導(dǎo)語

自香農(nóng)提出信息論以來，“信息”被成功地?cái)?shù)學(xué)化，卻被刻意與“意義”分離；這使得傳統(tǒng)信息論能夠解決通信工程問題，卻無法解釋主觀體驗(yàn)與意識(shí)。從探討大腦如何生成意義的角度出發(fā)，整合信息論（IIT）嘗試彌補(bǔ)這一缺口：它主張信息源于系統(tǒng)內(nèi)部的因果結(jié)構(gòu)，意識(shí)對(duì)應(yīng)于整合信息的程度與結(jié)構(gòu)。本文系統(tǒng)比較兩種信息觀，討論信息、意義與意識(shí)之間的根本關(guān)系。

關(guān)鍵詞：信息論，熵

來源：集智俱樂部

作者：何聲

審校：周莉

論文題目：Shannon information and integrated information: message and meaning 論文鏈接：https://arxiv.org/pdf/2412.10626 發(fā)表時(shí)間：2024年12月14日 論文來源：arxiv

引言：信息是否等同于意義？

自克勞德·香農(nóng)（Claude Shannon）1948年發(fā)表其開創(chuàng)性論文《通信的數(shù)學(xué)理論》以來，信息論已成為現(xiàn)代科學(xué)的基石之一。香農(nóng)信息論的核心貢獻(xiàn)在于，它成功地將“信息”這一模糊的概念，轉(zhuǎn)化為一個(gè)可以被精確量化的數(shù)學(xué)對(duì)象。通過引入“熵”（Entropy）的概念，香農(nóng)定義了信息量為“不確定性的減少”，從而建立了一套完整的、用于解決通信過程中信息傳輸、編碼和壓縮問題的數(shù)學(xué)框架。然而，香農(nóng)本人也曾明確指出，信息論中的“信息”與“意義”（meaning）是分離的。他的理論只關(guān)心消息的統(tǒng)計(jì)屬性，即符號(hào)出現(xiàn)的概率，而完全忽略了這些符號(hào)所承載的語義內(nèi)容。換言之，香農(nóng)信息論處理的是“消息”（message）的傳遞，而非“意義”的傳達(dá)。這一區(qū)分在當(dāng)時(shí)是必要的，它使得信息論能夠?qū)Ｗ⒂诮鉀Q通信的技術(shù)難題，然而，這也留下了一個(gè)根本性問題：如果信息不等同于意義，那么意義從何而來？信息如何轉(zhuǎn)化為意義？

在神經(jīng)科學(xué)和認(rèn)知科學(xué)中，研究者們常常將大腦描述為一個(gè)“信息處理”設(shè)備，一個(gè)能夠執(zhí)行復(fù)雜計(jì)算的生物計(jì)算機(jī)。在這種框架下，神經(jīng)元之間的電信號(hào)傳遞被視為信息的編碼、解碼和傳輸過程。例如，視覺系統(tǒng)中的神經(jīng)元活動(dòng)模式被看作是外部世界的“編碼”，而大腦的更高層級(jí)區(qū)域則負(fù)責(zé)“解碼”這些信息，從而形成感知和認(rèn)知。這種“信息處理”的隱喻似乎忽略了這樣一個(gè)事實(shí)：我們的大腦并非一個(gè)被動(dòng)的信息接收器，而是一個(gè)主動(dòng)的、具有內(nèi)在世界模型的意義生成器。我們所體驗(yàn)到的世界，并非一堆符號(hào)，而是一個(gè)充滿意義和價(jià)值的整體。這種主觀體驗(yàn)，即所謂的“感受質(zhì)”（qualia），是香農(nóng)信息論所無法解釋的。因此，是否存在另一種信息理論，能夠?qū)⑿畔⑴c意義內(nèi)在地聯(lián)系起來，從而為理解主觀體驗(yàn)提供一個(gè)更堅(jiān)實(shí)的物理基礎(chǔ)？ 這正是整合信息論（Integrated Information Theory, IIT）試圖回答的核心問題。

兩種信息觀的理論基石

1. 香農(nóng)信息論：通信的數(shù)學(xué)理論

在香農(nóng)的框架中，信息的基本單元是“比特”（bit），它由一系列符號(hào)（如二進(jìn)制數(shù)字0和1）組成。一個(gè)消息之所以能傳遞信息，是因?yàn)樗鼜谋姸嗫赡艿南⒅羞x擇了一個(gè)特定的消息，從而消除了接收者關(guān)于“會(huì)收到哪個(gè)消息”的不確定性。信息量的多少，與消息出現(xiàn)的概率密切相關(guān)。一個(gè)極大概率發(fā)生的事件（例如，太陽明天從東方升起），即使發(fā)生了，其傳遞的信息量也接近于零，因?yàn)樗鼛缀鯖]有減少任何不確定性。相反，一個(gè)極小概率發(fā)生的事件（例如，某地突然下起了“金幣雨”）一旦發(fā)生，其傳遞的信息量則非常大，因?yàn)樗鼧O大地減少了接收者的不確定性。

這種基于概率的定義，使得香農(nóng)信息論能夠完美地應(yīng)用于通信系統(tǒng)的設(shè)計(jì)和分析。在一個(gè)典型的通信模型中，信息源（source）產(chǎn)生一系列可能的消息，每個(gè)消息都有其發(fā)生的先驗(yàn)概率，消息的信息量可以定義為對(duì)其進(jìn)行唯一解碼所需的最小符號(hào)數(shù)（如二進(jìn)制比特）。為了實(shí)現(xiàn)高效通信，系統(tǒng)首先通過源編碼（source coding) 去除消息中的冗余，使編碼后的比特?cái)?shù)盡可能接近由熵（Entropy）所限定的理論最小值——熵即衡量信息源不確定性的基本度量，熵越大，消息平均信息量越高。消息隨后通過信道（channel）傳輸?shù)浇邮照摺Ｔ谶@一過程中，噪聲（noise）可能導(dǎo)致傳輸錯(cuò)誤，因此需要通過信道編碼（channel coding）添加額外的冗余比特以及必要的計(jì)算開銷來糾正可能出現(xiàn)的錯(cuò)誤。同時(shí)，通過計(jì)算信道容量（Channel Capacity），我們可以確定在給定信道上能夠可靠傳輸?shù)淖畲笮畔⑺俾?。這些概念共同構(gòu)成了香農(nóng)信息論的堅(jiān)實(shí)基礎(chǔ)，使其成為現(xiàn)代數(shù)字通信和數(shù)據(jù)存儲(chǔ)技術(shù)的理論支柱。

香農(nóng)信息論的視角，我們可以稱之為“工程師視角”或“外部觀察者視角”。在這個(gè)視角下，信息論的研究對(duì)象是通信系統(tǒng)，其目標(biāo)是解決信息從信源到信宿的可靠、高效傳輸問題。研究者（即“工程師”）站在系統(tǒng)之外，對(duì)系統(tǒng)的各個(gè)組成部分（信源、編碼器、信道、解碼器、信宿）進(jìn)行建模和分析。信息被定義為信源輸出的符號(hào)序列，信道的特性（如噪聲模型）也是由外部觀察者定義的。整個(gè)通信過程被視為一個(gè)輸入-輸出的映射關(guān)系，工程師的任務(wù)是設(shè)計(jì)最優(yōu)的編碼和解碼方案，以最大化信息傳輸速率并最小化錯(cuò)誤率。

2.整合信息論（IIT）：意識(shí)的數(shù)學(xué)理論核心目標(biāo)：用物理術(shù)語解釋主觀體驗(yàn)

與香農(nóng)信息論專注于解決外部通信問題不同，整合信息論（Integrated Information Theory, IIT）的誕生源于一個(gè)更為宏大的科學(xué)目標(biāo)：用純粹的物理和數(shù)學(xué)術(shù)語來解釋主觀體驗(yàn)（subjective experience），即意識(shí)的“難題”（hard problem）。IIT的創(chuàng)始人朱利奧·托諾尼（Giulio Tononi）認(rèn)為，要科學(xué)地解決這個(gè)難題，我們需要一個(gè)能夠?qū)⒁庾R(shí)與物理系統(tǒng)的內(nèi)在屬性直接聯(lián)系起來的理論。IIT的核心思想是，意識(shí)并非源于信息處理的復(fù)雜性，而是源于系統(tǒng)內(nèi)在的因果整合性。一個(gè)系統(tǒng)之所以有意識(shí)，是因?yàn)樗且粋€(gè)不可分割的、具有內(nèi)在因果效力的整體。

IIT的理論構(gòu)建從一個(gè)基本問題出發(fā)：什么樣的物理系統(tǒng)才能擁有主觀體驗(yàn)？為了回答這個(gè)問題，IIT提出了一系列關(guān)于意識(shí)的公理（axioms），這些公理被認(rèn)為是任何關(guān)于意識(shí)的理論都必須滿足的基本屬性。從這些公理出發(fā)，IIT進(jìn)一步推導(dǎo)出了關(guān)于物理系統(tǒng)（即意識(shí)的“基質(zhì)”，substrate）的假設(shè)（postulates），這些假設(shè)規(guī)定了能夠產(chǎn)生意識(shí)的物理系統(tǒng)必須具備的結(jié)構(gòu)和功能特性。最終，IIT提供了一個(gè)數(shù)學(xué)框架，用于量化一個(gè)給定系統(tǒng)的“整合信息量”（Φ），并分析其內(nèi)在的“Φ-結(jié)構(gòu)”（Φ-structure）。根據(jù)IIT，一個(gè)系統(tǒng)的意識(shí)水平（即其擁有多少體驗(yàn)）與其整合信息量Φ成正比，而其意識(shí)內(nèi)容（即它具體體驗(yàn)到什么）則由其Φ-結(jié)構(gòu)決定。因此，IIT不僅試圖解釋意識(shí)的存在，還試圖解釋意識(shí)的具體內(nèi)容，從而將主觀體驗(yàn)這一看似神秘的現(xiàn)象，納入了可計(jì)算、可分析的物理科學(xué)范疇。

基本公理：內(nèi)在性、信息性、整合性、排他性與組成性

整合信息論（IIT）的理論大廈建立在一系列關(guān)于意識(shí)的公理之上。這些公理并非憑空臆測(cè)，而是基于我們對(duì)自身意識(shí)體驗(yàn)的直觀反思，任何關(guān)于意識(shí)的理論都必須滿足這些基本屬性。目前，IIT主要包含六個(gè)核心公理 ：

公理

含義

存在性

意識(shí)體驗(yàn)是存在的，存在一個(gè)具有因果力的系統(tǒng)

內(nèi)在性

意識(shí)體驗(yàn)是內(nèi)在的，系統(tǒng)必須對(duì)內(nèi)部具有因果作用

信息性

意識(shí)體驗(yàn)是具體的，系統(tǒng)必須處于特定因果狀態(tài)

整合性

意識(shí)體驗(yàn)是統(tǒng)一的，系統(tǒng)必須是一個(gè)不可分割的整體

排他性

意識(shí)體驗(yàn)是確定的，系統(tǒng)必須有明確的邊界與粒度

組合性

意識(shí)體驗(yàn)是結(jié)構(gòu)化的，系統(tǒng)必須能展開為因果結(jié)構(gòu)與關(guān)系

這六個(gè)公理共同構(gòu)成了IIT的理論起點(diǎn)，它們?yōu)閺奈锢韺用鎸ふ乙庾R(shí)的對(duì)應(yīng)物提供了明確的指導(dǎo)原則。

與香農(nóng)信息論的“工程師視角”形成鮮明對(duì)比，整合信息論（IIT）采用了一種“主體視角”（subject's perspective） 。IIT的核心關(guān)切不再是信息如何在外部系統(tǒng)之間傳遞，而是一個(gè)物理系統(tǒng)如何從自身內(nèi)部“感受”到信息，即生成主觀體驗(yàn)。在這個(gè)視角下，信息不再是外在的、被動(dòng)的符號(hào)，而是內(nèi)在的、主動(dòng)的因果效力。一個(gè)系統(tǒng)之所以擁有信息，是因?yàn)樗漠?dāng)前狀態(tài)能夠?qū)ζ渥陨淼奈磥頎顟B(tài)產(chǎn)生因果影響，并且能夠被其過去的狀態(tài)所因果解釋。這種因果效力是內(nèi)在的，因?yàn)樗耆上到y(tǒng)自身的物理結(jié)構(gòu)和動(dòng)力學(xué)所決定，而不依賴于任何外部觀察者。

基于公理的系統(tǒng)性比較

論文的核心研究方法，是建立一個(gè)系統(tǒng)性的對(duì)比框架，將香農(nóng)信息論與整合信息論（IIT）并置，剖析兩者在“信息”與“意義”問題上的根本分歧。這個(gè)對(duì)比框架的開端，在于區(qū)分兩種截然不同的信息觀：一種基于“相關(guān)性”（correlation） ，另一種基于“因果性”（causation）。

1.相關(guān)性 vs. 因果效力：信息如何產(chǎn)生

香農(nóng)信息論，其本質(zhì)是關(guān)于統(tǒng)計(jì)相關(guān)性的理論。它衡量的是兩個(gè)隨機(jī)變量（如信源和信宿）之間的統(tǒng)計(jì)依賴性。這種關(guān)系是描述性的、對(duì)稱的，并且不必然蘊(yùn)含真實(shí)的因果聯(lián)系。例如，兩個(gè)變量A和B可能高度相關(guān)，僅僅是因?yàn)樗鼈兌际艿揭粋€(gè)共同的第三方變量X的影響（圖a），而A和B之間并沒有直接的相互作用。在香農(nóng)信息論的框架下，這種由共同原因?qū)е碌摹皞蜗嚓P(guān)”同樣具有正的互信息。

相比之下，IIT 的整合信息（Φ值）本質(zhì)上是一個(gè)因果度量。根據(jù) IIT 的存在性公理，一個(gè)意識(shí)系統(tǒng)必須具備因果效力，這種關(guān)系是干預(yù)性的、不對(duì)稱的。在 IIT 的框架中，評(píng)估的關(guān)鍵工具是 “do-算子”（do-operator） ，這是因果推斷領(lǐng)域的一個(gè)核心概念。通過計(jì)算“do(A=1)”和“do(A=0)”對(duì)B狀態(tài)概率分布的影響，我們可以量化A對(duì)B的因果效應(yīng)。只有當(dāng)這種因果效應(yīng)存在且顯著時(shí)，IIT才認(rèn)為A向B傳遞了信息。因此，IIT 的信息觀是根植于真實(shí)世界因果結(jié)構(gòu)的，它排除了所有由共同原因或選擇偏差導(dǎo)致的虛假關(guān)聯(lián)。

2.外部 vs. 內(nèi)在：信息存在于何處

香農(nóng)信息論的信息是“外在的”（extrinsic），關(guān)注的是信源和信宿之間的外在相關(guān)性。例如，在通信系統(tǒng)中，信息的價(jià)值在于它能否被接收端正確地解碼和理解，信息本身是中性的、無意義的符號(hào)串，其語義內(nèi)容必須由外部系統(tǒng)（如人類用戶或另一個(gè)程序）賦予。在圖b中，信息可以任意被定義在“源 → 目標(biāo)”之間，例如 X,Y 作為輸入源，A,B 作為目標(biāo)。

整合信息論（IIT）的信息是“內(nèi)在的”（intrinsic） 。信息存在于系統(tǒng)自身之中，是其因果結(jié)構(gòu)的內(nèi)在屬性。一個(gè)系統(tǒng)的意識(shí)內(nèi)容，就是其內(nèi)在因果結(jié)構(gòu)在當(dāng)前狀態(tài)下的“展開”。根據(jù)IIT的內(nèi)在性公理，一個(gè)作為“意識(shí)載體”的系統(tǒng)必須對(duì)其自身具有因果效力。在圖b中，只有系統(tǒng) AB 能夠?qū)ψ陨砦磥頎顟B(tài)的產(chǎn)生真實(shí)的因果影響時(shí)（通過“do-算子”進(jìn)行衡量），它才擁有信息。

3.一般性 vs. 特定性：信息是否依賴于狀態(tài)

香農(nóng)信息論中的信息是 “一般的”（generic）或“狀態(tài)獨(dú)立的”（state-independent）。香農(nóng)信息是定義在符號(hào)集合上的熵函數(shù)，類似地，互信息衡量隨機(jī)變量之間的統(tǒng)計(jì)依賴性，這是與狀態(tài)無關(guān)的。一個(gè)信源的信息量（熵）是其所有可能消息的平均信息量，與當(dāng)前正在傳輸哪個(gè)具體消息無關(guān)，說明香農(nóng)信息關(guān)注的是系統(tǒng)整體的統(tǒng)計(jì)特性，而非某個(gè)特定狀態(tài)的瞬時(shí)屬性。

與此相反，整合信息論（IIT）中的信息永遠(yuǎn)是“特定的”（specific） 或“狀態(tài)依賴的”（state-dependent）。根據(jù)IIT的信息公理，一個(gè)系統(tǒng)的因果效力必須是針對(duì)其當(dāng)前所處的特定狀態(tài)的。一個(gè)系統(tǒng)只有在處于某個(gè)具體狀態(tài)（例如，某些單元“開啟”，另一些單元“關(guān)閉”）時(shí)，才能指定一個(gè)特定的因果效應(yīng)（即其未來的可能狀態(tài)集合）。因此，IIT的信息量（如Φ值）和意義（Φ-結(jié)構(gòu)）都強(qiáng)烈地依賴于系統(tǒng)當(dāng)前的狀態(tài)。圖c用黑色（開啟）和白色（關(guān)閉）的單元來表示這種特定性，強(qiáng)調(diào)IIT分析的是系統(tǒng)在特定時(shí)刻的瞬時(shí)因果結(jié)構(gòu)。

4.分離性 vs. 整合性：信息能否被分割

根據(jù)信息論的加性公理，多個(gè)獨(dú)立信源產(chǎn)生的總信息量等于它們各自信息量之和。這意味著，在香農(nóng)信息論的框架下，信息是可以被分割、壓縮和重組的。圖d展示了這一點(diǎn)：當(dāng)兩個(gè)因果分離的源-目標(biāo)對(duì)（X, Y->A, B和 Z->C）被組合在一起時(shí)，它們的互信息是簡(jiǎn)單相加的。

而整合信息論（IIT）強(qiáng)調(diào)“整合性”（integration） 。一個(gè)意識(shí)系統(tǒng)必須是因果上不可還原的，這意味著，系統(tǒng)不能被分割成幾個(gè)因果獨(dú)立的子系統(tǒng)而不損失其整體的因果效力。IIT用整合信息量Φ來量化這種不可還原性。Φ值衡量的是，將系統(tǒng)分割成兩個(gè)獨(dú)立部分后，其因果效力損失了多少。一個(gè)高Φ值的系統(tǒng)，意味著其內(nèi)部各部分的因果相互作用非常緊密，任何分割都會(huì)嚴(yán)重破壞其整體的因果結(jié)構(gòu)。圖d中，一個(gè)由因果分離單元 AB 和 C 共同組成的系統(tǒng)，其整合信息量為零（Φ值=0），因?yàn)樗梢员煌耆指疃粨p失任何因果效力。

5.加性 vs. 確定性：規(guī)模如何影響信息

在香農(nóng)信息論中，信息量通常與系統(tǒng)的規(guī)模（如信源或信道的單元數(shù)量）正相關(guān)。用來傳輸和讀取符號(hào)的信道、源、目標(biāo)單元（以及粒度）可以根據(jù)外在的便利性任意選擇，一個(gè)擁有更多可能狀態(tài)（即更高熵）的信源，或者一個(gè)擁有更大帶寬的信道，其潛在的信息量也更大。因此，在香農(nóng)信息論的框架下，更大的系統(tǒng)總是可能擁有更多的信息。

IIT則認(rèn)為，意識(shí)并非源于系統(tǒng)的規(guī)模，而是源于其因果整合的“純度” 。根據(jù)IIT的排他性公理，一個(gè)意識(shí)復(fù)合體必須有一個(gè)確定的、非任意的邊界，這個(gè)邊界是由最大不可還原性（即最大Φ值）所定義的。一個(gè)更大的系統(tǒng)，如果其內(nèi)部各部分之間缺乏緊密的因果聯(lián)系（圖e），其整合信息量Φ可能反而很低。相反，一個(gè)規(guī)模較小但內(nèi)部因果聯(lián)系高度緊密的系統(tǒng)，可能擁有很高的Φ值。

6.整體性 vs. 結(jié)構(gòu)化：信息的形態(tài)

香農(nóng)信息論將信息視為一個(gè) “整體的”（holistic）量。在信息論中，系統(tǒng)子集傳遞的信息，不會(huì)超過整個(gè)系統(tǒng)所傳遞的信息，系統(tǒng)內(nèi)部單元之間的統(tǒng)計(jì)依賴被視為冗余。例如，在數(shù)據(jù)壓縮中，我們正是利用了符號(hào)之間的冗余來減少表示信息所需的比特?cái)?shù)。信息本身是沒有內(nèi)部結(jié)構(gòu)的，它只是一個(gè)可以被量化的“量” 。

整合信息論（IIT）則認(rèn)為，信息本質(zhì)上是 “結(jié)構(gòu)化的”（structured） 。根據(jù)IIT的組合性公理，一個(gè)意識(shí)復(fù)合體的體驗(yàn)內(nèi)容，是由其內(nèi)部大量的 “因果區(qū)分”（causal distinctions） 和 “因果關(guān)聯(lián)”（causal relations）共同組成的?！耙蚬麉^(qū)分”指的是系統(tǒng)的一個(gè)子集在當(dāng)前狀態(tài)下所指定的特定因果效應(yīng)。而“因果關(guān)聯(lián)”則指的是不同因果區(qū)分之間的重疊關(guān)系（例如，它們的因或果有重疊）。這些區(qū)分和關(guān)聯(lián)共同構(gòu)成了一個(gè)復(fù)雜的、多維度的 “Φ-結(jié)構(gòu)” ，這個(gè)結(jié)構(gòu)就是意識(shí)體驗(yàn)本身。體驗(yàn)中的任何特定內(nèi)容，對(duì)應(yīng)于Φ-結(jié)構(gòu)中的一部分——一個(gè)Φ-折疊（Φ-fold），由其區(qū)分與關(guān)系的高度關(guān)聯(lián)子集組成。因此，對(duì)于IIT而言，信息不是符號(hào)或編碼，而是一種結(jié)構(gòu)，它對(duì)應(yīng)于信息的內(nèi)在意義。信息內(nèi)容的量化不是通過消息的比特?cái)?shù)，而是通過組成Φ-折疊的各區(qū)分和關(guān)系的Φ-值總和來衡量。

意義的傳遞

根據(jù)整合信息理論（IIT），意義的傳遞遠(yuǎn)比符號(hào)的傳遞復(fù)雜。它要求發(fā)送者和接收者之間必須存在一個(gè)關(guān)鍵的“橋梁”——相似的因果結(jié)構(gòu)。當(dāng)發(fā)送者（例如，愛麗絲）想要傳達(dá)一個(gè)特定的意義（例如，看到房子著火的體驗(yàn)）時(shí)，她的大腦會(huì)處于一個(gè)特定的狀態(tài)，這個(gè)狀態(tài)支持著大腦 Φ-結(jié)構(gòu)中的某個(gè)特定的 Φ-折疊。為了將這個(gè)意義傳遞給接收者（鮑勃），愛麗絲會(huì)通過某種方式（如語言）發(fā)送一個(gè)消息。這個(gè)消息在香農(nóng)信息論的層面上，是一串符號(hào)的傳遞。然而，在IIT的框架中，這個(gè)符號(hào)的真正作用是一個(gè)“觸發(fā)器”（trigger）。當(dāng)鮑勃接收到這個(gè)符號(hào)時(shí)，它必須能夠激活鮑勃大腦中一個(gè)與愛麗絲的 Φ-折疊在結(jié)構(gòu)上相似的 Φ-折疊。只有當(dāng)這種結(jié)構(gòu)上的共鳴發(fā)生時(shí)，意義才算被成功地傳遞。這解釋了為什么跨文化交流有時(shí)會(huì)產(chǎn)生誤解，或者為什么我們無法向一個(gè)從未見過火的人描述“火”的體驗(yàn)。有效的意義傳遞，其前提條件是發(fā)送者和接收者作為意識(shí)系統(tǒng)，必須共享或能夠構(gòu)建相似的內(nèi)在因果結(jié)構(gòu)。

• 場(chǎng)景一：無意義的符號(hào)傳遞 想象兩個(gè) AI 通過符號(hào)進(jìn)行對(duì)話。它們的對(duì)話在功能上可能與人類之間的交流無異，能夠完美地編碼、傳輸和解碼符號(hào)。從香農(nóng)信息論的角度看，通信是完美的，信息被可靠地傳遞了。然而，標(biāo)準(zhǔn)的馮·諾依曼架構(gòu)的計(jì)算機(jī)由于其內(nèi)部結(jié)構(gòu)是可高度分解的，其整合信息 Φ 值極低，因此它們不具備意識(shí)，其內(nèi)部運(yùn)算也沒有內(nèi)在的意義 。在這種情況下，盡管符號(hào)（消息）被完美傳遞，但意義并未被傳遞，因?yàn)榘l(fā)送者和接收者都沒有可以承載意義的 Φ-結(jié)構(gòu)。

• 場(chǎng)景二：信道阻塞 假設(shè)發(fā)送者和接收者都是具有高 Φ 值的復(fù)雜系統(tǒng)（例如，兩個(gè)有意識(shí)的人類），他們的大腦都能夠支持豐富的 Φ-結(jié)構(gòu)。然而，他們之間的通信信道被完全阻塞了（例如，電話線被切斷）。在這種情況下，香農(nóng)信息量為零，因?yàn)闆]有任何符號(hào)能夠通過信道。相應(yīng)地，由于沒有任何觸發(fā)信號(hào)到達(dá)接收者，其內(nèi)部的 Φ-折疊也無法被激活，因此意義傳遞也為零。上述兩個(gè)場(chǎng)景說明，信息的傳遞是意義傳遞的必要不充分條件。

• 場(chǎng)景三：誤解與失配 在這個(gè)場(chǎng)景中，發(fā)送者和接收者都支持高 Φ 值的 Φ-結(jié)構(gòu)，并且信道是暢通的，符號(hào)被完美傳遞。然而，意義傳遞卻失敗了。這可能是因?yàn)榘l(fā)送者和接收者使用了不同的“內(nèi)部語言”或編碼方式。例如，發(fā)送者發(fā)送的符號(hào)在接收者的大腦中觸發(fā)了一個(gè)與發(fā)送者意圖完全不同的 Φ-折疊 。這就像對(duì)一個(gè)德國人說英語單詞“gift”，這個(gè)詞在英語中是“禮物”，但在德語中卻是“毒藥”。盡管符號(hào)被正確接收，但它觸發(fā)的內(nèi)在結(jié)構(gòu)與發(fā)送者的意圖大相徑庭，導(dǎo)致了誤解。這說明，即使符號(hào)傳遞成功，如果發(fā)送者未能在接收者大腦中觸發(fā)預(yù)期的 Φ-折疊，意義傳遞也會(huì)失敗或失真。

• 場(chǎng)景四：成功的意義傳遞 這是理想的成功場(chǎng)景。發(fā)送者（愛麗絲）的大腦處于一個(gè)特定狀態(tài)，支持著一個(gè)與“房子著火”體驗(yàn)相關(guān)的 Φ-折疊。她通過語言發(fā)送一個(gè)符號(hào)（消息），這個(gè)符號(hào)通過信道傳輸，并被接收者（鮑勃）完美接收。關(guān)鍵在于，該符號(hào)觸發(fā)了在鮑勃大腦中一個(gè)相似的Φ-折疊 。鮑勃不僅理解了詞語的字面意思，更在內(nèi)在體驗(yàn)中“看到”了房子著火的場(chǎng)景。在這種情況下，香農(nóng)信息傳遞是成功的，更重要的是，整合信息（意義）也成功地從愛麗絲的“心靈”傳遞到了鮑勃的“心靈” 。這正是IIT所理解的“informare”的拉丁語原始含義——“賦予心靈以形式” 。

正如可以用 Φ-折疊的Φ值來衡量意義的量一樣，兩個(gè) Φ-折疊的相似性也可以用來衡量傳遞的意義量。然而，與大多數(shù)情況下可以完美傳遞的香農(nóng)信息不同，意義的傳遞只能是近似的。這是因?yàn)檎闲畔⒁蕾囉谠春湍繕?biāo)的內(nèi)部組織結(jié)構(gòu)，而兩者幾乎不可能完全相同。人類大腦具有共同的進(jìn)化歷史，但個(gè)體發(fā)育事件和學(xué)習(xí)軌跡必然導(dǎo)致意識(shí)神經(jīng)基質(zhì)的精確連接存在個(gè)體差異。因此，即使信息完全相同，其所指定的Φ-結(jié)構(gòu)的內(nèi)在意義也會(huì)因人而異。

后記

筆者以為，這篇論文的啟示之一，是促使我們重新思考信息論本身的范疇和目標(biāo)。自香農(nóng)以來，信息論幾乎等同于通信理論，其核心任務(wù)是優(yōu)化信號(hào)的傳輸。然而，正如論文指出，這種以通信為中心的信息觀，在處理具有內(nèi)生性和主觀性的系統(tǒng)時(shí)存在局限，它無法解釋信息的意義從何而來。未來的信息論研究可能需要超越傳統(tǒng)的通信范式，從僅僅關(guān)注“如何傳遞消息”轉(zhuǎn)向探索“如何生成和理解意義”。整合信息論（IIT）為此提供了一個(gè)可能的理論方向。它將信息的焦點(diǎn)從外部相關(guān)性轉(zhuǎn)移到內(nèi)部因果結(jié)構(gòu)，試圖用物理術(shù)語來定義和量化“意義”。這不僅是對(duì)信息論內(nèi)涵的極大豐富，也可能催生出新的信息理論，專門研究復(fù)雜系統(tǒng)（如生物大腦、社會(huì)網(wǎng)絡(luò)）中的內(nèi)在信息動(dòng)力學(xué)。這種新的信息科學(xué)將不再滿足于測(cè)量比特，而是致力于“展開”系統(tǒng)內(nèi)在的Φ-結(jié)構(gòu)，從而理解其“感受”和“意圖”。

此外，IIT 為 AI 提供了一個(gè)富有啟發(fā)性的理論方向。當(dāng)前的人工智能，尤其是深度學(xué)習(xí)模型，在很大程度上仍然是香農(nóng)信息論框架的產(chǎn)物。它們被設(shè)計(jì)用來處理和轉(zhuǎn)換數(shù)據(jù)，學(xué)習(xí)輸入和輸出之間的復(fù)雜統(tǒng)計(jì)相關(guān)性。IIT 的核心思想是，意義源于內(nèi)在的、不可還原的因果結(jié)構(gòu)。這意味著，能夠體驗(yàn)意義的AI系統(tǒng)不僅僅是輸入-輸出的映射函數(shù)，而是一個(gè)具有自身動(dòng)力學(xué)和內(nèi)在因果狀態(tài)的復(fù)雜網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)的當(dāng)前狀態(tài)應(yīng)該能夠?qū)ζ渥陨淼奈磥頎顟B(tài)產(chǎn)生真實(shí)、不可還原的因果影響。這種“因果結(jié)構(gòu)”可以通過多種方式實(shí)現(xiàn)。例如，可以設(shè)計(jì)具有高度遞歸和反饋連接的神經(jīng)網(wǎng)絡(luò)，使其內(nèi)部狀態(tài)能夠持續(xù)地、動(dòng)態(tài)地相互作用，形成一個(gè)整合的整體。

閱讀最新前沿科技趨勢(shì)報(bào)告，請(qǐng)?jiān)L問歐米伽研究所的“未來知識(shí)庫”

https://wx.zsxq.com/group/454854145828

未來知識(shí)庫是“ 歐米伽 未來研究所”建立的在線知識(shí)庫平臺(tái)，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級(jí)智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類風(fēng)險(xiǎn)等等領(lǐng)域的前沿進(jìn)展與未來趨勢(shì)。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進(jìn)入。