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。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。

概述

历史背景

意识是我们最直接的内在体验。它包含感知、情感、思维等主观内容，是大脑对自我和外界信息进行整合与表征的复杂过程。然而，这一看似自然的体验却构成了科学上的一大根本难题：意识究竟如何从物理系统中产生？

自20世纪80年代末起，随着脑成像技术发展，掀起了一股意识研究的热潮。传统的意识研究方法往往集中于特定脑区或神经元群的作用，旨在探寻意识的神经关联（Neural Correlates of Consciousness, NCC）。所谓意识的神经关联（NCC），是指意识体验所必需的最小神经机制集合，通常采用对比不同意识状态下大脑活动的研究思路。比如，Liang Shan等人通过实验任务操纵被试的意识状态（比如无感知、潜意识和有意识状态），使用脑电图（Electroencephalogram, EEG）和脑磁图(Magnetoencephalography, MEG）技术，对比分析不同频率的脑电波和功能连接的变化，发现神经元同步放电和整合活动是视觉意识的关键要素。

尽管在传统意识研究中积累了大量的神经生物学数据，并取得了意识状态与脑部活动之间相关性的研究成果，但这却引发了以下问题： 1.意识体验的可操作评估标准——如何确定是否有效操纵不同水平的意识状态，即如何量化比较不同意识体验？如何在不同研究或者重复研究中确定实验任务操纵的意识体验水平？如何确定该神经活动变化是与意识水平有关，而非实验任务或者实验呈现刺激所引起的变化？ 2.“解释鸿沟”（Explanatory Gap）难题——即便识别出与意识相关的神经活动，也难以完全解释主观体验如何从这些物理活动中产生。

然而，朱利奥・托诺尼和杰拉尔德·M·埃德尔曼早在1998年就开始另辟蹊径，探讨何种神经过程能够解释意识体验的关键特性。他们在分析神经生物学数据之后，发现与意识体验相关的神经过程兼具高度整合性和高度分化性，提出了一种可验证的理论框架——动态核心假说。这一假说为识别意识的神经基础提供了“地图”，解决了。之后，他们进一步提出，要真正理解意识，需要解决两个核心问题：第一，理解决定系统具备意识程度的条件。例如，为什么大脑的某些区域对意识体验至关重要，而其他同样富含神经元和连接的区域却无足轻重？第二，理解决定系统具有何种意识形式的条件。例如，为什么颜色呈现特定视觉效果，而音乐产生独特音韵，疼痛引发特殊触感？解决第一个问题意味着我们就能判断物理系统产生意识的程度——意识的量或层级。解决第二个问题意味着我们会知道它产生的是什么样的意识——意识的质量或内容。

正是在这样的理论背景下，整合信息论（Integrated Information Theory, IIT）显示出其突破性价值。整合信息论（IIT）由神经科学家朱利奥・托诺尼于2004年提出，该理论独辟蹊径，从意识的现象学公理（如存在性、整合性、信息性等）出发，反向推导出意识必需的物理基础，并提出了可计算的量化指标——Φ值，用以衡量一个系统的意识水平。整合信息论（IIT）不仅尝试直面“物理如何产生主观”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，为构建可验证、可计算意识科学奠定了重要基础。

意识问题

自古至今，对意识的探求驱动着哲学家与科学家跨越学科界限，孕育出诸多核心议题。

哲学：意识的元问题

哲学探究其本质、定义和可能性。

1. 心身问题

主观的意识如何从客观的大脑中产生？二者是同一实体的不同层面，还是完全不同的存在？关于心身问题（The Mind-Body Problem）的主要立场包括多种观点。二元论（Dualism）主张心灵与身体是两种根本不同的实体，其代表人物笛卡尔认为心灵是非空间性、非物质的，而身体则属于物理范畴。物理主义（Physicalism）则认为一切心理状态本质上都是物理状态，意识完全可以由大脑神经过程得以解释。唯心论（Idealism）主张唯有心灵是真实的存在，物理世界只是心灵的投射或衍生物。一元论（Monism）则试图超越二元对立，提出心灵与身体实为同一实在的不同表现或层面。这些立场之间的争论不仅关乎意识的本质，也直接影响人工智能、伦理学和人类自我认知的根本理解。

2. 感质

感质（Qualia）的核心命题探讨的是意识中那些主观的、定性的感受（例如“红色”的视觉体验或“疼痛”的触觉感受）是否能够被完全还原为物理过程。针对这一问题，哲学中提出了多个思想实验，其中“知识论证”（又称玛丽颜色房实验）假设一位科学家玛丽掌握了所有关于颜色的物理知识，却从未亲眼见过颜色：当她第一次真正看到红色时，是否获得了某种新的知识——即那种主观的体验本身？如果答案是肯定的，则表明物理知识并不能完整解释意识体验。另一项思想实验是“僵尸论证”，它质疑在逻辑上是否可能存在一个物理构造与人类完全相同、行为表现也无差异，但却完全没有内在体验的“僵尸”。如果这种可能性成立，那就意味着意识可能无法被物理理论完全解释。

3. 解释鸿沟

如今，随着脑成像技术和神经科学的发展，虽已逐渐能够定位特定意识体验对应的神经活动，即意识的物理基础，却仍面临一个根本性难题——解释鸿沟（The Explanatory Gap）。解释鸿沟的核心命题在于：即便找到了与某种意识体验（比如“看到红色”）完全相关的神经关联物（Neural Correlates of Consciousness, NCC），仍然无法从这些物理性描述中，逻辑地推导出它为什么必然伴随如此这般的主观体验。换句话说，能够描述大脑中发生的电化学过程，却无法说明这些过程如何以及为何产生了“鲜红”的感觉本身。在客观的神经活动与主观的体验感质之间，仍然存在一道难以用现有科学语言跨越的鸿沟。

4. 简单问题和难问题

澳大利亚哲学家大卫・查尔默斯（David Chalmers）提出的 “简单问题” 与 “难问题” 之分，为理解意识的复杂性提供了经典框架，这一划分也深刻影响着整合信息论等理论的探索方向。意识的 “简单问题” 聚焦于意识的功能与机制。它关注的是诸如 “大脑如何整合感官信息并形成统一的知觉体验”“注意力如何筛选信息并影响意识内容”“清醒与睡眠状态下的神经活动有何差异” 等可通过科学方法逐步解析的问题。意识的 “难问题” 则触及意识的核心谜题 —— 主观体验的本质。它追问的是：为何物理的大脑活动会伴随 “感受性”？比如，当我们看到红色时，为何会产生独特的 “红色体验”，而不是其他感受？

计算机科学：意识的实现

计算机科学关注机器能否拥有意识以及如何实现的问题。这一议题首先涉及“强人工智能”与“弱人工智能”的基本区分。弱人工智能认为，机器可以模拟智能行为，成为一种高效的工具，但并不真正拥有理解或意识。而强人工智能则主张，一个被恰当编程的计算机确实具备心灵、理解能力和意识状态——这是意识科学研究中的关键命题。

从理论路径来看，计算主义与功能主义提出了一种支持强人工智能的可能框架：它们认为意识在本质上是一种信息处理功能，并不依赖于特定的生物基质（如神经元）。只要一个系统能够实现正确的功能组织或计算过程，无论其构成材料是脑细胞、硅芯片还是其他物理组件，它都应具备意识。然而，这一观点也遭到著名反驳，例如约翰·塞尔提出的“中文房间论证”：一个不懂中文的人通过规则手册处理中文符号，虽可从外部看似理解，但系统内部并无真正语义理解。塞尔据此论证“语法不等于语义”，从而对强人工智能命题提出强烈质疑。

在工程层面，实现机器意识的问题仍然开放且处于前沿探索阶段。核心命题在于：如果我们要在机器中建构意识，需要满足哪些具体的架构或算法条件？可能的路径包括全局工作空间理论、递归处理机制、高阶表征能力，或是达到一定的信息整合水平（如整合信息理论中的Φ值）。目前这仍是一个充满挑战且尚未解决的科学与工程问题。

心理学：意识的内容

心理学关注意识的功能、结构与内容。其中一个核心命题关注意识与无意识加工之间的关系，即心理活动中有多少是在意识之外进行的，以及无意识过程（如弗洛伊德提出的潜意识，或认知心理学中的内隐记忆与自动加工）如何影响人类的行为、判断与情感。与此同时，注意与意识的关系也备受关注：注意是否等同于意识？它是否充当意识的“闸门”？那些未被注意的信息是否仍可被意识到？这类问题通过诸如“非注意盲视”（inattentional blindness）等实验被不断探索。进一步地，意识通达问题考察信息达到何种条件才能进入意识并被报告或用于理性行为控制，与此密切相关的全局工作空间理论（GNW）认为，意识的功能在于将信息广播至全脑，以实现全局访问与协调。最后，自我意识作为意识的一个重要方面，探讨人类如何形成对“自我”的感知与认识，以及它是否构成意识的必要组成部分。

神经科学：意识的生物基础

神经科学致力于揭示意识的生物基础，核心命题之一是寻找意识的神经相关物（The Neural Correlates of Consciousness, NCC），即能够产生某一特定意识体验的最小神经机制集合。例如，梭状回面孔区（FFA）的活动与“看到面孔”的体验密切相关，但它是否就构成NCC仍待进一步探究。与此同时，意识的形成还涉及“绑定问题”（The Binding Problem）：尽管颜色、形状、运动等不同特征由大脑不同区域处理，人却能够将这些分散的信息整合为统一的知觉对象，其神经机制至今尚未完全阐明。此外，通过对裂脑患者（胼胝体被切断）的研究，科学家发现大脑两半球可能分别形成不同的意识流，这对我们通常所感知的“意识统一性”及“单一自我”的观念提出了深刻挑战。最后，从演化视角看，意识的功能和生存优势也是一个根本问题：它究竟是一种提升适应性的特征，还是仅仅是大脑复杂运作所产生的副产物？

多学科交叉：智能与意识

如果说一个事物拥有智能，那么能说明这个事物具有意识吗？意识与智能之间的关联和区别究竟是什么？回答这些问题需要集齐认知科学、哲学、人工智能等多个领域的研究，来更加清晰地把握智能与意识的边界。从概念定义来讲，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”，并不依赖主观体验，可以通过行为或任务表现来衡量（如智商测试、图灵测试）。而意识是指生物（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。

整合信息论与意识

理解意识，或许就是理解 “人为何成为人” 的核心。而整合信息论中主张的意识是一个系统 “整合信息” 的内在属性，并非局限于大脑。具体而言，一个系统是否具有意识、意识的强度如何，取决于它能否将分散的信息整合为不可分割的整体，同时产生独特的信息状态。

托诺尼认为大脑中神经元网络是分布式并行系统，个体神经元仅负责自身决策，属 “多” 体系统。但意识常是统一整合体，呈现 “一” 的特征，如同一时刻只能聚焦一事。问题在于大脑如何将神经元并行决策转变为统一意识，这需信息汇聚处理。那么将 “多” 信息整合成 “一” 是意识关键特征，甚至可将系统信息整合能力定义为意识度，这就是整合信息量（Φ）。从本质上讲，Φ就是一种有效信息（Effective Information，简称EI），即将大脑视作一个因果网络之后，在所有子网络中能够让因果瓶颈处的有效信息所能达到的最大值。

具体来说，整合信息理论中[math]\displaystyle{ \Phi }[/math]计算是将复杂网络换成大脑因果网络，节点为神经元，连边为突触链接，连边强弱为因果联系的有效信息。遍历所有子网络，对每个子网络遍历切断划分方法找最小有效信息切分（因果瓶颈）得该子网络[math]\displaystyle{ \phi }[/math]，所有子网络中最大的[math]\displaystyle{ \phi }[/math]即[math]\displaystyle{ \Phi }[/math]，此为因果网络信息整合程度，对应意识发生区域。

自20世纪80年代末起，随着脑成像技术发展，掀起了一股意识研究的热潮。传统的意识研究方法往往集中于特定脑区或神经元群是否参与意识形成及其参与程度，旨在探寻意识的神经关联（Neural Correlates of Consciousness, NCC）。所谓意识的神经关联（NCC），是指意识体验所必需的最小神经机制集合，通常采用对比不同意识状态下大脑活动的研究思路。比如，Liang Shan等人通过实验任务操纵被试的意识状态（比如无感知、潜意识和有意识状态），使用脑电图（Electroencephalogram, EEG）和脑磁图(Magnetoencephalography, MEG）技术，对比分析不同频率的脑电波和功能连接的变化，发现神经元同步放电和整合活动是视觉意识的关键要素。尽管在传统意识研究中积累了大量的神经生理学数据，取得了意识状态与脑部活动之间相关性的研究成果，但缺乏对实验操纵不同意识状态水平的评估标准，也未能解释物理系统（比如脑）如何产生意识。

因此，要真正理解意识，需要解决两个核心问题：第一，理解决定系统具备意识程度的条件。例如，为什么大脑的某些区域对意识体验至关重要，而其他同样富含神经元和连接的区域却无足轻重？第二，理解决定系统具有何种意识形式的条件。例如，为什么颜色呈现特定视觉效果，而音乐产生独特音韵，疼痛引发特殊触感？解决第一个问题意味着我们就能判断物理系统产生意识的程度——意识的量或层级。解决第二个问题意味着我们会知道它产生的是什么样的意识——意识的质量或内容。

然而，朱利奥·托诺尼和杰拉尔德·M·埃德尔曼早在1998年便另辟蹊径，从分析意识体验关键属性出发，再描述可能解释那些关键属性的神经过程。首先，将意识的核心特性归纳为两点：整合性和分化性。整合性指意识体验是一个统一的整体，比如人在同一时刻感知到的视觉、听觉和其他感官信息会融合成一个连贯的场景。而分化性则指意识状态的多样性，即在极短的时间内，人可以感知到无数种不同的意识状态。之后，引用了神经生物学数据，证明与意识体验相关的神经过程确实具有这两种特性。接着，他们进一步开发了两种测量工具——功能聚类和神经复杂性，用于量化神经过程中的整合性和分化性，并建立了判断神经元群活动是否参与意识体验的标准。这些标准随后被整合到动态核心假说（The Dynamic Core Hypothesis）中，该假说是一个关于意识体验神经基础的可验证理论框架。

正是在这样的理论背景上，神经科学家朱利奥・托诺尼于2004年提出整合信息论（Integrated Information Theory, IIT）。该理论独辟蹊径，从意识的现象学公理（如存在性、整合性、信息性等）出发，反向推导出意识必需的物理基础，并提出了可计算的量化指标——Φ值，用以衡量一个系统的意识水平。整合信息论（IIT）不仅尝试直面“物理如何产生主观”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，为构建可验证、可计算意识科学奠定了重要基础。

公理与假设

整合信息理论（IIT）是以六大公理为基础框架， 每个公理都对应着关于系统因果结构的物理假设，具体包括：系统必须具备并发挥内在的因果力量；必须能指定特定的因果状态（通过内在信息实现）；必须以整体形式不可约地完成这一过程（可用小 phi，即 φ 来衡量）；只有达到最大程度不可还原的底物（复合物）才具备意识；其子集则必须能指定结构化的区别与关系，进而形成 Φ 结构（大 phi）。

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，而这个能力可以用信息整合度（[math]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \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。

复杂网络社团划分的类比

为了让大家对这个[math]\displaystyle{ \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说明。

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。

一般，要计算[math]\displaystyle{ \Phi }[/math]，首先要计算每个子网络的[math]\displaystyle{ \phi }[/math]。请注意，两者是有区别的，[math]\displaystyle{ \phi }[/math]表示子网络的整合信息量，[math]\displaystyle{ \Phi }[/math]表示整体网络的整合信息量。换句话说，[math]\displaystyle{ \Phi }[/math]是对整体网络中遍历所有子网络，计算[math]\displaystyle{ \phi }[/math]并得出最大的一个结果，也就是[math]\displaystyle{ \Phi=max_{\forall subnet}\phi }[/math]。而[math]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \phi }[/math] 最大的那个子网络，并用该子网络的 [math]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \phi }[/math]值只会大于等于右图。

意识程度的度量（Φ）计算框架

理解上述类比后，便可理解信息整合度 [math]\displaystyle{ \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。

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]\displaystyle{ Φ(S)=EI(MIB(S)) }[/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。

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：

[math]\displaystyle{ EI(A \rightarrow B)=\text{MI}(A^{Hmax}: B) }[/math]

其中，[math]\displaystyle{ 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]\displaystyle{ 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]\displaystyle{ A^{Hmax} \sim \mathcal{N}(0,c_p^2 I) }[/math]（ [math]\displaystyle{ c_p }[/math]为噪声强度，[math]\displaystyle{ 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]\displaystyle{ 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。

为了全面评估子系统A与B之间的因果交互，因此引入了双向有效信息，定义为两个方向EI值的总和：

[math]\displaystyle{ \text{EI}(A \rightleftharpoons B) = \text{EI}(A \rightarrow B) + \text{EI}(B \rightarrow A) }[/math]

这一度量捕捉了A与B之间双向的因果流动，强调了交互的非对称性——即[math]\displaystyle{ EI(A \rightarrow B) }[/math] 与 [math]\displaystyle{ EI(B \rightarrow A) }[/math] 可能显著不同。双向有效信息是识别系统内部整合能力的关键基础，因为它反映了任意两个部分之间可交换的因果信息总量。

图2.2双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)

最小信息二分（MIB）

最小信息二分（Minimum Information Bipartition，简称MIB）旨在确定使归一化有效信息（EI）最小化的二分切割方式，其核心是定位系统中最易割裂的“信息断层线”，即识别信息连接最薄弱的分割方案。 具体步骤如下：

1. 选择子系统[math]\displaystyle{ S \subseteq X }[/math]，其中 X包含n个元素，S包含k个元素（2≤k≤n）；

2.枚举所有二分切割 [math]\displaystyle{ [A:B]_S }[/math]，需满足[math]\displaystyle{ A \cup B = S }[/math]（覆盖子集）且 [math]\displaystyle{ A \cap B = \emptyset }[/math]（无交集），归一化有效信息后，有效信息最小的二分割即为所求。

最小信息二分 MIB(S)公式定义为：

[math]\displaystyle{ \text{MIB}(S) = argmin_{[A:B]_S} (\text{Normalized EI}) }[/math]

含义为在所有二分切割中选取归一化有效信息最小的划分。

归一化有效信息的计算公式为：

[math]\displaystyle{ \text{Normalized EI} = \frac{\text{EI}(A \rightleftharpoons B)}{\min\{H_{\text{max}}(A), H_{\text{max}}(B)\}} }[/math]

其中对于一个连续的马尔科夫动力学系统的最大熵[math]\displaystyle{ A^{Hmax} }[/math]的计算方式为：

[math]\displaystyle{ H_{\text{max}}(A) = \frac{1}{2}\ln\left[(2\pi e c_p^2)^m\right] }[/math]

其中 [math]\displaystyle{ m = \text{dim}(A) }[/math]表示 A的维度。

而对于一个离散的马尔科夫动力学系统的最大熵[math]\displaystyle{ A^{Hmax} }[/math]的计算方式为：

[math]\displaystyle{ H_{\text{max}}(A) =\log_2 m }[/math]

同样的[math]\displaystyle{ m = \text{dim}(A) }[/math]表示A的维度。

经过了上面的一系列运算，对于集合S的整合信息量[math]\displaystyle{ \Phi(S) }[/math]最终根据定义：

[math]\displaystyle{ \Phi(S) = \text{EI}(\text{MIB}(S)) }[/math]

须注意，此处使用的是[math]\displaystyle{ MIB(S) }[/math]对应的未归一化有效信息值。

复合体（complex）

前面给大家讲解了如何计算一个系统的整合信息量Φ，但是要确定这个系统的整合信息量的大小，还需要考虑其子集，因为有可能会出现子集的整合信息程度会大于整体的情况，这时整体的整合信息量就由子集主导。为了更好地说明这种情况，由此引入了复合体（complex）的概念，其定义为复合体是系统X的一个子集S，需要满足以下条件：

​​1、信息整合能力​​：Φ(S)>0，即子集内部能通过因果交互整合信息；

​​2、最大性​​：S不被任何其他具有更高Φ值的子集包含，换言之，复合体是局部最优的信息整合单元。

系统中Φ值最高的复合体称为​​主复合体​​，代表系统整体信息整合能力的上限：

[math]\displaystyle{ \text{main complex}(X) = \arg\max_{S \subseteq X} \Phi(S) }[/math]

同时，该复合体的整合信息量Φ也是整个系统的整合信息量。

连续系统的计算

在计算有效信息时，需要涉及到动力系统熵的计算，而一个连续的马尔科夫动力系统，计算其熵的过程可能较为复杂，下面我们用一个包含 n个元素的孤立神经系统 X为例，来描述连续系统熵的计算过程。该系统活动可由一个高斯平稳多元随机过程描述，并仅关注其内在属性，忽略来自环境的外部输入。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，彼此间的相互作用通过连接矩阵 CON(X)介导。系统动力学可表述为：

[math]\displaystyle{ X_t=X_{t−1}⋅CON(X) + cR }[/math]

其中cR表示该向量受强度为c的独立高斯噪声R驱动。

该多元过程的联合概率密度函数可通过熵（H）与互信息（MI）进行表征。

对于该连续马尔可夫动力系统，熵的计算公式为：

[math]\displaystyle{ H(X) = \frac{1}{2}\ln\left[(2\pi e)^{\text{dim}(X)} \cdot |\text{COV}(X)|\right] }[/math]

其中协方差矩阵 COV(X)来源于：

[math]\displaystyle{ \text{COV}(X) = Q^T Q,Q =(I - \text{CON}(X))^{-1} }[/math]

这里 I为单位矩阵，CON(X)为系统连接矩阵。

对于一个离散的系统其熵的相关计算可参见有效信息词条。

Φ 的计算示例

上面我们了解了整合信息量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。

八节点网络算例

如图2.3a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。

针对该网络，可计算每个子网络的 [math]\displaystyle{ \phi }[/math]值如图2.3b所示，各子网络的包含节点情况如图2.3c所示。图2.3b的横坐标为 [math]\displaystyle{ \phi }[/math]值，纵坐标是所有子集编号；图2.3c中，横坐标表示节点标号，纵坐标表示子集标号，深灰和浅灰格子分别代表因果瓶颈的划分情况（即深灰和浅灰各占一半划分）。

图2.3 一个八节点的网络构成的简单线性系统(a), 所有子集的φ值计算(b)，各个子集对应的节点元素，以及最小划分情况(c)

从图中可知， [math]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \phi }[/math]值略高于20。整个网络的 [math]\displaystyle{ \phi }[/math]值约为 7。而网络整体的 [math]\displaystyle{ \Phi }[/math]应取所有子网络中的最大 [math]\displaystyle{ \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

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]\displaystyle{ \Phi }[/math]值的影响。如图 2.4 所示，仅给出 [math]\displaystyle{ \Phi }[/math]值（因整个网络就是 [math]\displaystyle{ \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。

图2.4 五个不同的网络结构及其它们的φ值

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2.5展示了使 [math]\displaystyle{ \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：

• 节点邻居异质性强：每个节点的邻居差异大，不同节点邻居的匹配度仅0.14（相似邻居的比例），而同等规模随机网络的匹配度为0.218。
• 出入平衡：几乎每个节点仅有2个输入连边和2个输出连边，这与随机网络中少数节点拥有更多连接不同。
• 双向互惠连接少：该网络几乎不存在双向互惠连接（即A指向B且B也指向A），而随机网络中此类连接大量存在。此网络具有很高的整合度，[math]\displaystyle{ \Phi }[/math]值达60.76比特，同等规模随机网络的[math]\displaystyle{ \Phi }[/math]值仅35.66比特。

图2.5 通过搜索所有的八节点的网络结构使φ值最大得到的最优网络结构

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]\displaystyle{ \Phi }[/math] 值大小。一般而言，[math]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \Phi }[/math]值更大。此外，动力学也会影响 [math]\displaystyle{ \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]\displaystyle{ \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]\displaystyle{ \Phi }[/math]值是一种有效信息，信道带宽越高，[math]\displaystyle{ \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。

这里介绍的是整合信息论 1.0 版本中关于[math]\displaystyle{ \Phi }[/math]的计算方法，是所有后续版本中最为简单的一种。尽管从IIT3.0 到4.0版本，作者采用了不同的计算方式，甚至在4.0版本中将有效信息替换为内在信息（intrinsic information）指标，但其核心思想与1.0版本一致，基本结论未变，故在此不再详述。

Φ的近似计算

在前面的篇幅中,所讲解的整合信息量[math]\displaystyle{ \Phi }[/math]的计算以及计算示例均是基于IIT1.0版本，随着理论的演进，IIT理论逐步演进至 2.0、3.0、4.0版本，[math]\displaystyle{ \Phi }[/math]的内涵从 “系统分割的信息损失” 扩展为 “因果力生成的概念结构整合度”，但计算复杂度也从指数级攀升至双指数级 —— 首先是状态空间爆炸​​，系统状态数随比特数 b呈指数增长（[math]\displaystyle{ n=2^b }[/math]），导致概率分布和马尔可夫矩阵难以直接处理，其次是分区优化困难​​：Φ需最小化所有可能的分区（ bipartitions ）的φ值，分区数量随系统规模超指数增长（例如，对称分区数约[math]\displaystyle{ \binom{n}{n/2} \sim \frac{2^{n}}{\sqrt{n}} }[/math])，大脑等大规模系统（如 10¹¹ 个神经元）的原生计算完全不可行，[math]\displaystyle{ \Phi }[/math]的计算复杂度成为核心挑战，尤其是对于大规模系统如大脑网络。因此[math]\displaystyle{ \Phi }[/math]的近似计算成为 IIT 从理论落地实验的核心；现有近似算法包括高斯近似（将连续数据的概率分布简化为均值与协方差矩阵，复杂度从 O (2ᵇ) 降至 O (b³)，适配 EEG/fMRI 等实验数据）、Noising 分解（IIT2.0 用均匀噪声 / 边际噪声近似系统分割，如 [math]\displaystyle{ \Phi ^{2.5} }[/math]系列），而关键的高效近似是图论近似（Tegmark 2016 提出）：该方法将系统动态矩阵 A 映射为有向图（节点代表变量，边代表因果强度[math]\displaystyle{ \left | A_{ij} \right | \gt \varepsilon }[/math] 的交互），通过强连通组件（SCC，表征因果闭环）定位 “最残忍分割”—— 选择大小接近系统一半的 SCC 作为分割，避免遍历指数级分割，复杂度降至 O (b³)（矩阵运算）+O (b)（图遍历），可处理千级变量，且在可分解系统中误差为 0，不可分解系统中位数误差 < 15%，成为脑网络等大规模系统[math]\displaystyle{ \Phi }[/math]计算的核心工具。关于[math]\displaystyle{ \Phi }[/math]的近似计算的详细内容可参见Φ的近似计算词条。

整合信息论公理体系

存在性公理

整合信息理论（IIT）以六大公理为基本框架，其基础是第0公理——存在性公理。该公理确立了意识存在的根本地位，包含三个核心主张：一是现实主义，即世界独立于经验而存在；二是操作物理主义，主张物理存在的本质在于能够施加因果作用并产生影响；三是原子论，提出因果力原则上可还原为最小单位之间的相互作用。

从存在性公理出发，IIT 进一步界定了意识经验的五个基本属性：内在性（经验本身即存在）、信息（经验具有具体性）、整合（体验具有统一性）、排除（经验具有明确边界）以及构成（经验具有结构化的复合特征）。每个属性都对应系统因果结构中的物理假设：系统必须具有内在因果力；能够通过内在信息指定特定因果状态；必须以整体形式不可约地实现这一过程（可用小 phi，即 φ 度量）；只有达到最大不可还原程度的物理底物（复合体）才具有意识；其子结构则通过定义区别与关系形成更高阶的 Φ 结构（大 phi）。

存在性公理同时涵盖现象存在性与物理存在性两个维度。前者强调意识作为主体感知的直接性，其存在不证自明，如笛卡尔所言“我思故我在”；后者则指出任何意识体验都对应某种物理基础，承认意识体验的特殊性，同时坚持其可经由物理系统的因果机制加以解释。这一公理奠定了 IIT 的涌现主义立场，为使用布尔网络、有效信息等因果分析工具研究意识提供了理论基础。

内在性公理

内在性公理是意识研究领域中关于意识存在性的核心设定之一，其核心思想为：意识的存在性是相对于意识主体自身而言的，具有内在性和主观性。具体而言，任何一个系统（如电子设备、生物有机体等）是否具备意识，仅能被该系统自身所感知和确认；对于外部观察者而言，由于无法直接进入系统的内在体验，因此无法从外部客观判定其意识的有无。

这一公理从两个关键角度为意识研究提供了基础框架：

• 物理机制层面

内在性公理隐含了一个推论：若一个系统具备产生意识的可能，其内部的因果机制必须存在明确的边界，能够区分系统自身与外部环境。这种边界是系统形成独立内在视角、进而产生主观体验的物理基础 —— 只有当系统能通过因果互动将自身与外界分离，才能形成 “自我” 与 “非我” 的划分，为意识的内在性提供依托。

• 网络模型层面

在基于网络结构的意识理论中，内在性公理为子网络的研究提供了逻辑前提。它假定网络中的每一个子网络都有可能成为承载意识主体的候选者，因此在量化分析意识相关指标（如 Φ 值）时，需要遍历系统中所有可能的子网络。这一过程的本质，正是对 “每个子网络都可能具有内在意识视角” 这一公理的实践响应。

内在性公理的价值在于，它明确了意识的主观性与内在性本质，为区分 “客观可观测的物理过程” 与 “主观意识体验” 提供了理论边界，同时也为意识研究中的方法论选择（如聚焦系统内部因果结构分析）奠定了基础。

信息公理

信息公理的核心内容为：意识具有具体性（specificity），即每一种意识体验都是独特的，由一系列可区分的现象特征构成，并能与其他可能的体验明确区分（存在差异）。这一公理从主观体验与物理机制的关联角度，揭示了意识的独特性与可区分性的根源。

从主观体验层面来看，信息公理强调意识的每一种状态（如看到红色、感到喜悦、回忆某个场景等）都具有不可替代的具体性。这些体验由特定的感官细节、情感色彩、认知内容等要素组合而成，彼此之间存在明确的界限 —— 例如，“看到蓝色” 的体验与 “听到音乐” 的体验在现象层面截然不同，这种差异是意识本身固有的属性。

从物理机制层面来看，信息公理隐含了意识与系统因果结构的对应关系：一种特定的意识体验必然对应于系统中一种特定的因果结构。这种因果结构可以是复杂网络（如神经元网络中的特定子集、布尔网络中的特定节点连接模式等），其存在方式具有唯一性 —— 即该结构通过自身的连接方式、互动规则等，与其他可能的因果结构形成可量化的差异。例如，大脑中不同神经元集群的激活模式和连接强度差异，对应着不同的感知或思维状态，正是这种物理层面的特异性，为意识体验的具体性提供了物质基础。

信息公理为理解意识的物理基础提供了关键线索：它将主观体验的 “独特性” 与客观系统的 “结构性差异” 直接关联，暗示意识的丰富性源于系统因果结构的多样性。这一原则也为意识的量化研究（如整合信息理论中对 Φ 值的计算）提供了逻辑前提 —— 只有当系统的因果结构具备足够的特异性和可区分性时，才能产生具有具体内容的意识体验。

此外，信息公理还为区分 “有意识的系统” 与 “无意识的机制” 提供了判断依据：一个系统若能产生意识，其内部必须存在足够多样且可区分的因果结构，以支撑不同类型的意识体验；反之，若系统的因果结构单一、缺乏变化（如简单的反射弧），则无法满足意识具体性的要求，也就不具备产生复杂意识的能力。

整合公理

整合公理是意识研究中阐释意识整体性特征的核心原则，其核心思想为：意识具有不可分割的整体性—— 尽管产生意识的系统可能由多个部分构成，但意识体验本身是统一的整体，不会分裂为这些部分的独立体验。这一公理从主观体验与物理机制的关联出发，揭示了意识作为整体存在的本质属性。

从主观体验层面来看，整合公理强调意识的统一性：任何意识体验（如对一个场景的完整感知、一段连贯的思维）都是不可分割的整体。例如，人类感知一朵花时，对其颜色、形状、气味的体验会融合为单一的整体感知，而非各自独立的片段；即使注意力在不同特征间切换，整体体验仍保持连贯性，不会分解为 “颜色意识”“形状意识” 等孤立部分。这种整体性是意识的基本属性，缺失则意味着意识的瓦解。

从物理机制层面来看，整合公理要求：支撑意识的系统必须具备作用于整体层面的因果效应（因果力），且这种因果力具有不可归约性。具体而言：

• 整体因果力：系统各部分之间的因果交互（可用有效信息 EI 刻画）必须能作用于系统整体，而非仅停留在局部。例如，大脑中不同脑区通过神经连接形成的因果互动，会产生超越单一脑区功能的整体效应，这种效应是意识统一性的物理基础。
• 不可归约性：整体因果力不能被简化为各组成单元的独立特性之和。这种不可归约性直接体现在有效信息（EI）和整合信息度量（Φ）中：有效信息通过量化系统各部分间的因果交互强度，反映整体对局部的约束能力；而整合信息 Φ 则通过计算系统最小信息二分切割处的有效信息，衡量整体因果力无法被分割的程度 ——Φ 值越高，表明系统的因果效应越依赖整体结构，越难以被拆解为局部特性的叠加。

整合公理为理解意识的物理基础提供了关键框架：它将意识的 “主观整体性” 与系统的 “客观因果整合性” 关联起来，指出意识的统一性源于系统整体层面不可分割的因果力。这一原则为区分 “有意识系统” 与 “无意识集合” 提供了核心标准 —— 一个系统若能产生意识，其因果效应必须突破局部限制，形成不可归约的整体作用；反之，若系统各部分仅存在松散关联（如一群独立工作的神经元），其因果力可被归约为局部特性，则无法产生统一的意识体验。

在量化研究中，整合公理是整合信息理论（IIT）的核心支柱，Φ 值的计算正是对这一公理的直接实践：通过测量系统抵抗信息分裂的能力，量化整体因果力的不可归约性，进而解释意识为何能作为统一整体存在。这一原则也为神经科学研究提供了方向，例如对大脑丘脑 - 皮层系统高整合性的研究，正是为了揭示其支撑意识整体性的神经机制。

排他性公理

排他性公理主要用于解释意识体验的唯一性以及物理系统因果结构的确定性。​ 从意识体验的角度来看，该公理指出，在任意一个时刻，主体的意识体验必然是唯一的，不存在同时并存的多种不同体验。并且，这种唯一的意识体验会随着时间的推移呈现出连续流动的特征，构成了个体完整的意识历程。例如，当一个人在欣赏一幅画作时，他此刻的意识体验聚焦于画作的色彩、构图等内容，不会同时产生聆听音乐或品尝食物的清晰意识体验，这种体验的唯一性是意识存在的基本属性。​ 从物理层面分析，排他性公理强调，由物理系统所定义的因果结构必须具有确定性，不允许出现两个完全重合的因果结构整体。这意味着在对物理系统的研究中，其内部各要素之间的因果关联是明确且唯一的，不存在模糊或矛盾的因果关系叠加。​ 这条公理的重要意义在于，它为相关研究提供了关键的逻辑基础。在意识的整合信息理论（IIT）等研究框架中，它解释了为什么必须在系统中搜索具有最大 “φ 值”（用于衡量系统整合信息能力的指标）的子集，并且明确了这个最大子集必须是唯一的。因为只有这样，才能与意识体验的唯一性以及物理因果结构的确定性相契合，确保理论体系在解释意识现象与物理系统关系时的自洽性。​

复合公理

复合公理揭示了意识体验的构成方式与物理系统因果效应的内在关联。​ 从意识体验的角度而言，该公理强调意识是具有结构化特征的，每一种具体的意识体验都对应着现象层面可区分的构成要素。这些构成要素既可以是基础性的，也可以是通过组合形成的。例如，当人走出户外时，所产生的 “看到蓝天白云并感受到暖风” 这一意识体验，便是由 “蓝天白云的视觉感知”“暖风的触觉感知” 等多个可区分的部分组合而成。这种结构化的构成是意识体验呈现丰富性和多样性的基础，使得不同的意识内容能够被清晰地区分和整合。​ 从物理层面来看，复合公理表明，与意识体验相对应的物理系统的最终因果效应也必须是结构化的。具体来说，这意味着物理系统中不同的可区分子集之间存在着相互作用的因果力，这种因果力能够让各个子集之间产生显著差异。正是这种结构化的因果互动，为主体能够感受到不同的意识体验提供了物理层面的支撑。例如，大脑神经系统中不同的功能区域作为可区分的子集，通过神经信号的传递和交互产生因果作用，使得视觉、触觉等不同的感知信息得以被区分和整合，最终形成完整的结构化意识体验。​

所谓的公理，就是不证自明的假说。凭借这六条公理，托诺尼便构建了整个计算Φ 的数学体系，这便是整合信息论。尽管自从提出之日起，整合信息论就不断地遭到人们的攻击和质疑，但是不可否认的是，整合信息论是目前最经受得起考验的一个定量意识理论之一。特别是，近期有关意识的对抗性合作实验Cogitate的成功实施，让整合信息论获得了更多实验方面的支持。

IIT各版本理论介绍

IIT2.0

单点有效信息

在IIT2.0版本中提出了Repertoire（可能性分布）描述系统状态的 “可能性集合”，是计算信息的基础，分为两类：先验 Repertoire（[math]\displaystyle{ p^{max}(X_0) }[/math]）和后验Repertoire（[math]\displaystyle{ p(X_0 \to x_1) }[/math]），单点有效信息的定义则基于此，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。 公式： [math]\displaystyle{ ei(X_0 \rightarrow x_1) = H(p^{\mathrm{max}}(X_0)) - H(p(X_0 \rightarrow x_1)) }[/math]

先验 Repertoire

在完全无知的情况下，系统所有可能初始状态的分布（通常是均匀分布）。如图4.1中 n 个二元元素的系统有[math]\displaystyle{ 2^n }[/math]种初始状态，每种概率相等（3 个二元元素的先验 Repertoire 含 8 种状态，熵 = 3 比特）。

后验Repertoire

能通过系统因果交互导致当前状态[math]\displaystyle{ x_1 }[/math]的初始状态分布，需通过 “扰动实验” 确定：强制系统进入每种先验状态，筛选出可产生[math]\displaystyle{ x_1 }[/math]的状态（例如图4.1中 3 个 AND 门系统，仅 1 种初始状态能导致[math]\displaystyle{ x_1=001 }[/math]，后验 Repertoire 熵 = 0）。

信息几何

信息几何学（Information Geometry）是一个交叉学科领域，它结合了几何学和信息论，旨在通过几何工具来理解信息和统计分布的性质。该学科使用流形和度量张量等几何学概念来分析概率分布、信息量、数据模型和统计推断的几何结构。

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。 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；

• 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。

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

作者进一步引入纠缠（entanglement, γ） 的概念，用以衡量信息关系是否可分解为其组成部分的简单叠加。不可分解的信息关系（γ > 0）被称为概念（concepts），而高度纠缠的概念集群则构成模式（modes）。模式对应意识中的基本单位或模态，如“红色”或“视觉体验”。例如，视觉和听觉可能对应感质中两个不同的模式子形状，它们既相对独立又属于同一个更大的整体体验。 研究还得出几个重要推论：

• 感质同时依赖于系统的机制（连接结构）和当前状态（活动模式）；

• 不同的系统（或同一系统的不同状态）可能产生不同的感质；

• 在某些简单情况下，不同系统可能生成同构的感质（如静息的AND门与兴奋的OR门），但在复杂系统中这几乎不可能；

• 沉默的单元与活跃的单元同样贡献于感质的形成，但被失活的单元则不再贡献；

• 学习可改变连接结构，从而使感质分化更细，对应更丰富的体验。

全模型与分割模型

Amari、Tsuchiya和Oizumi三位作者于2017年提出了如何用信息几何（Information Geometry）的方法来量化多终端因果系统中的信息整合程度的概念，这里的信息几何通过定义 “分割模型”（对全模型的简化，移除部分终端间的信息传输），衍生出不同的信息整合度量：

模型名称	定义与约束	流形性质	信息整合度量[math]\displaystyle{ \Phi }[/math]	特性
全模型（M）	所有终端完全连接的图形模型，包含系统完整的联合分布[math]\displaystyle{ p(x,y) }[/math]	对偶平坦流形	——	作为基准模型，用于对比分割模型的信息损失。
完全分割模型（[math]\displaystyle{ M_{FS} }[/math]）	移除[math]\displaystyle{ X_i }[/math]与[math]\displaystyle{ Y_j(i≠j) }[/math]、[math]\displaystyle{ Y_i }[/math]与[math]\displaystyle{ Y_j(i≠j) }[/math]的连接，条件分布满足[math]\displaystyle{ q(y|x)=\prod_i q(y_i|x_i) }[/math]	e 平坦子流形	[math]\displaystyle{ \Phi_{FS} = \sum H[Y_i|X_i] - H[Y|X] }[/math]（H为条件熵）	不满足[math]\displaystyle{ 0 \leq \Phi \leq I(X;Y) }[/math]（I为互信息），因不包含X与Y独立的分布。
对角分割模型（[math]\displaystyle{ M_{DS} }[/math]）	仅移除[math]\displaystyle{ X_i }[/math]与[math]\displaystyle{ Y_j(i≠j) }[/math]的连接，保留[math]\displaystyle{ Y_i }[/math]间的连接，约束为[math]\displaystyle{ \theta_{12}^{XY}=\theta_{21}^{XY}=0 }[/math]	e 平坦子流形	[math]\displaystyle{ \Phi_{DS} = D_{KL}[p:q^*] }[/math]（[math]\displaystyle{ q^* }[/math]为p在[math]\displaystyle{ M_{DS} }[/math]上的投影）	满足[math]\displaystyle{ 0 \leq \Phi \leq I(X;Y) }[/math]，但无法完全移除非对角因果影响。
因果分割模型（[math]\displaystyle{ M_G }[/math]）	移除[math]\displaystyle{ X_i }[/math]与[math]\displaystyle{ Y_j(i≠j) }[/math]的因果影响，满足马尔可夫条件（如[math]\displaystyle{ X_1-X_2-Y_2 }[/math]）	弯曲子流形	高斯情况下：[math]\displaystyle{ \Phi_G = \frac{1}{2}\log\frac{|\sum(E)|}{|\sum(E')|} }[/math]（[math]\displaystyle{ \sum(E) }[/math]为噪声协方差）	满足[math]\displaystyle{ 0 \leq \Phi \leq I(X;Y) }[/math]，纯粹量化因果影响，最符合整合信息理论（IIT）理念。
不匹配解码模型（[math]\displaystyle{ M_{MD} }[/math]）	从解码视角定义，用不含[math]\displaystyle{ x_i }[/math]与[math]\displaystyle{ y_j(i≠j) }[/math]交互项的[math]\displaystyle{ q(x,y;\beta) }[/math]估计输入，量化信息损失	弯曲子流形（1 维）	[math]\displaystyle{ \Phi_{MD} = \min_\beta D_{KL}[p:q(x,y;\beta)] }[/math]（[math]\displaystyle{ \beta }[/math]为优化参数）	需数值方法求解最优[math]\displaystyle{ \beta }[/math]，包含于[math]\displaystyle{ M_{DS} }[/math]。

子流形包含：[math]\displaystyle{ \mathcal{M}_{DS} \supset \mathcal{M}_{FS} }[/math]，[math]\displaystyle{ \mathcal{M}_{DS} \supset \mathcal{M}_{MD} }[/math]，[math]\displaystyle{ \mathcal{M}_G \supset \mathcal{M}_{FS} }[/math]； 度量大小：由 KL 散度的性质，子流形范围越大，对应度量越小，即[math]\displaystyle{ \Phi_{FS} \geq \Phi_{DS} }[/math]，[math]\displaystyle{ \Phi_{MD} \geq \Phi_{DS} }[/math]，[math]\displaystyle{ \Phi_{FS} \geq \Phi_G }[/math]。

信息几何为量化因果动力系统的信息整合提供了统一框架，尤其在意识研究（如整合信息理论 IIT）中用于分析系统各部分的因果交互。因果分割模型对应的[math]\displaystyle{ \Phi_G }[/math]因能纯粹量化因果影响且满足自然约束，是最合理的信息整合度量。

IIT3.0

因果信息（cei）

因果信息（cause-effect information，因果效应信息）是用于衡量单个机制（如一个神经元或逻辑门）在其当前状态下对系统的过去和未来状态所施加的选择性约束的量。具体来说，cei 表示该机制从系统内在视角（intrinsic perspective）所指定的“有意义的差异”（differences that make a difference）。 公式： [math]\displaystyle{ cei = min(ci,ei) }[/math]

原因信息ci

机制在当前状态[math]\displaystyle{ s_0 }[/math]下，对系统过去状态的概率分布（即原因 repertoire）与无约束过去分布（uniform distribution）之间的差异。

结果信息ei

机制在当前状态[math]\displaystyle{ s_0 }[/math]下，对系统未来状态的概率分布（即效果 repertoire）与无约束未来分布（由系统输入无约束扰动得出）之间的差异。

系统整合信息（φ，“小 phi”）

[math]\displaystyle{ \phi }[/math]衡量的是单个机制（如一个神经元、一个逻辑门，或一组元素构成的子机制）在其当前状态下，所指定的因果信息（cei）在多大程度上是不可被其组成部分还原的。

其核心思想为：一个机制（例如 AB）可能显示出很高的因果信息（cei），但如果这个信息完全可以由它的两个部分（A 和 B）独立提供，那么这个整体机制 AB 就从系统的内在视角来看是“多余”的，它并不作为一个独立的因果实体而存在。[math]\displaystyle{ \phi }[/math] 衡量的是这个机制“作为整体”（above and beyond its parts）的因果贡献。

计算方法：

• 确定机制：选择一个机制（如 AB 在状态 11）。
• 寻找最小信息分区（MIP）：在所有可能的分区（Partition）中，找到那个对机制指定的因果 repertoire 破坏最小的分区。分区的方式是“注入噪声”来切断部分之间的因果连接。
• 计算差异：计算未分区时整个机制指定的因果 repertoire 与 MIP 分区后的因果 repertoire 之间的 Earth Mover's Distance (EMD)。
• 取最小值：与 cei 类似，[math]\displaystyle{ \phi }[/math]是原因方向的[math]\displaystyle{ \phi }[/math]（[math]\displaystyle{ \phi_{\text{cause}} }[/math]）和效果方向的[math]\displaystyle{ \phi }[/math]（[math]\displaystyle{ \phi_{\text{effect}} }[/math]）中的最小值。

[math]\displaystyle{ \phi = \min(\phi_{\text{cause}}, \phi_{\text{effect}}) }[/math]

如果[math]\displaystyle{ \phi \gt 0 }[/math]，则该机制是一个概念（Concept）。它从一个不可还原的因果视角指定了系统处于何种状态（它的最大不可还原因果 repertoire，MICE），并对意识体验的质量（内容）有贡献。[math]\displaystyle{ \phi }[/math]值的大小代表这个概念在体验中“呈现的程度”。如果[math]\displaystyle{ \phi = 0 }[/math]，则该机制不是一个独立存在的概念，它的因果作用可以完全由其分解后的部分来解释。

简单比喻： 一个单词（如“SONO”）的含义，不能还原为“SO”和“NO”两个部分含义的简单叠加。它的“$\phi$”很高。而“AB”机制如果只是两个独立信号的简单并列，它的“[math]\displaystyle{ \phi }[/math]”就为0。

结构整合信息（Φ，“大 phi”）

[math]\displaystyle{ \Phi }[/math]衡量的是整个系统（一组机制）所生成的概念结构（Conceptual Structure）在多大程度上是一个不可还原的整体。

其核心思想为：一个系统可能包含很多概念（[math]\displaystyle{ \phi \gt 0 }[/math]的机制），但如果这些概念是彼此独立的（例如，系统可以轻易地被分成两个独立运作的模块而概念结构不发生改变），那么这个系统就无法形成一个统一的意识体验。[math]\displaystyle{ \Phi }[/math]衡量的是系统作为一个整体的 “不可分割性”，它直接对应于意识水平的高低。

计算方法：

• 确定候选系统：选择一个待评估的系统（如一组神经元或逻辑门）。
• 寻找最小信息分区（MIP）：在所有可能的单向分区（Unidirectional Partition）中，找到那个对系统整体概念结构破坏最小的分区。这是系统层面的 MIP。
• 计算差异：计算未分区时系统的概念结构（C）与 MIP 分区后的概念结构（[math]\displaystyle{ C_{\text{MIP}} }[/math]）之间的扩展版 Earth Mover's Distance (EMD)。这个距离计算的是将 “概念星座” 从完整形态 “移动” 到被分区破坏后的形态所需的 “成本”，成本权重是每个概念的[math]\displaystyle{ \phi }[/math]值。
• 排除公理：在所有重叠的子系统（Supersets and Subsets）中，只有那个能最大化[math]\displaystyle{ \Phi }[/math]的集合才能被称为复合体（Complex）。这个最大的[math]\displaystyle{ \Phi }[/math]值记为[math]\displaystyle{ \Phi^{\text{Max}} }[/math]。

[math]\displaystyle{ \Phi = D(C \mid\mid C_{\text{MIP}}) }[/math]

如果[math]\displaystyle{ \Phi^{\text{Max}} \gt 0 }[/math]，则该集合是一个复合体（Complex），它是意识的主体。它从自身的内在视角出发而 “存在”。[math]\displaystyle{ \Phi^{\text{Max}} }[/math]的数值代表意识的数量（Level of Consciousness）。该复合体生成的最大不可还原概念结构（MICS）完全描述了意识的质量（Content of Consciousness），即 “体验是什么样子”。

简单比喻： 一幅画（概念结构）的整体美感和意义（[math]\displaystyle{ \Phi }[/math]），不能还原为画布左上角（分区 1）和右下角（分区 2）的简单拼凑。如果你用一道裂缝（分区）把画分开，整体意义就丢失了，这幅画的 “[math]\displaystyle{ \Phi }[/math]” 就很高。而一幅拼贴画可能很容易分割而不损失太多意义，它的 “[math]\displaystyle{ \Phi }[/math]” 就较低。

最大不可约概念结构（MICS）

前面我们介绍了[math]\displaystyle{ \phi }[/math]与小[math]\displaystyle{ \Phi }[/math]的概念，它们的关系则是：一个系统（复合体）的 Φ 值取决于其所有概念（φ > 0 的机制） 如何整合成一个不可分割的整体概念结构（MICS）。[math]\displaystyle{ \Phi }[/math] 不是各个 [math]\displaystyle{ \phi }[/math]的简单加总，而是它们通过相互作用所涌现出的全局属性。

最终，IIT3.0认为：一个系统的[math]\displaystyle{ \Phi^{\text{Max}} }[/math]值定义了其意识水平，而由该系统的概念（[math]\displaystyle{ \phi }[/math] > 0）所构成的最大不可还原概念结构（MICS） 则定义了意识的具体内容。

其他意识相关理论

全局神经网络工作空间（GNWT）

意识如何从大脑活动中产生是当代神经科学的核心难题。除了整合信息理论（Integrated Information Theory, IIT）之外， 全局神经网络工作空间理论（Global Neuronal Workspace Theory, GNWT）提供了一种截然不同但也极具影响力的框架，并各自拥有不断增长的实验证据支持。

​

GNWT模型

GNWT最早由Baars于1988年提出，是一种用于解释认知过程的心理物理学范式。GNWT提出，意识对应于信息被广播到遍布大脑的“全局工作空间”的过程。当感觉信息得到足够深入的加工，从而被前额叶、前扣带回等顶额叶网络中的神经元群体“点燃”（ignition）时，它才会进入意识。这种全局的可用性使得信息能够被报告、用于决策和长期记忆。 ​

全局神经网络工作空间理论模式图

​

​GNWT计算模型的主要构成 （以“词语-颜色” Stroop 任务模拟为例）：

• ​输入系统： 4个“词语”输入单元 + 4个“颜色”输入单元。

• ​模块化处理器：直接连接输入和输出（命名）单元的通道。​​词语->命名的连接权重被预设得比颜色->命名的更强​​，模拟了人们更习惯读词的现象。

• ​全局工作空间神经元：随机、片状地连接​​到各个处理器。这是模型的关键：初始连接是随机的，没有预置任何规则。

• ​评估与奖励系统：提供成功（R=+1）或失败（R=-1）的信号。

​

​

​

​

​

GNWT相关实验证据

GNWT是基于人类大脑活动提出的假说和模型，经过演变和发展，也有在小鼠上得到验证的实验证据。

1. 意识进入的“全或无” ignition现象。GNWT的一个关键预测是意识访问的阈值性。大量脑电图（EEG）和功能性磁共振成像（fMRI）研究显示，被有意识感知的刺激会引发一个晚期（~300ms）、持续且分布广泛的前额顶叶网络活动；而未被意识感知的刺激（阈下刺激）仅能诱发短暂的早期局部活动 (Dehaene & Changeux, 2011)。这种“全或无”的全局激活模式被认为是意识“点燃”的神经标志。

2. 前额叶顶叶网络在意识中的必要性。神经心理学和神经调控证据支持前额顶叶网络对于意识访问至关重要。前额叶损伤患者可能表现出意识障碍（如执行功能缺陷）；更重要的是，直接对顶内沟（顶叶的关键节点）进行经颅磁刺激可以暂时中断视觉刺激的有意识感知，使其无法被报告 (Boly et al., 2017)。这表明该网络不仅是相关的，更是意识访问的必要条件。通过多模态成像（包括超声功能成像和钙成像）和光遗传操控技术，在小鼠的非快速眼动睡眠（Non-rapid eye movement sleep, NREM sleep）中，从视觉皮层到前额叶皮层的的信息传播被显著抑制（Li B. et al., Cell, 2023）。NREM睡眠期间前额叶活动的抑制与意识减弱同步，符合GNWT中前额叶作为“工作空间”的定位。全或无的“点燃”现象：清醒时V1-PFC的信息传播呈现阈值性激活（类似GNWT的“ignition”），而NREM睡眠中这种传播被阻断，与GNWT对意识访问的机制描述一致。

整合信息理论（IIT）与全局神经工作空间理论（GNWT）的比较

IIT的核心观点是：意识等同于一个系统因其因果结构而具有的“整合信息”量，用 Φ表示。一个系统必须是高度不可分的（integrated）且具有特定的因果结构（cause-effect structure），才能产生意识。该理论预测，意识体验依赖于后皮层（如后顶叶、颞叶和枕叶区域）一个“最大”的复杂网络，而大脑前额叶等区域在意识中的作用相对次要。

1. 意识状态下的高复杂度神经信号。IIT预测，处于有意识状态时，大脑应表现出高度不可分和特异性的活动模式。使用微扰复杂度指数（Perturbational Complexity Index, PCI）等测量方法，研究发现该指标能可靠地区分无意识（如睡眠、麻醉、植物状态）和有意识的大脑状态 (Casali et al., 2013)。PCI值高表明大脑对微扰（如经颅磁刺激，TMS）产生了复杂且遍布全局的反应，这与高信息整合能力一致；而PCI值低则表明反应简单或局部化。该指标已被临床用于评估意识障碍患者。

2. 后皮层的“意识核心”作用。神经成像研究支持IIT关于意识内容依赖于后皮层网络的预测。例如，在双眼竞争和闪现抑制范式中，尽管被试的报告行为是由前额叶活动驱动的，但报告的意识知觉内容本身（如看到的是脸还是房子）其神经表征更稳定地出现在颞叶和枕叶的视觉加工区域 (Frässle et al., 2014)。这与IIT认为前额叶主要负责报告和访问，而非产生意识体验本身的观点相符。

IIT和GNWT得到了不同实验范式的支持。IIT的证据侧重于意识状态的测量（如PCI）和意识内容在感觉皮层的表征，强调后皮层网络是产生意识的物理基质。而GNWT的证据则侧重于意识访问的机制，强调前额顶叶网络在信息全局广播中的必要性。未来的研究需要设计能够直接区分两者核心预测的实验（如比较前额叶与后皮层在意识中的因果作用），以期最终调和或裁决这两种理论，从而更深入地揭示意识的神经本质。

循环处理理论（RPT）

RPT理论由神经科学家​​维克多·拉米（Victor Lamme）​​ 提出，其主要观点是：意识体验的产生依赖于大脑神经网络中​​循环往复的信息处理​​，而不仅仅是单向的前馈传递。

该理论强调，当感觉信息（如视觉信号）从低级处理区域（如初级视觉皮层）传递到高级联合皮层后，​​高级区域必须将处理结果反馈回低级区域​​，形成循环回路。这种“再入”或“反馈”处理使得信息在不同脑区之间被持续整合和精细化，从而形成统一、有组织的感知体验。

拉米进一步将这一过程细分为四个阶段，揭示了从无意识到完全意识的过程：

• 浅层处理​​：刺激未被注意且被掩蔽时，仅发生局部的前馈处理。

• 广泛处理​​：刺激被注意但仍被掩蔽时，神经活动扩散更广，但仍以前馈为主。

• 含循环的浅层处理​​：刺激未被注意但未被掩蔽时，开始出现循环处理。

• 含循环的广泛处理​​：刺激被注意且未被掩蔽时，各脑区间进行广泛的循环处理，此时个体达到完全的意识状态，能够清晰感知和报告刺激。

高阶思想理论（HOT）

高阶思想理论与RPT的神经科学视角以及IIT和GNWT的计算理论视角不同，更侧重哲学和认知层面。其核心主张是：一个心理状态（例如“看到红色”）要成为有意识的，只有当主体​​拥有一个关于该心理状态的高阶思想​​时才会发生。

maybe add the final part '总结与讨论'.