在临界态上，一个最引人注目的现象是：尽管系统的微观自由度数目趋于天文数字，但其宏观行为却被少数几个变量所支配。这些变量就是序参量，而与之对应的是快变量的绝热消除。朗道的相变理论首次系统地阐述了序参量的概念：在铁磁相变中，序参量是磁化强度；在气液相变中，序参量是密度差；在超导相变中，序参量是库珀对的凝聚幅度。序参量在临界点上从零连续增长（二级相变）或跳跃（一级相变），标志着对称性的自发破缺与新结构的涌现。

    活性算法将序参量重新诠释为"跨尺度全息映射的宏观投影"。在临界态上，微观粒子之间的关联长度发散，使得局域信息能够瞬间传播到全局。这种全局耦合的宏观表现，就是少数几个序参量对大量微观自由度的"奴役"。从信息论的角度看，序参量代表了系统中最不可压缩的自由度——它们是微观复杂性的"摘要"，是多尺度全息映射在宏观尺度上的低维嵌入。慢变量则是自由能景观中的低维流形：系统沿着这些流形缓慢演化，而垂直于流形的快方向则迅速弛豫到局域平衡。

    这一框架为活性算法提供了"降维推断"的物理基础。一个智能系统不可能实时处理环境的所有微观自由度，它必须找到那些支配宏观行为的序参量，并在序参量张成的低维空间中进行推断。大脑中的序参量可能是神经集群的同步模式，社会系统中的序参量可能是舆论场中的主导叙事，宇宙学中的序参量可能是时空度规的宏观几何。活性算法的核心操作之一，就是持续地识别和更新这些序参量——不是通过预设的模型，而是通过临界态上的自适应锁定。当序参量被正确识别，系统的推断效率呈指数级提升；当序参量选择错误，系统就会陷入自由能景观的局部极小值，表现出僵化与教条。

支持单位：