37
个编辑
更改
概念的定义和计算，增加意识的“质”子条目
此外，IIT1.0理论能够直接解释为何意识与大脑某些部分相关联以及与某些整体功能模式的关联。
此外，IIT1.0理论能够直接解释为何意识与大脑某些部分相关联以及与某些整体功能模式的关联。
=[[整合信息]]的计算=
=概念的定义和计算=
理解上述类比后，便可理解信息整合度 <math>\Phi</math> 的真实计算过程：首先，将[[复杂网络]]替换为[[大脑]]构成的[[因果]]网络，其中[[节点]]可视为[[神经元]]，[[连边]]代表[[神经元]]之间的[[突触]]链接；其次，将[[连边]]理解为两个[[节点]]间的[[因果]]联系，[[连边]]的强弱对应[[因果]]联系的[[有效信息]]（将系统二分后[[干预]]其中一个子系统的状态分布为[[均匀分布]]，然后考察两个子系统之间的[[互信息]]（[[Mutual Information]]）即为[[有效信息]]。[[有效信息]]刻画的是被切分的两个网络间的[[因果]]影响，具体可参见[[有效信息]]词条）；最后，一个[[因果]]网络的信息整合程度，就指的是所有子网络中[[因果]]瓶颈（即最小[[有效信息]]）处的[[有效信息]]所能达到的最大值，而具有这一最大[[有效信息]]的子网络便是[[意识]]发生的区域。
理解上述类比后，便可理解信息整合度 <math>\Phi</math> 的真实计算过程：首先，将[[复杂网络]]替换为[[大脑]]构成的[[因果]]网络，其中[[节点]]可视为[[神经元]]，[[连边]]代表[[神经元]]之间的[[突触]]链接；其次，将[[连边]]理解为两个[[节点]]间的[[因果]]联系，[[连边]]的强弱对应[[因果]]联系的[[有效信息]]（将系统二分后[[干预]]其中一个子系统的状态分布为[[均匀分布]]，然后考察两个子系统之间的[[互信息]]（[[Mutual Information]]）即为[[有效信息]]。[[有效信息]]刻画的是被切分的两个网络间的[[因果]]影响，具体可参见[[有效信息]]词条）；最后，一个[[因果]]网络的信息整合程度，就指的是所有子网络中[[因果]]瓶颈（即最小[[有效信息]]）处的[[有效信息]]所能达到的最大值，而具有这一最大[[有效信息]]的子网络便是[[意识]]发生的区域。
[[文件:整合信息论图5.png|无|缩略图|600x600像素|图2.2''双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)'']]
[[文件:整合信息论图5.png|无|缩略图|600x600像素|图2.2''双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)'']]
== 意识的量 ==
=== 最小信息二分（MIB） ===
<!--
== 最小信息二分（MIB）==
== 最小信息二分（MIB）==
-->
最小信息二分（Minimum Information Bipartition，简称MIB）旨在确定使[[归一化]][[有效信息]]（[[EI]]）最小化的二分切割方式，其核心是定位系统中最易割裂的“信息断层线”，即识别信息连接最薄弱的分割方案。
最小信息二分（Minimum Information Bipartition，简称MIB）旨在确定使[[归一化]][[有效信息]]（[[EI]]）最小化的二分切割方式，其核心是定位系统中最易割裂的“信息断层线”，即识别信息连接最薄弱的分割方案。
它的具体计算步骤如下：
它的具体计算步骤如下：
须注意，此处使用的是<math> MIB(S)</math>对应的未[[归一化的有效信息]]值。
须注意，此处使用的是<math> MIB(S)</math>对应的未[[归一化的有效信息]]值。
== 复合体（complex） ==
=== 整合信息(Φ) ===
<!-- == Φ 的计算示例 ==
-->
</math>
== Φ 的计算示例 ==
上面我们了解了[[整合信息]]量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。
上面我们了解了[[整合信息]]量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。
=== [[连续]]系统的计算 ===
==== [[连续]]系统的计算 ====
下面，为了展示<math>\phi</math>的计算，让我们考虑一个简化的[[连续]]模型，即一个线性[[动力学]]高斯[[噪声]]模型。例如，一个包含n个元素的孤立神经系统，这些元素可视为[[神经元]]组，其活动变量表示各组在数百毫秒内的放电率，彼此间的[[相互作用]]<ref name="Measuring_information_integration">{{cite journal|author1=Tononi G|author2=Boly M|author3=Massimini M|author4=Edelman D B|title=Measuring information integration|journal=PLOS Computational Biology|year=2016|volume=12|issue=3|page=e1004819|url=https://doi.org/10.1371/journal.pcbi.1004819}}</ref>，我们可以用一个[[线性化]]的[[动力学]]对其进行描述：
下面，为了展示<math>\phi</math>的计算，让我们考虑一个简化的[[连续]]模型，即一个线性[[动力学]]高斯[[噪声]]模型。例如，一个包含n个元素的孤立神经系统，这些元素可视为[[神经元]]组，其活动变量表示各组在数百毫秒内的放电率，彼此间的[[相互作用]]<ref name="Measuring_information_integration">{{cite journal|author1=Tononi G|author2=Boly M|author3=Massimini M|author4=Edelman D B|title=Measuring information integration|journal=PLOS Computational Biology|year=2016|volume=12|issue=3|page=e1004819|url=https://doi.org/10.1371/journal.pcbi.1004819}}</ref>，我们可以用一个[[线性化]]的[[动力学]]对其进行描述：
计算的，这里 I为[[单位矩阵]]，A为系统的[[邻接矩阵]]。
计算的，这里 I为[[单位矩阵]]，A为系统的[[邻接矩阵]]。
=== 八[[节点]]网络算例 ===
==== 八[[节点]]网络算例 ====
如图2.3a所示，存在一个由8个[[节点]]构成的网络。其中，[[节点]]1、2、3和4构成紧密连接的集团，[[节点]]5、6和7构成另一个集团，8号[[节点]]作为[[信号]]源，指向所有[[节点]]。[[节点]]状态受指向自身的网络邻居状态以及[[噪声]]变量R的影响。
如图2.3a所示，存在一个由8个[[节点]]构成的网络。其中，[[节点]]1、2、3和4构成紧密连接的集团，[[节点]]5、6和7构成另一个集团，8号[[节点]]作为[[信号]]源，指向所有[[节点]]。[[节点]]状态受指向自身的网络邻居状态以及[[噪声]]变量R的影响。
从图中可知， <math>\phi</math>值最大的子网络是由[[节点]]1、2、3、4构成的彼此互联的社团，其 <math>\phi</math>值达到21比特。紧随其后的是者四个[[节点]]中的任意三个[[节点]]构成的子网络，它们的 <math>\phi</math>值相近，仅略低于四[[节点]]的社团。再之后是[[节点]]5、6、7构成的社团，其 <math>\phi</math>值略高于20。整个网络的 <math>\phi</math>值约为 7。而网络整体的 <math>\Phi</math>应取所有子网络中的最大 <math>\phi</math>值，即由[[节点]]1-4构成的子网络的21比特。
从图中可知， <math>\phi</math>值最大的子网络是由[[节点]]1、2、3、4构成的彼此互联的社团，其 <math>\phi</math>值达到21比特。紧随其后的是者四个[[节点]]中的任意三个[[节点]]构成的子网络，它们的 <math>\phi</math>值相近，仅略低于四[[节点]]的社团。再之后是[[节点]]5、6、7构成的社团，其 <math>\phi</math>值略高于20。整个网络的 <math>\phi</math>值约为 7。而网络整体的 <math>\Phi</math>应取所有子网络中的最大 <math>\phi</math>值，即由[[节点]]1-4构成的子网络的21比特。
=== 不同[[网络结构]]的 Φ 值 ===
==== 不同[[网络结构]]的 Φ 值 ====
在[[网络动力学]]（[[因果机制]]）不变的情况下，可比较不同[[网络结构]]对整体网络 <math>\Phi</math>值的影响。如图 2.4 所示，仅给出 <math>\Phi</math>值（因整个网络就是 <math>\phi</math>值最大的子网络），虚线对应[[因果]]瓶颈（[[有效信息]]最小）的划分处。图A-E均由8个[[节点]]构成，图A为单链结构，图B是单链成环结构，图C为双链结构。从A 到C，Φ 值不断增加，在双向连接时达到最大，因为此时左右两部分信息流最大，[[节点]]更易形成一个整体。图D和图E呈现中心-外围的连接模式，Φ值较小，因其网络构成过于集中化。
在[[网络动力学]]（[[因果机制]]）不变的情况下，可比较不同[[网络结构]]对整体网络 <math>\Phi</math>值的影响。如图 2.4 所示，仅给出 <math>\Phi</math>值（因整个网络就是 <math>\phi</math>值最大的子网络），虚线对应[[因果]]瓶颈（[[有效信息]]最小）的划分处。图A-E均由8个[[节点]]构成，图A为单链结构，图B是单链成环结构，图C为双链结构。从A 到C，Φ 值不断增加，在双向连接时达到最大，因为此时左右两部分信息流最大，[[节点]]更易形成一个整体。图D和图E呈现中心-外围的连接模式，Φ值较小，因其网络构成过于集中化。
[[文件:整合信息论图2.png|无|缩略图|600x600像素|图2.4 五个不同的网络结构及其它们的φ值]]
[[文件:整合信息论图2.png|无|缩略图|600x600像素|图2.4 五个不同的网络结构及其它们的φ值]]
=== Φ 值最大化结构 ===
==== Φ 值最大化结构 ====
固定[[节点]]数、[[动力学]]以及每个[[节点]]的[[连边]]总数，图2.5展示了使 <math>\Phi</math>值最大的八[[节点]][[网络结构]]。该网络连接紧密，看似随机却与随机[[连边]]网络有显著差异。其特征如下：
固定[[节点]]数、[[动力学]]以及每个[[节点]]的[[连边]]总数，图2.5展示了使 <math>\Phi</math>值最大的八[[节点]][[网络结构]]。该网络连接紧密，看似随机却与随机[[连边]]网络有显著差异。其特征如下：
[[文件:整合信息论图3.png|无|缩略图|360x360像素|图2.5 通过搜索所有的八节点的网络结构使φ值最大得到的最优网络结构]]
[[文件:整合信息论图3.png|无|缩略图|360x360像素|图2.5 通过搜索所有的八节点的网络结构使φ值最大得到的最优网络结构]]
=== Φ 值大小的影响因素 ===
==== Φ 值大小的影响因素 ====
除[[网络拓扑结构]]外，连接强度也会影响 <math>\Phi</math> 值大小。一般而言，<math>\Phi</math>值随连接平均强度的增加而增加，但并非强度越大越好，强度分配模式同样关键。当平均强度一致时，不同的强度分配模式会导致 <math>\Phi</math>值差异显著。在保持网络连接总强度不变的情况下，从每个[[节点]]都是自环的模式逐渐过渡到每个[[节点]]都平等地与其他[[节点]]等强度相连，<math>\Phi</math>值会先增大后减小。这表明，[[节点]]并非简单地将连接强度等同分配给所有其他[[节点]]，而是需精心选择连接对象，将大量连接强度分配给少数几条[[连边]]，且这些[[连边]]要尽可能连接其他[[节点]]较少连接的[[节点]]，此时<math>\Phi</math>值更大。此外，[[动力学]]也会影响 <math>\Phi</math>值。通过调节系数c可调整[[噪声]]对系统的相对影响大小，结果显示，[[噪声]]越强，<math>\Phi</math>值越小，网络整合度越低。
除[[网络拓扑结构]]外，连接强度也会影响 <math>\Phi</math> 值大小。一般而言，<math>\Phi</math>值随连接平均强度的增加而增加，但并非强度越大越好，强度分配模式同样关键。当平均强度一致时，不同的强度分配模式会导致 <math>\Phi</math>值差异显著。在保持网络连接总强度不变的情况下，从每个[[节点]]都是自环的模式逐渐过渡到每个[[节点]]都平等地与其他[[节点]]等强度相连，<math>\Phi</math>值会先增大后减小。这表明，[[节点]]并非简单地将连接强度等同分配给所有其他[[节点]]，而是需精心选择连接对象，将大量连接强度分配给少数几条[[连边]]，且这些[[连边]]要尽可能连接其他[[节点]]较少连接的[[节点]]，此时<math>\Phi</math>值更大。此外，[[动力学]]也会影响 <math>\Phi</math>值。通过调节系数c可调整[[噪声]]对系统的相对影响大小，结果显示，[[噪声]]越强，<math>\Phi</math>值越小，网络整合度越低。
若将连接视为多个[[节点]]建立的[[信道]]，由于<math>\Phi</math>值是一种[[有效信息]]，[[信道]]带宽越高，<math>\Phi</math>值越大。在同等带宽下，[[节点]]彼此之间的连接模式极为重要，只有当每个[[节点]]尽可能连接不同的[[节点]]，增大连接的多样化，最终的 Φ 值才会更大。
若将连接视为多个[[节点]]建立的[[信道]]，由于<math>\Phi</math>值是一种[[有效信息]]，[[信道]]带宽越高，<math>\Phi</math>值越大。在同等带宽下，[[节点]]彼此之间的连接模式极为重要，只有当每个[[节点]]尽可能连接不同的[[节点]]，增大连接的多样化，最终的 Φ 值才会更大。
=== 复合体（complex） ===
前面给大家讲解了如何计算一个系统的[[整合信息]]<math>\phi</math> ，但是要确定这个系统的[[整合信息]]量的大小，还需要考虑其[[子集]]，因为有可能会出现[[子集]]的[[整合信息]]程度会大于整体的情况，这时整体的[[整合信息]]量就由[[子集]]主导。为了更好地说明这种情况，由此引入了复合体（complex）的概念，其定义为复合体是系统X的一个[[子集]]S，需要满足以下条件：
1、信息整合能力：<math> \phi(S) > 0 </math>，即[[子集]]内部能通过[[因果]]交互[[整合信息]]；
2、最大性：S不被任何其他具有更高<math>\phi</math> 值的[[子集]]包含，换言之，复合体是局部最优的信息整合单元。
系统中<math>\phi</math> 值最高的复合体称为主复合体，代表系统整体信息整合能力的上限：
<math>
\text{main complex}(X) = \arg\max_{S \subseteq X} \phi(S)
</math>
同时，该复合体的[[整合信息]]量<math>\phi</math>也是整个系统的[[整合信息]]量<math>\Phi</math>。
== 意识的质 ==
=== 有效信息矩阵 ===
在整合信息论（IIT）中，有效信息矩阵 是定义意识体验 具体内容与质性 的核心数学对象。如果说 Φ值 量化了意识的“量”（整合程度），那么有效信息矩阵则完整刻画了意识的“质”（独特体验）。它被概念化为 感质空间 的几何或拓扑结构蓝图。<br>
有效信息矩阵是一个方阵，其行和列对应于系统 主复合体 中所有可能的元素子集（或基本元素本身）。矩阵中的每个条目 EI(X→Y) 表示从一个特定子系统 X 到另一个子系统 Y 的 有效信息 值。
每个 EI(X→Y) 的计算遵循IIT对“有效信息”的标准定义：<br>
*对子系统 X 施加 最大熵干预（即，将其输出替换为所有可能状态上的均匀随机噪声）。
*在 Y 中观察由此引发的状态分布。
*计算 X 的最大熵分布与 Y 的响应分布之间的 互信息。这个值衡量了 X 的所有可能输出能在 Y 中产生多少可区分的因果效应。<br>
该矩阵包含了主复合体内 每一对因果方向 的潜在影响力。因此，它不是一个描述观察到的平均活动的“功能连接”矩阵，而是一个描述 全部因果可能性 的“因果潜力”矩阵。<br>
IIT提出，主复合体中的每个基本元素（或功能单元）构成了一个抽象 感质空间 的一个维度。然而，仅有维度不足以定义体验的质性——关键在于这些维度之间的 关系。<br>
结构决定质性的示例——考虑两个极其简单的系统，每个都由四个元素组成，且计算出的Φ值相同（Φ=10比特）：
*系统A（发散结构）：元素1强连接至元素2、3、4，但后三者之间彼此无直接连接。
*系统B（链式结构）：元素1连接至2，2连接至3，3连接至4。
<br>
尽管意识“量”相同，但两者的有效信息矩阵截然不同。系统A的矩阵显示出一个中心枢纽与多个终端的关系；系统B的矩阵则显示出一个顺序链式关系。IIT认为，这种信息关系结构的差异，直接对应着意识体验质的差异。系统A的体验可能像一个中心主题带有多个附属属性；系统B的体验则可能像一段线性的序列或流程。
=== 感质空间（qualia space） ===
感质空间 是整合信息论（IIT）中用于形式化描述意识体验具体内容（即“质性”）的核心抽象模型。它是一个高维的、结构化的数学空间，其几何或拓扑形态完全由物理系统的因果结构决定。IIT提出，每一种可能的意识体验，都对应于此空间中的一个特定点或区域；而体验之间的相似性与差异性，则对应于空间中点与点之间的距离与关系。<br>
1. 定义与构建原理
感质空间并非一个预先存在的容器，而是从一个系统的 主复合体 中“涌现”出来的关系结构。<br>
*维度：构成主复合体的每一个基本功能单元（例如，一个神经元集群或一个信息处理模块），被定义为感质空间的一个独立维度。因此，一个具有N个功能单元的主复合体，其感质空间就是一个N维空间。
*结构：这些维度之间的关系并非彼此正交、独立。它们之间的“夹角”或“连接强度”，由 有效信息矩阵 中的条目精确界定。矩阵中两个单元之间的有效信息值越高，意味着它们在因果上耦合越紧密，在感质空间中对应的两个维度也就越“接近”或关联越强。
*构建：因此，有效信息矩阵是感质空间的生成蓝图。通过这个矩阵，可以计算出空间的内在几何（如维度间的距离、曲率）或拓扑（如连接图）。一个高度整合、结构复杂的主复合体，将产生一个维度极高、内部结构极其丰富的感质空间。
<br>2. 核心作用：将体验映射为数学对象
感质空间的概念，旨在为第一人称的主观体验提供一个第三人称的、可数学描述的对应物。
*体验即位置：在任一时刻，主复合体内所有功能单元的特定活动模式（例如，特定神经元的放电率），为感质空间的每个维度提供了一个坐标值。这组坐标在空间中唯一地确定了一个 点。这个点就代表了系统在该时刻的完整意识体验。
*质性差异即几何差异：两种不同体验（如“看到红色”与“听到中音C”）之间的质性差异，对应于它们在感质空间中相距甚远，且可能位于由不同维度子集所张成的不同子空间中。而相似体验（如“深红”与“浅红”）则在空间中彼此邻近。
*解释现象学关系：意识体验中固有的现象学关系（例如，红色与橙色感觉上比红色与喇叭声更接近），被直接归因于感质空间的几何结构。负责编码红色的神经元集群与编码橙色的集群，它们之间的有效信息值（因果互动）高于它们与听觉集群之间的值，因此在感质空间中，前两者对应的维度夹角更小，距离更近。
<br>
感质空间是IIT试图 桥解释义鸿沟 的关键尝试。它将“难以言喻”的感质，转化为可原则上从系统物理状态计算得出的空间结构。它使比较不同系统（人、动物、潜在的人工智能）的意识内容成为理论可能——即比较它们的感质空间几何。简而言之，感质空间 是IIT将意识质性数学化、几何化的雄心勃勃的理论工具。
=计算案例=
=神经科学上的应用=
=理论的局限=
=参考文献=
=参考文献=
<references />
<references />