IIT1.0 - 版本历史

MaXChenEE：增加互信息词条、因果效应词条、因果效应度量的链接

2026-04-22T03:43:50Z

增加互信息词条、因果效应词条、因果效应度量的链接

MaXChenEE：/* 理论的局限 */ 一键添加对其它词条的链接

2026-04-22T03:00:56Z

理论的局限：一键添加对其它词条的链接

MaXChenEE：/* 有效信息矩阵 */ 对有效信息词条的链接

2026-04-22T02:55:19Z

有效信息矩阵：对有效信息词条的链接

Jake：/* 神经科学上的应用 */

2026-04-22T01:23:19Z

神经科学上的应用

Matthew：/* 临床意识评估中的近似应用 */

2026-04-19T00:20:54Z

临床意识评估中的近似应用

MaXChenEE：/* 神经科学上的应用 */ 删减应用假设条件部分

2026-04-17T13:54:56Z

神经科学上的应用：删减应用假设条件部分

Matthew：/* 计算案例 */

2026-04-17T01:07:43Z

计算案例

MaXChenEE：计算案例章节增加案例子标题——四节点系统的计算示例；神经应用章节减少项目计划风格增加应用案例

2026-04-16T06:05:10Z

计算案例章节增加案例子标题——四节点系统的计算示例；神经应用章节减少项目计划风格增加应用案例

Jake：/* 感质空间（qualia space） */

2026-04-13T11:14:40Z

感质空间（qualia space）

Jake：/* Φ 值大小的影响因素 */

2026-04-13T11:03:21Z

Φ 值大小的影响因素

@@ 第5行： / 第5行： @@
 =历史溯源=
-[[意识]]包括对自身内在事物的觉察，以及对外部环境中的状态或对象的认知。千百年来，哲学家、科学家和神学家们一直在广泛解释、分析和辩论关于[[意识]]的理论<ref name='Consciousness'>https://en.wikipedia.org/wiki/Consciousness</ref>。直至19世纪末，心理学家[[威廉·詹姆斯]]<ref name='William James'>https://baike.baidu.com/item/%E5%A8%81%E5%BB%89%C2%B7%E8%A9%B9%E5%A7%86%E6%96%AF/6487016</ref>率先将有关[[意识]]的讨论和研究带入到了科学研究的范畴里，尤其是启发了后续关于[[意识的神经关联]]（Neural Correlates of [[Consciousness]], NCC）的一系列科学研究<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。在现代[[意识]]研究中，“现象[[意识]]”这一专业术语是所有[[意识]]形式的通用同义词，或简称“体验”，不区分内在与外在，或高阶与低阶类型。随着脑科学研究的进步，“任何形式的经验现象的存在”成为那些[[神经科学]]家工作的基础，他们试图分析[[意识]]现象学与其相关信息处理在[[大脑]]中的精确关系。这一[[神经科学]]目标是寻找“[[意识的神经关联]]”<ref name=Velmans >{{cite journal |last1=Velmans |first1=Max |title=How to define consciousness—and how not to define consciousness |journal=Journal of Consciousness Studies |volume=16 |pages=139-156 |year=2009 |url=https://psycnet.apa.org/record/2009-08208-011}}</ref>，即确定足以产生特定[[意识]]体验的最小神经机制。然而，NCC研究主要回答“[[意识]]与何处相关”，却未从根本上解释“主观体验如何从物理系统中产生”以及“[[意识]]有多少”。
+意识包括对自身内在事物的觉察，以及对外部环境中的状态或对象的认知。千百年来，哲学家、科学家和神学家们一直在广泛解释、分析和辩论关于意识的理论<ref name='Consciousness'>https://en.wikipedia.org/wiki/Consciousness</ref>。直至19世纪末，心理学家[[威廉·詹姆斯]]<ref name='William James'>https://baike.baidu.com/item/%E5%A8%81%E5%BB%89%C2%B7%E8%A9%B9%E5%A7%86%E6%96%AF/6487016</ref>率先将有关意识的讨论和研究带入到了科学研究的范畴里，尤其是启发了后续关于[[意识的神经关联]]（Neural Correlates of [[Consciousness]], NCC）的一系列科学研究<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。在现代意识研究中，“现象意识”这一专业术语是所有意识形式的通用同义词，或简称“体验”，不区分内在与外在，或高阶与低阶类型。随着脑科学研究的进步，“任何形式的经验现象的存在”成为那些[[神经科学]]家工作的基础，他们试图分析意识现象学与其相关信息处理在[[大脑]]中的精确关系。这一[[神经科学]]目标是寻找“[[意识的神经关联]]”<ref name=Velmans >{{cite journal |last1=Velmans |first1=Max |title=How to define consciousness—and how not to define consciousness |journal=Journal of Consciousness Studies |volume=16 |pages=139-156 |year=2009 |url=https://psycnet.apa.org/record/2009-08208-011}}</ref>，即确定足以产生特定[[意识]]体验的最小神经机制。然而，NCC研究主要回答“意识与何处相关”，却未从根本上解释“主观体验如何从物理系统中产生”以及“意识有多少”。
-[[整合信息论]]由[[Giulio Tononi]]于2004年提出，从[[意识的现象学公理]]出发，反向推导出[[意识]]必需的[[物理]]基础，并提出了[[整合信息]]的[[量化]]指标——Φ值，用以衡量一个系统的[[意识]]水平。[[整合信息论]]试图回答[[意识]]的两个核心问题：<br>[[意识]]的“数量”：一个系统具有多强[[意识]]（[[意识]]的程度或水平）。<br>
+[[整合信息论]]由[[Giulio Tononi]]于2004年提出，从[[意识的现象学公理]]出发，反向推导出[[意识]]必需的[[物理]]基础，并提出了[[整合信息]]的[[量化]]指标——Φ值，用以衡量一个系统的[[意识]]水平。[[整合信息论]]试图回答[[意识]]的两个核心问题：<br>意识的“数量”：一个系统具有多强意识（意识的程度或水平）。<br>
-[[意识]]的“质量”：一个系统具有何种[[意识]]（[[意识]]的具体内容或体验）。
+意识的“质量”：一个系统具有何种意识（意识的具体内容或体验）。
 [[整合信息论]]不仅尝试直面“[[物理系统]]如何产生主观”这一根本问题，也首次使[[意识]]的定[[量化]]、跨系统比较成为可能<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>，为构建可验证、可计算[[意识科学]]奠定了重要基础。<br>
@@ 第41行： / 第41行： @@
 == [[有效信息]] ==
-[[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>：
+[[有效信息]]是一种[[因果效应度量]]，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>
@@ 第155行： / 第155行： @@
 *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>
+*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>
@@ 第322行： / 第322行： @@
 此外，IIT1.0对不同神经结构（如丘脑—皮层系统与小脑）的解释依赖于其整合程度的差异，但这一解释在不同实验范式中并非总能得到直接验证。为弥补这一问题，后续研究提出了多种近似指标（如基于扰动响应的[[复杂性]][[测度]]PCI），用于在实际数据中间接评估系统的整合水平。
-总体而言，IIT1.0的局限主要体现在计算[[复杂性]]、建模假设、因果可观测性以及度量定义等方面。这些问题并未否定其理论价值，而是推动了[[整合信息论]]框架的持续演化。IIT2.0通过对[[信息度量]]与划分[[策略]]的修正，提高了方法的稳定性；IIT3.0则在更深层次上重构了理论基础，将关注重点从单一数值指标扩展至系统的整体因果结构。该发展[[路径]]反映了从“可计算性”到“[[本体论]]一致性”的逐步转向。
+总体而言，IIT1.0的局限主要体现在计算[[复杂性]]、建模假设、因果可观测性以及度量定义等方面。这些问题并未否定其理论价值，而是推动了[[整合信息论]]框架的持续演化。IIT2.0通过对[[信息度量]]与划分[[策略]]的修正，提高了方法的稳定性；IIT3.0则在更深层次上重构了理论基础，将关注重点从单一数值指标扩展至系统的整体因果结构。该发展[[路径]]反映了从“可计算性”到“本体论一致性”的逐步转向。
 =参考文献=
 <references />

@@ 第294行： / 第294行： @@
 =理论的局限=
-尽管[[整合信息论]]为意识研究提供了一个形式化的[[信息论]]框架，但其在理论定义与实际应用层面均存在若干局限。这些问题在后续发展中逐步推动了IIT2.0与IIT3.0的提出与修正。
+尽管[[整合信息论]]为[[意识]]研究提供了一个形式化的[[信息论]]框架，但其在理论定义与实际应用层面均存在若干局限。这些问题在后续发展中逐步推动了IIT2.0与IIT3.0的提出与修正。
-== 计算复杂度与可扩展性 ==
+== [[计算复杂度]]与可扩展性 ==
-IIT1.0的一个核心问题在于其计算复杂度。整合信息 <math>\Phi</math> 的计算依赖于对系统所有可能划分方式的枚举，并在每一种划分下计算有效信息。这一过程的复杂度随系统规模呈指数级增长，使得该方法在实际神经系统（如大规模脑网络）中的直接应用受到显著限制。
+IIT1.0的一个核心问题在于其[[计算复杂度]]。整合信息 <math>\Phi</math> 的计算依赖于对系统所有可能划分方式的枚举，并在每一种划分下计算[[有效信息]]。这一过程的复杂度随系统规模呈指数级增长，使得该方法在实际神经系统（如[[大规模脑网络]]）中的直接应用受到显著限制。
-在后续版本中，IIT2.0尝试通过改进归一化方法与划分策略，对计算过程进行一定程度的简化；而 IIT3.0 则进一步引入“概念结构”（conceptual structure）与“机制—结果库”（cause-effect repertoire）的框架，从而在理论层面重新组织计算对象，但整体复杂度问题仍未根本消除。
+在后续版本中，IIT2.0尝试通过改进[[归一化]]方法与划分[[策略]]，对计算过程进行一定程度的简化；而 IIT3.0 则进一步引入“概念结构”（conceptual structure）与“机制—结果库”（cause-effect repertoire）的框架，从而在理论层面重新组织计算对象，但整体复杂度问题仍未根本消除。
 == 建模假设与因果结构 ==
-IIT1.0依赖将系统建模为二态离散单元，并假设系统以同步、马尔可夫方式演化。然而，实际神经系统具有连续[[动力学]]特征、异步更新机制以及多时间尺度依赖关系，这与 IIT1.0 的基本假设存在差异<ref name="Breakspear2017">{{cite journal
+IIT1.0依赖将系统建模为二态离散单元，并假设系统以[[同步]]、马尔可夫方式演化。然而，实际神经系统具有[[连续]][[动力学]]特征、异步更新机制以及多时间尺度依赖关系，这与 IIT1.0 的基本假设存在差异<ref name="Breakspear2017">{{cite journal
 |author=Breakspear M|title=Dynamic models of large-scale brain activity|journal=Nature Neuroscience|year=2017|volume=20|issue=3|pages=340–352|url=https://www.nature.com/articles/nn.4497}}</ref>。
-此外，神经数据在离散化过程中需人为设定时间窗口与阈值，这种建模选择可能对最终的 <math>\Phi</math> 计算结果产生显著影响。IIT2.0在一定程度上放宽了对系统划分与归一化方式的限制，但并未从根本上解决连续系统建模的问题；IIT3.0 则转向更加抽象的因果结构描述，试图弱化对具体离散化方案的依赖。
+此外，神经数据在离散化过程中需人为设定时间窗口与阈值，这种建模选择可能对最终的 <math>\Phi</math> 计算结果产生显著影响。IIT2.0在一定程度上放宽了对系统划分与[[归一化]]方式的限制，但并未从根本上解决[[连续]]系统建模的问题；IIT3.0 则转向更加抽象的因果结构描述，试图弱化对具体离散化方案的依赖。
-IIT1.0的理论基础建立在系统内部[[因果]]关系的可识别性之上，其计算过程假设能够获得完整且准确的转移概率矩阵（TPM）。然而，在实际[[神经科学]]研究中，系统往往存在未观测变量、噪声干扰以及测量分辨率限制，使得真实因果结构难以精确重建。
+IIT1.0的理论基础建立在系统内部因果]关系的可识别性之上，其计算过程假设能够获得完整且准确的[[转移概率矩阵]]（TPM）。然而，在实际[[神经科学]]研究中，系统往往存在未观测变量、[[噪声]]干扰以及测量分辨率限制，使得真实因果结构难以精确重建。
-这一问题导致IIT1.0在应用中通常依赖观测数据近似替代理想的[[因果]]干预过程，从而在一定程度上削弱了其理论定义与经验测量之间的一致性。IIT3.0对此进行了回应，通过引入“内在因果性”（intrinsic causation）的概念，强调系统自身的因果结构而非外部观测分布<ref name="Pearl2009">{{cite book|author=Pearl J|title=Causality: Models, Reasoning, and Inference|publisher=Cambridge University Press|year=2009|url=https://doi.org/10.1017/CBO9780511803161}}</ref>，但这一转变也增加了理论的抽象程度。
+这一问题导致IIT1.0在应用中通常依赖观测数据近似替代理想的因果[[干预]]过程，从而在一定程度上削弱了其理论定义与[[经验测量]]之间的一致性。IIT3.0对此进行了回应，通过引入“内在因果性”（intrinsic causation）的概念，强调系统自身的因果结构而非外部观测分布<ref name="Pearl2009">{{cite book|author=Pearl J|title=Causality: Models, Reasoning, and Inference|publisher=Cambridge University Press|year=2009|url=https://doi.org/10.1017/CBO9780511803161}}</ref>，但这一转变也增加了理论的抽象程度。
 == 度量定义与可验证性范围 ==
-在IIT1.0中，[[整合信息]] <math>\Phi</math> 的定义依赖于最小信息分割（MIP）以及基于[[互信息]]的度量方式。然而，不同归一化策略与距离度量可能导致不同的最优划分结果<ref name="Mediano2019">{{cite journal|author1=Mediano PAM
+在IIT1.0中，整合信息 <math>\Phi</math> 的定义依赖于最小信息分割（MIP）以及基于[[互信息]]的度量方式。然而，不同[[归一化]][[策略]]与距离度量可能导致不同的最优划分结果<ref name="Mediano2019">{{cite journal|author1=Mediano PAM
 |author2=Rosas FE|author3=Carhart-Harris RL|title=Integrated information as a common signature of dynamical complexity|journal=Chaos|year=2019|volume=29|issue=4|pages=043123|url=https://pmc.ncbi.nlm.nih.gov/articles/PMC7614772/}}</ref>，从而影响 <math>\Phi</math> 的数值解释。
-IIT2.0对归一化方法进行了修改，以减少划分选择对结果的敏感性；而IIT3.0则进一步放弃单一标量 <math>\Phi</math> 的充分性，将系统描述扩展为高维“概念结构”，并采用新的距离度量（如概率分布间的距离函数）来定义整合程度。这一变化标志着从“单值指标”向“结构性描述”的转变。
+IIT2.0对[[归一化]]方法进行了修改，以减少划分选择对结果的敏感性；而IIT3.0则进一步放弃单一[[标量]] <math>\Phi</math> 的充分性，将系统描述扩展为高维“概念结构”，并采用新的距离度量（如[[概率分布]]间的距离函数）来定义整合程度。这一变化标志着从“单值指标”向“结构性描述”的转变。
-IIT1.0提出了“意识对应于信息整合”的理论命题，但其具体预测在经验层面的可验证性仍存在争议<ref name="Doerig2019">{{cite journal|author1=Doerig A|author2=Schurger A|author3=Hess K|title=The unfolding argument: Why IIT and other causal structure theories cannot explain consciousness|journal=Consciousness and Cognition|year=2019|volume=72|pages=49–59|url=https://doi.org/10.1016/j.concog.2019.04.002}}</ref>。例如，不同系统在具有相似 <math>\Phi</math> 值时，是否必然对应相似的[[意识]]状态，仍缺乏一致结论。
+IIT1.0提出了“[[意识]]对应于信息整合”的理论命题，但其具体预测在经验层面的可验证性仍存在争议<ref name="Doerig2019">{{cite journal|author1=Doerig A|author2=Schurger A|author3=Hess K|title=The unfolding argument: Why IIT and other causal structure theories cannot explain consciousness|journal=Consciousness and Cognition|year=2019|volume=72|pages=49–59|url=https://doi.org/10.1016/j.concog.2019.04.002}}</ref>。例如，不同系统在具有相似 <math>\Phi</math> 值时，是否必然对应相似的[[意识]]状态，仍缺乏一致结论。
-此外，IIT1.0对不同神经结构（如丘脑—皮层系统与小脑）的解释依赖于其整合程度的差异，但这一解释在不同实验范式中并非总能得到直接验证。为弥补这一问题，后续研究提出了多种近似指标（如基于扰动响应的复杂性测度PCI），用于在实际数据中间接评估系统的整合水平。
+此外，IIT1.0对不同神经结构（如丘脑—皮层系统与小脑）的解释依赖于其整合程度的差异，但这一解释在不同实验范式中并非总能得到直接验证。为弥补这一问题，后续研究提出了多种近似指标（如基于扰动响应的[[复杂性]][[测度]]PCI），用于在实际数据中间接评估系统的整合水平。
-总体而言，IIT1.0的局限主要体现在计算复杂性、建模假设、因果可观测性以及度量定义等方面。这些问题并未否定其理论价值，而是推动了整合信息论框架的持续演化。IIT2.0通过对信息度量与划分策略的修正，提高了方法的稳定性；IIT3.0则在更深层次上重构了理论基础，将关注重点从单一数值指标扩展至系统的整体[[因果结构]]。该发展路径反映了从“可计算性”到“本体论一致性”的逐步转向。
+总体而言，IIT1.0的局限主要体现在计算[[复杂性]]、建模假设、因果可观测性以及度量定义等方面。这些问题并未否定其理论价值，而是推动了[[整合信息论]]框架的持续演化。IIT2.0通过对[[信息度量]]与划分[[策略]]的修正，提高了方法的稳定性；IIT3.0则在更深层次上重构了理论基础，将关注重点从单一数值指标扩展至系统的整体因果结构。该发展[[路径]]反映了从“可计算性”到“[[本体论]]一致性”的逐步转向。
 =参考文献=
 <references />

@@ 第149行： / 第149行： @@
 === 有效信息矩阵 ===
 在整合信息论中，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。
+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>
+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）。
@@ 第167行： / 第167行： @@
 具有相同Φ值的两个复合物的有效信息矩阵和活动状态如图2所示。图2a.因果相互作用图和复合物分析，图2a.中展示了两个系统，一个具有“发散”结构（左），另一个具有“链”结构（右）。复合物分析表明，两者都包含一个由四个元素组成的复合物，其Φ值为10。
-图2b.为有效信息矩阵，其中展示了上述两个复合物的有效信息矩阵。对于每个复合物，所有二分均通过在上行列出一个部分（子集 A）和在下行列出互补部分（子集 B）来表示。中间是每个二分中从 A 到 B 和从 B 到 A 的有效信息值，颜色编码为黑色（零）、红色（中间值）和黄色（高值）。
+图2b.为有效信息矩阵，其中展示了上述两个复合物的有效信息矩阵。对于每个复合物，所有二分均通过在上行列出一个部分（子集 A）和在下行列出互补部分（子集 B）来表示。中间是每个二分中从 A 到 B 和从 B 到 A 的[[有效信息]]值，颜色编码为黑色（零）、红色（中间值）和黄色（高值）。
 图2c.是状态图，图中展示了两个复合体的五个代表性状态。每个状态由每个复合体中四个元素的激活状态表示，这些元素排列成一列（蓝色：激活元素；黑色：非激活元素）。

←上一版本		2026年4月22日 (三) 01:23的版本
第252行：		第252行：

	=神经科学上的应用=		=神经科学上的应用=
−
−	IIT1.0（''Integrated Information Theory''）在[[神经科学]]中的应用，核心在于将神经系统视为一个离散动力系统，并用系统内部的[[因果]]整合程度来刻画其意识相关特征。按照这一框架，神经元群、脑区或功能单元可被抽象为一组二态单元（例如“发放/不发放”“高/低激活”），系统整体状态则表示为一个 <math>N</math> 维二元[[向量]]。系统以离散同步方式演化，每一时步对应一个固定时隙，状态转移由转移概率矩阵（TPM，''transition probability matrix''）描述，即<math>P(s_{t+1}\mid s_t)</math>。然而，相较于理论本身的发展，其在实证层面的应用仍处于探索阶段，且多依赖近似指标而非原始Φ计算，目前IIT1.0成熟的应用不多。

	IIT1.0最初并未直接用于大规模[[神经数据]]分析，而是提供了一种解释框架，用以理解不同脑结构在[[意识]]中的作用。例如，[[Giulio Tononi]]提出，[[丘脑]]—[[皮层]]系统由于其高度[[递归连接]]与[[双向交互]]结构，具有较高的[[整合信息]]能力，因此更可能构成[[意识]]的神经基础；相比之下，[[小脑]]尽管包含大量[[神经元]]，但其连接模式以局部前馈为主，跨模块整合较弱，因此被认为对[[意识]]贡献有限<ref name="Tononi2004">{{cite journal\|author=Tononi G\|title=An information integration theory of consciousness\|journal=BMC Neuroscience\|year=2004\|volume=5\|page=42\|url=https://doi.org/10.1186/1471-2202-5-42}}		IIT1.0最初并未直接用于大规模[[神经数据]]分析，而是提供了一种解释框架，用以理解不同脑结构在[[意识]]中的作用。例如，[[Giulio Tononi]]提出，[[丘脑]]—[[皮层]]系统由于其高度[[递归连接]]与[[双向交互]]结构，具有较高的[[整合信息]]能力，因此更可能构成[[意识]]的神经基础；相比之下，[[小脑]]尽管包含大量[[神经元]]，但其连接模式以局部前馈为主，跨模块整合较弱，因此被认为对[[意识]]贡献有限<ref name="Tononi2004">{{cite journal\|author=Tononi G\|title=An information integration theory of consciousness\|journal=BMC Neuroscience\|year=2004\|volume=5\|page=42\|url=https://doi.org/10.1186/1471-2202-5-42}}

@@ 第264行： / 第264行： @@
 由于IIT1.0中<math>\Phi</math>的计算复杂度极高，难以直接应用于真实[[脑网络]]，研究者发展了一系列基于IIT思想的近似指标，用于评估[[意识]]状态。
-其中最具代表性的工作是由[[Marcello Massimini]]等人提出的扰动复杂性指数（PCI）方法<ref name="Massimini2013">{{cite journal|author1=Casali AG|author2=Gosseries O|author3=Rosanova M|author4=Bolya M|author5=Sarasso S|author6=Casali KR|author7=Casali AG|author8=Massimini M|title=A theoretically based index of consciousness independent of sensory processing and behavior|journal=Science Translational Medicine|year=2013|volume=5|issue=198|pages=198ra105|url=https://doi.org/10.1126/scitranslmed.3006294}}
+其中最具代表性的工作是由[[Marcello Massimini]]等人提出的[[扰动复杂性指数]]（PCI）方法<ref name="Massimini2013">{{cite journal|author1=Casali AG|author2=Gosseries O|author3=Rosanova M|author4=Bolya M|author5=Sarasso S|author6=Casali KR|author7=Casali AG|author8=Massimini M|title=A theoretically based index of consciousness independent of sensory processing and behavior|journal=Science Translational Medicine|year=2013|volume=5|issue=198|pages=198ra105|url=https://doi.org/10.1126/scitranslmed.3006294}}
 </ref>。

@@ 第254行： / 第254行： @@
 IIT1.0（''Integrated Information Theory''）在[[神经科学]]中的应用，核心在于将神经系统视为一个离散动力系统，并用系统内部的[[因果]]整合程度来刻画其意识相关特征。按照这一框架，神经元群、脑区或功能单元可被抽象为一组二态单元（例如“发放/不发放”“高/低激活”），系统整体状态则表示为一个 <math>N</math> 维二元[[向量]]。系统以离散同步方式演化，每一时步对应一个固定时隙，状态转移由转移概率矩阵（TPM，''transition probability matrix''）描述，即<math>P(s_{t+1}\mid s_t)</math>。然而，相较于理论本身的发展，其在实证层面的应用仍处于探索阶段，且多依赖近似指标而非原始Φ计算，目前IIT1.0成熟的应用不多。
 IIT1.0最初并未直接用于大规模[[神经数据]]分析，而是提供了一种解释框架，用以理解不同脑结构在[[意识]]中的作用。例如，[[Giulio Tononi]]提出，[[丘脑]]—[[皮层]]系统由于其高度[[递归连接]]与[[双向交互]]结构，具有较高的[[整合信息]]能力，因此更可能构成[[意识]]的神经基础；相比之下，[[小脑]]尽管包含大量[[神经元]]，但其连接模式以局部前馈为主，跨模块整合较弱，因此被认为对[[意识]]贡献有限<ref name="Tononi2004">{{cite journal|author=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}
@@ 第261行： / 第260行： @@
 这一观点为解释不同脑区在[[意识]]中的差异作用提供了一个结构性标准，即：不是神经元数量，而是因果整合结构决定意识水平。
 == 临床意识评估中的近似应用 ==

@@ 第206行： / 第206行： @@
 假设{3,4}的Φ值更高，那么它就是该系统在这一尺度下的主复合体。
-==== [[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：
@@ 第229行： / 第229行： @@
 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4a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。
@@ 第238行： / 第238行： @@
 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5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5 五个不同的网络结构及其它们的φ值]]
 从图5中可知，阴影部分为复形，每个组中都标出了Φ的值。图5的A-E代表不同的有向图结构:（A）有向路径、（B）单向环路、（C）双向环路、（D）扇出有向图（一对多的发散结构）、（E）扇入有向图（多对一的汇聚结构）。
-==== 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4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：

@@ 第197行： / 第197行： @@
 为了将[[整合信息论]]的形式化定义转化为直观理解，本小节通过一个高度简化的计算案例，逐步演示Φ值的核心计算流程<ref name="Balduzzi2008">{{cite journal|author1=Balduzzi D|author2=Tononi G|title=Integrated information in discrete dynamical systems: motivation and theoretical framework|journal=PLoS Comput Biol|year=2008|volume=4|issue=6|page=e1000091|url=https://doi.org/10.1371/journal.pcbi.1000091}}</ref>。考虑一个由若干元素组成的系统X。每个元素（例如，可类比为大脑中的一个皮层微柱）可以处于不同的离散活动状态。系统的[[动力学]]由元素间的连接权重矩阵定义。我们的目标是：分析系统X的所有可能子集，计算每个子集的整合信息量Φ，并最终识别出系统中的复合体——即那些具有正Φ值且不被更高Φ值子集所包含的元素子集，它们被认为是意识体验的潜在物理载体<ref name="Tononi2008">{{cite journal|author1=Tononi G|title= Consciousness as integrated information: a provisional manifesto|journal=Biol Bull|year=2008|volume=215|issue=3|page=216-242|url=https://doi.org/10.2307/25470707}}</ref>。
-具体示例
+=== 四节点系统的计算示例 ===
 [[文件:An information integration theory of consciousness.png|无|缩略图|600x600像素|图3''有效信息、最小信息二分法与复合体'']]
 考虑一个系统X，其中包含多个元素。论文通过分析其中一个由四个元素{1,2,3,4}组成的子集S来演示（图3c）：
@@ 第203行： / 第203行： @@
 计算发现，子集{3,4}和{1,2}的Φ > 0。
 然而，子集{1,3}、{1,4}、{2,3}、{2,4}以及所有三个或四个元素的组合（如{1,2,3}）的Φ = 0。
-因此，{3,4}和{1,2}都是复合体。它们彼此没有重叠，且都不是对方的一部分。假设{3,4}的Φ值更高，那么它就是该系统在这一尺度下的主复合体。
+因此，{3,4}和{1,2}都是复合体。它们彼此没有重叠，且都不是对方的一部分。
 ==== [[连续]]系统的计算 ====
@@ 第252行： / 第253行： @@
 =神经科学上的应用=
-IIT1.0（''Integrated Information Theory''）在[[神经科学]]中的应用，核心在于将神经系统视为一个离散动力系统，并用系统内部的[[因果]]整合程度来刻画其意识相关特征。按照这一框架，神经元群、脑区或功能单元可被抽象为一组二态单元（例如“发放/不发放”“高/低激活”），系统整体状态则表示为一个 <math>N</math> 维二元[[向量]]。系统以离散同步方式演化，每一时步对应一个固定时隙，状态转移由转移概率矩阵（TPM，''transition probability matrix''）描述，即<math>P(s_{t+1}\mid s_t)</math>。
+IIT1.0（''Integrated Information Theory''）在[[神经科学]]中的应用，核心在于将神经系统视为一个离散动力系统，并用系统内部的[[因果]]整合程度来刻画其意识相关特征。按照这一框架，神经元群、脑区或功能单元可被抽象为一组二态单元（例如“发放/不发放”“高/低激活”），系统整体状态则表示为一个 <math>N</math> 维二元[[向量]]。系统以离散同步方式演化，每一时步对应一个固定时隙，状态转移由转移概率矩阵（TPM，''transition probability matrix''）描述，即<math>P(s_{t+1}\mid s_t)</math>。然而，相较于理论本身的发展，其在实证层面的应用仍处于探索阶段，且多依赖近似指标而非原始Φ计算，目前IIT1.0成熟的应用不多。
-IIT1.0 在神经系统建模<ref name="Seth2015">{{cite journal|author1=Seth AK|author2=Barrett AB|author3=Barnett L|title=Granger causality analysis in neuroscience and neuroimaging|journal=Journal of Neuroscience|year=2015
+== 早期理论驱动的应用方向 ==
-|volume=35|issue=8|pages=3293–3297|url=https://www.jneurosci.org/content/35/8/3293}}</ref>中通常依赖以下假设：
 * 系统不受外部控制；
@@ 第272行： / 第280行： @@
 在神经语境下，<math>EI</math> 可理解为：对部分 <math>A</math> 施加最大熵激励（类似高斯白[[噪声]]刺激）后，测量其对部分 <math>B</math> 的响应所携带的信息量。只有当 <math>A \to B</math> 的输入对系统而言是可检测、可区分的[[因果]]输入时，该输入才会计入 <math>EI</math>；否则应视为系统无法区分的扰动。换言之，<math>\Phi</math> 反映的是系统内部实际可利用的因果整合程度。
 将IIT1.0应用于神经数据时，通常首先将尖峰放电、局部场电位（LFP）、脑电（EEG）或功能磁共振（fMRI）等数据离散化为二元[[向量]]。常见做法是将时间切分为等长时隙，并对每个通道施加阈值，将其编码为“高/低”或“有/无”活动状态。随后，再由观测数据统计或模型拟合得到TPM。
 典型流程如下：

@@ 第177行： / 第177行： @@
 [[感质空间]]是[[整合信息论]]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>
 . 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>
@@ 第183行： / 第184行： @@
 *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。

@@ 第126行： / 第126行： @@
 ==== 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]]要尽可能连接其他具有较少连接的[[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<math>\Phi</math>值才会更大。
 === 复合体（complex） ===