访谈：从科学视角，如何理解和研究涌现？

导语

在基础理论、生命系统、气候变化、社会经济、智能技术等领域中，研究各种复杂系统中的涌现问题已经成为重要的学术挑战。科学家已经进行了哪些方向的研究？如何发现涌现现象背后简单且普适的规律？华侨大学郑志刚教授与北京师范大学张江教授就此展开了对话。

郑志刚：我从事的是物理学研究，物理学家对于“涌现”这一概念有自己的理解。涌现的英文是“emergence”，物理学家对此有两种不同的翻译方式。第一种翻译称为“演生”。中国近代启蒙思想家、翻译家严复先生将进化论翻译为《天演论》，其中“演”这个词蕴含了演化和进化这一重要含义。第二种翻译则是“层展”，“层”指层次，“展”指发展；此外还有“呈展”，这两种翻译的含义其实相差不大。

对于第一种翻译“演生”，我认为它体现了一个复杂系统随着时间的推移，经历长期而缓慢的变化过程。这种变化表现为从简单到复杂、从低级到高级的演化或进化。具体来说，它反映了系统中的“慢变量”。所谓慢变量，是指系统中存在的各种自由度中，有些自由度随时间变化非常快，而有些则相对较慢。“演生”强调的是系统中变化较为缓慢的变量，这些变量主导着系统的整体状态和特性随时间的变化。因此，基于这种对动态过程的强调，“演生”更多与动力系统理论及协同学相关联。这是我对“演生”这一翻译的理解。

至于第二种翻译“层展”，其中的“层”体现的是“emergence”所具有的跨层次属性。正如菲利普·安德森（Philip Anderson）所提出的“More is different”，即在微观层次上，当量变积累到一定程度时，会引发质变。这种跨层次的转变意味着无法用上一层次的规律来解释下一层次的规律，涌现出的性质是一种全新的特性。因此，我们将其理解为“层展”。

所以，物理学家对“涌现”的理解可以从层次过渡或相变的角度出发，也可以从动态过程的角度去探讨。这大致就是我个人的理解。

张江：郑老师从物理学的背景出发，探讨了对“emergence”这一词的理解。而我则可以从系统论和信息论的视角来谈谈这一概念。最近，我正在撰写一本名为《涌现》的书，因此前段时间对与涌现相关的文献进行了一次较为系统的回顾。我发现，物理学家所讨论的涌现与从系统角度探讨的涌现存在较大差异，当然两者之间也有很强的耦合性和一致性。

首先，涌现这一概念具有两层含义。第一层含义较为字面化，指的是一种突然出现的情况。英文“emergence”很容易与“emergency”（紧急事件、急救车等）联系在一起，因为两者的词根相同。因此，在某种意义上，当我们谈到涌现时，往往是指事物突然发生变化，似乎超出了我们的预期，展现出一种惊奇性。这是比较表面的含义。然而，从系统角度来看，涌现更多指的是“整体大于部分之和”的特性。也就是说，当一群个体组成一个系统时，这个系统会展现出一些独特的属性，而这些属性很难通过个体的特性进行解释或归约。这是从系统角度对涌现的理解。

其次，还有一个我们研究团队正在探索的方向，称为“因果涌现”。这一方向更强调从因果视角来看待涌现。许多看似神奇的涌现现象实际上体现了一种因果力。例如，当每个神经元放电并构成大脑意识时，意识的自我甚至能够反过来控制每一个个体细胞，表现出一种自上而下的因果效应。这种层面的涌现不再仅仅是简单的斑图或现象，而是在形成整体后，展现出一种类似于物理规律的新特性。这是因果涌现的一种观点，即在宏观层面能够体现出更强的因果力。

总体而言，我认为与郑老师观点一致的一点在于，涌现更多表达的是在宏观层面展现出一些微观层面无法看到的现象。当从微观过渡到宏观时，这种能力或现象似乎是突然冒出来的。这正是“emergence”这一词的核心含义。

郑志刚：我认为涌现行为是一种普遍现象，从细菌、蚁群、鸟群到人类社会等不同层次的系统中，甚至在物理学中由大量粒子或其他基本单元组成系统，例如软物质系统等，都有相应的表现。然而，这些表现背后所谓的“涌现”现象，应该具有普遍的共性。因此，如果基于这种普遍共性进行研究，我们可以考察不同学科中采用的方法。

首先从物理学角度出发，物理学中涌现现象的一个显著体现是研究由大量粒子组成的系统所发生的各种现象。这类现象的早期研究始于热力学，后来发展到凝聚态物理。无论是热力学还是凝聚态物理，最明显的两个特点是：一是宏观现象的呈现，二是宏观现象之间的转变，即相变。物理学对这些问题的研究大致有以下几种方式：

第一种方法是统计物理学。统计物理学是一项非常重要的学科，它采用自下而上的方法，从微观层次通过统计假设来解释宏观层面的各种现象。

第二种方法是唯象方法，例如热力学。热力学既有一般性的描述，也有后来的数学表达，甚至形成了一套自成体系的推导体系。这些唯象理论描述在实践中都经过了检验，其真实性和正确性得到了基本保障。这种研究方法可以称为自上而下的方法，后来的分子动力学的研究也与此取得了高度一致。

第三种方法是上世纪末发展起来的复杂网络理论。虽然图论早已存在，但真正从大规模角度研究复杂系统的结构，或者通过结构方法研究各种动态过程，都是非常重要的。复杂网络研究方法对现代物理学的启示在于，我们现在拥有了大量数据。在物理学领域也是如此，如果继续沿用之前较为原始的方法进行研究，显然会遇到诸多问题。因此，在海量数据的情况下，如何在整体层面上重构复杂系统的行为和特性，复杂网络方法成为一种必不可少的手段。这是我对物理学中涌现研究的一些理解。

另一方面，在社会科学领域，研究对象主要是人或智能体所组成的系统及其行为。社会科学中，数据和统计始终占据重要地位，无论过去还是现在都是如此。基于数据进行统计，得出各种宏观性质，找到宏观层面的复杂关系，并进行重构，都是非常关键的。尤其是在当今快速发展的计算机和互联网时代，社会科学已进入大数据时代，重构问题变得尤为重要。

对比社会科学与物理科学或自然科学，二者有一个显著差异：物理学在每个层面相对容易建立模型，因此可以从量化的角度为每个层面的个体建立较为精确的模型。而社会科学在这方面相对困难，因此更多从数据的角度对问题进行探究。

介于二者之间的学科，如生物学等其他科学，与社会科学有某些相似之处，即在建模方面存在一定难度。这就要求我们在探讨涌现问题时，需要从复杂数据中找到重要的宏观涌现规律。过去，人们已经开始思考这一问题，例如早期的系统论。系统论由贝塔朗菲提出，最初源于生物学研究。此外，还有后来的控制论和信息论，这些都与许多实际问题和工程问题密切相关。到了20世纪60年代，耗散结构理论、协同学和突变论（即“新三论”）的发展，在自然科学与复杂生命科学的交叉领域做了大量工作。这些理论已经无法完全归入物理学的框架中，对当今各种复杂系统相关学科及交叉学科仍具有启发性。

因此，我认为系统科学的重要性无论如何强调都不为过。系统科学可以说是关于涌现的一门科学，它需要建立自身的新方法论。系统科学既不能简单归为数学，也不能归为物理或其他学科。它以各种复杂系统为研究对象，寻找共性和普遍性。目前，虽然各个学科都在开展自己的研究，但系统科学也在各学科之间汲取营养，致力于构建一个更具共性和普适性的新学科与新方法。

张江：我所关注的更多是从系统科学和计算机科学的角度，探讨如何研究涌现现象。像蚁群、鸟群这样的现象，最早是我们通过计算机模拟程序才开始认识到的。我认为研究涌现现象可以大致分为三个步骤。

首先，在初期阶段，正如郑老师所提到的，人们更多是通过观察或唯象描述来了解这些现象。后来，随着计算机技术尤其是计算机仿真技术的兴起，人们开始尝试在计算机中复现鸟群、蚁群等行为规律。结果发现，通过非常简单的代码和规则，就能以非常逼真的方式复现自然界中的涌现现象。这是用计算方法理解和复现涌现现象的一种尝试，也是这一研究的起点。

其次，在第二个层面上，我们从模拟仿真进一步提炼出算法。例如，基于蚁群行为发展出蚁群算法，基于鸟群行为发展出粒子群优化算法等。这意味着我们不仅能够复现涌现现象，还能搞清楚其背后的原理，理解它们是如何解决问题的。尤其是当涉及智能涌现时，我们可以将底层的规则抽象出来，应用到其他问题上。最近有一个很有趣的研究案例，关于黏菌的行为。黏菌能够构建类似于高速公路网的结构，随后有人提炼出黏菌算法，类似于蚁群算法，可以直接用于优化问题。进一步地，NASA的一些物理学家将黏菌算法应用于发现宇宙中的暗物质分布，因为暗物质的分布类似于连接可见星系和可见物质之间的管道结构。我认为这是一个非常有趣的过程，从对涌现现象的认识，到模拟，再到创造，展现了一个完整的研究路径。

最后，就我所了解的近期研究，例如我们正在进行的因果涌现研究，更多是试图进一步定量刻画涌现现象的本质。这又是一种新的研究方式。

郑志刚：从研究对象来看，涌现现象的研究中有一大块领域是关于生命问题的研究。在生命科学中，有太多与涌现相关的问题需要探索。生命科学的研究对象从最底层的原子、分子到大分子，再到基因、DNA、蛋白质，进而到组织、器官、个体，层层递进，每一层的过渡都不是一件简单的事情。因为生命科学所涉及的是一个非常非平衡的世界，因此在每一个层面的研究中都会遇到相应的问题。例如，从基因层面研究其如何对生命个体的各种宏观生理功能进行调控，包括相关功能的研究，最终还可以与医学和疾病治疗相结合，进入应用阶段。我认为这是一个非常重要的研究方向。

在生命科学中，另一个极为重要的领域是关于大脑的研究，也就是对复杂神经网络的研究。这是一个非常重大的课题，也是目前许多国家将其列为重大计划加以研究的重要方面。

其次是社会科学领域，我认为社会科学如今已成为一个非常重要的研究对象。社会科学中存在大量复杂问题，包括经济、政治、文化等方面的问题。这些问题往往交织在一起，彼此关联。例如，2024年的诺贝尔经济学奖就授予了与政治经济学相关的研究，这实际上是一个非常重要的涌现问题。因此，我认为在社会科学领域有许多问题亟待解决。然而，如何研究这些问题，是否存在突破性的方法，是一个关键点。我之前提到可以从大数据入手，但仅靠大数据分析到一定程度是不够的，必须构建关于涌现问题研究的基本范式和理论框架。在社会科学中，如何在数据分析的基础上进一步研究？如果借鉴物理学的研究范式来看，物理学中有数据就相当于有实验，有现象后需要提炼基本的理论关系，然后构建相关的理论框架。这样的工作实际上极具挑战性。

第三个领域是关于计算机和人工智能的研究，这是大家讨论非常多的话题。物理学家尤其关注这一领域。通过巨大的算力，计算机和人工智能为我们提供了许多重要的成果。在这一过程中，涌现问题被认为是至关重要的。然而，涌现的机理究竟是什么？我们能否将其研究清楚，弄明白其机制？如果能做到这一点，是否可以在此基础上实现更大的突破？毕竟，仅靠算力来创造奇迹并不是人工智能领域所希望看到的。

张江：刚才郑老师从涌现的应用角度进行了讨论，认为涌现现象及其认识方法可以应用于许多不同的学科和领域。而我想从另一个角度谈一谈，即对涌现现象在某种意义上的统一认识，主要是从系统论和信息论的视角出发，探讨对涌现现象的统一理解。

首先，当前研究中一个非常重要的问题是对涌现的定义。什么是涌现？虽然我们对涌现有许多定性描述，但如何将其量化，甚至刻画出涌现的大小或程度，即一个系统的涌现程度有多大，这是一个近年来才逐渐开始研究的课题。最早的相关研究可以追溯到20世纪90年代，由物理学家James P. Crutchfield提出。他们研究的一个领域称为计算力学——这里的计算力学与我们通常理解的不同，具有特定含义。它特指从复杂性和自动机的角度出发，刻画一个动力系统。Crutchfield提出，当涌现发生时，实际上是我们找到了一种更简约的描述，或者说可以用更短的计算机程序（如图灵机程序）来描述同一现象，这种情况被定义为一种涌现。

其次，我们课题组关注的一个方向是因果涌现，这一方向也有一个非常明确的定义。首先，它使用有效信息来刻画一个动力系统的因果强弱，即因果效应的强度。其次，如果一个系统在宏观层面展现出比微观层面更强的因果效应，那么就可以认为发生了涌现，并且可以对涌现进行定量化度量。

第三个视角来自英国研究组Fernando E. Rosas等人，他们从“整体大于部分之和”的角度进行刻画。具体来说，他们将其量化为一种协同信息。即在一个动力系统中，如果要预测下一时刻的变量，必须将上一时刻的全部状态打包在一起才能准确预测，而如果遗漏任何一个变量或部分就无法预测，那么这种情况可以理解为一种涌现的度量。

总而言之，人们正在尝试通过各种定量手段来刻画涌现现象。当然，这些刻画是否合理是另一回事，我们也可以进一步论证其适用性，探讨哪些现象更适合用某种方法描述，哪些可能不太合适。这有待于未来更多的研究。

除此之外，如果我们接受某种涌现的定量化描述，那么接下来一个问题就是：仅通过观察一个系统的运行现象，例如鸟群飞行的视频或蚂蚁爬行的轨迹，我们能否从这些数据中刻画出涌现的程度，甚至判断是否发生了涌现？我认为这是一个非常有趣的研究方向。

郑志刚：我想简要介绍一下我们课题组近年来在涌现问题研究方面所开展的一些工作。目前，我们主要聚焦于两个方面的研究。

第一个方面是关于生命系统和物理体系中的非平衡问题。在非平衡条件下，系统往往会产生一些非平衡结构以及非平衡动态行为，这些实际上是非常典型的涌现行为。我们课题组在这方面的研究主要集中在生物分子马达和生物节律领域。以分子马达为例，我们最早从2001年开始相关研究，并在《物理评论快报》上发表了第一篇论文。分子马达是一个非常重要的研究对象，在此我想谈谈我们对涌现问题的理解。我们认为，涌现问题并不仅仅局限于菲利普·安德森所提出的“More is Different”（多者异也）这一模式。这只是涌现的一种模式。实际上，即使在自由度较少的情况下，只要存在非线性因素或非平衡条件（非平衡本身就可能引入非线性），系统也会自发出现新的行为，即我们所称的涌现行为。例如，分子马达作为分子层次上的分子机器，可以被视为完成最简单生理功能的一个单位。从这个角度看，非线性在涌现的产生中起着至关重要的作用。因此，涌现并不一定需要“多”，即“多者异也”只是众多原因之一，而非唯一原因，结果并不能反推回单一的因果关系，而是可能有多种原因导致。

至于生物生命节律，这是另一个非常有趣的研究方向。我们从2012年、2013年开始研究这方面的问题。在基因层面，我们发现多种基因通过相互调控可以产生节律行为。这一现象同样揭示了有趣的结果：并不一定需要“多”，但通过基因之间的相互调控，系统会产生节律。这种节律最终会调节生命体内物质的浓度，从而使生命个体在不同方面表现出节律性行为。

第二个研究方向是关于群体动力学问题，包括同步现象、空间集群，以及神经动力学中多个神经元完成基本功能或高级功能的过程。此外，我们还有一个小组在研究现代电网。我们发现，这些系统具有很大的共性，体现了“多”的因素，即“More is Different”。在这些群体行为中，宏观层面往往会呈现出集体的涌现现象。这也是我们长期以来一直在研究的问题。从1998年我们的第一篇相关论文发表至今，包括我撰写的部分专著，都体现了这一领域的研究成果。

总的来说，我们对涌现问题的研究与系统科学和复杂系统密切相关。我个人于1992年本科毕业后进入研究生阶段，最初在系统理论专业攻读硕士学位。第二年转而攻读博士学位，专业转为理论物理。后来我的大部分工作又跨出了理论物理的范畴，可以说是反复跨学科。但这些经历对于我们理解复杂系统的各种宏观涌现行为都非常重要，可谓万变不离其宗。

张江：目前，我们正在开展的一项研究是分析小鼠脑电时间序列数据，旨在探索以下几个问题：首先，是否存在涌现现象；其次，如果存在涌现现象，那么它在哪个尺度上最为明显，即因果效应最为显著；最后，它的涌现动力学是什么。我们已经取得了一些初步结果。

首先，我们不仅分析了小鼠大脑的脑电数据，也研究了人类的脑电数据，发现了一个非常有趣的现象：涌现现象不仅存在，而且主要发生在最宏观的尺度上。具体来说，在一维动力学中，其因果效应是最强的。这一点其实有些出乎意料，因为我们普遍认为大脑是一个多尺度的复杂系统，但没想到真正起主导作用的竟然是最宏观的尺度。我认为，这一发现与意识有着非常密切的联系。尽管我们目前尚未深入触及意识这一领域——因为意识是一个更为庞大且复杂的课题——但我们观察到，意识涉及类似于“自我”的概念，即“我”决定某件事情的这种宏观表达。而恰恰是我们发现的一维动力学中因果效应最强的维度，我认为它与“自我”必然存在紧密关联。

此外，在小鼠大脑数据的研究中，我们将其分为清醒、麻醉和恢复三个阶段。结果显示，涌现的强度在这三个阶段分别呈现出最强、最弱和次强的变化趋势。这种相对变化实际上与意识状态——即是否存在意识——密切相关。

因此，我们对这项研究感到非常兴奋的原因在于，我们不仅是在研究涌现现象，也不只是进行涌现的定量刻画，更重要的是，我们正在逐步尝试回答有关意识的问题。尽管目前我们尚未正式展开意识相关课题，但可以看出，涌现与意识之间有着非常强的联系。值得一提的是，因果涌现这一概念的提出者，其研究背景也与意识科学有着深厚的关联。许多关于涌现的定量研究，包括涌现的分类和刻画，实际上都源于对意识问题的思考。这一点我认为非常有趣。

郑志刚：我想简要谈谈对我启发较大的两方面工作。

第一方面是关于同步问题的研究。我们开始从事同步问题的研究是在1998年。当时，这一领域的主要研究潮流集中在混沌系统的同步问题上。然而，在研读相关文献的过程中，我发现了Kuramoto的工作。众所周知，Kuramoto今年获得了玻尔兹曼奖，这在统计物理界是一个非常不易获得的荣誉。他现年约90岁，其核心工作完成于1975年。我们初次阅读他的文章时，发现篇幅很短，且首篇文章仅发表在一个会议文集上，而非顶级期刊。然而，他的研究方法却令人惊叹——他运用统计物理的方法来研究动力学问题。这种方法让我感到非常奇妙，因为对于复杂系统，我们以往更多是从微观动力学出发，研究分子、原子等在平衡态下的行为。而Kuramoto引入统计物理方法，研究系统从无序到同步的转变，并从物理学角度将其视为一种相变现象。这一思路对我们当时的触动很大，也促使我随后进入同步研究领域。

我们在1998年发表的第一篇相关论文聚焦于耦合振子问题，但从另一个角度进行探讨，即从微观视角研究是否存在一个从部分同步到整体同步的过渡过程。我们发现，首先，从部分同步到整体同步的过程实际上是一个分层次的、逐步推进的“hierarchy”过程，每一步都会出现临界现象；其次，这一分层次的过程可以通过分岔方法直观地展现出来。这就是我们1998年第一篇工作的主要内容。

第二方面对我触动较大的是一个广为人知的研究，即小世界网络问题。从2000年以后，我们逐渐关注复杂网络及其上的动力学问题。Steven Strogatz的工作与我们的研究密切相关。他早期的研究主要围绕Kuramoto模型的理论求解展开，同样采用统计物理方法。然而，他在1998年关于小世界网络的研究取得了重大突破。其中一个重要方面也涉及同步问题。他将系统置于小世界网络上进行研究，尽管当时无法进行严格的解析求解，但他观察到了完全不同的现象。这篇工作引起了我的极大关注。

当然，除此之外，我们开展的许多工作中还有其他经典内容深深触动着我们，吸引我们深入探索。这些科学家孜孜不倦地追求如何从微观到宏观构建涌现现象的理论描述，甚至希望实现从底层到宏观的精确刻画。作为一名物理学工作者，我对此深感认同和喜爱。目前，我们正在将这些研究逐渐推广到更为复杂的系统上，这需要从多个不同侧面，运用各种方法，对涌现问题进行深入研究。

张江：我从我的角度出发，谈谈给我留下深刻印象的两篇论文。

首先，第一篇是Erik Hoel关于因果涌现的研究工作，大约发表于2013年至2014年之间。这篇论文给我最大的冲击在于，它以一种量化的方式清晰地阐述了涌现这一概念。正如郑老师刚才提到的，关于涌现的定性讨论已经持续了很长时间，且涉及多个领域，但能够将涌现现象进行量化描述的研究却极为罕见，可谓凤毛麟角。虽然Erik Hoel的工作并非首创，但截至目前，它在涌现现象的量化刻画方面是最为清晰且扎实的定义之一。

其核心亮点在于从因果的视角出发进行分析。正如之前所讨论的，涌现不仅仅是一种静态现象，更是一种动态的、存在于动力学之中的现象。这就涉及到了因果效应或因果力的问题，即系统中各个要素之间相互影响。当我们讨论涌现时，它与因果视角密不可分，这是因果涌现理论的一个显著特色。具体来说，当宏观层面展现出更强的因果效应时，我们便认为涌现现象发生了，这也与动力学密切相关。

顺便提一下，我们团队最近的一项工作恰好与此相关，我想向郑老师汇报一下。比较有趣的是，我们在Erik Hoel的框架基础上进一步推进了一步。他的研究更多聚焦于因果性和粗粒化，而我们发现，这与我们早期的一些观点以及郑老师在《复杂网络的涌现动力学》著作中提到的内容相呼应。您一开始就提到，涌现本质上是一种低维流形上的展示，或者说是一种降维过程。基于此，我们发现因果涌现框架最终也可以归结为类似的问题。通过对马尔科夫链进行SVD分解，降维后的结果与因果涌现中的最大有效信息是一致的。这与物理学家们过去的一些直觉性认识也相吻合，我认为这是一个非常有趣的现象，体现了不同领域之间的共通性。

第二篇给我留下深刻印象的工作则更为久远，追溯到20世纪90年代，来自圣塔菲研究所，这个研究所更早可以追溯到洛斯阿拉莫斯实验室，有一位物理学家James P. Crutchfield。我认为这位物理学家极具洞察力，思维超前。虽然我刚才提到Erik Hoel的工作令人震撼，但其思想源头其实完全可以追溯到Crutchfield。可以说，Crutchfield是世界上第一个尝试用量化框架来刻画涌现现象的人，尽管他没有提出特别清晰的定量化表达，但他的思想已经非常完备。此外，他的超前之处在于，他对涌现的认识甚至超越了当代的理解，达到了未来的高度。他提出一个重要的观点：涌现不仅仅伴随着宏观现象的出现，更重要的是，这一宏观现象应具有最小的描述长度。也就是说，描述系统的复杂性应尽可能小，在允许一定误差的范围内，用最简洁的代码对系统进行描述。

这一最小描述长度的认知，我认为完全涵盖了因果涌现中因果效应更强的观点。这也与我们最近发表的一项工作密切相关。我们发现，当最大化因果效应（即有效信息最大化）时，实际上是在最大化动力系统的可逆性。而动力系统的可逆性，与时间反演对称性密切相关，这一点郑老师一定非常熟悉。从物理学角度来看，因果性与时间反演对称性相关，而时间反演对称性又与描述长度相关。因为有了对称性，就有了更简约的描述方式，对应于更短的图灵机代码。从这个角度看，这些概念是相通的，甚至与物理学中最深邃的对称性原理联系在一起。

综上所述，这几项工作对我影响极为深刻，也激发了我们进一步探索新想法的动力。

郑志刚：

自然科学，特别是物理学的发展历程，可以为我们提供深刻的启示。最早在1687年，牛顿出版了《自然哲学的数学原理》，首次提出自然科学可以按照数学原理运行的观点。这意味着自然现象可以用数学表达，甚至是精确表达。他的微积分以及三大定律在这本书中得到了重要体现。

其次是热力学的发展。我们都知道，热现象是日常生活中普遍感受到的现象，而如何对其进行量化描述，则经历了从克劳修斯、开尔文到卡诺等人的不懈努力。他们陆续开展了许多开创性工作，建立了关于热、热现象、温度以及能量转移等内容的描述方法。这些成果构成了后来的热力学理论，包括热力学的几大定律，以及围绕这些定律构建的数学描述体系。我认为这是非常了不起的成就，属于唯象理论描述的重要一环。

再到后来，统计物理学的发展进一步深化了我们对宏观现象的理解。既然我们能观察到宏观现象，那么如何从微观层面去理解它呢？当然，这是我们现在所熟知的：宏观现象是微观现象的一种涌现行为，并不必然直接取决于微观层次的规律。以分子运动论的视角来看，宏观热现象与分子间具体作用或微观性质之间并不一定存在直接对应。在这种从微观到宏观的过渡中，二者往往是脱耦的，或者说宏观现象与微观层次的关联并不总是十分紧密。这正是统计物理学的一个强大之处。

随后，这一领域扩展到了非平衡态问题的研究，例如普利高津的研究。其实在他之前，薛定谔就已经开始探讨生命问题。他们的研究都触及了非平衡世界中的现象。生命现象若置于热力学框架下观察，实质上就是一个非平衡问题。普利高津从这一角度出发，对此问题形成了非常深刻的理解。他的讨论主要集中在宏观层面，属于一种唯象问题的分析。

再往后发展，自组织理论开始兴起，它能够从微观到宏观层面打通对非平衡问题的理解。此外，物理学中的其他领域，如电磁理论、量子力学的发展，甚至包括化学的进步，都与此相关。众所周知，化学的快速发展实际上是在对原子、分子层次的量子力学规律有了深入认识之后才实现的。

因此，我认为非常重要的一点是：科学研究往往首先从实验出发，得出一些基本定律或构建模型，然后再建立相应的理论。在这一过程中，一方面需要数据的支撑，另一方面也依赖于物理学家天才般的构想或假设，从而最终构建出理论科学。这正是物理学中充满关于涌现问题讨论的体现。

然而，在社会科学领域，简单套用物理学和化学的方法往往难以成功。其根本原因在于，社会科学的研究对象通常是极为庞大的系统，涉及的因素极其复杂。在这种情况下，涌现现象的产生难以通过简单的数据方法揭示其相互影响的关系。而如今，随着获取海量大数据方法的出现，我们反而可以不必立即从数据建模入手，而是可以先从数据挖掘和重构开始，甚至利用机器学习的方法进行预测，或借助复杂网络的方法来辅助研究。因此，我们可以看到，自然科学与社会科学在研究涌现问题时，其研究范式存在显著差异。

尽管如此，作为一个一般的复杂系统研究者，我认为在不远的将来，自然科学与社会科学之间应当能够找到相互结合与借鉴的途径，共同推动相关领域的发展。

张江：我认为这个问题可以分为两个方面：一是社会科学与自然科学中涌现现象的差异，二是对这些现象研究方法的差异。以下我将分别进行阐述。

首先，从现象本身来看，社会科学与自然科学的涌现现象确实存在显著不同。我认为最主要的一点体现在，社会科学的研究对象是活生生的人，而人类是我们目前所知最为复杂的一类系统。因此，社会科学中的复杂系统与自然现象中的复杂系统有着本质上的区别。一个显而易见的差异在于，人类个体具有学习适应性，这种适应性非常强，因而形成了一个复杂的适应系统。随着时间的推移，人类系统展现出更多的灵活性和变化性。而自然科学中的系统，至少在某些情况下，个体往往不具备如此强的适应性。

其次，另一个重要的区别在于社会系统可能具有反身性或自反性。也就是说，从个体的角度来看，每个人都能意识到自身的存在，并进行自我认知。这种认知会进一步引发行为的调整。例如，人类能够感知到宏观系统中的某些涌现现象，比如对价格的感知。个体可以获取关于宏观整体某一产品价格的信息，并基于此采取行动。更有趣的是，人类会将这种涌现现象或涌现变量进一步固化，例如将其转化为宏观经济政策，对整体价格进行调整。这种现象在许多自然系统中可能并不存在，因为自然系统的个体往往不具备如此强的认知能力，无法将宏观整体现象符号化，更不用说将符号化的内容转化为类似宏观政策的因果力。因此，从现象层面来看，社会涌现现象与自然科学中的涌现现象存在诸多不同，这里就不一一列举了。

其次，从研究的角度来看，社会科学与自然科学在研究涌现现象时也存在较大差异。第一个直观的体会是，研究社会现象的难度更大。这种难度体现在两个层面：一是现象本身较为复杂，如前所述；二是更重要的，我认为社会科学的研究环境可能相对不够友好，这是我们的切身感受。例如，对于同样的一些研究方法和思路，尽管它们可能是跨系统、普遍存在的，但在自然科学领域（如生态学）中，提出相关现象或发表相关研究工作往往更容易被接受，而在社会科学领域却并非如此。

造成这种差异的原因是什么呢？我认为一个重要的因素在于，社会科学领域存在一些固化的认知或传统。例如，在经济学领域，这种现象尤为明显。因此，当我们尝试将物理学或系统科学的一些普适方法应用到社会科学中时，往往会面临较大的阻力。从这个角度来看，自然科学中的涌现现象研究与社会科学中的涌现现象研究，其进展速度可能并不一致。相对而言，更多的新进展可能更多来源于自然科学，而非社会科学。