在本节中我们将简要解释因果关系和推断函数以及计算机程序如何与复杂性相关。

想象一下，你看到一个物体的一部分被另一个物体挡住了，在这种情况下是一个黑色方块。

通常，如果你问人们这个对象是什么，将完成图片并怀疑它是一个完整的圆圈。

在某种程度上，似乎我们的思想是硬连线的，以最简单的形状完成图片。

我们在某种程度上偏向于简单的形式。

如果在黑色方块后面还有别的东西，会有点惊讶。

我们已经说过，在进入熵概念的技术细节之前，

我们将在稍后进行，Shannon定义的熵传统上被认为是惊讶的测量

现在像经典信息理论这样的东西可能能够描述但不能解释偏向于简单形式的简单性

通过确定倾向于支持配置，惊讶的是，那就是熵低。

但为什么会这样呢？ 我的合作者和我已经建议这样简单的接线

来自生活在一个从随机性中移除的世界，因此我们的思想已经从算法结构进化出来。

我们将更详细地讨论这个问题

但是这个例子是为了表明推理如何与复杂性相关，或者更确切地说，与随机性相关的简单性。

某种形式的主观性可能是认知的，甚至可能更为基础，

我们将会看到所讨论的随机性类型本质上不是统计性的，而是算法性的。

那么，什么是复杂性？ 也许一个有效的方式是看待复杂而不是简单的东西是如何形成的

人们可以对某些人类疾病进行分类

因为在最后一个模块中，我们将把所有这些想法概念和工具应用到

与人类疾病密切相关的分子生物学和遗传学应用领域。

大多数疾病都很复杂，科学家处理与观察者相关的挑战，测量的质量和数量，

表观噪声以及具有多种相互交织原因的高度相互作用的系统。

一些疾病，如多发性硬化症，阿尔茨海默氏症，

帕金森氏症和大多数癌症非常复杂，因为它们可以由多种因素产生，而不仅仅是一种因素。

它们依赖于许多变量，包括遗传和环境，并且是高度不可预测的。

相反，简单疾病具有单一或易于识别和孤立的原因。

它们可能来自准时的基因突变，例如一种乳腺癌。

简单疾病的结果更容易预测，它们具有明确的效果。

在该定义下的简单疾病和病症的实例包括囊性纤维化，唐氏综合症

和亨廷顿氏病。

对比简单和复杂可能有助于我们分类这种类型，例如治疗这些疾病和病症？

这种分类首先可能意味着的就是一对一的药物只适用于简单的疾病。

由于有多种因素，复杂的疾病会因不同的原因而在不同的人群中。

目前的药物制药方法和商业模式将失败，新的范例是必要的。

这种模式被称为个性化医疗，

其理念是人们应该能够为特定人员制造特定药物。

因此，科学家的目标或应该瞄准的是

理解产生这些新药的机会的原因，

以指导疾病发展的方式而不是仅控制其影响。

这种简单与随机行为的类型也可以通过数学建模来研究

更好地理解它的方法，

即使它经常过于简单化。

我们可以再次使用细胞自动机。 如果我们使用数字10的基本元胞自动机的响应，

无论输入是什么，我们都会发现，

系统支持输入信号成为互不影响的清晰条纹，并始终产生相同的定性行为。

它以非常简单的方式，

模拟一个简单疾病的一个方面。

在所有四种情况下，应用相同的规则，并且对于非常不同的初始条件获得相同的行为。

但是如果你采取更复杂的规则的行为，例如这里描述的规则22，

你会发现即使是初始条件的微小变化也不大

之间的扰动将对最终结果产生重大影响。

例如，这种行为更类似于肿瘤可能进化的方式，

其经常以不可预测的方式生长和扩散。

在所有四种情况下，应用了相同的规则（规则22），但适用于不同的初始条件。

结果非常难以预测。

本课程的主题之一将包括如何表征这些行为差异，特别是在规则未知时。

但我们希望从层次结构的角度理解系统。 也就是说背后的生成机制

当我们无法访问源代码时。 在这样的人工例子中，

而且在现实世界的系统中，如细胞等生物有机体，

目标不仅是试图破解自然现象背后的代码

试图操纵和重新编程这些系统演变和行为的方式。

为此，我们将在人工和自然系统之间, 应用到生物学和认知科学。