就是：設計一個系統，使得只有一個特定的尺度具有最高的因果解釋力，而其他尺度都相形見絀。

實現方法，可以是通過編程語言中的封裝，刻意創建一個“因果邊界”，使得內部復雜的微觀交互被隱藏，只暴露一個簡潔的、具有強大因果力的宏觀接口。例如軟件設計者將微觀狀態的完整循環封裝在一個類中，并只提供宏觀層面作為交互方式，確保了只有對應接口出現的尺度是有效的因果尺度。

從因果涌現的視角來看，在復雜的軟件系統中，“bug”可能源于錯誤的尺度選擇（例如，直接操作底層內存而破壞了對象的不變量），而“優雅的設計”正是成功實現了“精準工程涌現”，使得系統的核心因果故事在一個精心挑選的高層抽象上變得清晰、強大且唯一。作為軟件架構師，不僅需要實現特定功能，更要決定在哪個抽象層級上講述系統的“主要故事”。

這種思想并不僅限于軟件系統。在組織管理中，管理者同樣需要決定：應該在哪個尺度上觀察和干預組織行為。而作為企業管理者，你可以主動設計一個中觀尺度的KPI（如“客戶滿意度的前導指標：客服首次響應時間”），使其因果力強于“每位客服的通話時長”（微觀）和“季度總營收”（宏觀），從而引導公司行為。

從尺度選擇到主體性：因果涌現的哲學意義

因果涌現2.0最大的價值，并不僅僅在于提出了一套新的復雜系統分類方法，更重要的是，它將一個長期以來高度依賴直覺的問題——“應該在哪個尺度上理解一個系統”——轉化為了一個可以被量化和計算的問題。

過去，我們往往憑經驗選擇觀察尺度：經濟學家關注GDP與通貨膨脹，生物學家研究器官和功能模塊，組織管理者關注部門協作與團隊績效。但因果涌現理論表明，不同系統確實存在不同的最佳描述尺度，而且這種尺度差異并非主觀偏好，而是系統自身因果結構的客觀屬性。

從這個意義上說，因果涌現理論實際上提供了一種新的認知原則：面對復雜問題，我們既不應沉迷于微觀細節，也不能滿足于空洞的宏觀敘事，而需要不斷尋找系統真正發揮因果作用的那個層級。

而理解了因果涌現分布的不同分類，我們就可以據此主動設計自己的認知尺度。學習時別陷入微觀細節（這個單詞拼寫錯誤），也別沉迷宏觀雞湯（“要努力”），找到中觀尺度的知識模塊（“這個理論的三個核心邏輯環”）。決策時識別當前問題屬于哪種因果類型。修理一臺底部主導的精密儀器，你必須看圖紙；但管理一個頂部主導的團隊，你只需調整宏觀激勵。與AI協作時要求AI提供其中觀尺度的解釋（“我基于哪些中間推理步驟得出這個結論”），而不是原始訓練數據（微觀）或最終答案（宏觀）。

這種觀點進一步挑戰了傳統哲學中的兩個極端立場。一方面，它反駁了還原論。微觀機制當然是真實的，但它們并不自動擁有最高的解釋力。另一方面，它也不同于相對主義。并非所有尺度都同樣有效，系統通常會自發涌現出某些具有更強因果力的特權層級。

Hoel將這種立場稱為一種新的層級實在論（hierarchical realism）：微觀世界是真實的，但并不全能；宏觀結構具有獨立的因果效力，但又并非脫離微觀基礎而存在。真正重要的問題，不是“哪個尺度更真實”，而是“哪個尺度在當前系統中擁有最大的因果貢獻”。

這一觀點甚至可能影響我們對于主體性和自由意志的理解。我們的自由意志和主體性（信念、欲望、決策）必須是構成我們大腦和身體的“涌現層級”中的一個有效且貢獻顯著的節點（即具有正ΔCP），若意識對應某一特定宏觀尺度（如全局工作空間），則必須確保該尺度在腦中具有高 CP。在進行腦機接口，需要確保人類心理尺度不被底層電極信號“淹沒”；如果技術設計不當，導致心理尺度在新的混合系統的涌現層級中消失（ΔCP=0），那就意味著人類失去了對接入電腦的那個人自身行為的因果控制權，即喪失了自主性。

類似的問題，同樣出現在人與AI的互動中。當前 AI 系統多為 底部主導，如大語言模型依賴 token 級細節，而人類認知則是中觀尺度峰值，人機融合需對齊因果尺度，否則人類將“失語”（例如由于依賴AI而變得失去創造力與學習能力）。

總結來看，Erik Hoel的這篇論文，讓對因果涌現的層級特征，從觀察轉向量化，再論證了涌現是可設計的屬性。我們不僅能理解系統的復雜性，還能構建它。而在 AI與人類深度融合的時代，掌握“工程化涌現”的能力，或許正是守護人類自主性的關鍵。

參考文獻

[1] Hoel, E. P., Albantakis, L., & Tononi, G. (2013). Quantifying causal emergence shows that macro can beat micro. Proceedings of the National Academy of Sciences, 110(49), 19790–19795. https://doi.org/10.1073/pnas.1314922110

因果涌現第七季——從理論到應用

在神經系統中意識的生成、城市交通的擁堵演化、全球產業系統的協同與失穩之中，始終潛藏著一條貫穿微觀與宏觀的因果脈絡：個體行為本身或許簡單，卻能在尺度躍遷中孕育出高度組織化、難以還原的整體結構。復雜現象并非微觀規則的線性疊加，而是源于多尺度動力學作用下逐步形成的因果組織。正是在這一背景下，因果涌現理論被提出，并在因果涌現 2.0、工程化涌現以及多尺度因果抽象等工作中推進，逐漸發展出一套融合動力學分析、信息論度量以及譜方法與人工智能工具的研究框架，從而將研究重心從“復雜性本身”轉向“因果結構如何出現、如何被度量并在現實系統中發揮作用”。

為系統梳理因果涌現領域的最新進展，北京師范大學系統科學學院教授、集智俱樂部創始人張江老師領銜發起，組織對該主題感興趣的研究者與探索者共同研讀前沿文獻、交流研究思路。讀書會將于2026年2月22日起每周日上午（創建讀書會暫定時間為10:00-22:00）線上開展，持續約10周，包含主講分享與討論交流，并提供會后視頻回放，誠邀相關領域研究者及跨學科興趣者參與。

詳情請見：

1.

2.

3.

4.

5.

6.

7.