物理學中經常講的還原論和層展論。還原論認為某一層級的現象可以將他們還原到更微觀的下一層級去理解。還原論在傳統物理學中取得了極大的成就。包括從微觀粒子的運動出發推匯出宏觀熱力學現象的統計物理，還有粒子物理學中標準模型預測透過大型粒子對撞機碰撞得到更基本的粒子。但是在凝聚態物理領域，原子和電子之間的相互作用對宏觀材料的影響起到了至關重要的作用，包括BCS理論中電聲子相互作用形成的電子庫伯對讓原本的費米子電子變成玻色子電子對進而形成超流，從而產生零電阻現象。

然而物理學中似乎忽略了宏觀體系的反饋對微觀運動的決定性作用，而這也是我認為層展論區別於還原論最重要的一點。反饋在人工神經網路中體現的最為突出。由模擬神經元組成的多層神經網路去擬合某一目標函式。為了將神經網路的輸出和目標函式之間的距離最小化，梯度下降演算法不斷地透過反饋迭代的方式改變神經元之間連線的權重，這就是宏觀目標函式的反饋對微觀神經元的決定性作用的體現。而這種透過目標反饋改變自身微觀運動的能力在生物界中更加普遍。比如細菌的趨化運動，植物的向陽性，等等幾乎一切生命的行為都是宏觀目標作為反饋驅動的微觀神經元和細胞的運動。