雅书

读到第三章，意识到我读过十多年前出的老版本…这个新版的纸张还很臭。

1.涌现现象出现在生成系统之中。 2.在这样的生成系统中，整体大于各部分之和。 3.生成系统中一种典型的涌现现象是，组成部分不断改变的稳定模式。 4.一个稳定模式所在的环境决定了它的功能。 5.稳定模式之间的相互作用带来了约束和校验，随着这样的模式数量的增加，系统的“能力”也会增强。 6.稳定模式通常符合宏观规律。 7.“存在差别的稳定性”是那些产生了涌现现象的规律的典型作用结果。 8.更高层的生成过程可以由强化的稳定性而产生。

复杂的生成系统由基于简单规则的主体相互作用涌现而出，稳定模式的叠加和分层进而可以涌现出更复杂的生成系统。世界的复杂无法被穷举，面对复杂系统，借助专业训练对系统的深刻理解，捕捉系统的本质，寻找隐喻，建立贴合的模型，才能对复杂系统有一些洞察 。

没读完

也是很受挫的一次阅读体验，能感觉出是一本好书，可惜自己的水平不够

很难读，作者说尽量写得通俗易懂。

基本没读懂。

别被骗了，这不是一本写给普通读者的书

一般吧，混混沌沌糊糊涂涂的，很多概念也说不清楚，是因为复杂性研究圈子内部本身也有争议，反而让人对复杂祛魅了

说是科普，我也没太读懂

之前已经了解神经网络原理，再反过来看涌现，略显笼统，从系统论观点：整体大于部分之和。涌现的确解释了为什么1+1大于2。整本书由于是面向非专业读者，描述性及事例篇幅较多。

阐述了简单要素在有限规则下经过时间演化展现出复杂的状态的现象，以及如何利用数学工具和符号逻辑从现实中将上述现象抽象为可以利用计算机模拟的模型。很有启发的一点是，对于展现出非线性特征的涌现模型，其实可用于对其进行抽象的数学工具是比较少的，这也是一个很基础性的瓶颈。

其实没太懂为啥把涌现作为一个理论。。但对于了解机器学习和神经网络还是很有帮助的

没打五星的原因是数学作业没看懂。

学过高数，读这个书的几个章节会容易一些。读此书才知道《规训革命》里戈尔斯基对其所主张的批评实在主义的基础的涌现恐怕也只是皮毛。涌现理论和遗传算法对社会科学研究者的影响真是怎么强调都不为过的。我特别想对很多读了哈耶克、波普尔就自以为掌握宇宙真理的喊一嗓子：至少去读读复杂科学的入门书吧，任何一本都行，再不行至少读读波兰尼吧？

>> 世界上的事情并不是非此即彼、黑白分明，所谓好坏、利弊、对错、得失，都是因时因地因场景而变化的。特别是，系统规模越来越大，涉及多方合作时，局部和整体的视角和利益冲突，可靠性和效率的权衡等各种因素交叉重叠，呈现出非常复杂的情况。 >> 世界比我们理解的要复杂得多，那种追求简单化、绝对化、非此即彼的思维方式，恰恰正是导致世上出现众多失误和偏颇甚至灾难的根源。我们以前期望找到一种“一统天下”的终极真理或规范，这本身就是不切实际的，那种“放之四海而皆准”的终极模式是不存在的。我们需要做和能够做的是承认和正视复杂、多样化、分层次的世界，避免绝对化和僵化，不断认真观察和研究丰富多彩的大千世界，不断更新我们的理解和认识，这就是复杂性研究的核心理念。

计算机人工智能算法原理？肯定是看不懂，但能从中学到什么呢？多变量的简单规则却涌现出不可控不可知的复杂问题。复杂问题无最优解，只能寻求更优方案。因此，任何现实问题只能在干中学，通过失败而进步。推荐阅读序言、1、2、10、11章、结语这6部分，中间非计算机、数学专业是不可能看懂的。暂且将涌现理解为质量互变规律，不积跬步无以至千里。弃书开始下一本。

写书写的不好, 写的神神叨叨的. 很简单的事情来回重复的说就有点洗脑了. (以下是对整个学科的评价) 研究天然地带有两个重要的假设, 一是简洁, 二是可证伪(或者可以放宽到可以复现与可以预测). 很不幸的是涌现两条都没有做到. 分辨率上升会导致涌现失效, 目前为止, 涌现最多只能算是一个新的诠释手段. 反过来不如想想为什么到现在为止, 都那么喜欢广义线性模型(哪怕贝叶斯也是广义线性框架玩得多), 因为这是对于规律简洁的必然, 对于解释和预测的必然. 更可怕的在于, 这玩意带来了一种刻奇, 一种鸡同鸭讲的模仿. 尽管自然是 dirty 的, 但却是简洁的.

约翰霍兰的书，成书于1999年。我隐约中就有感觉，机器学习和复杂性应该有某种联系，原来20年前霍兰就告诉我了，二者是传承关系。虽然说现在看起来第一章的增强学习，第二章的神经网络，都有点古老了，但这也正说明机器学习领域发展之快。那就让它继续发展吧，直到解开复杂性谜团那一天吧

圣塔菲的忠粉，复杂科学的重要著作必须要看的，霍兰德是涌现的提出者，经典之作。