842
个编辑
更改
跳到导航
跳到搜索
第21行：
第21行： − + − <!-- 香农提出信息论的一个直觉：一个系统的可能状态越多，蕴含的信息量就越大（当然也与状态的分布有关）。 -->
→分化（Differentiation）
在整合信息论中，这一特性被概括为系统的“分化”，即系统能够支持的可区分状态的数量与多样性。一个分化程度较高的系统，其内部因果结构允许系统在不同条件下进入大量彼此不同的状态，从而对应于丰富而具体的主观体验。
在整合信息论中，这一特性被概括为系统的“分化”，即系统能够支持的可区分状态的数量与多样性。一个分化程度较高的系统，其内部因果结构允许系统在不同条件下进入大量彼此不同的状态，从而对应于丰富而具体的主观体验。
这一性质在形式化上通过[[有效信息]]（EI）来计算。[[有效信息]]衡量的是一个系统（或子系统）能够对另一个系统施加的可能因果效应范围<ref name="tononi_2004">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。
这一性质在形式化上通过[[有效信息]]（Effective information, EI）来计算。[[有效信息]]衡量的是一个系统（或子系统）能够对另一个系统施加的可能因果效应范围<ref name="tononi_2004">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。
为了评估这种因果影响的“特定性”，IIT在计算EI时引入了一种理想化操作：将系统某一部分的输入替换为最大熵的随机噪声源（即完全不确定的输入）。在这一设定下，可以考察系统的因果结构本身能够区分多少种不同的输入情形，并相应地产生多少种不同的输出结果。
为了评估这种因果影响的“特定性”，IIT在计算EI时引入了一种理想化操作：将系统某一部分的输入替换为最大熵的随机噪声源（即完全不确定的输入）。在这一设定下，可以考察系统的因果结构本身能够区分多少种不同的输入情形，并相应地产生多少种不同的输出结果。
因此，如果一个系统在这种最大不确定性的条件下，仍然能够产生大量彼此区分明确的因果影响（即具有较高的有效信息），则说明其内部因果结构具有较强的区分能力，能够支持丰富多样的状态。这正对应于现象学意义上的“分化”：即意识体验在内容上的高度特异性与多样性。这点也呼应了香农信息论中的一个直觉：一个系统能够区分的可能状态越多，其所蕴含的信息量就越大（尽管这一量化指标也与状态的分布有关）。
因此，如果一个系统在这种最大不确定性的条件下，仍然能够产生大量彼此区分明确的因果影响（即具有较高的有效信息），则说明其内部因果结构具有较强的区分能力，能够支持丰富多样的状态。这正对应于现象学意义上的“分化”：即意识体验在内容上的高度特异性与多样性。这点也呼应了香农信息论中的一个直觉：一个系统能够区分的可能状态越多，其所蕴含的信息量就越大（尽管这一量化指标也与状态的分布有关）。
== 整合（Integration） ==
== 整合（Integration） ==