整合信息论

整合信息论（Integrated Information Theory, IIT）是探索意识本质的开创性理论框架，通过从现象学公理出发构建数学模型，实现对意识的量化描述与机制解析。传统意识研究多依赖主观报告或神经关联分析，而IIT突破这一局限，基于意识的存在性、内在性、整合性、信息性、排他性和复合性六大核心特征，建立可计算的理论体系。该理论面临三大关键挑战：意识主观性与客观度量的矛盾、复杂系统整合信息的高效计算难题，以及神经机制与抽象模型的映射鸿沟。本文梳理整合信息论的发展脉络，评述Φ指标的迭代优化与因果信息整合方法，探讨其在脑科学、人工智能意识判定中的应用及开放性问题。

背景

传统意识研究主要有两种方式。一是依赖主观报告，即让被试者描述自身意识体验，但这种方式受个体表达能力、认知差异等因素影响，缺乏客观性和准确性。二是采用神经关联分析，通过研究大脑神经活动与意识现象的关联来探索意识，但它难以直接揭示意识的本质，只是发现了相关性，无法深入解释意识究竟如何产生。在此背景下，整合信息论（IIT）应运而生。它从现象学公理出发构建数学模型，突破传统局限。基于意识的存在性、内在性、整合性、信息性、排他性和复合性六大核心特征，建立起可计算的理论体系，为意识研究提供了新的开创性理论框架，致力于实现对意识的量化描述与机制解析。

智能与意识

智能与意识是认知科学、哲学、人工智能等领域交叉研究的核心议题，二者既存在关联，又有着本质区别。理解它们的内涵、关系及争议，有助于我们更清晰地把握系统智能与意识的边界。智能是指系统（如生物、机器）处理信息、解决问题、适应环境的能力，更偏向功能性和行为表现。智能的关键在于 “能做什么”，不依赖主观体验，可通过行为或任务表现来衡量（如智商测试、图灵测试）。意识是指生物（尤其是人类）对自身存在、周围环境及主观感受的主观体验，更偏向内在感受性（qualia）和自我觉察，意识的关键在于“是什么感觉”，无法仅通过外部行为定义，其本质是科学和哲学尚未完全破解的谜题（如 “硬问题”：物理过程为何会产生主观体验？）。

简介

包含公理体系的简介

整合信息量（Φ）

数学形式

有关IIT的数学形式，完整而透彻的说明请参考。以下内容旨在作为简要摘要，从中涉及的最重要的定量中改编而来。在参考资料中可以找到用于定量计算的算法之虚拟码。[5] 直观说明请参阅描述PyPhi工具箱的论文补充材料。

系统是一组元素，每个元素具有两个以上的内部状态，还有影响该状态之输入以及受该状态影响之输出。机制是系统元素的子集。下面的机制级别的参量用于评估任何给定机制的整合，而系统级别的参量则用于评估机制集（“集合集”）的整合。

为了将IIT形式主义应用于系统，必须知道系统的完全转移几率矩阵（TPM）。TPM规定了所有系统状态转换的几率。以下每个参量是根据系统的TPM，以自下而上的方式计算。

整合信息论公理体系

IIT各版本理论介绍

相关实验与研究

IIT与GNWT

整合信息论与全局神经网络空间

整合信息论的应用