| 第45行： |
第45行： |
| | === 意识程度的度量 === | | === 意识程度的度量 === |
| | | | |
| − | 为了将IIT形式主义应用于系统，必须知道系统的[[转移概率矩阵]]（TPM）。一个系统由其在所有可能状态上的 [[转移概率矩阵]]（TPM）来描述，记为 <math>T_U = p(\mathbf{u}' \mid \mathbf{u})</math>，TPM规定了所有系统状态转换的几率。基于此，信息整合理论（IIT）定义如下：
| + | 定义 |
| − | | + | Φ 是量化系统内在信息整合能力的核心指标，其定义为 “最小信息二分切割下可交换的有效信息量”，计算公式为： |
| − | 对于一个状态 <math>s</math> 相对于一个可能的因果状态 <math>\tilde{s}</math> 的内在信息（ii）：
| + | Φ(S) = EI (MIB (S))。 |
| − | | + | 其中，S 代表待分析的子系统，MIB (S) 指最小信息二分切割，EI 为有效信息（具体定义见下文）。该指标的核心思想是反映系统抵抗信息分裂的能力 ——Φ 值越高，表明子系统各部分间的因果交互越紧密，信息整合能力越强。 |
| − | <math> \text{ii}(s, \tilde{s}) = p(\tilde{s} \mid s) \log_2 \left( \frac{p(\tilde{s} \mid s)}{p(\tilde{s})} \right) </math>
| |
| − | | |
| − | 整合信息（φ）是指在最小信息分割（MIP）上该因果结构的不可约性：
| |
| − | | |
| − | <math> \phi = \min_{\theta} \left[ \text{ii}(s, \tilde{s}) - \text{ii}_{\theta}(s, \tilde{s}) \right] </math>
| |
| − | | |
| − | 复体被定义为局部使 φ 最大化的系统（单元子集）。它们的内部差异和关系构成了系统的 Φ - 结构：
| |
| − | | |
| − | <math> \Phi = \sum_{\text {distinctions, relations}} \phi </math>
| |
| − | | |
| − | <math>\Phi</math> 对应于意识的数量，而差异和关系的特定结构定义了意识的质量。
| |
| | | | |
| | === Φ 的计算示例 === | | === Φ 的计算示例 === |