5,443
个编辑
更改
跳到导航
跳到搜索
第17行：
第17行： − + − + 第25行：
第25行： − + − + − + − +
→整合信息量（Φ）
= 整合信息量（Φ）=
= 整合信息量（Φ）=
意识的整合信息理论，它的核心观点是：所谓的意识，是一个系统的整合信息的能力，并且这一能力可以被一个叫做整合信息量（<math>/Phi</math>）的指标来加以定量刻画。
意识的整合信息理论，它的核心观点是：所谓的意识，是一个系统的整合信息的能力，并且这一能力可以被一个叫做整合信息量（<math>\Phi</math>）的指标来加以定量刻画。
在整合信息理论（Integrated Information Theory, IIT）中，<math>/Phi</math>（信息整合度）是该理论的核心指标。具体而言，当把大脑视为一个因果网络时，<math>Phi</math> 指的是在所有子网络中，因果瓶颈处的有效信息所能达到的最大值。为了让大家对这个<math>/Phi</math>（信息整合度）能有一个初步的了解，我们可以从两个复杂网络的例子来进行粗略的类比。
在整合信息理论（Integrated Information Theory, IIT）中，<math>\Phi</math>（信息整合度）是该理论的核心指标。具体而言，当把大脑视为一个因果网络时，<math>\Phi</math> 指的是在所有子网络中，因果瓶颈处的有效信息所能达到的最大值。为了让大家对这个<math>/Phi</math>（信息整合度）能有一个初步的了解，我们可以从两个复杂网络的例子来进行粗略的类比。
[[文件:整合信息论图4.png|无|缩略图|900x900像素|图2.1 两个网络的比较]]
[[文件:整合信息论图4.png|无|缩略图|900x900像素|图2.1 两个网络的比较]]
假设有两个网络（如图2.1 所示），二者均包含约 10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团具有高度异质性，社团大小差异显著，且存在少量小集团似乎脱离网络整体；右侧网络的社团大小相对同质化，社团间连接更为紧密，但各小集团内部联系较弱。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其存在少数 “脆弱” 连边，切断此类连边即可使网络分为两半。
假设有两个网络（如图2.1 所示），二者均包含约 10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团具有高度异质性，社团大小差异显著，且存在少量小集团似乎脱离网络整体；右侧网络的社团大小相对同质化，社团间连接更为紧密，但各小集团内部联系较弱。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其存在少数 “脆弱” 连边，切断此类连边即可使网络分为两半。
对于一般网络，需先找到最薄弱的环节，即找出最少的几条边，切断这些边便能将网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>/phi</math>。不过，这种判断并非绝对准确。例如左侧网络，若单独考察其右下角最大的连通集团，会发现该集团自身整体性很强，各节点紧密相连。因此，评估网络时需遍历其所有子网络，在这些子网络中找到<math>/Phi</math> 最大的那个（在这里为了方便区分用<math>/phi</math>表示子网络的整合信息量，<math>/Phi</math>表示整体网络的整合信息量），并用该最大子网络的 <math>/phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>/Phi</math>。通过搜索所有子网络找到使 <math>/phi</math> 最大的子网络，如左图中由五个相互紧密联系的社团组成的子网络。
对于一般网络，需先找到最薄弱的环节，即找出最少的几条边，切断这些边便能将网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>/phi</math>。不过，这种判断并非绝对准确。例如左侧网络，若单独考察其右下角最大的连通集团，会发现该集团自身整体性很强，各节点紧密相连。因此，评估网络时需遍历其所有子网络，在这些子网络中找到<math>\Phi</math> 最大的那个（在这里为了方便区分用<math>/phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量），并用该最大子网络的 <math>\phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。通过搜索所有子网络找到使 <math>\phi</math> 最大的子网络，如左图中由五个相互紧密联系的社团组成的子网络。
理解网络整合度的计算后，便可理解真正的整合度 <math>/Phi</math> 的计算。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，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察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）。
理解网络整合度的计算后，便可理解真正的整合度 <math>\Phi</math> 的计算。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，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察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）。
具体计算过程为：首先遍历所有子网络（即子系统）；对于任意选定的子网络，遍历所有切断它的划分方法，找到最小有效信息的切分，该切分处称为因果瓶颈，此处的有效信息即为该子网络的 <math>/phi</math>值；在所有子网络中找到 <math>/phi</math> 最大的那个，这个最大的 <math>/phi</math> 就是所求系统的<math>/Phi</math>值，即该因果网络的信息整合程度。
具体计算过程为：首先遍历所有子网络（即子系统）；对于任意选定的子网络，遍历所有切断它的划分方法，找到最小有效信息的切分，该切分处称为因果瓶颈，此处的有效信息即为该子网络的 <math>\phi</math>值；在所有子网络中找到 <math>\phi</math> 最大的那个，这个最大的 <math>\phi</math> 就是所求系统的<math>\Phi</math>值，即该因果网络的信息整合程度。
综上，所以从观感上看，左侧网络更易被拆分，其<math>/Phi</math>值可能越小。一个因果网络的信息整合程度是所有子网络中因果瓶颈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。
综上，所以从观感上看，左侧网络更易被拆分，其<math>\Phi</math>值可能越小。一个因果网络的信息整合程度是所有子网络中因果瓶颈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。
== 意识程度的度量 ==
== 意识程度的度量 ==