導(dǎo)語(yǔ)

“集智百科精選”是一個(gè)長(zhǎng)期專(zhuān)欄，持續(xù)為大家推送復(fù)雜性科學(xué)相關(guān)的基本概念和資源信息。作為集智俱樂(lè)部的開(kāi)源科學(xué)項(xiàng)目，集智百科希望打造復(fù)雜性科學(xué)領(lǐng)域最全面的百科全書(shū)，歡迎對(duì)復(fù)雜性科學(xué)感興趣、熱愛(ài)知識(shí)整理和分享的朋友加入，文末可以?huà)叽a報(bào)名加入百科志愿者！

↑↑↑掃碼直達(dá)百科詞條

馬曉琛、楊明哲 | 作者

作者簡(jiǎn)介

目錄

1. 歷史溯源

2. 意識(shí)的現(xiàn)象學(xué)特性

2.1 分化（Differentiation）

2.2 整合（Integration）

3. 概念的定義和計(jì)算

3.1 有效信息

3.2 意識(shí)的“量”

3.2.1 最小信息二分（MIB）

3.2.2 整合信息(Φ)

3.2.2.1 Φ 值大小的影響因素

3.2.3 復(fù)合體（complex）

3.3 意識(shí)的“質(zhì)”

3.3.1 有效信息矩陣

3.3.2 感質(zhì)空間（qualia space）

4. 計(jì)算案例

4.1 四節(jié)點(diǎn)系統(tǒng)的計(jì)算示例

4.2 連續(xù)系統(tǒng)的計(jì)算

4.3 八節(jié)點(diǎn)網(wǎng)絡(luò)算例

4.4 不同網(wǎng)絡(luò)結(jié)構(gòu)的 Φ 值

4.5 Φ 值最大化結(jié)構(gòu)

5. 神經(jīng)科學(xué)上的應(yīng)用

5.1 臨床意識(shí)評(píng)估中的近似應(yīng)用

6. 理論的局限

6.1 計(jì)算復(fù)雜度與可擴(kuò)展性

6.2 建模假設(shè)與因果結(jié)構(gòu)

6.3 度量定義與可驗(yàn)證性范圍

整合信息論（Integrated Information Theory, IIT）是探索意識(shí)本質(zhì)的開(kāi)創(chuàng)性理論框架。Giulio Tononi最早在2004年提出了首個(gè)版本的IIT，并給出了具體的數(shù)學(xué)框架。本文旨在梳理IIT1.0的內(nèi)容和發(fā)展脈絡(luò)。

1. 歷史溯源

意識(shí)包括對(duì)自身內(nèi)在事物的覺(jué)察，以及對(duì)外部環(huán)境中的狀態(tài)或?qū)ο蟮恼J(rèn)知。千百年來(lái)，哲學(xué)家、科學(xué)家和神學(xué)家們一直在廣泛解釋、分析和辯論關(guān)于意識(shí)的理論[1]。直至19世紀(jì)末，心理學(xué)家威廉·詹姆斯[2]率先將有關(guān)意識(shí)的討論和研究帶入到了科學(xué)研究的范疇里，尤其是啟發(fā)了后續(xù)關(guān)于意識(shí)的神經(jīng)關(guān)聯(lián)（Neural Correlates of Consciousness, NCC）的一系列科學(xué)研究[3]。在現(xiàn)代意識(shí)研究中，“現(xiàn)象意識(shí)”這一專(zhuān)業(yè)術(shù)語(yǔ)是所有意識(shí)形式的通用同義詞，或簡(jiǎn)稱(chēng)“體驗(yàn)”，不區(qū)分內(nèi)在與外在，或高階與低階類(lèi)型。隨著腦科學(xué)研究的進(jìn)步，“任何形式的經(jīng)驗(yàn)現(xiàn)象的存在”成為那些神經(jīng)科學(xué)家工作的基礎(chǔ)，他們?cè)噲D分析意識(shí)現(xiàn)象學(xué)與其相關(guān)信息處理在大腦中的精確關(guān)系。這一神經(jīng)科學(xué)目標(biāo)是尋找“意識(shí)的神經(jīng)關(guān)聯(lián)”[4]，即確定足以產(chǎn)生特定意識(shí)體驗(yàn)的最小神經(jīng)機(jī)制。然而，NCC研究主要回答“意識(shí)與何處相關(guān)”，卻未從根本上解釋“主觀體驗(yàn)如何從物理系統(tǒng)中產(chǎn)生”以及“意識(shí)有多少”。

整合信息論由Giulio Tononi于2004年提出，從意識(shí)的現(xiàn)象學(xué)公理出發(fā)，反向推導(dǎo)出意識(shí)必需的物理基礎(chǔ)，并提出了整合信息的量化指標(biāo)——Φ值，用以衡量一個(gè)系統(tǒng)的意識(shí)水平。整合信息論試圖回答意識(shí)的兩個(gè)核心問(wèn)題：
意識(shí)的“數(shù)量”：一個(gè)系統(tǒng)具有多強(qiáng)意識(shí)（意識(shí)的程度或水平）。
意識(shí)的“質(zhì)量”：一個(gè)系統(tǒng)具有何種意識(shí)（意識(shí)的具體內(nèi)容或體驗(yàn)）。

整合信息論不僅嘗試直面“物理系統(tǒng)如何產(chǎn)生主觀”這一根本問(wèn)題，也首次使意識(shí)的定量化、跨系統(tǒng)比較成為可能[5]，為構(gòu)建可驗(yàn)證、可計(jì)算意識(shí)科學(xué)奠定了重要基礎(chǔ)。

2. 意識(shí)的現(xiàn)象學(xué)特性

2.1 分化（Differentiation）

意識(shí)體驗(yàn)具有高度的特異性與豐富性。也就是說(shuō)，在任一時(shí)刻，我們都可能處于大量彼此截然不同、涇渭分明的意識(shí)狀態(tài)之中——例如此刻所看到、聽(tīng)到與感受到的復(fù)雜場(chǎng)景，與前一刻可能完全不同。

這一現(xiàn)象表明，清醒意識(shí)是由大量具體內(nèi)容所構(gòu)成的結(jié)構(gòu)化狀態(tài)。換言之，從可能狀態(tài)空間的角度來(lái)看，意識(shí)系統(tǒng)具有極強(qiáng)的區(qū)分能力，能夠在眾多可能狀態(tài)中實(shí)現(xiàn)精細(xì)而明確的區(qū)分。

在整合信息論中，這一特性被概括為系統(tǒng)的“分化”，即系統(tǒng)能夠支持的可區(qū)分狀態(tài)的數(shù)量與多樣性。一個(gè)分化程度較高的系統(tǒng)，其內(nèi)部因果結(jié)構(gòu)允許系統(tǒng)在不同條件下進(jìn)入大量彼此不同的狀態(tài)，從而對(duì)應(yīng)于豐富而具體的主觀體驗(yàn)。

這一性質(zhì)在形式化上通過(guò)有效信息（Effective information, EI）來(lái)計(jì)算。有效信息衡量的是一個(gè)系統(tǒng)（或子系統(tǒng)）能夠?qū)α硪粋€(gè)系統(tǒng)施加的可能因果效應(yīng)范圍[5]。 為了評(píng)估這種因果影響的“特定性”，IIT在計(jì)算EI時(shí)引入了一種理想化操作：將系統(tǒng)某一部分的輸入替換為最大熵的隨機(jī)噪聲源（即完全不確定的輸入）。在這一設(shè)定下，可以考察系統(tǒng)的因果結(jié)構(gòu)本身能夠區(qū)分多少種不同的輸入情形，并相應(yīng)地產(chǎn)生多少種不同的輸出結(jié)果。

因此，如果一個(gè)系統(tǒng)在這種最大不確定性的條件下，仍然能夠產(chǎn)生大量彼此區(qū)分明確的因果影響（即具有較高的有效信息），則說(shuō)明其內(nèi)部因果結(jié)構(gòu)具有較強(qiáng)的區(qū)分能力，能夠支持豐富多樣的狀態(tài)。這正對(duì)應(yīng)于現(xiàn)象學(xué)意義上的“分化”：即意識(shí)體驗(yàn)在內(nèi)容上的高度特異性與多樣性。這點(diǎn)也呼應(yīng)了香農(nóng)信息論中的一個(gè)直覺(jué)：一個(gè)系統(tǒng)能夠區(qū)分的可能狀態(tài)越多，其所蘊(yùn)含的信息量就越大（盡管這一量化指標(biāo)也與狀態(tài)的分布有關(guān)）。

2.2 整合（Integration）

意識(shí)體驗(yàn)不僅是特定的一個(gè)體驗(yàn)，同時(shí)它一定是一個(gè)整體的體驗(yàn)，不可被分割，這便是整合信息論所有公理里最著名的整合公理（Integration）。

整合的本質(zhì)是因果上的不可分割性。整合在IIT1.0中定義了意識(shí)的“存在形式”——它必須是統(tǒng)一的。而信息性（Information） 則定義了意識(shí)的“豐富內(nèi)容”。一個(gè)具有高整合性的系統(tǒng)，其整體對(duì)自身的因果效力，大于其各部分因果效力之和。

IIT1.0用數(shù)學(xué)量Φ（Phi）來(lái)精確衡量這種不可分割的程度。Φ值量化了當(dāng)系統(tǒng)在自然的關(guān)節(jié)處被分割為兩部分時(shí)，其內(nèi)在因果結(jié)構(gòu)所損失的信息量。 所謂“自然的關(guān)節(jié)處”（natural joint），是指一種假想的最優(yōu)切分方式：在所有可能的劃分方案中，選擇一種使系統(tǒng)被分割后所造成的信息損失最小的劃分。

一個(gè)系統(tǒng)的Φ值越高，意味著它作為一個(gè)統(tǒng)一整體的不可還原性越強(qiáng)，根據(jù)IIT，其意識(shí)水平也就越高。 IIT1.0理論認(rèn)為，意識(shí)與整合信息的能力有關(guān)。這一觀點(diǎn)可能看起來(lái)并不自明，也許是因?yàn)槲覀冊(cè)诖蟛糠稚鼩v程中都擁有意識(shí)，因此習(xí)以為常。為了獲得一些視角，借助一些思想實(shí)驗(yàn)來(lái)說(shuō)明主觀體驗(yàn)的關(guān)鍵特性是有用的：它的信息性、統(tǒng)一性以及時(shí)空規(guī)模。

意識(shí)體驗(yàn)中的信息整合在現(xiàn)象學(xué)上是顯而易見(jiàn)的：當(dāng)你有意識(shí)地“看到”某一圖像時(shí)，這個(gè)圖像會(huì)被體驗(yàn)為一個(gè)整體，不能被分割成獨(dú)立體驗(yàn)的組成圖像。例如，無(wú)論你多么努力，你都無(wú)法獨(dú)立體驗(yàn)顏色和形狀，也無(wú)法獨(dú)立體驗(yàn)視覺(jué)場(chǎng)左半部分與右半部分。實(shí)際上，唯一可以做到的方法是物理上將大腦一分為二，以阻止兩半腦之間的信息整合。但這樣一來(lái)，這種分裂腦手術(shù)會(huì)產(chǎn)生兩個(gè)獨(dú)立的意識(shí)主體，每個(gè)主體都有較小的可用狀態(tài)庫(kù)和更有限的性能。

考慮另一個(gè)思想實(shí)驗(yàn)：你可能昏迷數(shù)天，只在清醒一秒鐘，然后又回到昏迷狀態(tài)。只要你的丘腦-皮層系統(tǒng)在這一秒鐘內(nèi)能夠正常運(yùn)作，你就有意識(shí)。也就是說(shuō)，一個(gè)系統(tǒng)不必探索其狀態(tài)庫(kù)來(lái)?yè)碛幸庾R(shí)，或知道自己應(yīng)有多有意識(shí)：重要的是，這個(gè)狀態(tài)庫(kù)潛在上是可用的。

此外，IIT1.0理論能夠直接解釋為何意識(shí)與大腦某些部分相關(guān)聯(lián)以及與某些整體功能模式的關(guān)聯(lián)。

3. 概念的定義和計(jì)算

信息整合度 Φ 的計(jì)算過(guò)程如下：首先，將復(fù)雜網(wǎng)絡(luò)抽象為由大腦構(gòu)成的因果網(wǎng)絡(luò)，其中節(jié)點(diǎn)對(duì)應(yīng)神經(jīng)元，連邊表示神經(jīng)元之間的突觸連接；其次，將連邊理解為節(jié)點(diǎn)之間的因果作用，其強(qiáng)度由有效信息刻畫(huà)；最后，系統(tǒng)的信息整合程度定義為其在最優(yōu)二分劃分下的最小因果連接強(qiáng)度，即各子網(wǎng)絡(luò)之間因果瓶頸處的有效信息。具有最大整合信息的子網(wǎng)絡(luò)，被認(rèn)為是意識(shí)發(fā)生的區(qū)域。

3.1 有效信息

有效信息是一種因果效應(yīng)度量，用于衡量子系統(tǒng)A對(duì)子系統(tǒng)B的因果影響。它是一種特殊的互信息，即在最大熵干預(yù)的前提下，度量A、B兩個(gè)部分的互信息。具體公式為[6]：

其中， M I ( A : B ) = H ( A ) + H ( B ) ? H ( A , B ) 表示互信息，用于衡量A與B之間的統(tǒng)計(jì)依賴(lài)性； A H m a x 表示在切斷A的輸入連接后，向其注入最大熵噪聲的擾動(dòng)狀態(tài)（見(jiàn)圖1），這種擾動(dòng)確保了A的輸出變化完全由獨(dú)立噪聲驅(qū)動(dòng)，從而純粹反映A對(duì)B的因果作用。在一個(gè)連續(xù)的馬爾科夫動(dòng)力學(xué)系統(tǒng)中，最大熵分布取決于約束條件。在IIT的具體計(jì)算實(shí)踐中，尤其是在假設(shè)系統(tǒng)滿(mǎn)足線(xiàn)性高斯動(dòng)力學(xué)的情況下，最大熵噪聲通常建模為高斯分布：（ c p 為噪聲強(qiáng)度， I 為單位矩陣）；在一個(gè)離散的馬爾科夫動(dòng)力學(xué)系統(tǒng)中，向其注入最大熵噪聲，則是對(duì)系統(tǒng)做do干預(yù)（do-operator），將A系統(tǒng)狀態(tài)分布干預(yù)成其定義域上的均勻分布（ A H m a x ～ U ）。有效信息的高低直接反映了A與B之間因果連接的強(qiáng)度與特異性：若因果連接緊密且分化度（即為子集的狀態(tài)多樣性）高，EI值較高；反之，若連接微弱或因果效應(yīng)單一，EI值趨近于零。若需詳細(xì)了解離散以及連續(xù)的馬爾科夫動(dòng)力學(xué)系統(tǒng)的有效信息計(jì)算可以參看有效信息詞條。

為了全面評(píng)估子系統(tǒng)A與B之間的因果交互，因此可以引入雙向有效信息，定義為兩個(gè)方向EI值的總和：

EI ( A ? B ) = EI ( A → B ) + EI ( B → A )

這一度量捕捉了A與B之間雙向的因果流動(dòng)，強(qiáng)調(diào)了交互的非對(duì)稱(chēng)性——即 E I ( A → B ) 與 E I ( B → A ) 可能顯著不同。雙向有效信息是識(shí)別系統(tǒng)內(nèi)部整合能力的關(guān)鍵基礎(chǔ)，因?yàn)樗从沉巳我鈨蓚€(gè)部分之間可交換的因果信息總量。

圖1雙向 EI為 EI(A?B)=EI(A→B)+EI(B→A)

3.2 意識(shí)的“量”3.2.1 最小信息二分（MIB）

最小信息二分（Minimum Information Bipartition，簡(jiǎn)稱(chēng)MIB）旨在確定使歸一化有效信息（EI）最小化的二分切割方式，其核心是定位系統(tǒng)中最易割裂的“信息斷層線(xiàn)”，即識(shí)別信息連接最薄弱的分割方案。 它的具體計(jì)算步驟如下：

1. 選擇子系統(tǒng) S ? X ，其中 X包含n個(gè)元素，S包含k個(gè)元素（2≤k≤n）；

2. 枚舉所有二分切割 [ A : B ] S ，需滿(mǎn)足 A ∪ B = S （覆蓋子集）且 A ∩ B = ? （無(wú)交集），歸一化有效信息后，有效信息最小的二分割即為所求。

最小信息二分MIB(S)公式定義為：

含義為在所有二分切割中選取歸一化有效信息最小的劃分。

歸一化有效信息的計(jì)算公式為：

其中對(duì)于一個(gè)連續(xù)的馬爾科夫動(dòng)力學(xué)系統(tǒng)的最大熵 A H m a x 的計(jì)算方式為：

其中 m = dim ( A ) 表示 A的維度。

而對(duì)于一個(gè)離散的馬爾科夫動(dòng)力學(xué)系統(tǒng)的最大熵 A H m a x 的計(jì)算方式為：

同樣的 m = dim ( A ) 表示A的維度。

經(jīng)過(guò)了上面的一系列運(yùn)算，對(duì)于集合S的整合信息量 Φ ( S ) 最終根據(jù)定義：

? ( S ) = EI ( MIB ( S ) )

須注意，此處使用的是 M I B ( S ) 對(duì)應(yīng)的未歸一化的有效信息值。

3.2.2 整合信息(Φ)

上面我們了解了整合信息量 Φ的計(jì)算框架，接下來(lái)我們通過(guò)一些具體算例，深入理解Φ的計(jì)算及相關(guān)特性。

?指標(biāo)用于量化系統(tǒng)的內(nèi)在信息整合能力，其核心在于度量系統(tǒng)各部分之間因果交互的緊密程度，從而反映出系統(tǒng)整合信息的效能。從本質(zhì)上講， ? 是系統(tǒng)內(nèi)在屬性的函數(shù)，具體定義為“在最小信息二分切割下可交換的有效信息量”，適用于量化分布式網(wǎng)絡(luò)（如大腦）中信息被統(tǒng)一處理的程度[7]。表達(dá)式為：

? ( S ) = E I ( M I B ( S ) )

其中，S表示待分析的子系統(tǒng)，MIB(S)代表最小信息的二分切割（即在所有對(duì)S的二劃分中找到能夠讓兩個(gè)子網(wǎng)絡(luò)間有效信息最小的那個(gè)劃分），EI即有效信息（Effective Information）。該指標(biāo)通過(guò)計(jì)算系統(tǒng)“在最小信息二分切割下可交換的有效信息量”，來(lái)衡量系統(tǒng)的信息整合能力， ? 值越高，表示系統(tǒng)越能作為一個(gè)整體進(jìn)行信息整合，而非僅僅是獨(dú)立部分的集合[5]。

3.2.2.1 Φ 值大小的影響因素

除網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)外，連接強(qiáng)度也會(huì)影響 Φ 值大小。一般而言， Φ 值隨連接平均強(qiáng)度的增加而增加，但并非強(qiáng)度越大越好，強(qiáng)度分配模式同樣關(guān)鍵。當(dāng)平均強(qiáng)度一致時(shí)，不同的強(qiáng)度分配模式會(huì)導(dǎo)致 Φ 值差異顯著。在保持網(wǎng)絡(luò)連接總強(qiáng)度不變的情況下，從每個(gè)節(jié)點(diǎn)都是自環(huán)的模式逐漸過(guò)渡到每個(gè)節(jié)點(diǎn)都平等地與其他節(jié)點(diǎn)等強(qiáng)度相連， Φ 值會(huì)先增大后減小。這表明，節(jié)點(diǎn)并非簡(jiǎn)單地將連接強(qiáng)度等同分配給所有其他節(jié)點(diǎn)，而是需精心選擇連接對(duì)象，將大量連接強(qiáng)度分配給少數(shù)幾條連邊，且這些連邊要盡可能連接其他具有較少連接的節(jié)點(diǎn)，此時(shí) Φ 值更大。此外，動(dòng)力學(xué)也會(huì)影響 Φ 值。通過(guò)調(diào)節(jié)系數(shù)c可調(diào)整噪聲對(duì)系統(tǒng)的相對(duì)影響大小，結(jié)果顯示，噪聲越強(qiáng)， Φ 值越小，網(wǎng)絡(luò)整合度越低。

若將連接視為多個(gè)節(jié)點(diǎn)建立的信道，由于 Φ 值是一種有效信息，信道帶寬越高， Φ 值越大。在同等帶寬下，節(jié)點(diǎn)彼此之間的連接模式極為重要，只有當(dāng)每個(gè)節(jié)點(diǎn)盡可能連接不同的節(jié)點(diǎn)，增大連接的多樣化，最終的 Φ 值才會(huì)更大。

3.2.3 復(fù)合體（complex）

在前述內(nèi)容中，已給出了系統(tǒng)整合信息 ? 的計(jì)算方法，然而，在確定系統(tǒng)整體的整合信息量水平時(shí)，還需要進(jìn)一步考慮其子集，因?yàn)橛锌赡軙?huì)出現(xiàn)子集的整合信息程度會(huì)大于整體的情況，這時(shí)整體的整合信息量就由子集主導(dǎo)。為了更好地說(shuō)明這種情況，IIT1.0引入了復(fù)合體（complex）的概念，其定義為復(fù)合體是系統(tǒng)X的一個(gè)子集S，需要滿(mǎn)足以下條件：

1、信息整合能力： ? ( S ) > 0 ，即子集內(nèi)部能通過(guò)因果交互整合信息；

2、最大性：S不被任何其他具有更高 ? 值的子集包含，換言之，復(fù)合體是局部最優(yōu)的信息整合單元。

系統(tǒng)中 ? 值最高的復(fù)合體稱(chēng)為主復(fù)合體，代表系統(tǒng)整體信息整合能力的上限：

同時(shí)，該復(fù)合體的整合信息量 ? 也是整個(gè)系統(tǒng)的整合信息量 Φ 。

3.3 意識(shí)的“質(zhì)”3.3.1 有效信息矩陣

在整合信息論中，有效信息矩陣是定義意識(shí)體驗(yàn)具體內(nèi)容與質(zhì)性的核心數(shù)學(xué)對(duì)象。如果說(shuō)Φ值量化了意識(shí)的“量”（整合程度），那么有效信息矩陣則完整刻畫(huà)了意識(shí)的“質(zhì)”（獨(dú)特體驗(yàn)）。它被概念化為感質(zhì)空間的幾何或拓?fù)浣Y(jié)構(gòu)藍(lán)圖。

有效信息矩陣是一個(gè)方陣，其行和列對(duì)應(yīng)于系統(tǒng)主復(fù)合體中所有可能的元素子集（或基本元素本身）。矩陣中的每個(gè)條目EI(X→Y)表示從一個(gè)特定子系統(tǒng)X到另一個(gè)子系統(tǒng)Y的有效信息值。

每個(gè)EI(X→Y)的計(jì)算遵循IIT對(duì)有效信息的標(biāo)準(zhǔn)定義：

• 對(duì)子系統(tǒng)X施加最大熵干預(yù)（即，將其輸出替換為所有可能狀態(tài)上的均勻隨機(jī)噪聲）。

• 在Y中觀察由此引發(fā)的狀態(tài)分布。

• 計(jì)算X的最大熵分布與Y的響應(yīng)分布之間的互信息。這個(gè)值衡量了X的所有可能輸出能在Y中產(chǎn)生多少可區(qū)分的因果效應(yīng)。

該矩陣包含了主復(fù)合體內(nèi)每一對(duì)因果方向的潛在影響力。因此，它不是一個(gè)描述觀察到的平均活動(dòng)的“功能連接”矩陣，而是一個(gè)描述 全部因果可能性 的“因果潛力”矩陣。

IIT提出，主復(fù)合體中的每個(gè)基本元素（或功能單元）構(gòu)成了一個(gè)抽象感質(zhì)空間的一個(gè)維度。然而，僅有維度不足以定義體驗(yàn)的質(zhì)性——關(guān)鍵在于這些維度之間的關(guān)系。

結(jié)構(gòu)決定質(zhì)性的示例——考慮兩個(gè)極其簡(jiǎn)單的系統(tǒng)，每個(gè)都由四個(gè)元素組成，且計(jì)算出的Φ值相同（Φ=10比特）：

• 系統(tǒng)A（發(fā)散結(jié)構(gòu)）：元素1強(qiáng)連接至元素2、3、4，但后三者之間彼此無(wú)直接連接。

• 系統(tǒng)B（鏈?zhǔn)浇Y(jié)構(gòu)）：元素1連接至2，2連接至3，3連接至4。

圖2對(duì)于具有相同Φ值的兩個(gè)復(fù)合物，有效的信息矩陣和活動(dòng)狀態(tài)

具有相同Φ值的兩個(gè)復(fù)合物的有效信息矩陣和活動(dòng)狀態(tài)如圖2所示。圖2a.因果相互作用圖和復(fù)合物分析，圖2a.中展示了兩個(gè)系統(tǒng)，一個(gè)具有“發(fā)散”結(jié)構(gòu)（左），另一個(gè)具有“鏈”結(jié)構(gòu)（右）。復(fù)合物分析表明，兩者都包含一個(gè)由四個(gè)元素組成的復(fù)合物，其Φ值為10。

圖2b.為有效信息矩陣，其中展示了上述兩個(gè)復(fù)合物的有效信息矩陣。對(duì)于每個(gè)復(fù)合物，所有二分均通過(guò)在上行列出一個(gè)部分（子集 A）和在下行列出互補(bǔ)部分（子集 B）來(lái)表示。中間是每個(gè)二分中從 A 到 B 和從 B 到 A 的有效信息值，顏色編碼為黑色（零）、紅色（中間值）和黃色（高值）。

圖2c.是狀態(tài)圖，圖中展示了兩個(gè)復(fù)合體的五個(gè)代表性狀態(tài)。每個(gè)狀態(tài)由每個(gè)復(fù)合體中四個(gè)元素的激活狀態(tài)表示，這些元素排列成一列（藍(lán)色：激活元素；黑色：非激活元素）。

這五個(gè)狀態(tài)可以被認(rèn)為是由于系統(tǒng)的內(nèi)在動(dòng)力學(xué)或環(huán)境輸入而隨時(shí)間演變的。盡管兩個(gè)復(fù)合體的狀態(tài)相同，但由于有效信息矩陣的差異，它們的含義也不同。最后四列代表四個(gè)特殊狀態(tài)，對(duì)應(yīng)于每次只激活一個(gè)元素的狀態(tài)。如果能夠達(dá)到這些狀態(tài)，它們將最接近于該復(fù)合體中特定元素所貢獻(xiàn)的特定“感覺(jué)”。

盡管意識(shí)“量”相同，但兩者的有效信息矩陣截然不同。系統(tǒng)A的矩陣顯示出一個(gè)中心樞紐與多個(gè)終端的關(guān)系；系統(tǒng)B的矩陣則顯示出一個(gè)順序鏈?zhǔn)疥P(guān)系。IIT認(rèn)為，這種信息關(guān)系結(jié)構(gòu)的差異，直接對(duì)應(yīng)著意識(shí)體驗(yàn)質(zhì)的差異。系統(tǒng)A的體驗(yàn)可能像一個(gè)中心主題帶有多個(gè)附屬屬性；系統(tǒng)B的體驗(yàn)則可能像一段線(xiàn)性的序列或流程。

3.3.2 感質(zhì)空間（qualia space）

感質(zhì)空間是整合信息論中用于形式化描述意識(shí)體驗(yàn)具體內(nèi)容（即“質(zhì)性”）的核心抽象模型。它是一個(gè)高維的、結(jié)構(gòu)化的數(shù)學(xué)空間，其幾何或拓?fù)湫螒B(tài)完全由物理系統(tǒng)的因果結(jié)構(gòu)決定。IIT提出，每一種可能的意識(shí)體驗(yàn)，都對(duì)應(yīng)于此空間中的一個(gè)特定點(diǎn)或區(qū)域；而體驗(yàn)之間的相似性與差異性，則對(duì)應(yīng)于空間中點(diǎn)與點(diǎn)之間的距離與關(guān)系。

1. 定義與構(gòu)建原理

感質(zhì)空間并非一個(gè)預(yù)先存在的容器，而是從一個(gè)系統(tǒng)的主復(fù)合體中“涌現(xiàn)”出來(lái)的關(guān)系結(jié)構(gòu)。

• 維度：構(gòu)成主復(fù)合體的每一個(gè)基本功能單元（例如，一個(gè)神經(jīng)元集群或一個(gè)信息處理模塊），被定義為感質(zhì)空間的一個(gè)獨(dú)立維度。因此，一個(gè)具有N個(gè)功能單元的主復(fù)合體，其感質(zhì)空間就是一個(gè)N維空間。

• 結(jié)構(gòu)：這些維度之間的關(guān)系并非彼此正交、獨(dú)立。它們之間的“夾角”或“連接強(qiáng)度”，由有效信息矩陣中的條目精確界定。矩陣中兩個(gè)單元之間的有效信息值越高，意味著它們?cè)谝蚬像詈显骄o密，在感質(zhì)空間中對(duì)應(yīng)的兩個(gè)維度也就越“接近”或關(guān)聯(lián)越強(qiáng)。

• 構(gòu)建：因此，有效信息矩陣是感質(zhì)空間的生成藍(lán)圖。通過(guò)這個(gè)矩陣，可以計(jì)算出空間的內(nèi)在幾何（如維度間的距離、曲率）或拓?fù)洌ㄈ邕B接圖）。一個(gè)高度整合、結(jié)構(gòu)復(fù)雜的主復(fù)合體，將產(chǎn)生一個(gè)維度極高、內(nèi)部結(jié)構(gòu)極其豐富的感質(zhì)空間。

2. 核心作用：將體驗(yàn)映射為數(shù)學(xué)對(duì)象

感質(zhì)空間的概念，旨在為第一人稱(chēng)的主觀體驗(yàn)提供一個(gè)第三人稱(chēng)的、可數(shù)學(xué)描述的對(duì)應(yīng)物。

• 體驗(yàn)即位置：在任一時(shí)刻，主復(fù)合體內(nèi)所有功能單元的特定活動(dòng)模式（例如，特定神經(jīng)元的放電率），為感質(zhì)空間的每個(gè)維度提供了一個(gè)坐標(biāo)值。這組坐標(biāo)在空間中唯一地確定了一個(gè)點(diǎn)。這個(gè)點(diǎn)就代表了系統(tǒng)在該時(shí)刻的完整意識(shí)體驗(yàn)。

• 質(zhì)性差異即幾何差異：兩種不同體驗(yàn)（如“看到紅色”與“聽(tīng)到中音C”）之間的質(zhì)性差異，對(duì)應(yīng)于它們?cè)诟匈|(zhì)空間中相距甚遠(yuǎn)，且可能位于由不同維度子集所張成的不同子空間中。而相似體驗(yàn)（如“深紅”與“淺紅”）則在空間中彼此鄰近。

• 解釋現(xiàn)象學(xué)關(guān)系：意識(shí)體驗(yàn)中固有的現(xiàn)象學(xué)關(guān)系（例如，紅色與橙色感覺(jué)上比紅色與喇叭聲更接近），被直接歸因于感質(zhì)空間的幾何結(jié)構(gòu)。負(fù)責(zé)編碼紅色的神經(jīng)元集群與編碼橙色的集群，它們之間的有效信息值（因果互動(dòng)）高于它們與聽(tīng)覺(jué)集群之間的值，因此在感質(zhì)空間中，前兩者對(duì)應(yīng)的維度夾角更小，距離更近。

感質(zhì)空間是IIT試圖橋解釋義鴻溝的關(guān)鍵嘗試。它將“難以言喻”的感質(zhì)，轉(zhuǎn)化為可原則上從系統(tǒng)物理狀態(tài)計(jì)算得出的空間結(jié)構(gòu)。它使比較不同系統(tǒng)（人、動(dòng)物、潛在的人工智能）的意識(shí)內(nèi)容成為理論可能——即比較它們的感質(zhì)空間幾何。簡(jiǎn)而言之，感質(zhì)空間 是IIT將意識(shí)質(zhì)性數(shù)學(xué)化、幾何化的雄心勃勃的理論工具。

4. 計(jì)算案例

為了將整合信息論的形式化定義轉(zhuǎn)化為直觀理解，本小節(jié)通過(guò)一個(gè)高度簡(jiǎn)化的計(jì)算案例，逐步演示Φ值的核心計(jì)算流程[8]。考慮一個(gè)由若干元素組成的系統(tǒng)X。每個(gè)元素（例如，可類(lèi)比為大腦中的一個(gè)皮層微柱）可以處于不同的離散活動(dòng)狀態(tài)。系統(tǒng)的動(dòng)力學(xué)由元素間的連接權(quán)重矩陣定義。我們的目標(biāo)是：分析系統(tǒng)X的所有可能子集，計(jì)算每個(gè)子集的整合信息量Φ，并最終識(shí)別出系統(tǒng)中的復(fù)合體——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，它們被認(rèn)為是意識(shí)體驗(yàn)的潛在物理載體[9]。

4.1 四節(jié)點(diǎn)系統(tǒng)的計(jì)算示例

圖3 有效信息、最小信息二分法與復(fù)合體

考慮一個(gè)系統(tǒng)X，其中包含多個(gè)元素。論文通過(guò)分析其中一個(gè)由四個(gè)元素{1,2,3,4}組成的子集S來(lái)演示（圖3c）：

計(jì)算發(fā)現(xiàn)，子集{3,4}和{1,2}的Φ > 0。 然而，子集{1,3}、{1,4}、{2,3}、{2,4}以及所有三個(gè)或四個(gè)元素的組合（如{1,2,3}）的Φ = 0。 因此，{3,4}和{1,2}都是復(fù)合體。它們彼此沒(méi)有重疊，且都不是對(duì)方的一部分。 假設(shè){3,4}的Φ值更高，那么它就是該系統(tǒng)在這一尺度下的主復(fù)合體。

4.2 連續(xù)系統(tǒng)的計(jì)算

下面，為了展示 ? 的計(jì)算，讓我們考慮一個(gè)簡(jiǎn)化的連續(xù)模型，即一個(gè)線(xiàn)性動(dòng)力學(xué)高斯噪聲模型。例如，一個(gè)包含n個(gè)元素的孤立神經(jīng)系統(tǒng)，這些元素可視為神經(jīng)元組，其活動(dòng)變量表示各組在數(shù)百毫秒內(nèi)的放電率，彼此間的相互作用[6]，我們可以用一個(gè)線(xiàn)性化的動(dòng)力學(xué)對(duì)其進(jìn)行描述：

其中，為一個(gè)標(biāo)準(zhǔn)高斯噪音[10]，c為一個(gè)常數(shù)，因此 c R 表示該向量受強(qiáng)度為c的獨(dú)立高斯噪聲R驅(qū)動(dòng)，A代表X的鄰接矩陣，它刻畫(huà)了X中各個(gè)元素之間的聯(lián)系方式。

我們僅關(guān)注該系統(tǒng)的內(nèi)在屬性，并忽略來(lái)自環(huán)境的外部輸入。因此，我們計(jì)算該隨機(jī)過(guò)程的熵（H）是計(jì)算有效信息EI關(guān)鍵步驟（詳細(xì)計(jì)算過(guò)程參看本詞條2.1章節(jié)），其計(jì)算過(guò)程如下：

其中協(xié)方差矩陣A是由：

計(jì)算的，這里 I為單位矩陣，A為系統(tǒng)的鄰接矩陣。

4.3 八節(jié)點(diǎn)網(wǎng)絡(luò)算例

如圖4a所示，存在一個(gè)由8個(gè)節(jié)點(diǎn)構(gòu)成的網(wǎng)絡(luò)。其中，節(jié)點(diǎn)1、2、3和4構(gòu)成緊密連接的集團(tuán)，節(jié)點(diǎn)5、6和7構(gòu)成另一個(gè)集團(tuán)，8號(hào)節(jié)點(diǎn)作為信號(hào)源，指向所有節(jié)點(diǎn)。節(jié)點(diǎn)狀態(tài)受指向自身的網(wǎng)絡(luò)鄰居狀態(tài)以及噪聲變量R的影響。

針對(duì)該網(wǎng)絡(luò)，可計(jì)算每個(gè)子網(wǎng)絡(luò)的 ? 值如圖4b所示，各子網(wǎng)絡(luò)的包含節(jié)點(diǎn)情況如圖4c所示。圖4b的橫坐標(biāo)為 ? 值，縱坐標(biāo)是所有子集編號(hào)；圖4c中，橫坐標(biāo)表示節(jié)點(diǎn)標(biāo)號(hào)，縱坐標(biāo)表示子集標(biāo)號(hào)，深灰和淺灰格子分別代表因果瓶頸的劃分情況（即深灰和淺灰各占一半劃分）。

圖4 一個(gè)八節(jié)點(diǎn)的網(wǎng)絡(luò)構(gòu)成的簡(jiǎn)單線(xiàn)性系統(tǒng)(a), 所有子集的φ值計(jì)算(b)，各個(gè)子集對(duì)應(yīng)的節(jié)點(diǎn)元素，以及最小劃分情況(c)

從圖中可知， ? 值最大的子網(wǎng)絡(luò)是由節(jié)點(diǎn)1、2、3、4構(gòu)成的彼此互聯(lián)的社團(tuán)，其 ? 值達(dá)到21比特。緊隨其后的是者四個(gè)節(jié)點(diǎn)中的任意三個(gè)節(jié)點(diǎn)構(gòu)成的子網(wǎng)絡(luò)，它們的 ? 值相近，僅略低于四節(jié)點(diǎn)的社團(tuán)。再之后是節(jié)點(diǎn)5、6、7構(gòu)成的社團(tuán)，其 ? 值略高于20。整個(gè)網(wǎng)絡(luò)的 ? 值約為 7。而網(wǎng)絡(luò)整體的 Φ 應(yīng)取所有子網(wǎng)絡(luò)中的最大 ? 值，即由節(jié)點(diǎn)1-4構(gòu)成的子網(wǎng)絡(luò)的21比特。

4.4 不同網(wǎng)絡(luò)結(jié)構(gòu)的 Φ 值

在網(wǎng)絡(luò)動(dòng)力學(xué)（因果機(jī)制）不變的情況下，可比較不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)整體網(wǎng)絡(luò) Φ 值的影響。如圖5所示，僅給出 Φ 值（因整個(gè)網(wǎng)絡(luò)就是 ? 值最大的子網(wǎng)絡(luò)），虛線(xiàn)對(duì)應(yīng)因果瓶頸（有效信息最小）的劃分處。圖A-E均由8個(gè)節(jié)點(diǎn)構(gòu)成，圖A為單鏈結(jié)構(gòu)，圖B是單鏈成環(huán)結(jié)構(gòu)，圖C為雙鏈結(jié)構(gòu)。從A 到C，Φ 值不斷增加，在雙向連接時(shí)達(dá)到最大，因?yàn)榇藭r(shí)左右兩部分信息流最大，節(jié)點(diǎn)更易形成一個(gè)整體。圖D和圖E呈現(xiàn)中心-外圍的連接模式，Φ值較小，因其網(wǎng)絡(luò)構(gòu)成過(guò)于集中化。

圖5 五個(gè)不同的網(wǎng)絡(luò)結(jié)構(gòu)及其它們的φ值

從圖5中可知，陰影部分為復(fù)形，每個(gè)組中都標(biāo)出了Φ的值。圖5的A-E代表不同的有向圖結(jié)構(gòu):（A）有向路徑、（B）單向環(huán)路、（C）雙向環(huán)路、（D）扇出有向圖（一對(duì)多的發(fā)散結(jié)構(gòu)）、（E）扇入有向圖（多對(duì)一的匯聚結(jié)構(gòu)）。

4.5 Φ 值最大化結(jié)構(gòu)

固定節(jié)點(diǎn)數(shù)、動(dòng)力學(xué)以及每個(gè)節(jié)點(diǎn)的連邊總數(shù)，圖4展示了使 Φ 值最大的八節(jié)點(diǎn)網(wǎng)絡(luò)結(jié)構(gòu)。該網(wǎng)絡(luò)連接緊密，看似隨機(jī)卻與隨機(jī)連邊網(wǎng)絡(luò)有顯著差異。其特征如下：

• 節(jié)點(diǎn)鄰居異質(zhì)性強(qiáng)：每個(gè)節(jié)點(diǎn)的鄰居差異大，不同節(jié)點(diǎn)鄰居的匹配度僅0.14（相似鄰居的比例），而同等規(guī)模隨機(jī)網(wǎng)絡(luò)的匹配度為0.218。

• 出入平衡：幾乎每個(gè)節(jié)點(diǎn)僅有2個(gè)輸入連邊和2個(gè)輸出連邊，這與隨機(jī)網(wǎng)絡(luò)中少數(shù)節(jié)點(diǎn)擁有更多連接不同。

• 雙向互惠連接少：該網(wǎng)絡(luò)幾乎不存在雙向互惠連接（即A指向B且B也指向A），而隨機(jī)網(wǎng)絡(luò)中此類(lèi)連接大量存在。此網(wǎng)絡(luò)具有很高的整合度， Φ 值達(dá)60.76比特，同等規(guī)模隨機(jī)網(wǎng)絡(luò)的 Φ 值僅35.66比特。

圖6 通過(guò)搜索所有的八節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)使φ值最大得到的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)

5. 神經(jīng)科學(xué)上的應(yīng)用

IIT1.0最初并未直接用于大規(guī)模神經(jīng)數(shù)據(jù)分析，而是提供了一種解釋框架，用以理解不同腦結(jié)構(gòu)在意識(shí)中的作用。例如，Giulio Tononi提出，丘腦—皮層系統(tǒng)由于其高度遞歸連接與雙向交互結(jié)構(gòu)，具有較高的整合信息能力，因此更可能構(gòu)成意識(shí)的神經(jīng)基礎(chǔ)；相比之下，小腦盡管包含大量神經(jīng)元，但其連接模式以局部前饋為主，跨模塊整合較弱，因此被認(rèn)為對(duì)意識(shí)貢獻(xiàn)有限[11]。

這一觀點(diǎn)為解釋不同腦區(qū)在意識(shí)中的差異作用提供了一個(gè)結(jié)構(gòu)性標(biāo)準(zhǔn)，即：不是神經(jīng)元數(shù)量，而是因果整合結(jié)構(gòu)決定意識(shí)水平。

5.1 臨床意識(shí)評(píng)估中的近似應(yīng)用

由于IIT1.0中 Φ 的計(jì)算復(fù)雜度極高，難以直接應(yīng)用于真實(shí)腦網(wǎng)絡(luò)，研究者發(fā)展了一系列基于IIT思想的近似指標(biāo)，用于評(píng)估意識(shí)狀態(tài)。

其中最具代表性的工作是由Marcello Massimini等人提出的擾動(dòng)復(fù)雜性指數(shù)（PCI）方法[12]。

其基本思想為：

對(duì)大腦施加外部擾動(dòng)（如經(jīng)顱磁刺激，TMS）； 使用腦電（EEG）記錄系統(tǒng)響應(yīng)； 測(cè)量擾動(dòng)后信號(hào)的時(shí)空復(fù)雜性，作為系統(tǒng)信息整合能力的近似。

該方法已被用于：

麻醉深度評(píng)估； 昏迷與植物人狀態(tài)區(qū)分； 臨床意識(shí)障礙診斷。

盡管PCI并非IIT1.0中嚴(yán)格定義的 Φ ，但其設(shè)計(jì)明確受到整合信息論啟發(fā)，被視為IIT思想在臨床中的重要落地。

將IIT1.0應(yīng)用于神經(jīng)數(shù)據(jù)時(shí)，通常首先將尖峰放電、局部場(chǎng)電位（LFP）、腦電（EEG）或功能磁共振（fMRI）等數(shù)據(jù)離散化為二元向量。常見(jiàn)做法是將時(shí)間切分為等長(zhǎng)時(shí)隙，并對(duì)每個(gè)通道施加閾值，將其編碼為“高/低”或“有/無(wú)”活動(dòng)狀態(tài)。隨后，再由觀測(cè)數(shù)據(jù)統(tǒng)計(jì)或模型擬合得到TPM。 典型流程如下：

1. 對(duì)神經(jīng)數(shù)據(jù)[13]進(jìn)行預(yù)處理、去噪與標(biāo)準(zhǔn)化；

2. 依據(jù)實(shí)驗(yàn)設(shè)計(jì)選定時(shí)隙長(zhǎng)度與離散化閾值；

3. 構(gòu)造系統(tǒng)狀態(tài)空間；

4. 統(tǒng)計(jì)狀態(tài)轉(zhuǎn)移頻率或擬合轉(zhuǎn)移模型；

5. 由 TPM 計(jì)算 E I 、MIP 與 Φ 。

在神經(jīng)科學(xué)語(yǔ)境中，IIT1.0的核心含義是：當(dāng)一個(gè)神經(jīng)系統(tǒng)內(nèi)部具有更強(qiáng)的相互作用、反饋環(huán)路與整體協(xié)同，而不是僅由彼此獨(dú)立的局部模塊構(gòu)成時(shí)，其 Φ 值往往更高。相反，若系統(tǒng)只是由彼此幾乎獨(dú)立的單元拼接而成，則其集成信息較低。

這一思想與某些神經(jīng)結(jié)構(gòu)的經(jīng)驗(yàn)觀察相一致。例如，丘腦—皮層網(wǎng)絡(luò)通常被視為高度整合的系統(tǒng)，而小腦雖然神經(jīng)元數(shù)量豐富，卻因局部模塊化強(qiáng)、跨模塊交互相對(duì)有限，通常被認(rèn)為對(duì)意識(shí)整合的貢獻(xiàn)較低。

總體而言，IIT1.0在神經(jīng)科學(xué)中的貢獻(xiàn)在于提供了一種從“信息整合”角度理解意識(shí)相關(guān)神經(jīng)機(jī)制的形式化框架。它將神經(jīng)系統(tǒng)視為可離散化的因果動(dòng)力系統(tǒng)，并通過(guò) TPM、有效信息、MIP 與 Φ 等工具，將“意識(shí)水平”與“系統(tǒng)內(nèi)部因果整合”聯(lián)系起來(lái)。盡管其原始定義在實(shí)際神經(jīng)數(shù)據(jù)中的可計(jì)算性有限，但這一框架為后續(xù)的意識(shí)測(cè)量、麻醉評(píng)估與腦網(wǎng)絡(luò)比較研究奠定了重要基礎(chǔ)[14]。

6. 理論的局限

盡管整合信息論為意識(shí)研究提供了一個(gè)形式化的信息論框架，但其在理論定義與實(shí)際應(yīng)用層面均存在若干局限。這些問(wèn)題在后續(xù)發(fā)展中逐步推動(dòng)了IIT2.0與IIT3.0的提出與修正。

6.1 計(jì)算復(fù)雜度與可擴(kuò)展性

IIT1.0的一個(gè)核心問(wèn)題在于其計(jì)算復(fù)雜度。整合信息 Φ 的計(jì)算依賴(lài)于對(duì)系統(tǒng)所有可能劃分方式的枚舉，并在每一種劃分下計(jì)算有效信息。這一過(guò)程的復(fù)雜度隨系統(tǒng)規(guī)模呈指數(shù)級(jí)增長(zhǎng)，使得該方法在實(shí)際神經(jīng)系統(tǒng)（如大規(guī)模腦網(wǎng)絡(luò)）中的直接應(yīng)用受到顯著限制。

在后續(xù)版本中，IIT2.0嘗試通過(guò)改進(jìn)歸一化方法與劃分策略，對(duì)計(jì)算過(guò)程進(jìn)行一定程度的簡(jiǎn)化；而 IIT3.0 則進(jìn)一步引入“概念結(jié)構(gòu)”（conceptual structure）與“機(jī)制—結(jié)果庫(kù)”（cause-effect repertoire）的框架，從而在理論層面重新組織計(jì)算對(duì)象，但整體復(fù)雜度問(wèn)題仍未根本消除。

6.2 建模假設(shè)與因果結(jié)構(gòu)

IIT1.0依賴(lài)將系統(tǒng)建模為二態(tài)離散單元，并假設(shè)系統(tǒng)以同步、馬爾可夫方式演化。然而，實(shí)際神經(jīng)系統(tǒng)具有連續(xù)動(dòng)力學(xué)特征、異步更新機(jī)制以及多時(shí)間尺度依賴(lài)關(guān)系，這與 IIT1.0 的基本假設(shè)存在差異[15]。

此外，神經(jīng)數(shù)據(jù)在離散化過(guò)程中需人為設(shè)定時(shí)間窗口與閾值，這種建模選擇可能對(duì)最終的 Φ 計(jì)算結(jié)果產(chǎn)生顯著影響。IIT2.0在一定程度上放寬了對(duì)系統(tǒng)劃分與歸一化方式的限制，但并未從根本上解決連續(xù)系統(tǒng)建模的問(wèn)題；IIT3.0 則轉(zhuǎn)向更加抽象的因果結(jié)構(gòu)描述，試圖弱化對(duì)具體離散化方案的依賴(lài)。

IIT1.0的理論基礎(chǔ)建立在系統(tǒng)內(nèi)部因果]關(guān)系的可識(shí)別性之上，其計(jì)算過(guò)程假設(shè)能夠獲得完整且準(zhǔn)確的轉(zhuǎn)移概率矩陣（TPM）。然而，在實(shí)際神經(jīng)科學(xué)研究中，系統(tǒng)往往存在未觀測(cè)變量、噪聲干擾以及測(cè)量分辨率限制，使得真實(shí)因果結(jié)構(gòu)難以精確重建。

這一問(wèn)題導(dǎo)致IIT1.0在應(yīng)用中通常依賴(lài)觀測(cè)數(shù)據(jù)近似替代理想的因果干預(yù)過(guò)程，從而在一定程度上削弱了其理論定義與經(jīng)驗(yàn)測(cè)量之間的一致性。IIT3.0對(duì)此進(jìn)行了回應(yīng)，通過(guò)引入“內(nèi)在因果性”（intrinsic causation）的概念，強(qiáng)調(diào)系統(tǒng)自身的因果結(jié)構(gòu)而非外部觀測(cè)分布[16]，但這一轉(zhuǎn)變也增加了理論的抽象程度。

6.3 度量定義與可驗(yàn)證性范圍

在IIT1.0中，整合信息 Φ 的定義依賴(lài)于最小信息分割（MIP）以及基于互信息的度量方式。然而，不同歸一化策略與距離度量可能導(dǎo)致不同的最優(yōu)劃分結(jié)果[17]，從而影響 Φ 的數(shù)值解釋。

IIT2.0對(duì)歸一化方法進(jìn)行了修改，以減少劃分選擇對(duì)結(jié)果的敏感性；而IIT3.0則進(jìn)一步放棄單一標(biāo)量 Φ 的充分性，將系統(tǒng)描述擴(kuò)展為高維“概念結(jié)構(gòu)”，并采用新的距離度量（如概率分布間的距離函數(shù)）來(lái)定義整合程度。這一變化標(biāo)志著從“單值指標(biāo)”向“結(jié)構(gòu)性描述”的轉(zhuǎn)變。

IIT1.0提出了“意識(shí)對(duì)應(yīng)于信息整合”的理論命題，但其具體預(yù)測(cè)在經(jīng)驗(yàn)層面的可驗(yàn)證性仍存在爭(zhēng)議[18]。例如，不同系統(tǒng)在具有相似 Φ 值時(shí)，是否必然對(duì)應(yīng)相似的意識(shí)狀態(tài)，仍缺乏一致結(jié)論。

此外，IIT1.0對(duì)不同神經(jīng)結(jié)構(gòu)（如丘腦—皮層系統(tǒng)與小腦）的解釋依賴(lài)于其整合程度的差異，但這一解釋在不同實(shí)驗(yàn)范式中并非總能得到直接驗(yàn)證。為彌補(bǔ)這一問(wèn)題，后續(xù)研究提出了多種近似指標(biāo)（如基于擾動(dòng)響應(yīng)的復(fù)雜性測(cè)度PCI），用于在實(shí)際數(shù)據(jù)中間接評(píng)估系統(tǒng)的整合水平。

總體而言，IIT1.0的局限主要體現(xiàn)在計(jì)算復(fù)雜性、建模假設(shè)、因果可觀測(cè)性以及度量定義等方面。這些問(wèn)題并未否定其理論價(jià)值，而是推動(dòng)了整合信息論框架的持續(xù)演化。IIT2.0通過(guò)對(duì)信息度量與劃分策略的修正，提高了方法的穩(wěn)定性；IIT3.0則在更深層次上重構(gòu)了理論基礎(chǔ)，將關(guān)注重點(diǎn)從單一數(shù)值指標(biāo)擴(kuò)展至系統(tǒng)的整體因果結(jié)構(gòu)。該發(fā)展路徑反映了從“可計(jì)算性”到“本體論一致性”的逐步轉(zhuǎn)向。

參考文獻(xiàn)

1. https://en.wikipedia.org/wiki/Consciousness

2. https://baike.baidu.com/item/%E5%A8%81%E5%BB%89%C2%B7%E8%A9%B9%E5%A7%86%E6%96%AF/6487016

3. Tononi, G.; Edelman, G.M. (1998). "Consciousness and Complexity". Science. 282 (5395): 1846–1851.

4. Velmans, Max (2009). "How to define consciousness—and how not to define consciousness". Journal of Consciousness Studies. 16: 139–156.

5. Tononi G (2004). "An information integration theory of consciousness". BMC Neuroscience. 5 (1): 42.

6. Tononi G; Boly M; Massimini M; Edelman D B (2016). "Measuring information integration". PLOS Computational Biology. 12 (3): e1004819.

7. Bullmore E; Sporns O (2009). "Complex brain networks: graph theoretical analysis of structural and functional systems". Nature Reviews Neuroscience. 10 (3): 186–198.

8. Balduzzi D; Tononi G (2008). "Integrated information in discrete dynamical systems: motivation and theoretical framework". PLoS Comput Biol. 4 (6): e1000091.

9. Tononi G (2008). "Consciousness as integrated information: a provisional manifesto". Biol Bull. 215 (3): 216-242.

10. Deco G; Jirsa VK; McIntosh AR (2008). "Emerging concepts for the dynamical organization of resting-state activity in the brain". Nature Reviews Neuroscience. 9 (12): 981–991.

11. Tononi G (2004). "An information integration theory of consciousness". BMC Neuroscience. 5: 42.

12. Casali AG; Gosseries O; Rosanova M; Bolya M; Sarasso S; Casali KR; Casali AG; Massimini M (2013). "A theoretically based index of consciousness independent of sensory processing and behavior". Science Translational Medicine. 5 (198): 198ra105.

13. Casali AG; Gosseries O; Rosanova M (2013). "A theoretically based index of consciousness independent of sensory processing". Science Translational Medicine. 5 (198): 198ra105.

14. Pentti O A Haikonen (2012). Consciousness and Robot Sentience. VitalSource Tec Inc,.

15. Breakspear M (2017). "Dynamic models of large-scale brain activity". Nature Neuroscience. 20 (3): 340–352.

16. Pearl J (2009). Causality: Models, Reasoning, and Inference. Cambridge University Press.

17. Mediano PAM; Rosas FE; Carhart-Harris RL (2019). "Integrated information as a common signature of dynamical complexity". Chaos. 29 (4): 043123.

18. Doerig A; Schurger A; Hess K (2019). "The unfolding argument: Why IIT and other causal structure theories cannot explain consciousness". Consciousness and Cognition. 72: 49–59.

參考文獻(xiàn)可上下滑動(dòng)查看

本詞條由集智俱樂(lè)部眾包生產(chǎn)，難免存在紕漏和問(wèn)題，歡迎大家留言反饋，一經(jīng)采納，可以獲得對(duì)應(yīng)的積分獎(jiǎng)勵(lì)噢！

親愛(ài)的社區(qū)伙伴與知識(shí)探索者：

我們誠(chéng)摯邀請(qǐng)熱愛(ài)知識(shí)分享的您，加入集智百科詞條編寫(xiě)志愿團(tuán)隊(duì)！無(wú)論您是領(lǐng)域?qū)＜遥€是對(duì)特定主題充滿(mǎn)熱忱的學(xué)習(xí)者，這里都有您的舞臺(tái)。通過(guò)編寫(xiě)百科詞條，您將為全球讀者傳遞權(quán)威知識(shí)，同時(shí)獲得專(zhuān)家指導(dǎo)與個(gè)人能力躍升的雙重成長(zhǎng)。

志愿者職責(zé)

• 創(chuàng)作新詞條：覆蓋復(fù)雜系統(tǒng)、人工智能等前沿領(lǐng)域

• 迭代經(jīng)典內(nèi)容：更新現(xiàn)有詞條，守護(hù)知識(shí)的準(zhǔn)確性與時(shí)效性

• 質(zhì)量守護(hù)者：參與內(nèi)容校對(duì)審核，共建精品知識(shí)庫(kù)

我們期待您

• 集智讀書(shū)會(huì)成員（需完成一期字幕任務(wù)）

• 擁有清晰表達(dá)復(fù)雜概念的寫(xiě)作能力

• 對(duì)特定領(lǐng)域有深度研究或強(qiáng)烈興趣

• 具備信息檢索與整合素養(yǎng)

• 懷揣責(zé)任感與協(xié)作精神，愿為知識(shí)共享賦能

您將收獲

• 百科積分（支持兌換集智俱樂(lè)部周邊：文化衫、復(fù)雜科學(xué)知識(shí)卡以及提現(xiàn)）

• 集智俱樂(lè)部創(chuàng)始人張江教授親自指導(dǎo)寫(xiě)作

• 科研志愿者晉升通道：表現(xiàn)優(yōu)異者可加入張江教授科研團(tuán)隊(duì)從事科研志愿者

你的百科貢獻(xiàn)之路，從一字一句開(kāi)始！

第一步，從成為一名字幕志愿者開(kāi)始！

只需完成一期讀書(shū)會(huì)講座字幕任務(wù)，這不僅是貢獻(xiàn)，更是一次深度的學(xué)習(xí)。字幕任務(wù)過(guò)關(guān)后，您將升級(jí)為“百科志愿者”，開(kāi)啟編輯詞條、整理術(shù)語(yǔ)的進(jìn)階旅程。

從字幕到百科，這是一條清晰的成長(zhǎng)路徑。立即行動(dòng)，從第一個(gè)任務(wù)開(kāi)始你的升級(jí)吧！

意識(shí)科學(xué)讀書(shū)會(huì)

從神經(jīng)元放電到自我意識(shí)的涌現(xiàn)，意識(shí)是人類(lèi)最稀松平常的主觀體驗(yàn)，也始終是科學(xué)中最迷人的問(wèn)題。在“我是誰(shuí)”的終極追問(wèn)下，當(dāng)我們深入意識(shí)的機(jī)制與機(jī)理，會(huì)發(fā)現(xiàn)更值得深思的是，無(wú)論是神經(jīng)機(jī)制的功能整合、信息的跨腦區(qū)傳遞，還是現(xiàn)象意識(shí)的主觀性質(zhì)，不同層面的問(wèn)題都在共同指向一個(gè)核心挑戰(zhàn)：物理過(guò)程如何產(chǎn)生主觀體驗(yàn)？功能計(jì)算如何關(guān)聯(lián)現(xiàn)象感受？局部神經(jīng)活動(dòng)又如何整合為統(tǒng)一的意識(shí)？而要回答這些問(wèn)題的并不簡(jiǎn)單，它可能會(huì)挑戰(zhàn)我們對(duì)世界和實(shí)在，乃至科學(xué)方法本身的理解。

為了對(duì)意識(shí)問(wèn)題進(jìn)行系統(tǒng)探討，集智俱樂(lè)部聯(lián)合來(lái)自哲學(xué)、認(rèn)知神經(jīng)科學(xué)、計(jì)算機(jī)科學(xué)、復(fù)雜科學(xué)領(lǐng)域的研究者共同發(fā)起，跨越理論與實(shí)證、功能與現(xiàn)象、生物與人工的視角，全面深入研討意識(shí)這一現(xiàn)象本身。重點(diǎn)探討當(dāng)代主流意識(shí)理論的核心主張與分歧，神經(jīng)機(jī)制與主觀體驗(yàn)之間的橋梁，以及AI意識(shí)、腦機(jī)接口等技術(shù)如何重塑人類(lèi)意識(shí)主體的邊界與文明的未來(lái)。

詳情請(qǐng)見(jiàn)：

1.

2.

3.

4.

5.

6.

7.