主要观点总结
文章介绍了一种名为“格兰杰因果量化涌现”的分析方法，用于量化系统涌现特性。该方法基于格兰杰因果评估宏观变量相对于微观变量集合的自主性与因果关系，判断宏观层次是否展现出较微观层次更强的因果特性。文章提出并讨论了涌现的不同类型，包括名义涌现、强涌现和弱涌现，并介绍了格兰杰涌现方法的测量过程，如格兰杰因果测量、格兰杰自主性测量以及格兰杰涌现测量。此外，文章还展示了格兰杰涌现方法的应用示例，包括鸟群模拟和鸟群涌现测量，并探讨了其局限性。最后，文章提出了“复杂AI次方”开放实验室的招募，旨在促进复杂系统自动建模领域的发展。
关键观点总结
关键观点1: 格兰杰因果量化涌现方法
基于格兰杰因果评估宏观变量相对于微观变量集合的自主性与因果关系，判断宏观层次是否展现出较微观层次更强的因果特性。
关键观点2: 涌现的类型
包括名义涌现、强涌现和弱涌现，其中强涌现最具挑战性和争议性，涉及宏观属性无法从微观层面还原且具有不可还原的因果力量。
关键观点3: 格兰杰涌现方法的测量过程
包括格兰杰因果测量、格兰杰自主性测量以及格兰杰涌现测量，以量化涌现现象。
关键观点4: 格兰杰涌现方法的应用示例
通过鸟群模拟和鸟群涌现测量，展示了该方法的应用，并探讨了其局限性。
关键观点5: 开放实验室招募
提出了“复杂AI次方”开放实验室的招募，旨在促进复杂系统自动建模领域的发展。
文章预览
导语 基于格兰杰因果量化涌现 (Measuring emergence via Granger causality)[1]是一种运用格兰杰因果(Granger causality)来量化系统涌现特性的分析方法。该方法通过评估宏观变量相对于微观变量集合的格兰杰自主性(G-autonomy)与格兰杰因果关系，判断宏观层次是否展现出较微观层次更强的因果特性。特别是在非线性系统中，此方法能够揭示不同层次间的因果依赖性，为复杂生物、社会及认知系统的涌现现象提供了一种定量分析工具。 近年来，张江老师带领研究组开始聚焦基于新兴AI技术进行数据驱动的自动建模研究，并立志破解复杂系统的涌现之谜。我们希望创建一个叫做 “复杂AI次方”的开放实验室 ，实现思想共享、资源共享、跨学科交叉，共同为复杂系统自动建模而奋进。欢迎对复杂系统自动建模领域有热情，且认可这个领域发展前景的朋友一起来合作，促
………………………………
