در واقع پیچیدگی چیست؟ آن‌چه تلاش می‌کنم انجامش دهم بخش‌بندی این مفهوم است: تا از زوایای مختلفی به آن بنگریم، چیزی که فکر می‌کنم برای هر موضوع مورد تحقیقی مناسب است. روشی که در پیش خواهیم گرفت این است که به پیچیدگی به مثابه‌ی یک رشته‌ بپردازیم. همان‌طور که به فیزیک به مثابه‌ی یک رشته‌ می‌پردازیم. به موضوعات مورد بررسیِ پیچیدگی نگاه خواهیم کرد. همین‌طور به روش‌های آن، به معرفت‌شناسی‌اش، به ریاضیاتی که در علم پیچیدگی به کار می‌رود، خواهیم پرداخت. و بعد نحوه‌ي ارتباطش با یک یا چند مفهوم بنیادی‌ِ مرتبط با پیچیدگی و آن نوپدیدی است. پیچیدگی و سایر رشته‌ها. اگر از شما بپرسم زیست‌شناسی یا جغرافی را تعریف کنید، چه طور این‌کار را می‌کنید؟ کار بسیار دشواری است و برای علم پیچیدگی هم این‌کار ساده‌‌تر نیست. بنابراین راهی که من فکر می‌کنم این است که یک رشته رو به اجزای تشکیل دهنده‌اش یا به روش‌ها و روی‌کردهای مرجح در آن رشته تجزیه کنیم. این کار را برای چند رشته‌ی دیگر انجام می‌دهیم، و در نهایت برای پیچیدگی. این‌جا چند ویژگی رشته‌ای نشان داده شده‌اند: یک رشته چه‌ اندازه کمّّی است؟ آیا وسواس‌گونه درگیر اندازه‌گیری و محاسبه است مثل آن‌چه تمایل علوم طبیعی است، یا بیشتر با توضیح کیفی موضوعات اقناع می‌شود؟ چه‌اندازه تقلیل‌گرا است؟ تقلیل‌گرایان با توضیحاتی ارتباط می‌گیرند که به قدر کافی ارتباط بین اجزاء سیستم را نشان دهند. بنابراین باید آن‌قدر پایین بروی و جزئی شوی تا به سطح مقبول برسی. منظور ما از تقلیل‌گرایی این است. یک فیزیکدان ممکن است بگوید: برای فهم گرانش باید گِرَویتون‌ها را بفهمم، یا برای فهم الکتریسته باید الکترون‌ها را بفهمم و به همین ترتیب. پرسش دیگری که با تقلیل‌گرای اشتباه می‌شود فشرده‌سازی است، که آیا این رشته‌ها متمایل به توصیفِ فشرده‌ بر اساس ریاضیات هستند؟ آیا می‌توانیم معادله‌ی فشرده‌ای بنویسیم که ذات یک پدیده را دربرگیرد؟ این معادل تقلیل‌گرایی نیست. نوع دیگری از تقلیل است ـ تقلیل به معادلاتِ کوتاهِ فشرده. و در نهایت رشته‌ی مورد بحث تا چه اندازه تاریخ‌محور است؟ تاریخ در توصیف پدیده‌هایش چه‌قدر مهم است؟ چه‌قدر باید به عقب برگردیم؟ البته که در زیست‌شناسی حس می‌کنیم که باید خیلی به عقب برگردیم تا ارگانیسم‌ها و ویژگی‌هایشان را بفهمیم، توضیحات تبارزایی‌شناسی‌ای (فیلوژنتیکی) داریم، که کمتر در فیزیک دیده می‌شوند. و بنابراین مع‌الوصف - این چهارنوازی ویژگی‌ها کمک‌مان می‌کند تا یک رشته را تعریف کنیم. مثلاً فیزیک را در نظر بگیرید: فیزیک خیلی رشته‌ی کمّی‌ای است. همه‌چیز به صورت عدد و اندازه‌گیری و غیره ارائه‌ می‌شود. خیلی هم تقلیل‌گرایانه‌ است، برای این‌که به دنبالِ تئوری‌های بزرگِ یکدست یا تئوری‌های بنیادی است. که معمولاً شامل جستجوی اجزای ابتدایی می‌شوند. به طور مثال،‌ مدل‌های استاندارد در فیزیک: کمترین تعداد ذرات بنیادی در یک میدان. و پس از آن به دنبال بیانش به زبان ریاضی، با استفاده از یک فرمول شکوهمند ریاضی. نیرو = جرم × شتاب قوانین ماکسول و غیره، بنابراین فیزیک دارای این ویژگی است که گاهی اوقات به عنوان "محاسبات-روی-دستمال‌کاغذی" توصیف می شود، محاسبات کوتاه بر اساس اجزای بنیادی که خیلی کمّی هستند. خب، سیستم‌های زیست‌شناسی خیلی کمّی‌اند، خیلی هم تقلیل گرا. شما می‌خواهید ویژگی‌ها (ی زیستی) را، به‌طور مثال، بر اساس عوامل ژنتیکی یا اپی‌ژنتیکی آن‌ها بفهمید. خیلی هم تاریخ‌‌محور هستند. قانون‌مندی‌ها بر اساس معادلاتِ کوتاه و باشکوه ریاضی ارائه نمی‌شوند. پدیده‌ها را در یک ساختار طبقه‌بندی شده یا ژنتیک‌محور می‌فهمید. بعد چیزی مثل انسان‌شناسی زیستی یا زبان‌شناسی زیستی کمتر کمّی هستند. مثلاً در مقایسه با ژنومیک با داده‌های کمتری سروکار داریم. آن‌ها -همان‌طور که ذکر شد- در مورد فاکتورهای زیست‌شناختی که در رفتار موثرند، به تقلیل‌گرایی تمایل دارند. بسیار تاری فیلوژنتیکی بسیار تاریخی گرایانه کمک می کنند و همچنین تا حدودی فشاری است که از نظریه های تکاملی بنیادی مانند انتخاب خویشاوند برای درک رفتار استفاده می کند و همه آنها را توضیح می دهد تا تلاش کند و نشان دهد که همه این زمینه ها را باید بر اساس درک کرد. چقدر آنها عوامل یا ویژگی های مختلف را وزن می کنند که در آن علم پیچیدگی به خوبی تطبیق دارد. اما چیزی که ما تقلیل گرا نیستیم درست است، ما برای توضیح سطح علاقه به سطوح پایین نگاه نمی کنیم و این یکی از ویژگی های تعیین کننده آن است که زمانی که در مورد ظهور صحبت می کنیم به آن باز خواهیم گشت، بنابراین کمی در مورد آن صحبت کردیم. پیچیدگی ممکن است به عنوان یک رشته به چه معنا باشد، بیایید در مورد اینکه علم پیچیدگی چه چیزی را مطالعه می کند، قلمرو تحقیق است که ظاهر و احساس آن را مشخص می کند، بنابراین اگر به فیزیک مکانیک کلاسیک نگاه کنیم، این مطالعه فرآیندهای بسیار منظم است و می توانید بنویسید. معادلات پایینی که مدار سیارات و ستارگان را به شکل فشرده ای بسیار فشرده توصیف می کنند که به معنای پیچیدگی کم است در این مورد پیچیدگی به نوعی به تعداد صفحات معادلات مورد نیاز برای توصیف منظم بودن علاقه مربوط می شود، بنابراین از این نظر نیوتن وقتی به مکانیک کوانتومی می‌رسیم که تصادفی‌تر را معرفی می‌کند، قوانین بسیار فشرده می‌شوند، حتی اگر هنوز کلاسیک هستند یا به نسبت کمی پیچیده‌تر هستند، جالب است اگر تصادفی زیادی را معرفی کنید، می‌توانید یک توصیف بسیار فشرده را نیز بنویسید. مکانیک آماری و ترمودینامیک بنابراین این دو حد یا به نوعی محدودیت های دنیای فیزیکی است و به همین دلیل است که فیزیک در نظریه پردازی در مورد پدیده ها بسیار مؤثر بوده است، اما اگر اکنون به حوزه ای نگاه کنید که در آن نویز و نظم در حوزه پیچیده رقابت می کنند، چه اتفاقی می افتد. واقعاً نمی‌دانم که برای توصیف این تقاطع که در آن تصادفات منجمد در جهان طبیعت یا فرهنگ غالب است، به انواع کاملاً جدیدی از نظریه‌ها نیاز داریم، بنابراین در اینجا چند مثال در سمت چپ مکانیک کلاسیک وجود دارد که فقط کمی تصادفی‌تر معادله موج در کوانتومی است. مکانیک در منتهی الیه سمت راست، جایی که شما تصادفی زیادی دریافت می‌کنید، توصیف آنتروپی یک سیستم و دوباره در وسط، جایی که c نوشته شده است، مقداری ریاضیات جدید، توضیح جدیدی لازم است که به دامنه پیچیده احترام می‌گذارد، اکنون آنچه در قرن بیست و یکم اتفاق افتاده است. این است که دو رویکرد بسیار متمایز برای مقابله با پیچیدگی تکامل یافته اند، از یک طرف شما دارای هوش مصنوعی یادگیری ماشینی هستید که کل کتابخانه های مجموعه داده های بزرگ را با میلیاردها پارامتر رمزگذاری می کند که در یک محدوده بسیار محدود راه حل های بسیار پیش بینی کننده تولید می کنند، از طرف دیگر شما دارای پیچیدگی هستید. علمی که تلاش می‌کند کاری نزدیک‌تر به آنچه فیزیک می‌خواست انجام دهد، تعداد کمتری از فرآیندها و معادلات ضروری است که نظم‌ها را توصیف می‌کنند اما پیش‌بینی نمی‌کنند، بنابراین به نظر می‌رسد که به این نقطه از انشعاب رسیده‌ایم که شما باید آن را انجام دهید. تصمیمی که من می‌توانم مسیر پیش‌بینی را طی کنم و درک و درک را از دست بدهم یا مسیر مکانیزم و درک را طی کنم و پیش‌بینی را از دست بدهم، و فکر می‌کنم سوال باز که همه ما با آن سر و کار داریم این است که آیا می‌توانیم این دو رویکرد متفاوت را با هم تطبیق دهیم. دامنه پیچیده در اینجا چند نمونه از روش ها و چارچوب ها در علم پیچیدگی است که برای مقابله با حوزه پیچیده و به عنوان مثال نظریه مقیاس بندی او ابداع شده است که الگوها یا قاعده ها در چندین مرتبه بزرگی مختلف در فضا و زمان بر اساس عامل محور هستند. مدل‌هایی که ایده عاملیت یا بازتاب را جدی می‌گیرند، یعنی چیزهایی که ما در حوزه پیچیده مطالعه می‌کنیم، غایت‌شناسی دارند، هدف دارند، کارکرد دارند و این در فیزیک درست نیست، نظریه شبکه‌ای که دینامیک جمعی را جدی می‌گیرد، سیستم‌های پیچیده هستند و البته یکی از چیزهای جالب در مورد این سه این است که آنها کاربرد پیدا می کنند، بنابراین در نظریه مقیاس بندی می توانیم توضیح دهیم که چقدر موجودات زنده چند گونه در یک منطقه واحد پیدا می کنیم، حتی می توانیم نظریه مقیاس بندی را برای پدیده های اجتماعی که در آن قرار داریم اعمال کنیم. علاقه مند به اینکه چگونه تولید پتنت، به عنوان مثال مقیاس ها به عنوان تابعی از نظریه شبکه اندازه شهر، در این مورد خاص برای مطالعه قطبش سیاسی یا گسترش بیماری و مدل های مبتنی بر عامل، ابزار محاسباتی ترجیحی برای بررسی مواردی مانند هجوم انبوه هستند، استفاده می شود. و ازدحام در شهرها جالب اینجاست که اگرچه حوزه پیچیده به این فرمالیسم های بسیار فشرده تسلیم نمی شود، آنها در مطالعه مسائل دنیای واقعی بسیار مفید هستند، بنابراین وقتی در مورد حوزه پیچیده صحبت می کنیم، آنچه در مورد آن صحبت می کنیم این است که ساختار واقعیت چیزی است که ما آن را هستی شناسی می نامیم، اما پس از آن یک سوال وجود دارد که چگونه آن واقعیت را درک می کنیم، چگونه آن را توصیف می کنیم چگونه آن را ریاضی می کنیم، ساختار خود دانش و ما آن را معرفت شناسی و علم پیچیدگی می نامیم معرفت شناسی بسیار جالبی دارد در سال 1960 یک فیزیکدان برجسته که کار می کرد. در مکانیک کوانتومی یوجین ویگنا مقاله ای به نام اثربخشی غیرمنطقی ریاضیات در علوم فیزیکی نوشت و ویگنو بسیار به این مشاهدات گیج کننده علاقه مند است که شما می توانید آزادانه از طریق تخیل خود در ریاضیات اختراع کنید و در عین حال به نوعی آن تخیل آن شی خیالی می تواند الگوهای منظم را پیش بینی کند. دنیای طبیعی که هیچ ربطی به شما ندارند، پس چگونه است که ریاضیات در توضیح و پیش بینی دنیای واقعی تا این حد موثر است و ما می توانیم آن را در چارچوبی کمی ریاضی تر با گفتن این که آنچه شگفت انگیز است مدل سازی با پارامترهای بسیار کم است. که بسیار فشرده شده است مدل های بسیار ساده می توانند پدیده ها را بسیار دقیق پیش بینی کنند و این همان چیزی است که در این دو محور در اینجا نشان داده شده است که محور x تعداد پارامترها و محورهایی را که به سمت شما می آید نشان می دهد که آن مدل چقدر پیش بینی کننده است و در بالا یک مثال وجود دارد. از آنچه که او با معادلات ماکسول شگفت زده شد، در اینجا مثال دیگری از بنیانگذار موسسه سانتافه است که در فیزیک ذرات کار می کند. su3 نامیده می شود و با دستکاری این گروه های سرب توانست ذراتی را پیش بینی کند که قبلاً هرگز مشاهده نشده بودند، بنابراین دقیقاً به نقطه نظر ویگنا، ریاضیات راه حلی ایجاد کرد که به نظر نمی رسید در ریاضیات وجود داشته باشد تا با مثال دیگری شروع کنیم. از پل دیراک این معادله دیراک است، یک معادله موج نسبیتی است، مکانیک کوانتومی و نسبیت خاص را می گیرد و آنها را ادغام می کند و او این معادله را حل کرد و حالات انرژی منفی را کشف کرد و از آن راه حل ها برای استنباط وجود انگی ماده استفاده کرد، بنابراین هیچ کس پادماده را ندیده است. این معادلات برای توصیف دنیای معمولی که ما می‌توانیم آن را اندازه‌گیری و مشاهده کنیم به دست آمده‌اند و با این حال آنها چیز خارق‌العاده‌ای را پیش‌بینی می‌کنند، بنابراین اگر دنیای معرفت‌شناختی را دوست دارید که توسط حوزه‌های ساده فیزیک درست در دو لبه آن نموداری که قبلا نشان دادم ممکن شده است. که یا کاملاً منظم یا کاملاً تصادفی هستند، این همان چیزی است که آنها به ما اجازه می‌دهند که انجام دهیم، بیشتر دنیایی که ما به دنیای اجتماعی اهمیت می‌دهیم، جهان بیولوژیکی و غیره اینطور نیست که هستی‌شناسی متفاوتی دارد، درست است که نویز و نظم و نظم را با هم ترکیب می‌کند. پس اکنون چه کنیم، این اثربخشی غیرمنطقی ریاضیات نیست، بلکه بی اثر بودن غیرمنطقی ریاضیات در برخورد با یک حوزه پیچیده است. حوزه‌های خاصی وجود دارد که میانگین‌گیری در آنها مجاز است و یکی از مثال‌های بسیار خوب آن حوزه مقیاس‌بندی است، بنابراین در نظریه مقیاس‌بندی معادلاتی دریافت می‌کنید که کمی شبیه معادلات از فیزیک هستند، این به نظر کمی شبیه f برابر است با m a این مقیاس‌های نرخ متابولیسم پایه است. به عنوان جرمی که به توان های سه چهارم و آن سه و چهار افزایش می یابد، در واقع ابعاد فضای سه تقسیم بر نمایشگرهای بعد به اضافه یک بعد فراکتال است، بنابراین بسیار فیزیکی است و شما می توانید این معادلات را از طریق یک um ریاضی نظریه تداخل استخراج کنید. که برای دنیای فیزیک بسیار آشنا خواهد بود و در اینجا نمونه ای از ظاهر آن است و نظریه مقیاس بندی به ما بینش هایی را در مورد حوزه پیچیده با استفاده از مفهوم غربالگری هسته به طور بسیار موثر می دهد، اما باز هم همانطور که گفتم برای بسیاری از پدیده ها این یک موضوع نیست. گزینه و بسیاری از علوم پیچیدگی، به جای تلاش برای یافتن مدل‌های صرفه‌جویی مانند f برابر m a یا b برابر m با توان سه چهارم، کار متفاوتی انجام می‌دهد، این سوال را مطرح می‌کند که در وهله اول چه چیزی باعث ایجاد آن ساختارها می‌شود چه چیزی این امکان را در حوزه پیچیده البته غربالگری یا چه چیزی ساختاری را که می‌خواهیم در مورد آن نظریه‌پردازی کنیم ایجاد نمی‌کند، بنابراین اجازه دهید اکنون و با مثالی کاملاً واضح بگویم اگر به یادگیری ماشین و عملکرد الگوریتم‌هایی مانند آلفاگوی آلفا صفر زیربنای همه آن‌ها فکر می‌کنید. خطوط کد و همه آن صدها میلیون، اگر نه میلیاردها پارامتر، ایده بسیار ساده ای است، ایده یادگیری تقویتی و می توان آن را فقط در چند خط کد نوشت که فقط چند خط ریاضی است، بنابراین به این معنا بسیار فشرده است، این مدل خاصی نیست که در نهایت نمونه‌سازی می‌شود، بلکه نحوه تنظیم پارامترها است و همین موضوع در مورد زیست‌شناسی نیز صدق می‌کند، مردم گاهی اوقات می‌گویند که نظریه تکامل پیش‌بینی‌کننده نیست، به این معنا که می‌توان یک زرافه، یک کک یا یک زرافه را پیش‌بینی کرد، پیش‌بینی‌کننده نیست. باکتری اما همه آنها در محیط محلی خود در معرض یک اصل بهینه سازی قرار داشتند، انتخاب طبیعی و رانش نظریه پردازی به نوعی در مورد فرآیندی که به یک شی منجر می شود، فرآیندی که منجر به یک نظریه می شود، بنابراین از این نظر علم پیچیدگی فرانظری است یکی از مفاهیمی که هنگام صحبت از پیچیدگی زیاد درباره آن می شنود، ظهور آن است. نزدیک‌ترین نسبی آن به معنایی خاص و درست مانند پیچیدگی، گیجی زیادی ایجاد می‌کند، بنابراین می‌خواهم توضیح دهم که ظهور چیست، یکی از راه‌های بسیار ساده برای تعریف ظهور این است که شما با یک پدیده نوظهور سر و کار دارید در حالی که نیازی به نگاه کردن به زیر نیست. کاپوت و من از آن به معنای زیر استفاده می‌کنم، اگر ماشین شما توقف کند، کاملاً مطمئن نیستید که چرا و طبیعی‌ترین کار این است که بررسی کنید آیا بنزین تمام شده است یا نه، بنابراین این یک نوع کاهش گرایی است زیرا شما با گفتن اینکه متوجه می شوید چرا یک ماشین متوقف می شود، باید به قطعات آن نگاه کنید و وقتی پدیده من به شدت ظهور می کند، نیازی نیست به زیر کاپوت نگاه کنید و بگذارید مثالی بزنم این معادله به اصطلاح حدس فرمات است و طول کشید. صدها سال باید حل شود و این اندرو وایلز است که در نهایت بین سال‌های 1993 و 95 آن را حل کرد، در واقع اولین راه‌حل دارای یک خطا بود که او را وحشت زده کرد و سپس توانست آن را اصلاح کند، اما می‌توانید بپرسید که چگونه این کار را انجام داد. او این کار را انجام داد که چگونه این قضیه را حل کرد و اجازه دهید من به سرعت برخی از صفحات از اثبات او را به شما نشان دهم در اینجا یک صفحه است که در آن رابطه بین حدس حرارتی و اشکال بیضوی را برقرار می کند و او از طریق یک سری کامل مراحل قیاسی مبتکرانه که حوزه های غیرمنتظره ای از ریاضیات را به خدمت می گیرد. تا سرانجام به این نتیجه برسد که اثبات حدس ترما است، اکنون این برهان فقط از نظر ریاضی به ما ارائه می شود، درست زبان ریاضیات برای اثبات اعتبار نتیجه کافی است که لازم نیست زیر آن نگاه کنید. هود اندرو وایلز برای تعیین اینکه آیا این اثبات درست است یا نه، به عنوان مثال، ما نیازی به انجام علم مغز روی اندرو وایلدز نداریم، لازم نیست بگوییم که دلیل درست بودن اثبات را می‌دانید این است که او بیان می‌کرد. مقدار زیادی سروتونین یا دوپامین یا این مدار عصبی خاص به کار گرفته می شد که جالب خواهد بود و ممکن است بخواهید بدانید اما هیچ ارتباطی با صحت اثبات ندارد، در حالی که شرایط اقتصادی او یا بازار خاص او در دانشگاه پرینستون و دانشگاه پرینستون که حقوقش را می‌پردازد، هیچ‌کدام از اینها به صحت اثبات مربوط نمی‌شود، ملیت یا ایدئولوژی او هم مرتبط نیست، بنابراین در اینجا مثالی وجود دارد که در آن صحت کاملاً در سطح ریاضیات عمل می‌کند و به زیر ریاضیات می‌رود. به عنوان مثال انجام نوعی فیزیک ذرات روی مغز اندرو وایلدر ممکن است جالب باشد، اما در مورد اینکه آیا قضیه اثبات شده است یا نه، روشن کننده نیست، دقیقاً همان چیزی است که برای رفتن وجود دارد، بنابراین در اینجا کدی است که به آلفا صفر ام در سمت چپ وارد شده است. اوه و در اینجا چند الگوریتم است که در سمت راست استفاده می‌کند، الگوریتمی است که لی سو دونگ را بازی می‌کند، اگر می‌خواهید بفهمید که آیا آلفا صفر خوب بازی می‌کند، بازی را که هستید مشاهده می‌کنید، استراتژی و تاکتیک‌ها را در سطح بازی بیان می‌کنید. برای تعیین اینکه آیا این حرکت خوب است یا نه، نیازی نیست به کد بازگردید زیرا این حرکت خاص برای لوپر درست مانند اندرو وایلز و مغز وجود دارد، این پدیده در سطح بازی وجود دارد، حتی اگر همه اینها وجود داشته باشد. کد از آن پشتیبانی می کند همانطور که مغز اندرو وایلدر از اثبات پشتیبانی می کرد، این یک سوال بسیار جالب را ایجاد می کند که چرا اگر ماشین من مقصد خود را نمی خواند، احساس می کنیم مناسب است زیر کاپوت را نگاه کنیم چرا به عنوان مثال در در مورد روانشناسی بیولوژیکی یا روانپزشکی اگر به افسردگی یا نوسانات خلقی علاقه دارید، ممکن است فکر کنید که مناسب است به سیستم غدد درون ریز نگاهی به زیر کلاه رفتار بیندازید، اما وقتی صحبت از ریاضیات و درستی آن می شود، نیازی به ایده اولیه نیست. در اینجا این است که در هر سیستم پیچیده‌ای چندین سطح وجود دارد، به عنوان مثال در مورد آلفا صفر، سخت‌افزار وجود دارد، ماشین‌های محاسباتی در آن سخت‌افزار وجود دارد، شما نرم‌افزاری دارید، به عنوان مثال ممکن است پایتون یا C یا کد لیسپ را اجرا کنید، اما آن کد چه چیزی را رمزگذاری می‌کند. استراتژی است و هر یک از آن سطوح با زبان متفاوتی توصیف می شود و هر سطح مربوط به نوع متفاوتی از درک است و ایده کلیدی در اینجا مانند ایده کلیدی است که قبلاً در رابطه با مقیاس بندی ذکر کردم که غربالگری اصلی است که در حین حرکت از یک سطح به سطح دیگر شما حالت های زیادی را روی تعداد کمتری از حالت ها نمایش می دهید، بنابراین یک کامپیوتر دارای ترانزیستورهایی با کد حالت های دودویی بسیار است که تعداد متغیرهای کمتری داشته باشد و فضاهای استراتژی به نوعی فشرده تر از همه سطح موجود است. نظریه وجود دارد تا حدی که آن سطح تا حدی مستقل عمل می کند، ما اغلب آن سطح را به عنوان سطحی از یک رشته توصیف می کنیم، به طوری که ما را از نظر هستی شناختی از نظر ساختار واقعیت به آغاز بازمی گرداند. در نهایت این واقعیت است، اما ما جهان را منحصراً بر اساس مکانیک کوانتومی توصیف نمی‌کنیم، ما تئوری‌های هارمونی و ملودی را داریم، درست، نظریه‌های عروضی داریم، نظریه تکامل را داریم و همه آن نظریه‌ها با ظهور در صورت ظهور ممکن می‌شوند. کار نمی کرد، پس ما همیشه باید به پایین ترین سطح به سمت راست برویم و این سوال پیش می آید که آیا می توانیم در مورد مکانیسم هایی نظریه پردازی کنیم که ظهور قوی را ممکن می کند، بنابراین فقط برای اینکه کمی صریح تر بگوییم آنچه که از ظهور دلالت دارد چیست؟ گاهی اوقات آن را بسته شدن عملکردی یا کفایت دینامیکی یا دلالت افقی می نامند، این اصطلاح ظهور است و آنچه می گوید این است که اگر سطحی را انتخاب کرده اید که به طور قانونی نوظهور است، پس این تنها سطحی است که باید بدانید تا پیشرفت آینده آن را به درستی درک کنید و این همان چیزی است که این تصویر سعی دارد نشان دهد که هر سطح معینی برای پیش‌بینی آینده خود لازم و کافی است، بنابراین اجازه دهید فقط به مورد رفتن نگاه کنیم، بنابراین در بالاترین سطح، برو یک بازی تاکتیکی استراتژیک است و اگر متخصص هستید که تابلو را تماشا می‌کنید و آن را تحلیل می‌کنید. هیچ ارزش اضافی برای پرسیدن اینکه چه زبان رایانه‌ای نوشته شده است الفاگو با چه تعداد حلقه‌هایی در کد نوشته شده است، به سطح نرم‌افزار وارد می‌شود که در درک نحوه اجرای بازی به طور مشابه پایین آمدن سطح دیگری روشنگر نخواهد بود. در سطح سخت‌افزاری که می‌گوید وقتی بازی در حال پخش است، چه کاری انجام می‌دهد که پیشرفت بازی را روشن نمی‌کند، این اتفاق می‌افتد، لازم است این بستر فیزیکی است که الگوریتم‌ها و استراتژی‌ها بر روی آن اجرا می‌شوند، اما اینطور نیست. سطحی که در آن بازی را درک می کنید و بنابراین در این نمودار خاص آن فلش که از یک سطح به سطح دیگر می رود نشان می دهد که برای درک پیشرفت بازی کافی است وضعیت تخته را تجزیه و تحلیل کنید و این بدان معنی است که بروید ظهور را نشان می دهد زیرا نیازی به پایین آمدن سطح نرم افزار ندارم، هیچ ارزش اضافی از نظر باز شدن بازی وجود ندارد و اگر این درست نبود ، اگر تنها راهی که می توانستم بفهمم آلفا زیرو چه می کند این بود که به وضعیت سخت‌افزار نگاه کنید می‌توانید استدلال کنید که فقط یک طراحی بد است، یک اشکال وجود دارد، مشکلی در سیستم وجود دارد، بنابراین در واقع در بسیاری از مواردی که ما علاقه‌مندیم، سعی در ایجاد ظهور در آن داریم. ساخت سطوحی که از سطوح پایین‌تر محافظت می‌شوند، بنابراین چه زمانی ظهور با شکست مواجه می‌شود، بنابراین ما مورد go را بررسی کرده‌ایم و گفته‌ایم که در حال حرکت برد کافی است و نیازی نیست به نرم‌افزار یا سخت‌افزار نگاه کنیم. اما بیایید تصور کنیم اکنون که دمای اتاق را افزایش داده‌اید، آنقدر آن را بالا برده‌اید که سیستم خنک‌کننده gpus و CPU از کار بیفتد و اکنون آلفا صفر باگ‌های حرکتی پاتولوژیک ایجاد می‌کند که نتیجه گرم شدن بیش از حد در آن نقطه است. دیگر کافی نیست مفهوم استراتژیک بازی دیگر کافی نیست شما باید به نرم افزار و به خصوص سخت افزار نگاه کنید تا رفتار را درک کنید و بنابراین ظهور مفهومی ظریف تر است زیرا فقط در محدوده خاصی از پارامترهای عملیاتی اعمال می شود و زمانی که شما خارج از آن محدوده حرکت می‌کنید، سپس حفاظت از بین می‌رود و در سطوح مختلف نشت می‌کنید و مجبور می‌شوید به سطح پایین‌تری بروید، این تا حدی به این دلیل است که در فیزیک کاهش‌گرایی فیزیک زیراتمی در مقیاس‌های انرژی بسیار بالا انجام می‌شود، زیرا شما سعی می‌کنید نگاه کنید. در مقیاس انرژی که باید تقلیل گرایی انجام دهید و بنابراین یک سوال بزرگ و عمیق باز در دنیای پدیده های پیچیده این است که اگر بخواهید سطح ظهور چقدر قوی است و چه زمانی ما مجبور هستیم به توصیف میکروسکوپی برویم و این یک کمی فراتر از این بحث، اما مکانیسم‌هایی وجود دارند که محافظ‌هایی ایجاد می‌کنند، بنابراین هر یک از این سطوح به نوعی از تغییرات در سطحی پایین‌تر از نشت جلوگیری می‌کنند، به این معنی که شما مجبور نیستید به پایین نگاه کنید، به عنوان مثال، افراد زیادی ممکن است مطالعه کنند. قبلاً یک پدیده روانشناختی از نظر هورمون های سیستم غدد درون ریز گفتم که نمونه خوبی است که در آن غربالگری در جایی که محافظت ندارید انجام نمی شود، بنابراین برای درک آینده رفتار باید پایین بروید و به آینده نگاه کنید. فیزیولوژی درست است و آنچه در این مورد بسیار جالب است این است که بعد از پیچیدگی را باز می کند که نوعی کثرت گرایی است، زیرا نشان می دهد که می تواند علمی وجود داشته باشد که توضیح دهد چرا تنوع معرفت شناسی ضروری است، بنابراین اجازه دهید فقط دو مثال برای شما بیاورم. این محافظ های بسته عملکردی یکی از فیزیک است و این قانون گاز ایده آل است، این قانونی است که فشار و حجم و دمای ذرات را مرتبط می کند و این قانون صرف نظر از گازی که شما درست مطالعه می کنید و دلیلی که می توانید این را بنویسید اعمال می شود. معادله به این دلیل است که نظریه هایی وجود دارد قانون دوم نیوتن به اصطلاح قضیه شار قضیه همزاد اینها همه عناصر ریاضی هستند که حفاظت را اثبات می کنند و می گویند شما می دانید چه چیزی می توانید سطح گاز را مطالعه کنید به اصطلاح متغیرها حجم آنتروپی فشار دمای شما لازم نیست به ذرات و حالت های انرژی خاص آنها بروید مثال دیگری که به سیستم های پیچیده نزدیک تر است چیزی است مانند Zip floor و zip floor یک نظم بسیار شناخته شده است برای مثال در متن متن که می گوید رابطه ای بین رتبه وجود دارد. ترتیب یک کلمه و فراوانی آن، به عنوان مثال اوه، دومین کلمه رایج در یک متن، نصف رایج ترین کلمه رایج، سوم رایج ترین یک سوم به عنوان مکرر و غیره است، بنابراین این رابطه وجود دارد، معلوم می شود که یک طبقه زیپ نیست. مهم نیست که چه متنی را مطالعه می‌کنید، آن را پیدا می‌کنید و بنابراین کمی شبیه به قانون گاز ایده‌آل، مجموعه‌ای از نظریه‌های شبکه، نظریه‌های ترکیبی، نظریه‌های احتمالی وجود دارد که به شما می‌گوید چرا صرف نظر از متنی که انتظار دارید دوباره این رابطه مقیاس‌بندی را پیدا کنید. این نمونه‌ای از مکانیسم‌های حفاظتی است، بنابراین اکنون می‌توانیم این سؤال را بپرسیم که چگونه همه این چیزها با هم جمع می‌شوند، چگونه دامنه پیچیده، معرفت‌شناسی سیستم‌های پیچیده و ظهور مرتبط است و نکته کلیدی در اینجا این است که به طور کلی وقتی پیچیدگی را مطالعه می‌کنید. علم شما در مورد سطوح نوظهور نظریه پردازی می کنید و به طور خاص در مورد آن سطوح نوظهور با استفاده از نظریه های الگوریتمی نظریه پردازی می کنید، بنابراین اگر در مورد ذهن نظریه پردازی می کردیم دوست داریم بدانیم که توصیف مغز ضروری نبوده و سپس می خواهیم بدانید که اصل تغییرات یا اصل بهینه سازی چیست که برای ذهن مناسب است، بنابراین ممکن است یک نظریه یادگیری کاملاً مستقل از بستر مغز داشته باشید، واقعاً مهم نیست زیرا ذهن یک حالت محافظت شده است و برای درک تکامل آینده آن شما اکنون نیازی به بررسی تکامل مغز در آینده نیست، ممکن است درست نباشد، اما در آن صورت یک پدیده واقعاً نوظهور نخواهد بود و به همین دلیل است که به نوعی این مفاهیم مختلف در کنار هم قرار می گیرند و چرا پیچیدگی بسیار نزدیک به ظهور فقط برای نتیجه گیری در اینجا مانند همه چیزهای دیگر پیچیدگی پیچیده است و هیچ تعریف ساده ای وجود ندارد که بتوانیم از این دریچه یک رشته به آن نگاه کنیم و این به معنای نگاه کردن به ویژگی های آن است نه تعریف آن که به نظر من بیهوده است که می توانیم به آن نگاه کنیم. جهان واقعیت هستی شناختی پیچیدگی علوم به آن علاقه مند است و این همان جهانی است که بین نظم و بی نظمی قرار گرفته است، ما می توانیم بپرسیم که آن جهان به چه نوع ریاضیات یا محاسباتی نیاز به معرفت شناسی پیچیدگی دارد و سپس چگونه با ظهور و به ویژه این واقعیت که بیشتر آنچه ما مطالعه می کنیم این ویژگی های نوظهور هستند که سطوح جدیدی از سازمان هستند که به خودی خود برای درک حالات آینده آنها کافی هستند، اما آنها نوع خاصی از الزامات را رمزگذاری می کنند به طوری که شما مجبور نیستید مانند فیزیک از طریق تقلیل گرایی به سطوح پایین بروید. درک خوبی از نحوه عملکرد آنها بدست آورید