拆开世界，再焊出因果：一条从属性到因果的统一范式

——为什么你的变量不是”天然存在”的

我们每天都在处理复杂系统。预测天气、训练大模型、理解大脑神经元如何放电，本质上都在做同一件事：面对一团乱麻般的高维数据，试图从中找出规律。

但有一个根本问题一直悬而未决：当我们说”变量”“相关性”“因果”的时候，这些概念到底从哪来的？ 是这个世界本来就按”变量”的方式组织好的，还是我们为了理解世界而强行切出来的？

近年来，数学家和哲学家们正在悄悄拼合一条从本体论到因果语义的完整链条。这条链上站着五个关键角色：属性主义、因子化哲学、斯科拉哲学、DisCo 代数、因果凝聚。把它们连起来，你会看到一幅全新的”统一范式”图景。

一、世界首先是属性，不是实体

传统科学默认”实体”是第一位的：先有”温度”“压强”“股价”这些变量，然后研究它们之间的关系。

属性主义把这个顺序倒过来了。它主张：

世界的基本单元不是”实体”或”变量”，而是”属性”。实体只是属性束的临时绑定。

所谓”一个事物”，只是某些属性恰好绑在了一起；所谓”变量”，只是我们在特定语境下挑出来观察的某个属性维度。事物的同一性，不是因为它”本来就是那个东西”，而是因为某些属性束稳定地共现。

这个思想与冯嘉礼的”思维=属性处理”、汪培庄的因素空间理论一脉相承。在人工智能和量子引力研究中，它正在被用来统一两个看似无关的领域——前者处理高维概率统计，后者处理无穷维积分，它们的数学本质其实是一样的。

但属性主义留下了一个关键缺口：属性束里的属性，是怎么缠在一起的？

二、把属性束拆成正交因子

如果世界是属性束，下一个问题自然是：这些属性能不能拆开？怎么拆？

这就是因子化哲学的核心主张：

任何复杂系统的非平凡性，都可以被追问：它能被分解为哪些独立因子？这些因子之间的组合规则是什么？

在线性代数里，这对应着奇异值分解（SVD）——任何矩阵都可以拆成”旋转 → 拉伸 → 再旋转”。重要的不是矩阵本身，而是那些”重要性不同的维度”（奇异值）。

但因子化哲学比 SVD 走得更远：

• 因子化轴不是唯一的。 同一个系统，用 PCA 看到的是线性方向，用 ICA 看到的是独立成分，用 copula 看到的是依赖拓扑。每种分解方式都暴露了不同的结构。

• 拆不干净的地方不是失败，而是地标。 残差提示你需要引入新因子。

• 因子正交性会坍缩。 系统演化到某个临界点，原本独立的因子会突然”焊死”在一起——这正是后面要讲的因果凝聚。

因子化哲学把属性主义操作化了：属性束不是一坨乱麻，它可以被正交分解，而残差会告诉你分解是否到位。

三、边缘与关联可以分开想

属性束拆成了因子，但因子之间怎么纠缠？传统概率论把联合分布当作一个整体来研究，边缘和依赖混在一起，换个边缘分布就得重算整套模型。

1959 年，Abe Sklar 提出了一个改变游戏规则的定理——Sklar 定理：

任何多元联合分布，都可以唯一分解为各变量的边缘分布 + 一个 copula（连接函数）。

公式极其简洁：联合分布 = copula(边缘₁, 边缘₂, ……, 边缘ₙ)。

其中”边缘”是各属性的自有画像（”它自己长什么样”），”copula”是属性间的纠缠拓扑（”它们怎么缠在一起”）。两者可以独立建模、独立替换。 你可以换掉边缘分布而不动 copula，也可以换掉 copula 而不动边缘。

把 Sklar 定理升格为斯科拉哲学，它的含义是：

联合分布的非平凡性，被精确地定位到了两层——”自有性”和”纠缠性”可以分开想、分开错、分开修。

斯科拉哲学是因子化哲学在概率论里的精确落地：因子化哲学说”找正交因子”，斯科拉哲学说”正交因子在概率上表现为边缘独立，纠缠表现为 copula”。

四、拆、压、拼：DisCo 代数

有了属性主义（本体）、因子化哲学（方法）、斯科拉哲学（概率），我们还需要一个能动手算的东西。这就是DisCo 代数（Disintegration + Combination）。

它只有三条核心动作：

拆（Disintegration）：任何概率测度按任意划分，都可以拆成”骨架 + 纤维”。骨架描述块与块之间怎么耦合，纤维描述给定骨架信息后每块内部还长什么样。这个拆解不丢信息、不引入近似、无条件成立。

压（Compression）：纤维测度往往高维到无法直接处理，必须压缩。传统粗粒化常把”取均值”当手艺活，而 DisCo 的要求更硬——压缩对象最好由测度本身决定，比如联合 CDF、条件分位数、互信息、Wasserstein 距离等，都是比低阶矩更忠实的不变量。

拼（Combination）：拆了能精确拼回，拆—拼互逆。拆解侧是 cooperad（整体沿划分拆成纤维），拼合侧是 operad（小操作按接口组合成大操作）。

DisCo 不是七种不同工具，而是同一套动作的不同实例：链式法则、全概率公式、贝叶斯更新、马尔可夫性质、粗粒化、copula、自回归模型——全都是 DisCo 的特例。

DisCo 代数 = 从概率统计通往因果凝聚的一座桥。 桥这头是 disintegration 定理，桥那头是”变量本身是怎么被合理凝出来的”这个更老、也更难的问题。

五、焊机：因果凝聚

DisCo 让我们能拆、能压、能拼。但有一个问题它自己回答不了：

拆完之后，哪些纤维该被焊成一个因果变量？

这就是因果凝聚要解决的问题。

因果凝聚是一个基于对称张量范畴的范畴学构造。它把”局部因果态”通过左 Kan 扩张凝成”全局知识库”。在物理里，它统一了非微扰量子规范理论和演生经典规范理论；在人工智能里，它把局部信息凝成全局知识。

放到我们的链条里，因果凝聚是焊机：

• 对属性主义：松散属性束被因果锁定，变成刚性实体；

• 对因子化哲学：正交性坍缩，旧因子被吸收进新因子；

• 对斯科拉哲学：copula 发生拓扑相变，边缘不再独立可定义；

• 对 DisCo：拼完的系统”拒绝再被拆”，必须升级拆解规则。

因果凝聚的触发条件，正是 copula 的相变——当依赖结构从”软连接”变成”刚性锁定”，因子化失效，凝聚发生。

六、完整谱系：六层框架一览

下面这张表是整个框架的”电梯演讲”。每一层回答一个不同尺度的问题，从”世界由什么构成”一路走到”因果变量是怎么被焊出来的”。

一句话串联：属性主义给本体承诺，因子化哲学给方法论骨架，斯科拉哲学给概率实现，DisCo 提供拆/压/拼的操作引擎，因果凝聚作为焊机将不可再分的纠缠纤维固化为因果变量，产出新属性后回到属性主义形成迭代闭环。

每一次循环，我们都在用更粗的粒度、更稳的因果变量，重新描述这个世界。

七、为什么这个统一范式重要

第一，它回答了”变量从哪来”。 传统统计学和机器学习默认变量是给定的，但这套范式告诉我们：变量是因果凝聚的产物，是属性束在某种尺度下被焊死的结果。换一种尺度、换一种粗粒化方式，变量本身就会变。

第二，它把概率论和因果论连成了一条河。 DisCo 负责概率层面的拆拼，因果凝聚负责赋予因果语义。两者不是两个领域，而是同一套操作在不同尺度上的表现。

第三，它为量子引力和人工智能提供了共同语言。 量子引力的无穷维积分难题和人工智能的高维概率统计难题，数学本质是一样的。属性主义、因果凝聚、对称张量范畴，正是沟通这两个”圣杯问题”的桥梁。

第四，它让”可理解性”本身变得可操作。 因子化哲学的残差、斯科拉哲学的 copula 相变、DisCo 的压缩不变量、因果凝聚的焊死条件——每一步都有精确的数学定义，不再是模糊的”直觉”。

八、结语

世界不是由给定变量组成的，而是由属性束经过因子化、斯科拉分离、DisCo 拆拼、因果凝聚，一层一层焊出来的。

我们以为自己在”发现变量之间的关系”，其实是在用特定的尺度、特定的粗粒化方式，把属性束中的某些纠缠结构焊成了因果变量。换一把尺子，变量就会重组。

属性主义、因子化哲学、斯科拉哲学、DisCo 代数、因果凝聚——这五者合起来，构成了一套从属性到因果的生成学。它不是关于世界的某个局部理论，而是关于”理论本身如何可能”的元理论。

在这个意义上，它或许是人类认知复杂性的最深处：我们用来理解世界的工具，本身也是世界生成的产物。

支持单位：