资讯统整理论

整合信息论（英语：Integrated information theory，IIT）是个尝试解释意识并且将其量化的理论，尝试解释意识是什么？为什么人脑会有意识？以及意识为什么可能与某些物理系统有关联？该理论还预测了这种与意识相关的物理系统是否具有意识？意识程度为何？以及正在经历怎样的特殊经验？根据IIT的观点，一个系统的意识（它的主观感受）被设想为与其因果属性（它的客观样貌）完全相同。因此我们可以借由揭示物理系统的完整因果力来理解其意识体验。（请参阅主要同一性）？^[1]

Φ，整合资讯的符号。

IIT是由威斯康辛大学的精神病学家和神经科学家朱利奥·托诺尼于2004年提出。该理论的最新版本称为IIT 3.0，于2014年发布。^[2][3]

简介

本理论是基于两项重要的生理观察结论，第一个是每一个被观察到的意识状态都包含将近无穷的资讯。以看电影为例，当人看到电影画面的每一个单一影格，人脑会立刻将画面转换成“特定意识感知”。和数码相机不同，人脑会将画面中所看到的所有事物组合起来（明暗、颜色、线条、图型、辨识出的物体、整个场景内容)，这些复杂的组合在数学上将会投射到一个特定的意识空间中的某个区域，这可以导出第二个观察结论。

从意识状态里所得到的所有资讯是完全地和自然地整合在我们的心智活动里，要让人脑分开感知并且了解事物是不可能的。

综述

与“意识难题”的关联

戴维·查尔莫斯认为，任何以纯粹的物理术语来解释意识的尝试（亦即从当前的物理定律推导出意识是必要且必然发生的存在）最终都会遇到所谓的“困难问题”。但是IIT并非试图由物理原理得出意识，而是“从意识出发”（肯定意识的存在性），进而论证物理基质需具备什么特性，才得以解释意识存在性。这种从现象学到机械论的跨越是以IIT的假设为基础才得以完成，也就是“意识经验的形式属性如果可以完全由底层物理系统解释，那么这个物理系统的属性就必须受到经验属性的约束。”

具体而言，IIT试图厘清意识经验的本质属性，称作“公理”（axioms），再由此找出有意识的物理系统所具有的本质属性，称作“公设”（postulates），进而从现象学转向机械论。

公理：经验的本质

整合信息论的公理和假设。

这些公理是为了捕获每种意识经验的本质，每条公理都应该适用所有可能产生的经验。

随着理论发展，公理的用词也略有变化，关于最新、最完整的公理陈述如下：

• 内在的存在性（Intrinsic existence）：意识是“存在的”：经验皆为“真”，事实上，唯一可立即完全确定的事实就是“此时此刻的自我经验是真实的存在”。此外，经验是从其“内在”观点出发，独立于外部观察者而存在（内在的真实）。

• 成分：意识是“结构化的”：每个经验都是由多个“现象差异”（phenomenological distinctions）组成，这些是基本成分，有些则是高阶成分。例如可能在某次经验中分辨书、蓝色、蓝书、左边、左边的蓝书等等。

• 资讯：意识是“特定的”：每个经验都有其独特之处，是以特定的现象差异组合而成的特定集合，因此与其他可能的经验有所不同（“差异化”，differentiation）。举例来说，有一种经验可能指定大量空间位置的现象差异，包括指定几个积极的概念，如卧室（与无卧室相对），床（与无床相对），书（与无书相对），蓝色（与无蓝色相对）；也包括指定一阶差异的高阶“束缚”，如蓝书（与无蓝书相对），以及可能指定许多消极的概念，如无鸟（与鸟相对）、无自行车（与自行车相对）、无灌木（与灌木相对）等等。纯粹黑暗和纯粹寂静的经验同样是这种特殊方式，拥有其所具备的特定性质（无卧室、无床、无书、无蓝色，也无其他任何物体、颜色、声音、思想等等）。如此一来，它必然与很多本来可能拥有但实际上没有的另类经验有所不同。

• 整合：意识是“统一的”：每一个经验皆不可简化，不能再细分为非相依、不相干的现象差异所组成的不相交子集。因此人们所经验到的会是一个完整的视觉场景，而非左视野独立于右视野（反之亦然）。例如，看到空白页中间写着“BECAUSE”这个词的经验，并不能还原为看到左边的“BE”加上看到右边的“CAUSE”的经验。同样，看到一本蓝色的书，也不能还原为看到一本没有蓝色的书，加上没有书的蓝色。

• 排他性：意识是“绝对的”，在内容和时空纹路上：每个经验都有其现象差异的集合，既不会少（子集）也不会多（超集），它依照自身的流速流动，既不会快也不会慢。举例来说，若现在的经验是看到卧室的床上有一具身体，书柜上有一本书，其中一本是蓝色的书，那么就不会有内容较少的经验（比如说，缺少“蓝色/非蓝色”或“有色/无色”的现象差异）；也不会有内容较多的经验（比如说，被赋予了“高血压/低血压”的附加现象差异）。此外，经验是以特定的速度流动，比如每次经验都一百毫秒左右，不会正在经历几毫秒、几分钟或几个小时的经验。

公设：物理基质所需的特性

公理描述了意识经验中的规律性，而IIT试图对这些规律性进行解释。什么东西能够解释每一种都是存在的、结构化的、特定的、统一的、绝对的经验呢？IIT认为，一个具有这些相同属性的潜在因果系统的存在，提供了最简洁的解释。因此，如果物理系统是有意识的，那么所凭借的就是其因果属性。

有意识的物理基质所需的属性被称为“公设”，因为这种物理基质的存在本身就只是个假设（记住，IIT坚持人们唯一可以确信的是自身意识的存在）。在下面的内容中，“物理系统”被认为是一组元素，每个元素都有两个或更多的内部状态，影响该状态的输入，以及受该状态影响的输出（神经元或逻辑门是自然的例子）。因此给出“物理系统”的定义，公设如下：

• 本质的存在性（Intrinsic existence）：为了解释经验的内在存在性，由状态中的元素构成的系统必须是本质的存在（是实际的）：具体而言，经验为了存在就必须有因果力（cause-effect power），因为如果没有任何东西可改变它，或者它不能改变任何东西，那么假设其存在毫无意义。此外，若欲使系统元素独立于外部观察者，以自身的内在视角来存在，则必须使其独立于外在因素，拥有对自身的因果力。因果力可以借由考虑一个因果空间来建立，这个空间的轴线代表系统在过去（因）和未来（果）的每一种可能状态。在此空间中，足以证明：以一种“干预”设定系统于某初始状态（因），并保持外部元素不变（背景条件），即可以非偶然的几率导向当前状态；反之，设定为当前状态，则很可能导向其它状态（果）。
• 成分：系统必须是结构化的：构成系统的元素所形成的子集合会以各种方式组合，并拥有因果力。因此，若系统ABC是由元素A、B和C所构成，则元素所组成的任何子集合（其幂集的一个元素），包括A、B、C、AB、AC、BC，以及整个系统ABC，都可以组成具有因果力的机制。组合允许基本元素（一阶元素）形成不同的高阶机制，并允许多个机制形成一个结构。
• 资讯：系统必须指定一个具体的因果结构：一组特定集合的特定因果库（cause-effect repertoires），从而与其他可能的系统有所不同（“差异化”，differentiation）。因果库借由厘清系统内机制的所有因果属性，充分体现系统内机制的因果力。因果库的测定可透过以各种可能方法扰动系统，借此评估一个机制是如何在当前状态下对系统的过去和未来状态的几率造成影响。系统中每个元素成分所指定的因果库一起指定了一个因果结构。
• 整合：系统所规定的因果结构必须统一：必须本质上不可再简化，无法被分解为由单向分区所得到的非相依子系统所指定的内容。从系统的内在视角来看，单向分区是为了确保因果力在本质上不可简化，亦即系统的每个部分都必须能够影响其余部分，同时也受其影响。内在不可简化性可用于度量资讯整合的程度（“big phi”或${\textstyle \Phi }$，是一个非负数），若该系统依最小分区（差异最小的分区）进行分割，内在不可简化性量化了一个系统的元素所指定的因果结构在多大程度上发生了变化。相比之下，若系统的分割对其因果结构没有影响，那么整个系统可以简化为这些部分，如果整体未超出其局部的因果力，那么假设整体本身存在就没有意义：因此，具有不可简化的因果力是存在的另一个先决条件。这一公设也适用于个别机制：它们的因果库无法以机制的最小分区来简化（“small phi”或${\textstyle \varphi }$）。
• 排他性：系统指定的因果结构必须是绝对的：恰好指定一组元素，这组元素从其内在视角（${\textstyle \Phi ^{\textrm {Max}}}$）来看为最大不可简化的元素，从而最大限度地宣称内在存在性。...就因果关系而言，其结果是“获胜的”因果结构排除了大量重叠元素上指定的替代因果结构，否则会在因果上过度决定。...排他性公设可以说是执行了奥卡姆剃刀（实体不应该超出必要的范围而多样化）：假设在单元素系统上存在一个单一的因果结构（从系统的内在视角来看，这个元素系统是最大限度地不可简化），这比起假设有许多无法分辨差异的重叠因果结构存在更加简约。排他性公设也适用于单个机制：一个状态下的元素子集指定了系统内（${\textstyle \Phi ^{\textrm {Max}}}$）最大不可简化的因果关系（(MICE），称为核心概念，或简称为概念。同样，它不能额外指定一个在相同元素上的重叠因果库，因为这样做的话会导致机制所产生的差异被多次计算。最后，排他性公设也适用于时空纹路，意味着概念结构在空间（夸克、原子、神经元、神经元组、脑区等）和时间（微秒、毫秒、秒、分钟等）确定的纹路大小上被指定，即在${\textstyle \Phi }$达到最大值。... 这再次意味着一个机制不能在特定的时间纹路上指定因果库，也不能在更细或更粗的纹路上指定其他影响，否则机制产生的差异将被计算多次。^[3]

数学：公设的形式化

有关IIT的数学形式，完整而透彻的说明请参考^[2]。以下内容旨在作为简要摘要，从^[4]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^[6]。

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。

机制级别的参量
因果库（cause-effect repertoire） ${\textstyle {\textrm {CER}}(m_{t},\,Z_{t\pm 1})=\{p_{\textrm {cause}}(z_{t-1}|m_{t}),\,p_{\textrm {effect}}(z_{t+1}|m_{t})\}}$ 是两个几率分布的集合，描述机制 ${\textstyle M_{t}}$ 如何在其当前状态 ${\textstyle m_{t}}$ 下，分别约束系统元素集合 ${\textstyle Z_{t-1}}$ 和${\textstyle Z_{t+1}}$的过去状态和未来状态。 请注意，${\textstyle Z_{t-1}}$ 可能与${\textstyle Z_{t+1}}$有所不同，因为受机制影响的元素可能不同于影响它的元素。
分区（partition） ${\textstyle P=\{M_{1},Z_{1};M_{2},Z_{2}\}}$ 是系统元素的分组，其分区 ${\textstyle \{M_{1},Z_{1}\}}$ 和${\textstyle \{M_{2},Z_{2}\}}$ 之间的连结被注入独立噪声。对于一个输出到简单二进制元素${\textstyle B}$的简单二进制元素 ${\textstyle A}$ ，将独立噪声注入连结${\textstyle A\to B}$，意味着接收 ${\textstyle 0}$ 或 ${\textstyle 1}$ 之输入值 ${\textstyle A}$ ，会完全独立于实际状态 ${\textstyle B}$，从而使 ${\textstyle B}$ 因果关系无效。 ${\textstyle P_{t\pm 1}}$ 表示一对分区，其中一个分区是在观察机制的原因时考虑的，另一个分区是在观察其效果时考虑的。
地球移动者的距离 （Earth mover's distance）${\textstyle {\textrm {EMD}}(p_{1},\,p_{2})}$ 用于度量几率分布 ${\textstyle p_{1}}$ 和 ${\textstyle p_{2}}$之间的距离。EMD取决于使用者在度量几率分布的度量空间上所选择的点跟点之间的地面距离，这种度量几率分布的度量空间在IIT中是系统的状态空间。当使用简单二进制元素的系统计算EMD时，系统状态之间的地面距离被选为其汉明距离。
整合资讯（Integrated information） ${\textstyle \varphi }$ 会考虑分区${\textstyle P_{t\pm 1}}$来度量因果库的不可简化性，结合其与同一分区有关的组成因果库的不可简化性来获得。 关于 ${\textstyle P_{t-1}}$ 的因果库之不可简化性被给定为 ${\textstyle \varphi _{\textrm {cause}}(m_{t},\,Z_{t-1},\,P_{t-1})={\textrm {EMD}}(p_{\textrm {cause}}(z_{t-1}|m_{t}),\,p_{\textrm {cause}}(z_{1,t-1}|m_{1,t})\times p_{\textrm {cause}}(z_{2,t-1}|m_{2,t}))}$，对于${\textstyle P_{t+1}}$因果库亦同。 ${\textstyle \varphi _{\textrm {cause}}}$ 和 ${\textstyle \varphi _{\textrm {effect}}}$ 相结合，得出作为整体之${\textstyle {\textrm {CER}}}$的不可简化性：${\textstyle \varphi (m_{t},\,Z_{t\pm 1},\,P_{t\pm 1})=\min(\varphi _{\textrm {cause}}(m_{t},\,Z_{t-1},\,P_{t-1}),\varphi _{\textrm {effect}}(m_{t},\,Z_{t+1},\,P_{t+1})).}$
最小资讯分区（minimum-information partition）是机制的分区，其范围由下式给出：${\textstyle {\textrm {MIP}}(m_{t},\,Z_{t\pm 1})=\operatorname {*} {\arg \,\min }_{P_{t\pm 1}}\,(\varphi (m_{t},\,Z_{t\pm 1},\,P_{t\pm 1}))}$。最小资讯分区是对因果库影响最小的分区。因此有时也被称为最小差异分区（minimum-difference partition）。 请注意，尽管最小资讯分区的名称有“分区”，但最小资讯“分区”实际上是一对分区。我们称这对分区为${\textstyle {\textrm {MIP}}_{\textrm {cause}}}$ 和 ${\textstyle {\textrm {MIP}}_{\textrm {effect}}}$。
若机制的因果库是最大程度地不可简化（换句话说，其${\textstyle \varphi }$最高），那么至少会有一种元素的选择。 我们称这种元素的选择为 ${\textstyle Z_{t\pm 1}^{*}=\{Z_{t-1}^{*},\,Z_{t+1}^{*}\}}$，并且说这个选择指定了一个最大不可简化因果库（maximally irreducible cause-effect repertoire）。 形式上，${\textstyle Z_{t-1}^{*}=\{\operatorname {*} {\arg \,\max }_{Z_{t-1}}\,(\varphi _{\textrm {cause}}(m_{t},\,Z_{t-1},\,{\textrm {MIP}}_{\textrm {cause}}))\}}$ 和 ${\textstyle Z_{t+1}^{*}=\{\operatorname {*} {\arg \,\max }_{Z_{t+1}}\,(\varphi _{\textrm {effect}}(m_{t},\,Z_{t+1},\,{\textrm {MIP}}_{\textrm {effect}}))\}}$。
概念（concept）${\textstyle {\textrm {CER}}(m_{t},\,Z_{t\pm 1}^{*})=\{p_{\textrm {cause}}(z_{t-1}^{*}|m_{t}),\,p_{\textrm {effect}}(z_{t+1}^{*}|m_{t})\}}$ 是机制${\textstyle M_{t}}$处于当前状态${\textstyle m_{t}}$，在${\textstyle Z_{t\pm 1}^{*}}$的情况下之最大不可简化因果库，并描述系统中${\textstyle M_{t}}$的因果作用。非正式地说，${\textstyle Z_{t\pm 1}^{*}}$ 是概念的范围（purview），并指定概念是“关于什么的”。 ${\textstyle m_{t}}$ 的内在因果力（intrinsic cause-effect power）是概念的强度，给出如下：${\textstyle \varphi ^{\textrm {Max}}(m_{t})=\varphi (m_{t},\,Z_{t\pm 1}^{*},\,{\textrm {MIP}})=\min(\varphi _{\textrm {cause}}(m_{t},\,Z_{t-1}^{*},\,{\textrm {MIP}}_{\textrm {cause}}),\,\varphi _{\textrm {effect}}(m_{t},\,Z_{t+1}^{*},\,{\textrm {MIP}}_{\textrm {effect}}))}$

系统级别的参量
因果结构（cause-effect structure） ${\textstyle C(s_{t})}$ 是一组概念，由所有在当前状态为${\textstyle s_{t}}$的系统${\textstyle S_{t}}$中的机制所指定，其中${\textstyle \varphi ^{\textrm {Max}}(m_{t})>0}$。如果一个系统被证明是有意识的，其因果结构通常被称为概念结构（conceptual structure）。
单向分区（unidirectional partition） ${\textstyle P_{\to }=\{S_{1},S_{2}\}}$ 是系统元素的分组，其系统元素 ${\textstyle S_{1}}$ 到 ${\textstyle S_{2}}$ 之间的连结被注入独立噪声。
扩展地球移动者距离（extended earth mover's distance）${\textstyle {\textrm {XEMD}}(C_{1},\,C_{2})}$ 被用于度量从因果结构 ${\textstyle C_{1}}$转移到因果结构 ${\textstyle C_{2}}$的最低代价。可以非正式地说，EMD通过两个系统状态之间的距离传递系统状态的几率，而XEMD通过两个概念之间的距离传递概念的强度。 在XEMD中，要运输的“地球”是内在因果力 (${\textstyle \varphi ^{\textrm {Max}}}$)，以及在因果库 ${\textstyle A_{\textrm {cause}}}$ 和 ${\textstyle B_{\textrm {cause}}}$以及因果库 ${\textstyle A_{\textrm {effect}}}$ 和 ${\textstyle B_{\textrm {effect}}}$的情况下，概念 ${\textstyle A}$ 和概念 ${\textstyle B}$之间的地面距离由下式给出： ${\textstyle {\textrm {EMD}}(A_{\textrm {cause}},\,B_{\textrm {cause}})+{\textrm {EMD}}(A_{\textrm {effect}},\,B_{\textrm {effect}})}$.
整合（概念）资讯（Integrated (conceptual) information） ${\textstyle \Phi (s_{t},\,P_{\to })={\textrm {XEMD}}(C(s_{t})|C(s_{t},\,P_{\to }))}$ 度量因果结构相对于单向分区的不可简化性。 ${\textstyle \Phi }$ 捕获系统机制的因果库的修改程度，以及多少内在因果力 (${\textstyle \varphi ^{\textrm {Max}}}$)因分区${\textstyle P_{\to }}$而蒙受损失。
最小资讯分区（minimum-information partition）：状态中的一组元素的最小资讯分区，由下式给定： ${\textstyle {\textrm {MIP}}(s_{t})=\operatorname {*} {\arg \,\min }_{P_{\to }}\,(\Phi (s_{t},\,\,P_{\to }))}$。最小资讯分区是对因果结构${\textstyle C(s_{t})}$影响最小的单向分区。
内在因果力（intrinsic cause-effect power）：状态中的一组元素的最小资讯分区，由下式给定： ${\textstyle \Phi ^{\textrm {Max}}(s_{t}^{*})=\Phi (s_{t}^{*},\,{\textrm {MIP}}(s_{t}^{*}))}$，这使得对于任何其他${\textstyle S_{t}}$满足 ${\textstyle (S_{t}\cap S_{t}^{*})\neq \emptyset }$， ${\textstyle \Phi (s_{t})\leq \Phi (s_{t}^{*})}$。根据IIT的说法，一个系统的${\textstyle \Phi ^{\textrm {Max}}}$就是它存在的程度。
复合体（complex）是一组元素 ${\textstyle S_{t}^{*}}$满足 ${\textstyle \Phi ^{\textrm {Max}}=\Phi (s_{t}^{*})>0}$，从而指定最大不可简化因果结构（cmaximally irreducible cause-effect structure），也称为概念结构（conceptual structure）。根据IIT的说法，复合体是有意识的实体

因果空间

对于有${\displaystyle N}$个简单二元元素的系统而言，因果空间是由${\displaystyle 2\times 2^{N}}$轴组成，每个轴对应于每个系统可能的过去状态和未来状态。任一因果库规定了系统每种可能的过去和未来状态的几率，可被轻易绘成为这种高维空间中的一个点：该点在每个轴的位置由${\displaystyle R}$指定的状态几率给出 。若一个点也具有标量值（可以非正式地想像为该点的“尺寸”），则概念可以用这种方式轻松表示：该概念的因果库指定了该点在因果空间的位置，以及概念的${\displaystyle \varphi ^{\textrm {Max}}}$值指定该点的数值。

如此一来，概念结构${\displaystyle C}$可以绘制为因果空间中的点组成的星座图（constellation）。 每个点称为星（star），每个星的数值（ ${\displaystyle \varphi ^{\textrm {Max}}}$ ）是它的尺寸（size） 。

主要同一性

IIT借由提出经验的现象学性质和物理系统的因果性质之间的同一性来解决心物问题 ：“由状态中的复杂元素指定的概念结构与其经验相同。”

具体来说，因果空间中概念结构的形式完全规定了经验的性质，而概念结构的不可简化性${\displaystyle \Phi ^{\textrm {Max}}}$指定了其存在的级别（亦即复合体的意识级别）。在概念结构中，每个概念对经验品质的贡献是由其最大不可简化的因果库所规定，而概念结构的不可简化性${\displaystyle \varphi ^{\textrm {Max}}}$则指定该概念在经验中的存在量。

根据IIT的说法，经验是在某种状态下一系列复杂机制的内在属性。

扩展

即使只是中等规模的系统，${\displaystyle \Phi ^{\textrm {Max}}}$通常还是难以计算^[6] ，学者为此努力开发整合资讯的启发式度量或代理度量。举例来说，大泉匡史和同事开发了${\displaystyle \Phi ^{*}}$ ^[7]和几何整合资讯${\displaystyle \Phi ^{G}}$ ^[8]，这些是整合资讯的实际近似值，与阿尼尔·赛斯（英语：Anil Seth）（Anil Seth）和亚当·巴瑞特（Adam Barrett）先前制定的代理度量有关。^[9] 但是，这些代理度量均未在数学上证明与与实际值${\displaystyle \Phi ^{\textrm {Max}}}$有关，这使得对使用代理度量的分析解释变得十分麻烦。即使应用在极小的系统上，仍会给出不同的定性结果。^[10]

整合资讯的重大计算挑战是找到神经系统的最小资讯分区 ，这需要遍历所有可能的网络分区。 为了解决此问题，Daniel Toker和Friedrich T. Sommer表明，系统动力学相关矩阵的频谱分解是最小资讯分区的一种快速而强健的代理。^[11]

相关实验工作

虽然^{[6] [5]}用于评定系统的${\displaystyle \Phi ^{\textrm {Max}}}$的算法以及概念结构相对简洁，然而因其时间复杂度过高，导致许多有趣系统的计算难以处理 。启发法和近似法有时可以大致估算复杂系统的整合资讯，但是通常不大可能给出精确的计算。这些计算上的挑战，再加上在实验条件下可靠而准确地评估意识的任务本身已经很艰难，使得许多理论预测难以验证。

尽管存在这些挑战，研究人员仍试着利用资讯整合和差异化的方法，评定不同受试者的意识层次。^[12][13] 举例来说，近期一项研究使用了${\displaystyle \Phi ^{\textrm {Max}}}$较少的代理，能够可靠地区分清醒、睡眠（做梦与非做梦）、麻醉和昏迷（植物性，极低度意识与闭锁）中不同的意识层次。^[14]

IIT还做出了一些与现有实验证据相吻合的预测，并且可以用来解释意识研究中的一些反直觉的发现。^[15]例如，可以使用IIT来解释为何某些大脑区域（如小脑）占了一定大小的尺寸且功能十分重要，但似乎对意识没有贡献。

反应

整合信息论受到了广泛的批评和支持。

支持

协助开发该理论的神经科学家克里斯托夫·科赫称IIT为“唯一真正有前途的意识基础理论”。 ^[16] 技术人员和前IIT研究员维吉尔·格里菲斯（Virgil Griffith）表示：“IIT目前是意识理论的前沿。”但是，对于 IIT是否是有效理论，他的回答是“可能不对。”^[17]

神经科学家和意识研究者阿尼尔·赛斯（英语：Anil Seth）对这理论表示支持，并提出几点注意事项，他主张“意识体验是高度资讯化的，而且总是整合的。”；“从IIT可立即得知，对于我们所知道的关于意识的某些事情有很好的事后解释。”但他也声称，“我认为IIT中不那么有希望的部分是它声称整合资讯实际上就是意识，认为两者之间存在同一性。”^[18]，并批评了该理论的泛心论（Panpsychism）推断。^[19]

以提出意识难题而闻名的哲学家戴维·查尔莫斯对IIT表达一些兴致。在查尔莫斯看来，IIT是朝着正确方向发展的，无论是否正确。^[20]

丹尼尔·丹尼特认为IIT是一种“以新颖方式使用香农资讯论的整合资讯”所描述的意识理论。因此，“‘关于性’（aboutness）的作用非常有限：它会去度量系统或机制先前所拥有关于自身状态的香农资讯量。（亦即所有部分的状态）”。 ^[21]

物理学家马克斯·泰格马克也对 IIT 的方法表示了一定支持，并认为这与他自己关于意识是一种“物质状态”的想法相一致。^[22]泰格马克也试图解决计算背后的计算复杂性问题。根据马克斯·泰格马克的说法，“ IIT所提出的整合度量在计算上对于大型系统来说是不可行的，随着系统资讯含量的增加，其计算量会以超指数的方式成长”^[23] 因此，Φ在一般情况下只能被近似处理。然而，对Φ的不同近似方法却给出了截然不同的结果。^[24]其他工作表明，在一些大型平均场神经网络模型中可以算出Φ，不过该理论有些假设必须修改以捕获这些大型系统的相变。^[25][26]

批评

IIT开发人员的乐观观点并不为整个科学界所认同。根据一封写给国家健康研究所的公开信，IIT作为一种意识理论的说法“目前尚未获得科学界认可或检验”，神经科学学会的前主席，以及多位国家科学院和皇家学会的成员签署这封公开信，他们希望看到资金投向更多研究意识状态和无意识状态的神经机制的经验性计划。^[27]

有人批评说，IIT作为意识理论的主张“目前未获科学上的确认或检验”。^[28]然而，尽管IIT所建议的完整分析目前确实无法在人脑上完成，但IIT已经被应用于视觉皮层模型，严谨而成功地解释为什么视觉空间会有这样的感觉。^[29]

神经科学家比约恩·梅克（英语：Björn Merker）（Björn Merker）、大卫·汝道夫（David Rudrauf）和哲学家肯尼思·威里福特（Kenneth Williford）共同撰写了一篇论文，基于几个理由批评了IIT。首先，未证明事实上结合整合和差异化的系统的所有成员在正式的IIT意义上都是有意识的，表现出高水准的资讯整合和差异化的系统可能提供了意识的必要条件，但这些属性的组合并不等同于意识的条件。其次，度量值Φ反映的是全局资讯传输的效率，而非意识程度，Φ在不同清醒状态（如清醒、有梦睡眠和无梦睡眠、麻醉、癫痫和昏迷）与意识程度的相关性实际上反映的是皮质参与的有效网络互动程度。因此，Φ反映的是网络效率而非意识，而意识是皮质网络效率所提供的功能之一。^[30]当然，IIT强调了所有五个公设被满足的重要性（不是只有资讯和整合），并没有声称Φ与意识相同，这削弱了这些作者在IIT主题上的批评基础。^[31]。

普林斯顿大学的神经学家迈克尔·格拉齐亚诺（英语：Michael Graziano）（ Michael Graziano，注意力基模理论的提出者）将 IIT 视为伪科学。他声称 IIT 是一种“魔法理论”（ magicalist theory），“没有机会在科学上成功或被人理解”。

理论计算机科学家斯科特·亚伦森（英语：Scott Aaronson） （ Scott Aaronson）批评了IIT，他借由IIT自身的公式来证明，无作用的串联逻辑门只要以正确方式布局，不仅会拥有意识，而且“远比人类有意识”。^[32] 托诺尼本人也同意这一评估，并指出，根据IIT的说法，即使是更简单的无作用逻辑门配置，如果足够大也会拥有意识。但是他进一步指出，这是IIT的优点，而不是缺点。 ^{[33] [34]}

由58位参与意识科学研究的学者所撰写的同行评议，否定了这些关于逻辑门的结论，认为它们是“神秘和不可证伪的主张”，应与“实际有生产力的假说”有所区别。^{[35][需要解释]} IIT作为一种科学的意识理论，在科学文献中被批评为根据其定义只能“要么是错误的，要么是不科学的”^[36]。IIT也被意识领域的其他成员指责为需要“不科学的信仰飞跃”^[37]。该理论也因未能回答意识理论所要求的基本问题而受到批评。哲学家亚当·鲍茨（Adam Pautz）说，“只要IIT的支持者不解决这些问题，他们就等于尚未提出可评论真假的明确理论。”^[38]

有影响力的哲学家约翰·希尔勒曾对理论进行过批判，他称：“理论意味着泛心论”，“泛心论的问题不在于它是错的，而是它连成为错误的资格都没有。严格来说，它并没有意义，因为没有给这个主张一个明确的概念”。^[39]然而，一个理论是否有泛心论的含义（即所有或大部分物理上存在的东西必须是，某种有意识的事物的一部分，或者是由有意识的事物组成）与该理论的科学性无关。希尔勒的观点也遭到其他哲学家的反驳，认为他误解并歪曲了一个与他自己的想法有共鸣的理论。^[40]

IIT的数学也受到了批评，因为“具有高Φ值需要高度特定的结构，而这受到微扰会变得不稳定”^[41]。这种对微小扰动的敏感性与人脑神经可塑性的实验结果不一致。

哲学家蒂姆·贝恩（英语：Tim Bayne）（Tim Bayne）批评了该理论的公理基础。^[42] 他得出的结论是，托诺尼等人的所谓“公理”并非真正的公理。

整合信息论也在各方面受到批评，包括：

• IIT提出了意识所需的条件，但批评者认为这些条件可能并不完全足够。 ^[43]
• 声称IIT的公理不证自明。 ^{[44] [需要解释]}
• 功能主义哲学家批评IIT是非功能主义的。
• IIT中意识的定义直接受到批评。^{[需要解释]}

参见

 

• 因果性
• 意识
• 意识的难题
• 心身问题
• 意识相关神经区
• 现象学 (哲学)
• 现象学 (心理学)（英语：Phenomenology (psychology)）
• 心智哲学
• 感质
• 感情

外部链接

网站

• Scientific American Article （页面存档备份，存于互联网档案馆）
• Integrated Information Theory: A Provisional Manifesto （页面存档备份，存于互联网档案馆）

软件

• PyPhi （页面存档备份，存于互联网档案馆）: 用于计算资讯整合的开源Python软件套件。
  • Paper
  • Graphical user interface （页面存档备份，存于互联网档案馆）
  • Documentation （页面存档备份，存于互联网档案馆）

著作

• 《生命本身的感觉：为什么意识广泛存在但无法计算》（The Feeling of Life Itself：Why Consciousness Is Widespread But Can’t Be Computed） （页面存档备份，存于互联网档案馆）克里斯托夫·科赫（2019）
• Phi：《从脑到灵魂的旅行 ，朱利奥·托诺尼（2012）

新闻文章

• New Scientist (2019): How does consciousness work? （页面存档备份，存于互联网档案馆） A radical theory has mind-blowing answers （页面存档备份，存于互联网档案馆）
• Nautilus (2017): Is Matter Conscious? （页面存档备份，存于互联网档案馆）
• Aeon (2016): Consciousness creep （页面存档备份，存于互联网档案馆）
• MIT Technology Review (2014): What It Will Take for Computers to Be Conscious （页面存档备份，存于互联网档案馆）
• Wired (2013): A Neuroscientist's Radical Theory of How Networks Become Conscious （页面存档备份，存于互联网档案馆）
• The New Yorker (2013): How Much Consciousness Does an iPhone Have? （页面存档备份，存于互联网档案馆）
• New York Times (2010): Sizing Up Consciousness by Its Bits （页面存档备份，存于互联网档案馆）
• Scientific American (2009): A "Complex" Theory of Consciousness （页面存档备份，存于互联网档案馆）
• IEEE Spectrum (2008): A Bit of Theory: Consciousness as Integrated Information Theory （页面存档备份，存于互联网档案馆）

讲座

• 大卫·查默斯（2014）： 您如何解释意识？ （页面存档备份，存于互联网档案馆）
• 克里斯托夫·科赫（2014）： 意识的整合信息论 （页面存档备份，存于互联网档案馆）