当语言模型展现出单个组件无法解释的能力，或多智能体系统整体表现优于各自单独运行时，研究者常称之为“协同”或“出现”。这些描述往往缺乏统一的理论支撑，导致难以比较或检验。我们提出，信息分解可以作为统一的形式框架，对 AI 系统的协同效应进行可操作的评估。信息分解将信息区分为三类：来自单个组件的唯一信息、跨组件共享的冗余信息，以及只有多个部分共同作用才能获取的协同信息。依据该框架，只有当系统行为对任务相关结果携带协同信息时，才可视为出现。我们将该视角分别应用于注意力头、自治代理以及人机协作团队，展示其在不同层次和基质上组织已有认识的能力，并提出若干跨层次的猜想，这些在各自孤立的研究领域中往往被忽视。
点评：信息分解为评估 AI 出现性提供了可量化、可 falsifiable 的标准，有望推动跨学科的系统性研究。