更改

= 整合信息量（Φ）=

= 整合信息量（Φ）=

意识的整合信息理论（Integrated Information Theory, IIT），其核心观点是：所谓的意识，是一个系统整合信息的能力<ref name="">{{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>，而这个能力可以用信息整合度（<math>\Phi</math>）来定量刻画。

意识的整合信息理论（Integrated Information Theory, IIT）认为：所谓的意识，是一个系统整合信息的能力<ref name="">{{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>，而这个能力可以用信息整合度（<math>\Phi</math>）来定量刻画。

具体而言，当把大脑视为一个因果网络时，<math>\Phi</math> （信息整合度）指的是在所有子网络中，网络连接“薄弱”处的[[有效信息]]（Effective Information，简称EI）所能达到的最大值。然而，不同版本的IIT理论对<math>\Phi</math> 的定义不一样，造成了读者的认知混乱。为了更清楚地说明<math>\Phi</math> 的计算，让我们先来看一个复杂网络上社团划分的类比。

具体而言，当把大脑视为一个因果网络时，<math>\Phi</math> （信息整合度）指的是在所有子网络中，网络连接“薄弱”处的[[有效信息]]（Effective Information，简称EI）所能达到的最大值。然而，不同版本的IIT理论对<math>\Phi</math> 的定义不一样，造成了读者的认知混乱。为了更清楚地说明<math>\Phi</math> 的计算，让我们先来看一个类比，复杂网络上社团划分。这个类比的好处是能够将<math>\Phi</math>的计算所反映的基本思想和原理以更简单直观的方式刻画清楚。但请注意，类比毕竟是类比，真实的<math>\Phi</math>计算远比这个类比要复杂。

==复杂网络社团划分的类比==

==复杂网络社团划分的类比==

[[文件:图2.1 两个10社团的复杂网络的比较.png|无|缩略图|900x900像素|图2.1 两个10社团的复杂网络的比较]]

[[文件:图2.1 两个10社团的复杂网络的比较.png|无|缩略图|900x900像素|图2.1 两个10社团的复杂网络的比较]]

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，左侧网络的社团之间具有更紧密的连接，右侧网络社团之间的连接则较为稀疏。“判断哪一网络更具整体性”的问题，可转化为“考察哪一网络更易被切分为不连通的两半”的问题。图2.1中的左侧网络更易被拆分，因为其社团之间存在较为“脆弱”连边，切断此类连边即可将网络分为两半。

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，左侧网络的社团之间具有更紧密的连接，右侧网络社团之间的连接则较为稀疏。“判断哪一网络更具整体性”的问题，可转化为“考察哪一网络更易被切分为不连通的两半”的问题。图2.1中的左侧网络更易被拆分，因为其社团之间存在较为“脆弱”连边，切断此类连边即可将网络分为两半。

一般，要计算<math>\Phi</math>，首先要计算每个子网络的<math>\phi</math>。请注意，两者是有区别的，<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。换句话说，<math>\Phi</math>是对整体网络中遍历所有子网络，计算<math>\phi</math>并得出最大的一个结果，也就是<math>\Phi=max_{\forall subnet}\phi</math>。而<math>\phi</math>则是在指定一个子网络计算出来的量。在复杂网络社团划分的类比中，要计算<math>\phi</math>，需先找到该子网络最薄弱的环节，即找出最少的几条边，切断这些边便能将子网络分为不连通的两个子网络，再用这些“脆弱”连边的数量来度量网络的整体性，即这些“脆弱”连边的数量就是<math>\phi</math>。

一般，要计算<math>\Phi</math>，首先要计算每个子网络的<math>\phi</math>。请注意，两者是有区别的，<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。换句话说，<math>\Phi</math>是对整体网络中遍历所有子网络，计算<math>\phi</math>并得出最大的一个结果，也就是<math>\Phi=max_{\forall subnet}\phi</math>。而<math>\phi</math>则是在指定一个子网络的时候，计算出来的量。在复杂网络社团划分的类比中，要计算<math>\phi</math>，需先找到该子网络最薄弱的环节，即找出最少的几条边，切断这些边便能将子网络分为不连通的两个子网络，再用这些“脆弱”连边的数量来度量网络的整体性，即这些“脆弱”连边的数量就是<math>\phi</math>。

不过，这种判断并非绝对准确，因为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> 最大的那个子网络，并用该子网络的 <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>。但是，在图2.1中，可以发现每个社团内节点的连接是相同的，而区别在于这些社团彼此之间的连接，所以即使遍历子网络之后，左图子网络的 <math>\phi</math>值只会大于等于右图。

要计算<math>\Phi</math>，就需要遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个子网络，并用该子网络的 <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>。但是，在图2.1中，可以发现每个社团内节点的连接是相同的，而区别在于这些社团彼此之间的连接，所以即使遍历子网络之后，左图子网络的 <math>\phi</math>值只会大于等于右图。

== 意识程度的度量（Φ）计算框架 ==

== 意识程度的度量<math>\Phi</math>的计算框架 ==

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，其子系统之间的[[互信息]]（Mutual Information），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）；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。

=== 定义 ===

=== 定义 ===

Φ 指标用于量化系统的内在信息整合能力，其核心在于度量系统各部分之间因果交互的紧密程度，从而反映出系统整合信息的效能。从本质上讲，Φ 是系统内在属性的函数，具体定义为“在最小信息二分切割下可交换的有效信息量”，适用于量化分布式网络（如大脑）中信息被统一处理的程度。表达式为：

<math>\phi</math>指标用于量化系统的内在信息整合能力，其核心在于度量系统各部分之间因果交互的紧密程度，从而反映出系统整合信息的效能。从本质上讲，<math>\phi</math>是系统内在属性的函数，具体定义为“在最小信息二分切割下可交换的有效信息量”，适用于量化分布式网络（如大脑）中信息被统一处理的程度。表达式为：

<math>

<math>

Φ(S)=EI(MIB(S))

\phi(S)=EI(MIB(S))

</math>

</math>

其中，S表示待分析的子系统，MIB(S)代表最小信息二分切割，EI即有效信息（Effective Information）。该指标通过计算在最具限制性的二分切割下的有效信息量，来衡量系统的信息整合能力，Φ值越高，表示系统越能作为一个整体整合信息，而非仅仅是独立部分的集合<ref name="">{{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>。

其中，S表示待分析的子系统，MIB(S)代表最小信息的二分切割（即在所有对S的二划分中找到能够让两个子网络间有效信息最小的那个划分），EI即有效信息（Effective Information）。该指标通过计算在最具限制性的二分切割下的有效信息量，来衡量系统的信息整合能力，<math>\phi</math>值越高，表示系统越能作为一个整体进行信息整合，而非仅仅是独立部分的集合<ref name="">{{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>。

=== 有效信息（EI）===

=== 有效信息（EI）===

有效信息是一种因果交互度量，用于衡量子系统A对子系统B的全部因果影响，其定义基于[[互信息]]概念，通过引入最大熵扰动来隔离因果效应。具体公式为<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>：

有效信息是一种因果效应的度量，用于衡量子系统A对子系统B的因果影响。它是一种特殊的[[互信息]]，即在最大熵干预的前提下，度量A、B两个部分的互信息。具体公式为<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>：

<math>

<math>

其中，<math>MI(A: B) = H(A)+H(B)-H(A,B)</math>表示互信息，用于衡量A与B之间的统计依赖性；<math>A^{Hmax}</math>表示在切断A的输入连接后，向其注入最大熵噪声的扰动状态（见图2.2），这种扰动确保了A的输出变化完全由独立噪声驱动，从而纯粹反映A对B的因果作用。在一个连续的马尔科夫动力学系统中，最大熵噪声通常建模为高斯分布：<math>A^{Hmax} \sim \mathcal{N}(0,c_p^2 I)</math>（ <math>c_p</math>为噪声强度，<math>I</math>为单位矩阵）；在一个离散的马尔科夫动力学系统中，向其注入最大熵噪声，则是对系统做do干预（do-operator），将A系统状态分布干预成其定义域上的均匀分布（<math>A^{Hmax}\sim U</math>）。有效信息的高低直接反映了A与B之间因果连接的强度与特异性：若连接紧密且分化度高，EI值较高；反之，若连接微弱或效应单一，EI值趋近于零。若需详细了解离散以及连续的马尔科夫动力学系统的有效信息计算可以参看[[有效信息]]词条。

其中，<math>MI(A: B) = H(A)+H(B)-H(A,B)</math>表示互信息，用于衡量A与B之间的统计依赖性；<math>A^{Hmax}</math>表示在切断A的输入连接后，向其注入最大熵噪声的扰动状态（见图2.2），这种扰动确保了A的输出变化完全由独立噪声驱动，从而纯粹反映A对B的因果作用。在一个连续的马尔科夫动力学系统中，最大熵噪声通常建模为高斯分布：<math>A^{Hmax} \sim \mathcal{N}(0,c_p^2 I)</math>（ <math>c_p</math>为噪声强度，<math>I</math>为单位矩阵）；在一个离散的马尔科夫动力学系统中，向其注入最大熵噪声，则是对系统做do干预（do-operator），将A系统状态分布干预成其定义域上的均匀分布（<math>A^{Hmax}\sim U</math>）。有效信息的高低直接反映了A与B之间因果连接的强度与特异性：若连接紧密且分化度高，EI值较高；反之，若连接微弱或效应单一，EI值趋近于零。若需详细了解离散以及连续的马尔科夫动力学系统的有效信息计算可以参看[[有效信息]]词条。

<math>

<math>