Chapter Content
哎，大家好。今天咱们聊聊涌现，就是那个涌现。涌现啊，听起来挺玄乎，其实没那么复杂。要理解它，得把物理世界和信息世界联系起来。你想啊，自然界是由各种物理实体组成的，这些实体解决问题的方式，就是处理信息。只有把物理和信息结合起来，我们才能搞清楚那些小部件聚在一起，变成大部件时，到底在干什么。
现在的科学啊，在复杂性问题上，虽然有点跑偏，但也提供了一些重要的框架，里面的概念还是值得借鉴的。比如说，信息论、计算理论和进化论。我之前也简单提过这些，就是为了说明物理抽象、自然的构建方式，以及自然如何解决难题。现在咱们深入研究一下这些领域，提出一个涌现发生的机制。
我说的这个涌现的解释啊，不是什么科学界的共识，因为根本就没什么共识。科学界嘛，还是太过于简化论了，没法在定义涌现上取得什么进展。所以，我在这里提出我认为最合理的解释，它是基于信息、计算和进化相关的特性。当然，我的理论肯定会和现有的理论有些相似之处，但我就把它当成一个独立的理论来说。
咱们先从信息论的概念基础开始说起。信息论啊，正式的定义是应用数学和计算机科学的一个分支，主要研究如何量化信息，尤其是通信方面的信息。信息论的主要思想，来自计算机科学家和数学家克劳德·香农，他在20世纪40年代奠定了基础。从信息论里，我们能得到的核心概念是熵，熵的概念起源于热力学，这要感谢物理学家鲁道夫·克劳修斯和路德维希·玻尔兹曼。
热力学里的熵，指的是分子的微观行为，以及系统向平衡状态演化的趋势。而香农的熵，指的是描述或预测随机过程结果所需的信息量。通常情况下，人们会把这两种熵当成是不同的解释，但我觉得，它们其实是密切相关的。而且，我想说，它们不仅仅是相关，它们根本就是同一件事，只是看的角度不一样而已。信息总是来自某种物理载体。物理和信息这两个版本的熵，都是自然推动创造力的核心。所以说嘛，香农（信息）和玻尔兹曼（物理）能得出相同的概念，那是一点都不奇怪。
信息论会抽象掉我们感兴趣的系统的底层物理性质，这样就能专注于从统计行为中涌现出来的高层次模式。这样，我们就可以讨论复杂的系统，而不会迷失在不必要的细节里。信息论可以很自然地跨越不同的领域，比如通信系统、生物网络和社会互动等等，这很正常，因为只有自然界最根本的真理，才会在很多事物之间有深刻的普遍联系。
熵可以量化不确定性，因为它衡量的是系统中的无序程度。很多科学家不喜欢用“无序”来描述熵，因为有些情况下，系统看起来更有序，但熵值却更大。这主要是语义上的问题。重要的是，熵越大，不确定性就越大，就像一个更混乱的房间，肯定比一个井井有条的房间更不确定。
在物理领域，熵告诉我们，对应于给定的宏观状态，有多少种微观配置或粒子的排列方式。它是一种计算有多少种可能的微观配置，与我们观察到的宏观性质一致的方法。比如说，温度、压力和体积（我们可以测量的东西）是系统的宏观性质，而单个粒子（原子、分子）则构成了微观视角。
如果一个系统有更多的可能配置，它就更难预测，因为可能性越多，就意味着对事物是什么或可能变成什么，就越不确定。一个气体均匀地充满整个容器，比气体被限制在一侧的熵要高。
你可以把熵想象成，描述或预测一个过程结果所需的平均信息量。如果我们抛一枚均匀的硬币，我们展示的就是一个具有最大熵的过程，因为对于哪一面朝上，有最大的不确定性。但是，如果我们用钳子把硬币弄弯，那么对于结果就会有更大的确定性，熵就更低。
香农熵通过测量与不同结果相关的概率分布来捕捉这种不确定性。这就像抛成千上万次硬币，并记录下正面朝上和反面朝上的频率，然后把这些结果画成条形图，每个条代表正面或反面的计数。
当然了，图上的两个条不算是什么分布。现实不是抛硬币。真实的系统有无数种可能的配置（一个“万亿面硬币”），因此任何试图表示这些配置的相对频率的尝试都会被平滑掉，并呈现为一条曲线。这就是我们在教科书中通常遇到的平滑分布，其中最著名的是钟形曲线。硬币抛掷不能产生钟形曲线（因为只有2个可能的结果），而人的身高就可以。最可能的结果是分布的峰值，因为大多数人的身高都落在这个狭窄的范围内。
但是，钟形曲线不能捕捉复杂性，因为它缺乏互动。个人的身高是独立的。身高之间不会“对话”。你最好的朋友的身高不会影响你的身高，因此人类有一个明确的平均身高。这和复杂性完全不同，因为复杂性是由许多具有许多互动的部件定义的。正是复杂系统中无数的互动，导致了决定其结构和行为的特性，并使整个分布的概念过于简单化。无论自然界中存在什么“分布”，它都不太可能像我们在教科书中看到的那样。
熵给我们的核心概念，我将用它作为讨论涌现的基础，是对应于单一宏观可观测量的许多不同配置的概念。我认为，这是最好地描述涌现发生的实际过程的关键机制。不是将离散的步骤加在一起以产生结果，而是从最可能的统计配置中产生的结果。
复杂性是使用物理物质来做信息的事情。这就是为什么过程存在于自然系统中的原因；为了安排物质，从而将输入转化为输出，以解决问题。熵是信息内容的量度，因此它在信息如何被处理方面起着关键作用。由于所有物理过程都转换信息，我们可以预期自然的问题解决会展示熵的变化。
当热量从热物体流向冷物体时，熵会增加，因为热能会更均匀地分布在粒子中。当反应物在化学反应过程中转化为产物时，熵会增加。相变，比如冰融化成水，由于水分子在液相中变得更加无序，熵会增加。任何时候气体膨胀到更大的体积，熵都会增加。
我们还看到，当自然塑造她的物体时，熵（局部地）会减少。相对于创造它们的混乱，生物体是较低熵的结构。由于来自周围环境的持续传入能量，生命可以组织和维持低熵结构。当物质从溶液中凝固时，原子或分子的排列通常变得更有序。秩序可以自发地出现在鸟群或鱼群中。
我们知道，如果实体有更多的微观配置（微状态）与我们观察到的宏观性质一致，比如系统的压力或体积，那么它们就具有更高的熵。想象一下，你走到一个系统面前，测量它的压力。那个压力将是具有最多微观配置（原子排列）的压力，这些配置会产生那个压力。我们可以预期所有其他可能观察到的压力都具有较少的与其值相关的微观配置。换句话说，我们观察到的是系统最可能的状态，根据定义，它是具有产生我们所看到事物的最大数量的底层微状态的状态。
系统自然地演化到具有最大数量的可访问微状态的状态。这不仅仅适用于压力和温度。我们可以预期我们观察到的物理结构和行为会出现，因为它们具有与其外观一致的最大数量的微状态。这是复杂系统工作方式的一般属性，因此它不仅仅限于原子配置。这是一种在所有尺度上发挥作用的机制。
考虑一下在自然界中看到的涌现结构。这些是从许多部件的互动中产生的模式。这些部件是较低级别的微状态，它们映射到一些宏观的涌现结构。再说一遍，微观不需要指实际上在尺寸上是微观的东西，只是指比我们观察到的级别低一个级别。
长期以来，熵在生命中的作用一直备受争议。一方面，热力学第二定律告诉我们，熵在孤立系统中总是增加，这意味着结构应该演化到更高的无序状态。然而，在某种意义上，生物体是高度有序的结构，其特征是低熵。这个悖论的解决方案是，生命系统只是在局部减少它们的熵，代价是增加它们周围的熵。这意味着生物体不是孤立的系统，因为它们与环境交换能量和物质。
但是，将生物体描述为高度有序和开放的系统不能是完整的故事。在一个单一实体中，我们看到较低级别的更多无序（更高的熵）应该会产生更高级别的更多秩序。这就是为什么涌现结构从稳定系统可以拥有的最大可能熵中产生的原因。这意味着熵既没有被明确地降低或增加，而是总是在变化中，低级别的熵增加为更高级别的熵减少提供了动力。
无论如何，这里的最关键点是，对涌现的解释不需要级别之间存在某种因果链。涌现不需要基于还原论或确定性推理的近似。当从熵的角度来看时，涌现仅仅是拥有与我们观察、测量和体验的结构和行为相对应的最大数量的低级别物质的物理结果。
斑马鱼的条纹是我们所看到的。问它们是如何形成的，是错误的问题。任何试图拼凑出一些因果故事的细胞成像或遗传工具都永远无法正确地回答这个问题。但我们知道的是，条纹存在于最高级别 (n)，而它们肯定是从下面的细胞 (n-1) 中产生的。这意味着下面的细胞必须以与我们所看到的条纹一致的最大可能配置存在。在所有可能的细胞配置中，那些产生条纹的配置是最多的。
蚁群展示了复杂的自我组织、劳动分工、鲁棒性、适应性和大量的效率。这些特征作为涌现模式而产生。没有因果链可以告诉我们这些模式来自哪里，但我们确实知道，这些模式 (n) 必须从与我们观察到的宏观模式一致的最大微观配置中产生。我认为，这就是涌现。
正如已经提到的，所有这些的另一个重要结果是，熵不能仅在一个尺度上进行充分的讨论。我们应该预期熵的增加和减少会在一个单一实体中共存。一个自然的解决方案将使其系统的较低级别具有比其较高级别更多的熵。斑马鱼的条纹必须比其下一级别结构（例如细胞）具有更低的熵。这就是为什么我们认为内部细节比我们观察到的更高级别秩序更混乱的原因。
哲学和自然界的物理系统都是如此。最后一句话会让大多数科学家畏缩，但他们不满的根源不是缺乏客观真理，而是他们对垂死的还原论范式的依赖。现实最终是信息和计算，在这个环境中存在着易处理程度的差异。存在的（经受住了时间考验的）不变真理存在于最高的抽象级别，而具体的细节总是在变化中。
这不是关于哲学的价值声明，也不是试图将它们纳入科学学科的尝试，这仅仅是基于信息和计算的系统如何运作的不可否认的逻辑。这就是（使用对如何的正确定义）自然如何运作，无论你是否喜欢。
正如钟形曲线的峰值告诉我们在人群中我们将观察到的最可能身高一样，任何分布的峰值都是概率最集中的地方。正是这种概率密度最高点告诉我们我们可以期望看到什么。这是系统的最多微状态与我们观察到的相对应的位置。当然，自然不会使用像钟形曲线这样基本的东西，但这一点仍然成立。分布的峰值是我们在概率上观察到的，因为从统计上看，这是结构/行为产生配置最多的地方。
因此，我们可以将涌现结构视为概率分布的峰值的物理版本。通过将熵的热力学和信息论解释合并为一个单一解释，我们开始看到涌现实际上是什么。
熵向我们展示了底层配置与我们观察到的宏观属性之间的联系。无论我们在自然界中观察什么尺度，我们都应该预期观察到的结构是可能性分布的峰值。那个峰值代表了产生相同结果的最多可能配置。这意味着无论我们在自然界中观察到的什么特征，它都是可以用最多可能的方式实现的。
因此，总会有很多方法来计算难题的正确答案。这是因为自然的涌现结构是它的计算结构，而这些是通过将许多可能的微状态映射到其存在来实现的。这意味着在一个复杂的物体中，单条路径不可能产生结果。
仅这一事实就完全排除了还原论的概念，以及自然的系统可以在内部是确定性的前提。构成自然界任何事物的各个部分，根据定义，与结果没有确定性的联系。在复杂的系统中不可能存在根本原因，因为可以用最多可能的方式实现的事物不可能有根本原因。熵告诉我们，与其存在从输入到输出的路径，不如说我们拥有的是一个系统，它以无数种方式安排自己来产生相同的输出。这就是自然构建自己的方式，而正是这些结构处理信息以产生我们所看到的东西。
自然的解决方案是多重可实现的。我们在自然环境中测量、观察和体验到的是可以用最多可能的方式实现的事物。
在这一点上，我将提出一个强烈的论断：涌现不是我们在自然界中偶尔遇到的一种小众现象，它就是自然。当我们观察任何尺度上的任何系统时，我们不是在观察一些确定性地确定的东西。构成我们所看到的东西的各个部分没有特定的个人角色，只要它们促成一个新的协同实体；一些具有独特和独立存在的东西。涌现通常被认为是各个元素产生大于其各自效果之和的组合效果。这是真的，但“更大”这个词是有问题的。它表明整体仍然与各个部分有因果关系。我认为，涌现是从各个部分到具有独特功能的全新对象的突然转变。这种涌现消除了较低级别和较高级别之间任何因果关系的概念。
每个尺度上出现的独特功能是配置的信息和计算实现的自然结果，这些配置计算独特的输出。自然创造了解决给定问题所需的东西，而这发生的唯一方式是通过熵的多重可实现机制。必须存在从许多可能的输入到几个特定输出的映射。这不能使用确定性因果路径发生，只能通过熵驱动的信息压缩。
原子结构不是中子、质子和电子以某种简单的方式协同工作的结果。我们已经知道事实如此，因为元素周期表上氢气以上的所有原子都不能精确求解。一旦我们进入3体问题，系统组件之间的互动就排除了做出精确的确定性预测。这些计算被“近似”处理，但正如我在第五章中论证的，自然不是一种近似。今天使用的计算假设了潜在的确定性，并试图创建该确定性的某种更柔和的版本。但是，如果自然突然将其各个尺度转变为全新的实体，那么这些计算就不是近似，它们更像是差一点。近似是如果我们直接处理问题，就不会像现在这样好或精确的答案。当我们使用数值方法、启发式方法、数学优化或机器学习等方法时，我们实际上并没有找到“近似解”，因为没有什么可以近似的。这些技术并没有凌驾于更深层次的因果现实之上。
我认为，即使在概念上，也不存在比我们的计算更直接的东西。在不同的尺度上观察事物（例如，分子与原子，细胞与细胞器）就是观察完全不同的事物。我们用来模拟复杂性的计算实际上更接近真实事物，而不是接近潜在的现实。换句话说，看起来可以逻辑地定义甚至预测复杂现象的良好模型正在变得类似于现象本身。
这更接近于某些人所说的强涌现。弱涌现表明，从更简单的组件的互动中产生的特性和行为可以根据这些组件的底层规则和互动来完全解释。相反，强涌现声称，在复杂现象中看到的结构和行为不能通过系统的组件的底层规则和互动来减少或解释。我同意，但我不会将复杂性降级到科学的某个小众角落。涌现就是自然。所有的一切。这不是一些简单的信念，而是建立在与已知的信息、计算和进化特性相一致的提议机制之上。
我在这里论证的涌现意味着自然与我们当前科学和工程范式的还原论假设完全脱节。虽然还原论观点在某些情况下有效，但它最终是不正确的。就像经典力学非常有用，但最终是错误的一样。但是，虽然经典力学仍然有用，但我们在复杂性时代必须构建的东西使还原论和设计完全无效。伸入复杂系统的内部并故意安排它的各个部分只能产生无用或危险的结果。
与其将复杂性和涌现视为仅与某些现象相关的东西，不如更诚实地承认涌现就是自然。从其普遍属性的角度来看自然使这种解释成为真正严谨的解释。它不会调用关于内部因果关系的无法证明的故事。它是基于我们已知发生的事情。
灵活的确定性使自然的解决方案不像人类历史上使用的基于规则的工程。然而，自然的解决方案与规则有一些共同之处，因为它们正在将输入转化为输出。使这种转化与基于规则的工程如此不同的是，自然的计算不是一对一事件的因果链。自然不会为相同的输入产生相同的输出。自然将许多不同的输入压缩成一小部分熟悉的输出，这些输出可以解决给定的问题。这种压缩发生在极端情况下，因为有无数的输入被转化为较少的输出。在海狸面临的所有不同的环境挑战中，它总是产生相同的几个海狸输出。这就是我们在自然界中看到的灵活的确定性。
自然界的解决方案不可能是进行转化的规则集。它们必须是其他的东西。我们已经看到，这种其他的东西是自然创造的物理抽象。但是，物理抽象正在做什么使自然的解决方案能够蕴藏其灵活的确定性？答案必须是信息压缩。
信息压缩是信息论的另一个核心概念，它指的是在不丢失重要信息的情况下减少数据大小的过程。在通信中，这可以被认为是找到一种更有效的方式来表示数据，以便可以使用更少的比特来存储或传输数据。这通常是通过利用数据中的冗余来实现的，因为在收到消息后可以重建重复或可预测性。
想象一下，我们有一串字母，例如“AAAABBBCCDAA”。我们可以通过减少其大小，更有效地表示其重复模式，从而以更有效的方式通过线路发送它。我们可以通过字符本身及其重复次数来表示重复字符的序列，从而将我们原始的字母字符串编码为“4A3B2C1D2A”。我们的消息已从12个字符“压缩”为10个字符。看起来不多，但是当有大量数据时，它可以产生巨大的差异。在接收端（解压缩），我们可以简单地展开每个字符，然后展开它应该重复的次数，从而使我们回到原始消息。今天计算机中使用的现代压缩算法使用这种方法来有效地存储文件、照片和其他项目。
信息压缩是自然通过其涌现结构完成的。这一定是真的，因为正是自然解决方案中的涌现结构将无数的可能性转化为解决其主机面临的许多挑战的少量输出。
这就是为什么自然如此灵活和适应性强的原因。当我们想到猎豹在一瞬间机动的能力，并在如此多的情况下执行其速度时，我们对它的复杂性感到惊讶，相对于汽车之类的东西。但是，让我们感到惊讶的原因是我们正在用简单的系统进行思考。人们会想象离散的组件相互碰撞，并想知道动物如何解释如此多的因素。
但是，当我们通过信息压缩的镜头正确地看待事物时，我们可以理解猎豹如何能够达到这种复杂程度。无数的输入，以地形、障碍物、天气条件、来自其他猎物的竞争等方面的差异呈现给猎豹，这些输入正在被削减为允许猎豹有效奔跑的少量输出。人造物体（除了像人工智能之类的东西）不能这样做。此类物体需要单独的零件来明确地解释信息的处理。对于这种确定性机器来说，有太多的输入要转化为输出，以至于它们无法在高度人为和狭窄的环境之外运行。只有物理物质实现的信息压缩才能使自然做到它所做的事情。
自然创造的物理抽象完成了所有抽象所做的事情。它们将信息压缩为更少的输出。但是，自然的物理抽象与心理抽象过程的共同点比与传统工程的设计的物理抽象的共同点更多。传统工程通过在级别之间建立明确的因果关系来减少必须拉动的杠杆数量，而自然的物理抽象减少了计算所需的资源。
我们 在自然界中看到的涌现结构和行为最好根据它们如何处理信息来理解。它们处理信息的方式是将无数的输入压缩为更少的输出。正如我们的大脑形成概念，作为所有下属概念的通用名词一样，自然也会产生结构，下属的物理细节会附着于这些结构。正如“狗”是所有犬种的类别一样，斑马鱼的条纹是所有使这些条纹成为可能的下属组织或细胞的物理“类别”。
在心理上，创建抽象可以降低在复杂环境中进行机动和解决难题的认知负荷。通过基于更深层次的共享结构将表面上不同的事物分组到单个类别中，我们可以限制计算答案所需的处理能力量。但这不仅仅是一种信息现象。正如已经讨论过的，我们不能将物理与信息完全分开。自然界的物理结构存在是为了解决问题，而解决问题是一件信息性的事情。自然界中始终存在从输入到输出的信息转换。
以不同的尺度来看待自然的解决方案，例如将整棵树与其各个分支和叶子进行比较，就是看待一个系统的不同接口。这些接口，它的物理抽象，是由自然按照抽象的进展而创造的。树不会停止解决其分支解决的问题，它通过塑造整棵树来解决更难的问题。
树枝和整棵树解决了不同的问题，在树的生存和整体生态功能中发挥了不同的作用。树枝用于最大化光合作用并提供结构支撑。整棵树解决了通过其根系将自己锚定在地面上，并从土壤中提取水和养分的更难的问题。
树是一个存在于不同抽象级别的接口系统，不仅在心理上，而且在物理上。我们在自然界中定义的划界，例如“树”和“树枝”，是由自然创造的物理抽象，用于计算其生存挑战的答案。这些级别一直下降。从树上我们向下移动到树枝和叶子，然后再向下移动到微观的细胞级别，再向下移动到构成细胞的原子和分子。我们如何选择划分不同的级别并不重要，每个级别都在解决一个问题，这意味着它正在处理特定类型的信息。
有人可能会在此时辩称我仅仅是在物化心理抽象。树的不同尺度只不过是人类在心理上做出的方便划界。此外，通过定义角色和级别，似乎我依赖于我反对的还原论。事实并非如此，因为一旦群体不再存在，我所识别的角色就会失去其意义。在还原论下，细胞中的细胞器具有独立的定义。线粒体负责通过细胞呼吸产生能量。这是真的，但是这个角色在细胞之外没有意义。如果没有所有其他的细胞器和它们所在的基质，那么通过细胞呼吸产生能量就没有意义。事实上，这使得对个人角色的识别远不如还原论所表明的那么有意义。更重要的是，如果我们试图通过瞄准线粒体来设计更好的细胞呼吸解决方案，我们可以预期这样的设计会导致糟糕的结果。
心理抽象不是我们想象的产物，它们是处理单元。定义自然物体中的不同级别是为了观察该物体解决的挑战的嵌套结构。我们将在第七章中更多地了解问题的嵌套结构。这里的重点是，我们没有将自然物化为人工但方便的结构。这是关于不可否认的计算，而不是物化。即使我们划界不正确，这也是可靠的。无论选择将边界放置在何处，任何观察到的自然级别 (n) 都在解决一个不同于下面一组部件 (n - 1) 和上面一组部件 (n + 1) 的问题。
我讨论了在人类历史上创造的物理抽象都是通过设计制造的，使用内部因果知识将 (n - 1) 级别连接到 (n) 级别。但是在自然界中，不存在这种因果关系。每个级别都是一个具有独特功能，解决独特问题的实体。但是，正如第一章所论证的，物理抽象是任何形式的进展必须发生的方式。这意味着自然正在在其创造的解决方案中产生其自己的物理抽象。事实上，物理抽象就是涌现结构。涌现结构是自然创造的接口，减少了下一阶段的进展必须拉动以协调底层细节的“杠杆”数量。
人类正在通过设计设计这样的接口，而自然没有使用认知来选择将什么纳入什么。再次强调，自然的配方是一个美好的无意识过程。但这提出了一个明显的问题。如果没有做出任何决定，自然如何形成物理抽象？自然如何选择将哪些部件组合成一个级别的捆绑包 (n)，以服务于下一个级别 (n + 1)？
人类通过从系统外部进行操作来创建抽象。只有通过走出狗的系统并注意到它们的所有共同点，才能注意到所有犬种都属于同一个抽象类别“狗”。所有的狗都有4条腿、牙齿、尾巴等等。什么使狗成为狗的精确描述永远不够用，因为精度无法捕捉到在复杂性下发生的事情。但是人脑可以识别一个物种是否确实是狗，并将其放入一个心理类别中。对于在历史上设计的物理抽象也是如此。人类使用他们的意识和认知来发现如何将系统的不同部件捆绑成一个单元。但是，自然如何“观察”不同的部件如何具有共同点？自然如何“观察”自己来创建其物理抽象？
人类通过进行类比来创建心理和物理抽象。类比是比较两件事以显示它们的相似之处。进行类比涉及发现表面上不同的事物之间更深层次的结构，而抽象是我们做到这一点的方式。抽象允许我们分离出源域和目标域的核心属性或特征，以便我们可以更有效地比较它们。通过剥离细节，人们可以专注于两个被比较事物共有的更基本原则或结构。如果我们将太阳系与原子进行比较，我们通过抽象将原子部分与天体部分联系起来。
这意味着如果自然正在创建物理抽象，它一定在做类似于进行类比的事情。这听起来很奇怪，因为进行类比显然是一种需要意识的认知活动。像自然选择这样的无意识过程带来类比制作意味着什么？但是当从机制上来看时，我们可以看到复杂的系统确实可以采用类比制作装置。我之前提到过，自然必须“观察”自己以注意不同的部件如何具有共同点。从机制上讲，这意味着系统必须是自我参照的。
正如类比将事物联系在一起一样，自我参照系统可以通过它们共享的结构将内部细节联系在一起。这种联系不需要意识，只需要由于生存而产生不变性的无意识过程。考虑一下自然选择如何保留某些事物，同时丢弃其他所有事物。这可能发生，因为自然选择的输出（给定的世代）成为它的输入（下一代）。
自我参照导致了对某些结构和行为的加强和稳定，这些结构和行为在其他一切的变化中持续存在。这就是自然界中所有模式形成发生的方式。自我参照导致了特定状态或结构的稳定、选择和加强。我们看到这在各个领域都有体现，例如天气模式中的吸引子、生态系统中的固定点、心跳的周期性行为、化学反应中的能量最小化以及斑马鱼身上条纹的形成。这是大规模的演化，而不仅仅是与生物学相关的部分。同样的模式形成机制也发生在我们的城市、金融系统、电网、互联网和人工智能系统中。正是复杂性带来了由于反馈循环引起的自我参照机制，而这种机制是我们获得非随机事物出现并保持的方式。
自我参照是自然如何观察自己的方式。生存是如何成为创造更好事物的方式。其中一些东西坚持下来，而另一些则没有。我们在自然界中看到的结构和行为只不过是那些通过自我参照自动且不可避免地持续存在的部分。
正是自我参照使自然能够将她的系统内部捆绑成物理抽象。正如已经描述的那样，正是这些物理抽象计算出自然提出的挑战的答案。自我参照构建了涌现物质的配置，这些配置计算出自然系统中的所需答案。这就是为什么复杂性的属性如此自动且不可避免的原因。涌现结构和行为不需要指导或路径，只需要通过持续的自我参照来绑定物质的能力。
这使我们进入了自然能够参照自己的方法。我们解开涌现之谜的最后一块拼图。