＜span class=“js_title_inner“＞从对称性到信息闭包：层级涌现的起源＜/span＞

导语

从气体的温度与压强，到神经网络中的记忆模式，再到人类进行抽象推理时使用的高层概念，我们总能在极其复杂的系统中找到稳定、低维的描述方式。这些宏观变量究竟只是近似，还是在信息意义上真正独立的层级？

2025年的一项最新研究提出了“信息闭合”这一严格判据，指出层级涌现并非经验现象，而是由动力学对称性必然诱导的结果。更进一步，作者展示了同样的对称性如何在贝叶斯信念更新中支撑高效推理，为理解智能系统中的抽象与计算效率提供了统一理论框架。

关键词：对称性、信息闭合、层级涌现、贝叶斯推理、复杂系统

来源：集智俱乐部

作者：郭瑞东

审校：赵思怡

论文题目：Symmetries at the origin of hierarchical emergence

论文链接：https://arxiv.org/pdf/2512.00984

发表时间：2025年11月30日

论文来源：arxiv

许多我们感兴趣的系统展现出嵌套的涌现层次，每一层都有自己的规则和规律性，而我们对它们的认识似乎自然地围绕这些层次组织起来。近日一项研究指出，这种嵌套的涌现源于底层的对称性。举例来说：一滴水的分子在微观上做无规则热运动，但我们观察到的温度、压强是宏观量。水分子在空间中平移或互换位置，不会改变整体的热力学规律，这称为平移对称性与置换对称性。正是这些对称性，使得大量微观细节在宏观层面变得“无关紧要”，从而允许我们用极少的变量描述系统整体行为。

对称性与信息闭合

那么，什么时候我们才能说一个宏观描述是“真正独立”的，而不仅仅是对微观的近似？本文提出了一个核心概念：信息闭合（information closure）。它为“涌现”提供了一个可检验的信息论判据。其核心思想是：一个有效的宏观描述应该包含预测其自身未来所需的全部信息，无需回溯微观细节。其数学定义为

考虑一个微观过程X_t和粗粒化映射Z_t=ϕ(X_t)。如果对于任意预测长度L和任意时间 t，满足：

其中 I(⋅;⋅) 表示两事件之间的互信息，X_t表示微观历史，表示宏观未来。

这个条件等价于：

意味着知道微观历史对预测宏观未来没有提供任何额外信息——所有相关信息都已“上移”到宏观层面。

在图1所述的6状态马尔可夫链中，其状态转移具有对称性（旋转120°不会改变），通过对称群，可将状态空间划分为等价类，每个等价类对应于系统的宏观状态，观察者可以基于系统处于哪个等价类中，预测系统的未来，而无需关心等价类内的状态转换细节。这体现了信息闭合，使得层级的嵌套涌现得以呈现出自我完备的宏观描述。

图1：马尔可夫链上的信息闭包，及其对应的宏观等价类

之后以Hopfield网络为例，展现对称性如何在神经网络动力学中催生具有信息闭包特征的宏观变量。

图2：Hopfield网络展现出的层级涌现

图2a描述一个全连接的回环神经网络。每个神经元与其他所有神经元相连，通过Hebbian规则编码特定的记忆模式。这种网络的动力学会收敛到预设的吸引子状态，实现联想记忆。在Hopfield网络中，对称性体现在存储字母模式的网络中，交换两个具有相同激活模式的神经元不会影响网络的宏观行为（图2b）。当存储字母的所有旋转和反射变体时（图2c），网络获得更高的对称性，具体体现为网络无法区分字母“R”和它的旋转版本，因为它们在对称变换下是等价的。

图2d展示了4阶子群结构，每个子群对应不同的抽象层次：理论循环子群〈r〉：只考虑旋转对称，能区分字母是否被反射；Klein四元群：考虑特定反射组合，提供中间层次的描述粒度。而2阶子群对应单个反射或180度旋转，提供更精细的区分能力。图2e通过对比实验说明对称性变量的自预测能力显著优于随机变量，证明它们确实捕获了所有动态相关信息，满足信息闭合条件。

对称性如何塑造层级贝叶斯信念更新

该文接下来将对称性在客观动力学中的作用延伸到人的主观认知领域，在对称性约束客观世界结构后，通过贝叶斯信念更新，说明对称性如何影响主观信念架构。图3揭示了对称性不仅是物理世界的组织原则，也是智能系统进行高效推理的认知基础。

图3：对称性诱导的客观层级结构，测量过程与信念更新

图3左侧描述了具有等变对称性的动力学过程自然产生信息闭包的宏观层次。每个对称子群对应一个特定的粗粒化描述，这些描述按照子群格的偏序关系组织成层级结构。当要求测量过程同样尊重对称性，图3中间部分展示了不同层次的测量如何对应不同层次的客观描述。高分辨率测量直接观测微观状态，对应最细层次的描述（下部的图）；低分辨率测量只能检测最大对称群对应的最抽象特征。

图3右侧上图的对于由对称性诱导的宏观变量，相比下图的微观信念，维度更低，且同样具有信息闭包的特征。这意味着我们可以在不涉及微观细节的情况下，自主更新宏观信念，而这将带来计算效率的提升。而对于人工智能系统构建来说，对称性提供了天然的抽象支架。通过将推理限制在对称性定义的宏观变量上，智能体可以在低维空间进行高效推理，避免维度灾难。不同抽象层次的描述数学兼容，这为系统提供了语义一致性。而在适当的时候在不同粒度间切换，可实现跨层次推理的推理。

具体举例，对一个容器中n个气体分子在两个连通腔室间的随机扩散行为进行描述。系统的微观状态由二进制向量表示，其中标识第k个分子所在的腔室（图4A）。如果观察者只能通过噪声测量Y_t（每个分子位置的二值对称信道观测）来推断系统状态，那么标准的贝叶斯信念更新需要处理维度为2ⁿ的概率分布。如图4D所示，当 n=40时，单次信念更新在超级计算机上需要数天时间；

图4：Ehrenfest扩散模型中的对称性与高效推理

图4B指出系统的动力学具有粒子置换对称性。由于所有气体分子完全相同，交换任意两个分子的标签不会改变系统的物理行为。这种对称性导致了一个自然的宏观变量每个腔室中的分子数在宏观层面的涌现。据此可以构建宏观观测（图4C），使得观察者可以在宏观层面更新抽象信念，其维度仅为 n+1，而非微观信念的2ⁿ。图4D对比了两种信念的维度增长：微观信念呈指数增长，而抽象信念仅线性增长。这个实例证明了同样的对称性可以塑造高效的认知架构。这种“客观-主观”的对应关系使得智能系统能够在保持推理准确性的同时，克服维度灾难问题。

总结来看，这项工作提供了一个统一视角，解释了为何世界在多个层次上都显得“可理解”：并不是因为我们忽略了细节，而是因为对称性作为层级涌现的根本机制，保证了某些抽象层次在信息上是自洽且完备的。文中的对称性指的是动力学上的，并直接决定了粗粒度映射的形式。而文中处理层级信念更新的方法不同于标准的层级贝叶斯建模，后者侧重于参数空间中的层级，并且通常需要在涉及细粒度层级的情况下更新粗粒度描述；而本文提出的方法通过仔细限制预测目标来实现精确推断。未来的工作可能会结合这些方法，类似的研究，还包括用动力学的角度，使用范畴论重新审视控制论[1,2]，探索外部过程和认知信念之间的关系。

参考文献

[1] Nathaniel Virgo, Martin Biehl, Manuel Baltieri, and Matteo Capucci, “A" good regulator theorem" for em bodied agents,” arXiv preprint arXiv:2508.06326 (2025).

阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”

https://wx.zsxq.com/group/454854145828

未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828进入。