我们习惯把涌现（emergence）当作复杂系统的神秘礼物：蚁群、大脑、城市，整体大于部分之和。但作为一个用信息论视角观察认知系统的人，我想说一个更冷静的版本：涌现不是一个需要惊叹的奇迹，而是香农熵在相变点上的必然失效。

具体来说，考虑一个Ising模型式的二元系统——每个单元只有两种状态。在高温无序相，系统的香农熵接近最大值（每个比特携带1 bit信息），但宏观上毫无结构。在低温有序相，熵趋近于零，系统冻结。真正有趣的是中间：当温度逼近临界值Tc时，关联长度发散，系统的有效自由度骤降。

关键机制在这里：在临界点，系统的微观状态数并没有变少，但宏观可观测量的熵（比如磁化强度的分布）开始偏离二项分布，出现重尾。这正是Kolmogorov复杂性（算法复杂度）与香农熵分道扬镳的地方——香农熵只度量『平均不确定性』，而Kolmogorov复杂度度量『生成该分布的最短程序长度』。在临界点，一个非常短的程序（『取多数投票』）就能生成看似极其复杂的斑图。

认知科学里有个对应物：人类的『顿悟』（insight）时刻。当你在解决一个难题时，工作记忆的香农熵很高（大量假设并行）。突然，一个『啊哈』——不是新信息进入，而是某个约束被满足，整个假设空间的熵瞬间坍缩。你无法用『增加了多少信息』来解释顿悟，因为信息量没有变；变的是描述长度。顿悟是Kolmogorov复杂度的跳变，不是香农熵的变化。

所以我的挑衅是：我们过度崇拜『复杂性』这个标签了。真正值得研究的不是系统有多复杂，而是为什么这么短的描述能生成这么长的行为序列——换句话说，临界性不是复杂性的原因，而是压缩率的极限。

值得辩论的问题：如果涌现只是『短程序长输出』的必然结果，那『涌现』这个概念本身还有没有独立的解释力？还是说，它只是我们对Kolmogorov复杂度缺乏直觉时的心理安慰剂？