更改

[math]\displaystyle { 2^n }[/math]种初始状态，每种概率相等。

[math]\displaystyle { 2^n }[/math]种初始状态，每种概率相等。

==== 后验概率分布（Posterior Repertoire） ====

==== 后验概率分布（Posterior Repertoire，actual repertoire ） ====

给定系统机制与当前状态 [math]\displaystyle { x_1 }[/math] 后，筛选出的 “能通过该因果机制产生当前状态 [math]\displaystyle { x_1 }[/math] 的先前状态”，由系统内在因果规则唯一确定。反映系统通过因果机制对 “先前状态可能性” 的约束能力，分布的非均匀性直接体现信息的产生 —— 约束越强，分布越集中，不确定性越低。

给定系统机制与当前状态 [math]\displaystyle { x_1 }[/math] 后，筛选出的 “能通过该因果机制产生当前状态 [math]\displaystyle { x_1 }[/math] 的先前状态”，由系统内在因果规则唯一确定。反映系统通过因果机制对 “先前状态可能性” 的约束能力，分布的非均匀性直接体现信息的产生 —— 约束越强，分布越集中，不确定性越低。

=== 单点有效信息（Elementary Effective Information, ei） ===

=== 单点有效信息（Elementary Effective Information, ei） ===

<nowiki>由 Repertoire（可能性分布）分为两类：先验 Repertoire（[math]\displaystyle { p_{\text {max}} (X_0) }[/math]）和后验 Repertoire（[math]\displaystyle { p (X_0 \to x_1) }[/math]），单点有效信息（ei）的定义则基于此，定义为系统从先验概率分布（最大熵分布）过渡到后验分布（通过因果机制确定的分布）时所减少的不确定性，也通过 “系统机制与当前状态所限定的过往状态实际分布” 相对 “所有可能状态均匀分布（最大无知）” 的 KL 散度计算。 公式：</nowiki>

单点有效信息定义为系统从先验概率分布（最大熵分布）过渡到后验概率分布（通过因果机制确定的分布）时所减少的不确定性，也通过 “系统机制与当前状态所限定的过往状态实际分布” 相对 “所有可能状态均匀分布（最大无知）” 的 KL 散度计算。 公式：

<nowiki>[math]\displaystyle { ei (X_0 \to x_1)== H\left[ X_0(\text{mech}, x_1) \parallel X_0(\max H) \right]=H (p_{\text {max}} (X_0)) - H (p (X_0 \to x_1)) }[/math]</nowiki>

<nowiki>[math]\displaystyle { ei (X_0 \to x_1)== H\left[ X_0(\text{mech}, x_1) \parallel X_0(\max H) \right]=H (p_{\text {max}} (X_0)) - H (p (X_0 \to x_1)) }[/math]</nowiki>

=== 最小信息分区（Minimum Information Partition，MIP）===

=== 最小信息分区（Minimum Information Partition，MIP）===

同样要求在 IIT2.0 中，最小信息划分（MIP）是量化系统信息整合性的核心概念，其含义为系统所有可能分割中，“标准化跨分割有效信息” 最小的分割；若存在多个分割的标准化值相同，则进一步选择 “未标准化跨分割有效信息最低” 的分割作为 MIP。MIP 的本质逻辑是：通过寻找 “对系统整体信息整合破坏最弱的分割”，间接反推系统作为 “不可还原整体” 的信息整合强度 —— 分割后的 “标准化跨分割有效信息” 越小，意味着分割对系统整合性的破坏越轻微，系统本身的整合能力就越强；反之，若该值越大，则系统越容易被分割拆解，整合性越弱。

同样要求在 IIT2.0 中，最小信息划分（MIP）是量化系统信息整合性的核心概念，其含义为系统所有可能分割中，“标准化有效信息” 最小的分割；若存在多个分割的标准化值相同，则进一步选择 “未标准化有效信息最低” 的分割作为 MIP。MIP 的本质逻辑是：通过寻找 “对系统整体信息整合破坏最弱的分割”，间接反推系统作为 “不可还原整体” 的信息整合强度 —— 分割后的 “标准化有效信息”越小，意味着分割对系统整合性的破坏越轻微，系统本身的整合能力就越强；反之，若该值越大，则系统越容易被分割拆解，整合性越弱。

与 IIT1.0 版本中的最小信息二分（MIB）概念相比，此处的 MIP 概念不限于将研究的系统二分，而是可将系统分割为 k 份（k>=2），以及此处采用的单点有效信息（ei）作为衡量指标。最小信息划分数学表达式为

与 IIT1.0 版本中的最小信息二分（MIB）概念相比，此处的 MIP 概念不限于将研究的系统二分，而是可将系统分割为 k 份（k>=2），以及此处采用的单点有效信息（ei）作为衡量指标。最小信息划分数学表达式为

<nowiki>[math]\displaystyle { P_{\text {MIP}} = \arg\min_{P} \left { \frac {ei (X_0 \to x_1 / P)}{N_P} \right} }[/math]</nowiki>

<nowiki>[math]\displaystyle { P_{\text {MIP}} = \arg\min_{P} \left { \frac {ei (X_0 \to x_1 / P)}{N_P} \right} }[/math]</nowiki>

其中 [math]\displaystyle { ei (X_0 \to x_1 / P) }[/math]，是 “分割 P 下的跨分割有效信息”，本质是通过 KL 散度（[math]\displaystyle { H [\cdot \parallel \cdot] }[/math]）衡量 “系统整体后验状态分布库” 与 “分割后各部分后验分布乘积” 的信息差异，该差异直接反映了分割对系统整体信息的破坏程度。其公式为：[math]\displaystyle P^{MIP} = \arg\min_{P} \left\{ \frac{ei\left(X_0 \to x_1 / P\right)}{N_P} \right\}[/math]

其中 [math]\displaystyle { ei (X_0 \to x_1 / P) }[/math]，是 “分割 P 下的有效信息”，本质是通过 KL 散度（[math]\displaystyle { H [\cdot \parallel \cdot] }[/math]）衡量 “系统整体后验状态分布库” 与 “分割后各部分后验分布乘积” 的信息差异，该差异直接反映了分割对系统整体信息的破坏程度。其公式为：[math]\displaystyle P^{MIP} = \arg\min_{P} \left\{ \frac{ei\left(X_0 \to x_1 / P\right)}{N_P} \right\}[/math]

<nowiki>[math]\displaystyle { N_P }[/math] 是 “标准化系数”，用于消除分割尺寸偏差，公式为

<nowiki>[math]\displaystyle { N_P }[/math] 是 “标准化系数”，用于消除分割尺寸偏差，公式为

[math]\displaystyle N_P = (m - 1) \cdot \min_k \left\{ H^{max}\left(M_0^k\right) \right\}[/math]，m 为分割的部分数量，[math]\displaystyle { H_{\text {max}}(M_0^k) }[/math] 为部分的最大先验熵。

[math]\displaystyle N_P = (m - 1) \cdot \min_k \left\{ H^{max}\left(M_0^k\right) \right\}[/math]，m 为分割的部分数量，[math]\displaystyle { H_{\text {max}}(M_0^k) }[/math] 为部分的最大先验熵。

找到 MIP 后，IIT2.0 将整合信息 Φ 直接定义为该分割下的跨分割有效信息，即</nowiki>

找到 MIP 后，IIT2.0 将整合信息 Φ 直接定义为该分割下的有效信息，即</nowiki>

<nowiki>[math]\displaystyle { \phi (x_1) = ei (X_0 \to x_1 / P_{\text {MIP}}) }[/math]。这一关联的逻辑闭环在于：MIP 是 “破坏系统整合最弱的分割”，其对应的 ei 值恰好量化了 “系统作为整体，比‘最弱分割后的独立部分’多产生的信息”—— 这部分无法被分割后的部分独立解释的信息，正是系统的核心整合信息。若 Φ=0，说明分割后的部分独立工作即可完全解释系统整体信息，系统无实质整合性；若 Φ>0，则表明系统是不可还原的整体，Φ 值越大，系统的整合能力越强。</nowiki>

<nowiki>[math]\displaystyle { \phi (x_1) = ei (X_0 \to x_1 / P_{\text {MIP}}) }[/math]。这一关联的逻辑闭环在于：MIP 是 “破坏系统整合最弱的分割”，其对应的 ei 值恰好量化了 “系统作为整体，比‘最弱分割后的独立部分’多产生的信息”—— 这部分无法被分割后的部分独立解释的信息，正是系统的核心整合信息。若 Φ=0，说明分割后的部分独立工作即可完全解释系统整体信息，系统无实质整合性；若 Φ>0，则表明系统是不可还原的整体，Φ 值越大，系统的整合能力越强。</nowiki>

==== 意识的“质” ====

==== 意识的“质” ====

David Balduzzi 和 Giulio Tononi 于 2009 年在整合信息理论（Integrated Information Theory, IIT） 的基础上，提出了一个用以数学化（qualia）的几何框架。核心主张是：意识的“质”并非神秘不可言说，而是对应于高维“感质空间（Q空间）”中的一个具体几何形状，该形状由系统中所有信息关系的集合唯一确定。在论文【】中指出，意识研究面临两大问题：意识的“量”（level of consciousness）与“质”（quality of experience）。IIT 提出，意识的量由整合信息（Φ） 度量，即一个系统作为一个整体所产生的、超越其各部分独立产生的信息量。而在描述意识体验的几何框架中重点在于阐述意识的质——即不同体验（如看到红色、听到声音）之间的区别如何通过信息关系的结构来刻画。

David Balduzzi 和 Giulio Tononi 于 2009 年在整合信息理论（Integrated Information Theory, IIT） 的基础上，提出了一个用以数学化（qualia）的几何框架。核心主张是：意识的“质”并非神秘不可言说，而是对应于高维“感质空间（Q空间）”中的一个具体几何形状，该形状由系统中所有信息关系的集合唯一确定。在论文<ref name="tononi_2012">{{cite journal |last1=Tononi |first1=G. |title=Qualia: The Geometry of Integrated Information |journal=PLOS Computational Biology |volume=8 |issue=8 |pages=e1002850 |year=2012 |doi=10.1371/journal.pcbi.1002850 |url=https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1002856}}</ref>中指出，意识研究面临两大问题：意识的“量”（level of consciousness）与“质”（quality of experience）。IIT 提出，意识的量由整合信息（Φ） 度量，即一个系统作为一个整体所产生的、超越其各部分独立产生的信息量。而在描述意识体验的几何框架中重点在于阐述意识的质——即不同体验（如看到红色、听到声音）之间的区别如何通过信息关系的结构来刻画。

框架中构建了名为 “感质空间（Q-space）” 的数学空间，其维度等于系统所有可能状态的数量（如 n 个二值神经元有 2ⁿ 个状态）。在该空间中：

框架中构建了名为 “感质空间（Q-space）” 的数学空间，其维度等于系统所有可能状态的数量（如 n 个二值神经元有 2ⁿ 个状态）。在该空间中：

*每个子机制（submechanism）（即一组连接或作用单元）通过其实际分布（actual repertoire）——该系统在给定机制和当前状态下可能的前状态概率分布——定义为一个点；

*每个子机制（submechanism）（即一组连接或作用单元）通过其后验概率分布——该系统在给定机制和当前状态下可能的前状态概率分布——定义为一个点；

*点之间的箭头（称为 q-箭头）表示信息关系，其“长度”由两个分布间的相对熵（Kullback-Leibler divergence）度量，代表该子机制在特定语境下所生成的信息量；

*点之间的箭头（称为 q-箭头）表示信息关系，其“长度”由两个分布间的相对熵（Kullback-Leibler divergence）度量，代表该子机制在特定语境下所生成的信息量；

所有这样的点和箭头共同构成一个高维几何形状，称为 “感质（quale）” ，它完全且唯一地规定了当前意识体验的质量。

所有这样的点和箭头共同构成一个高维几何形状，称为 “感质（quale）” ，它完全且唯一地规定了当前意识体验的质量。

下图展示 IIT 2.0 中 4 个二值单元构成的全连接系统对应 16 维 Q 空间，图 A 呈现该系统某子机制的实际分布（1.1 比特）作为感质形状的基础信息单元，图 B 则将各子机制的实际分布（以点表示，标注信息强度）通过代表信息关系的q-arrow连接，形成 Q 空间中唯一的几何结构（感质形状），其复杂度对应意识体验的丰富度，完整演示了从 4 单元系统到意识 “质” 的数学表征的构建流程。

下图展示 IIT 2.0 中 4 个二值单元构成的全连接系统对应 16 维 Q 空间，图 A 呈现该系统某子机制的后验概率分布（1.1 比特）作为感质形状的基础信息单元，图 B 则将各子机制的后验概率分布（以点表示，标注信息强度）通过代表信息关系的q-arrow连接，形成 Q 空间中唯一的几何结构（感质形状），其复杂度对应意识体验的丰富度，完整演示了从 4 单元系统到意识 “质” 的数学表征的构建流程。

[[文件:整合信息论图7.png|无|缩略图|600x600像素|如何从一个由4个单元构成的系统及其活动模式构建出对应的感质形状]]

[[文件:整合信息论图7.png|无|缩略图|600x600像素|如何从一个由4个单元构成的系统及其活动模式构建出对应的感质形状]]

'''模态式'''是由大量高纠缠度（γ>0）的'''概念（不可分割信息关系）''' 层级化聚合形成的'''感质空间（Q）子形状'''，对应意识体验的功能性分类（如视觉、听觉、触觉等）；其核心特征是局部最大密集纠缠—— 作为感质空间中比周围 q - 箭头更密集纠缠的子集合，既不被包含在更密集纠缠的更大集合中，又类比于生成整合信息\(\Phi>0\)的复合体（complex）。不同模式对应视觉、听觉等不同功能模态，既相对独立又共同构成整体意识体验，如看电影时的视觉与听觉模态。

'''模态式'''是由大量高纠缠度（γ>0）的'''概念（不可分割信息关系）''' 层级化聚合形成的'''感质空间（Q）子形状'''，对应意识体验的功能性分类（如视觉、听觉、触觉等）；其核心特征是局部最大密集纠缠—— 作为感质空间中比周围 q - 箭头更密集纠缠的子集合，既不被包含在更密集纠缠的更大集合中，又类比于生成整合信息\(\Phi>0\)的复合体（complex）。不同模式对应视觉、听觉等不同功能模态，既相对独立又共同构成整体意识体验，如看电影时的视觉与听觉模态。

'''在图4.4中具象化了模态 概念'''，通过一个包含 “AND 门” 与 “COPY 门” 的混合系统，直观呈现模式是最大密集纠缠的 q-arrow 集群这一核心定义，同时揭示模态与系统连接性、纠缠分布的关联。图4.4AB中用粉色区域标记 {c¹³,c²³} 对应的 q-arrow 集群，该区域的纠缠密度（γ/ 最大熵）显著高于周围（尤其是 c³² 对应的灰色区域），形成一个独立的子形状—— 这一子形状即文档定义的模式，因为它是局部最大密集纠缠的集合，且不被任何更大的、纠缠密度更高的 q-arrow 集群包含。而图4.4AC中C32用灰色区域表示，q - 箭头无密集纠缠，无法形成独立的子形状 ，未产生纠缠。

'''在图4.4中具象化了模态 概念'''，通过一个包含 “AND 门” 与 “COPY 门” 的混合系统，直观呈现模式是最大密集纠缠的 q-arrow 集群这一核心定义，同时揭示模态与系统连接性、纠缠分布的关联。图4.4AB中用粉色区域标记 {c¹³,c²³} 对应的 q-arrow 集群，该区域的纠缠密度显著高于周围（尤其是 c³² 对应的灰色区域），形成一个独立的子形状—— 这一子形状即文档定义的模式，因为它是局部最大密集纠缠的集合，且不被任何更大的、纠缠密度更高的 q-arrow 集群包含。而图4.4AC中C32用灰色区域表示，q - 箭头无密集纠缠，无法形成独立的子形状 ，未产生纠缠。

[[文件:局部截取 20251109 152740.png|无|缩略图|600x600像素|模式]]

[[文件:局部截取 20251109 152740.png|无|缩略图|600x600像素|模式]]