一：引言
在学习人工智能、神经网络和多智能体系统时，我们常会遇到一个词：涌现（Emergence）。
它描述了一类很有意思的现象：单个组成部分看起来只遵循简单规则，但当大量个体 发生持续交互 后，系统整体 却表现出原本难以从单个部分直接预测的新结构、新行为或新能力。
我们举一些简单清晰的例子跟大家解释一下（高中生物化学知识）
（1）单个水分子没有"湿润"的体验，但大量水分子聚集后会呈现液体的宏观性质；
（2）单个神经元不具备意识，但大量神经元通过复杂连接与电化学信号传递，形成认知、记忆等高级功能；
（3）单只蚂蚁能力有限，但蚁群能表现出协作搬运、路径选择和资源分配等群体行为；
大语言模型只是在做"预测下一个词元（token）"，却能在一定条件下完成翻译、代码生成、问答和少样本学习等任务。
涌现并不等于"凭空产生"或"神秘力量"。更准确地说，它强调的是：
宏观层面的结构、行为或能力，来自微观个体之间持续的非线性交互、反馈与演化，并且不能仅靠简单相加来理解。
二：什么是涌现？
1.1 经典定义
涌现通常被概括为：系统整体表现出的性质 ，不能简单地由各部分性质相加得到，也难以仅凭单个组成部分直接预测。
这里有两个关键词：
整体性： 研究对象不再是单个个体，而是由大量个体组成的系统；
**新性质：**系统整体呈现出个体自身不具备的结构、规律或功能。
"整体大于部分之和"是对涌现的通俗概括，但需要注意，它不是指数学意义上真的"大于"，而是强调：整体层面的行为具有新的组织形式和解释层次。
1.2 涌现不是"主观能动性"
课堂讨论中，常有人把涌现理解为"无中生有"或"具有主观能动性的创造"。这种说法有助于建立直觉，但不够严格。
严格来说，涌现可以发生在没有意识、没有目标、也没有主观能动性的系统中，例如：
（1）铁粉在磁场中排列出磁感线图案；
（2）雪花形成具有对称性的晶体结构；
（3）鸟群在飞行中形成整体队形；
（4）元胞自动机在局部规则下产生复杂图案。
因此，涌现不要求系统"有意识地创造"，它更强调：
简单局部规则 + 个体交互 + 非线性反馈 + 时间演化
↓
宏观新结构或新行为
三：复杂系统中的涌现
涌现 是复杂系统科学中的重要概念，相关研究涉及热力学、非平衡统计物理、软物质、生命系统、社会系统和人工智能等多个领域。
复杂系统通常具有以下特征：
（1）由大量个体或组件构成；
（2）个体之间存在相互作用；
（3）系统行为具有非线性；
（4）系统会随时间不断演化；
（5）局部变化可能通过反馈被放大，最终影响整体。
2.1 非线性：为什么"1 + 1"不一定等于"2"？
在线性系统 中，输入与输出之间通常满足简单比例关系 。例如，力增加一倍，弹簧的形变量也近似增加一倍。但复杂系统 往往是非线性 的。微小变化可能被放大，也可能被抑制。
例如：
一条新的信息可能迅速在社交网络中扩散；
少数蚂蚁留下的信息素路径可能逐渐吸引更多蚂蚁；
神经网络中某些参数的微调可能显著改变模型输出；
强化学习智能体的一次偶然探索，可能发展为长期有效的策略。
非线性意味着：不能只看单个局部变化 ，还必须关注变化如何在系统中传播和反馈。
2.2 从局部到整体
涌现最核心的思想可以概括为：局部规则简单，不代表整体行为简单。
我们以蚁群觅食为例，单只蚂蚁的行为规则可能非常朴素：
（1）随机寻找食物；
（2）发现食物后留下信息素；
（3）倾向于沿信息素更浓的路径移动；
（4）信息素会随着时间挥发。
但当大量蚂蚁重复执行这些规则后，系统可能自发形成一条高效的觅食路径。
没有任何一只蚂蚁掌握"全局最短路径"，却能形成类似全局优化的结果。这就是局部交互产生宏观秩序的典型例子。
四：涌现的典型实例
3.1 物理与化学系统
水的"湿润"性质
单个水分子只是由氢原子和氧原子构成的微观粒子，很难谈论"湿润"。但当大量水分子聚集后，氢键、分子间作用力和表面张力等共同作用，使水表现出液体的流动性、黏附性和润湿现象。
单个水分子
↓ 聚集与相互作用
大量水分子
↓
液体的宏观性质
这里的重点不是水分子"突然拥有了意识"，而是大量微观相互作用在宏观尺度上形成了新的可观察规律。
材料的尺度效应
材料性质也具有明显的层级性：
原子 → 原子团 → 纳米颗粒 → 微米颗粒 → 块体材料
当系统尺度变化 时，材料 可能呈现**完全不同的性质。**例如，纳米材料因表面积、量子效应等因素，可能具有不同于块体材料的光学、电学或磁学特性。
这说明：研究一个系统时，尺度不能被忽略。
3.2 生命系统
细胞与生命
单个分子没有生命，单个细胞的能力也有限；但当细胞形成组织、器官和完整个体后，系统呈现出生长、代谢、繁殖、适应环境等生命特征。
分子 → 细胞 → 组织 → 器官 → 个体
所以说生命系统中的涌现具有显著的层级性。
神经元与意识
单个神经元只能接收、处理和传递电信号。它不具备语言、记忆、情感或意识。
然而，大脑中的大量神经元通过突触连接构成复杂网络。神经元之间的连接模式、信号传递、可塑性和长期反馈，共同支撑了认知与行为。
需要谨慎的是：意识是否属于"强涌现"，以及能否完全还原为神经活动，目前仍是神经科学和哲学中的开放问题。
3.3 社会系统
社会系统中也经常出现涌现：
市场价格由大量个体交易行为共同形成；
交通拥堵往往不需要事故，也能由局部刹车行为逐步放大；
铃声响起后，学生会逐渐向教室聚集；
网络社区中可能自发形成新的术语、协作方式和讨论规范。
这些现象不一定由中心化命令直接控制，而可能来自大量主体的局部决策与互动。
五：涌现的基本特征
4.1 非线性
系统整体行为不能简单地由个体行为相加得到。
比如说，一个人转发信息不一定会造成传播；但当足够多的人在合适的网络结构中参与时，信息可能突然爆发式扩散。
4.2 动态演化
涌现不是静态结果，而是一个随时间发展的过程。
系统会经历：初始状态 → 局部交互 → 反馈累积 → 模式形成 → 稳定、变化或崩解
例如，强化学习智能体在训练初期随机探索，之后逐步发现高回报行为，最终形成稳定策略。
4.3 多尺度与层级性
涌现往往发生在不同尺度之间：
分子 → 细胞 → 器官 → 个体 → 群体 → 社会
每一层都有自己的规律。
研究细胞时，不能只停留在单个分子的层面；研究社会行为时，也不能只从单个人的心理出发。不同尺度需要不同的模型与解释方式。
4.4 自组织（区分涌现）
自组织（Self-Organization）指系统在缺少中心化外部指令的情况下，通过内部交互自发形成有序结构或行为。
典型例子包括：
铁粉在磁场中排列；
鸟群、鱼群形成集体运动模式；
蚂蚁通过信息素形成觅食路径；
向日葵等植物表现出向光性；
某些微生物会对光、化学物质或磁场产生趋性反应。
自组织与涌现关系密切，但两者不完全等价：
自组织 强调"秩序如何形成"；
涌现强调"整体出现了什么新性质"。
六. 强涌现与弱涌现
我们讨论涌现时，常见的划分是弱涌现（Weak Emergence）与强涌现（Strong Emergence）。
这一区分带有一定哲学争议，但对于理解不同类型的复杂现象很有帮助。
5.1 弱涌现
弱涌现的关键特点是：**虽然整体行为复杂，但我们可以给出明确的局部规则，并通过模拟观察宏观现象。**鸟群、鱼群和蚁群群体智能常用三个局部规则描述：
-
分离：避免与邻居过近；
-
对齐：调整运动方向，与邻居保持一致；
-
聚集：向群体中心靠拢。
这些规则 很简单 ，但大量个体共同执行后，可以产生复杂而协调的群体行为。
元胞自动机
元胞自动机由大量网格组成，每个格子的状态只由邻近格子决定。
我们就以康威生命游戏为例（不知道大家玩过没有），局部规则很少：
活细胞周围邻居太少会死亡；
邻居过多也会死亡；
邻居数量适中可以存活；
死细胞在合适条件下会"出生"。
但这些规则可以产生滑翔机、振荡器 等复杂结构，甚至可以实现图灵完备计算。
这说明：简单规则不等于简单结果。
粒子群优化
粒子群优化（Particle Swarm Optimization，PSO）模仿鸟群觅食。
每个粒子会参考：
自己历史上找到的最优位置；
群体历史上找到的最优位置。
经过不断更新，粒子群逐步收敛到较优解。
它体现了群体协作 和局部信息共享如何产生整体优化能力。
5.2 强涌现
强涌现通常讨论那些难以被微观规则完全说明的宏观现象，如：
意识；
主观体验；
高级认知；
社会规范与文化演化。
需要避免一个常见误解：强涌现不应简单定义为"完全无法模拟"。因为"目前无法模拟"可能只是技术能力不足；而"原则上无法由微观规律推导"则是更强、更有争议的哲学主张。
因此，更稳妥的说法是：
强涌现 讨论的是：宏观性质是否具有独立的因果与解释地位，是否能够被微观规律完全还原。
这个问题目前没有统一答案。
七：如何判断一个现象是否属于涌现？
在人工智能和多智能体研究中，不能仅因为"多个模块合作"就把它称为涌现。
我们举个例子，假设有一个系统由三个 Agent 构成：
Agent A：负责检索资料
Agent B：负责编写代码
Agent C：负责总结结果
如果它们只是按照预先设计好的固定流程分工，那么这更接近工程集成，而不是涌现。
判断是否存在涌现，可以关注以下问题：
可以将多智能体涌现概括为：（重要）
微观规则 + 智能体交互 + 环境反馈 + 记忆 + 时间演化
↓
宏观协作策略与系统能力
八：神经网络视角：智能如何从数据中形成？
7.1 传统符号 AI 与连接主义 AI
传统符号 AI 强调人工设计规则与知识，例如：
如果温度 > 38℃，那么判断为发热。
这种方法逻辑清晰，但高度依赖专家手工定义规则。
而连接主义 AI，尤其是神经网络，采用不同思路：不直接告诉模型"什么是规则"，而是让模型从数据和训练目标中学习表示与规律。
神经网络中的许多能力，可以理解为多层表示学习的结果。
7.2 层次化特征提取
神经网络会通过多层非线性变换，逐步构造更抽象的特征。
在图像识别中，一个典型过程可以理解为：
像素
↓
边缘、颜色、纹理
↓
局部形状
↓
物体部件
↓
完整物体类别
例如，卷积神经网络的浅层可能识别边缘，中层可能识别眼睛、轮子或纹理，深层则可能识别"猫""汽车"等语义概念。
这类高层语义表示不是人工逐层写出来的，而是在数据、网络结构和训练目标的共同作用下形成的。
7.3 分布式表示与语义空间
神经网络通常使用向量表示对象 。一个词、一个句子、一张图片，甚至一段代码，都可以映射为高维向量。
相似的概念在向量空间中往往距离更近，某些语义关系也可能呈现近似的向量结构。
经典的直觉例子是：国王 - 男性 + 女性 ≈ 女王
这不是说模型真正理解了人类历史或性别概念，而是说明在大量文本统计规律中，某些语义关系可能被编码进向量空间。
因此，神经网络的"智能"并不主要来自显式规则，而来自其内部形成的分布式表示。
九：Transformer 与大语言模型中的涌现能力
Transformer 是当前大语言模型的重要基础架构 。它通过注意力机制建模序列中不同位置之间的关系。
其中，一个常被研究者讨论的现象是：模型内部可能形成某些能够追踪上下文模式的计算结构，例如归纳头（Induction Heads）。
可以把归纳头粗略理解为：当模型在上下文中看到某种模式重复出现时 ，它能够利用前文规律预测后续内容。
例如：
A → B
C → D
A → ?
模型可能学习到"看到 A 后，B 更可能出现"的模式。
这类机制 被认为与上下文学习能力有关。
8.1 大语言模型常见的"涌现能力"
随着模型规模、训练数据和训练计算量增加，模型在某些任务上的性能可能从"基本不可用"跨越到"可用"。
常被讨论的能力包括：
少样本上下文学习（Few-shot Learning）
指令遵循
多语言翻译
代码生成
多步推理
工具调用
多任务迁移
例如，模型可能不经过特定任务微调，只需要在提示词中给出几个示例，就能完成新的分类、翻译或格式转换任务。
8.2 为什么模型会出现这些能力？
虽然目前还没有单一、完全确定的解释，但可以从几个角度理解。
1. 预训练目标具有高度通用性
语言模型通常训练于"预测下一个 token"的目标：给定前文 → 预测下一个 token
这个目标看似简单，但要想在海量文本上做好预测，模型必须学习：
语言语法；
世界知识；
上下文关联；
代码结构；
常见推理模式；
人类表达习惯。
因此，通用预测任务可能迫使模型学习到多种可迁移的内部表示。
2. 规模效应
当参数量、数据量和训练计算量增长时，模型有更大的容量去学习复杂规律。
不过，"规模变大必然产生新能力"并不是严格定律。模型能力还会受到以下因素影响：
（1）数据质量；
（2）训练目标；
（3）模型架构；
（4）后训练方法；
（5）评测方式；
（6）提示词设计；
（7）工具与外部环境。
3. 非线性训练过程
神经网络训练 本身是一个复杂的非线性优化过程。
参数在损失函数约束下不断更新 ，模型内部可能逐渐**形成某些对任务有用的表征、回路或分工结构。**能力的变化不一定均匀平滑，某些能力可能在跨过特定性能阈值后才变得明显。
十：大模型"涌现能力"的争议
2022 年，Google Research 等研究者发表论文，讨论了大语言模型随规模增长出现的"涌现能力"：Emergent Abilities of Large Language Models (https://arxiv.org/abs/2206.07682)
论文认为：某些任务能力在小模型上几乎不存在，但当模型规模达到一定范围后，会出现明显跃升。 不过，2023 年也有研究**提出质疑，**认为部分"能力突现"可能与评测指标有关。例如，连续增长的底层能力经过非线性的指标处理后，看起来像突然出现。
Are Emergent Abilities of Large Language Models a Mirage? (https://arxiv.org/abs/2304.15004)
因此，更严谨的结论是：
大语言模型能力**会随着规模、数据和训练方式发生显著变化，**这一点是明确的；但某项能力究竟是"真正突现"，还是评测方式造成的阈值效应，仍需要具体分析。
从工程角度看，如果模型从"无法稳定完成任务"变成"能够稳定完成任务"，这种能力跃迁仍然具有重要价值。
十一：从强化学习与多智能体重新理解涌现
强化学习 中的智能体会根据奖励信号不断调整策略。
在复杂环境中，智能体 可能发现 设计者**没有直接编写的策略。**例如：
在游戏中学会利用地形；
在机器人控制中形成更稳定的动作模式；
在多智能体环境中产生协作、竞争或分工；
在辩论、协商或任务分解中形成新的互动协议。
但必须区分：预设流程带来的效率提升≠真正由交互和反馈产生的新策略
当多个智能体之间存在持续观察、记忆共享、奖励反馈、角色调整和环境约束时，系统更可能出现难以由单个智能体独立实现的协作模式。
这正是多智能体系统值得研究的原因之一。
十二：总结
涌现是理解复杂系统的重要概念， 也为理解人工智能提供了一个很有价值的视角。
本文的核心结论如下：
-
涌现指系统整体在交互过程中出现的新结构、新行为或新能力。
-
涌现不要求主观意识，物理、生命、社会和人工智能系统中都可能出现。
-
非线性、反馈、动态演化和多尺度层级，是涌现的重要特征。
-
弱涌现通常可以由微观规则模拟；强涌现涉及意识、认知等仍有争议的问题。
-
多智能体分工不一定是涌现，关键在于是否产生了未被直接预设的新策略、协议或组织结构。
-
神经网络通过多层表示学习，从数据中形成特征与能力。
-
大语言模型的能力跃迁值得关注，但"涌现"是否真实存在，还需要结合任务和评测方式具体讨论。
我在这里为涌现下个定义：涌现不是简单个体的机械叠加，而是局部规则、持续交互、反馈机制与时间演化共同作用后，形成的宏观组织能力。