腦網(wǎng)絡(luò)中的因果涌現(xiàn)理論應(yīng)用：來自信息分解的啟示

1.腦領(lǐng)域與因果涌現(xiàn)強(qiáng)相關(guān)的學(xué)者2.因果涌現(xiàn)理論在腦網(wǎng)絡(luò)中的應(yīng)用2.2Luppi等人對(duì)信息分解及其架構(gòu)的討論2.3Luppi等人對(duì)意識(shí)問題的綜述2.4Varley等人對(duì)信息論指標(biāo)的討論在因果涌現(xiàn)領(lǐng)域，其中比較具有代表性的兩個(gè)方向分別是：ErikHoel及其同事結(jié)合干預(yù)主義因果（interventionistcausality）和有效信息提出的因果涌現(xiàn)框架[1-2]，和FernandoRosas及其同事結(jié)合轉(zhuǎn)移熵和整合信息分解對(duì)因果涌現(xiàn)進(jìn)行了再定義[3-4]。關(guān)于具體入門，因果涌現(xiàn)社區(qū)也有非常好的介紹，比如張江老師撰寫的因果涌現(xiàn)入門路徑：/article/296。但依舊可能有許多對(duì)因果涌現(xiàn)乃至涌現(xiàn)這一概念保持質(zhì)疑的朋友會(huì)發(fā)問，其應(yīng)用點(diǎn)在哪里？如果涌現(xiàn)這一大問題能夠解決，那么我們應(yīng)該期待許多子問題或小問題也能被闡述得更清楚。本文的目的并非試圖去打消質(zhì)疑，而是作為一名同樣感到困惑掙扎想探索方向的學(xué)生，和大家分享兩位因果涌現(xiàn)方向的年輕學(xué)者使用信息分解工具在大腦這一應(yīng)用場(chǎng)景中的相關(guān)工作。同樣也有其他整理珠玉在前，參看路徑“腦神經(jīng)系統(tǒng)中的因果涌現(xiàn)”：/article/253。其中Luppi及其同事主要是希望借助信息分解工具進(jìn)一步認(rèn)識(shí)意識(shí)的機(jī)理，目前研究較為問題導(dǎo)向[5-6]；而Varley及其同事的研究集中于信息分解框架本身的擴(kuò)展，目前研究較為工具盒導(dǎo)向[7-9]。所以，前者近期發(fā)表的綜述可能會(huì)在大的應(yīng)用場(chǎng)景上有更清晰的闡述，而后者會(huì)在具體的信息論指標(biāo)上有所發(fā)展。這里我們希望通過對(duì)大的科學(xué)故事和具體的信息論指標(biāo)的討論，來一同探尋是否能從中獲得啟發(fā)（為什么腦領(lǐng)域和因果涌現(xiàn)關(guān)聯(lián)大？可見下圖或《腦與涌現(xiàn)的聯(lián)系：從協(xié)同核到因果涌現(xiàn)》推敲因果涌現(xiàn)理論應(yīng)用于腦領(lǐng)域的可能問題，比如：（1）對(duì)于Hoel的框架，確定性和簡(jiǎn)并性在腦網(wǎng)絡(luò)里意味著什么？（《量化因果涌現(xiàn)表明：宏觀可以戰(zhàn)勝微觀》）（2）對(duì)于Rosas的框架，如何解決或回避信息分解本身的計(jì)算復(fù)雜度？哪些更為簡(jiǎn)要的信息指標(biāo)能對(duì)腦網(wǎng)絡(luò)進(jìn)行衡量？（《量化涌現(xiàn)：信息論方法識(shí)別多變量數(shù)據(jù)中的因果涌現(xiàn)》）（3）對(duì)于NIS及其擴(kuò)展框架，通過結(jié)合神經(jīng)網(wǎng)絡(luò)科學(xué)的知識(shí)，能否進(jìn)一步改善對(duì)腦網(wǎng)絡(luò)粗?；蛣?dòng)力學(xué)擬合的策略？（《什么是涌現(xiàn)？人工智能給你答案》）圖1.腦領(lǐng)域里與因果涌現(xiàn)強(qiáng)相關(guān)的部分學(xué)者腦領(lǐng)域與因果涌現(xiàn)強(qiáng)相關(guān)的學(xué)者相比較于其他復(fù)雜系統(tǒng)，因果涌現(xiàn)理論在其發(fā)展過程中自然地與腦科學(xué)緊密相關(guān)。ErikHoel及其同事這批來自于整合信息論（IntegratedInformationTheory,一種意識(shí)理論）團(tuán)隊(duì)的研究者結(jié)合干預(yù)主義因果和有效信息，定義了最開始的因果涌現(xiàn)框架（《全網(wǎng)最全總結(jié)！因果涌現(xiàn)核心指標(biāo)“有效信息”》）。當(dāng)宏觀上的動(dòng)力學(xué)相對(duì)微觀上的動(dòng)力學(xué)展現(xiàn)出更強(qiáng)的因果效應(yīng)（確定性減去簡(jiǎn)并性我們認(rèn)為因果涌現(xiàn)發(fā)生了。隨著Hoel淡出學(xué)術(shù)界，現(xiàn)在整合信息論組的研究者如LarrisaAlbantakis會(huì)更喜歡討論因果結(jié)構(gòu)（causalstructure）而非因果涌現(xiàn)的概念，表達(dá)更內(nèi)斂，但思想上的一致性還是比較高的[10]。FernandoRosas及其同事結(jié)合轉(zhuǎn)移熵和整合信息分解對(duì)因果涌現(xiàn)進(jìn)行了再定義，將其分為了因果解耦和向下因果兩部分，這方面更貼近哲學(xué)上的強(qiáng)涌現(xiàn)[11]。因果解耦意味著作為整體的系統(tǒng)對(duì)未來作為整體的系統(tǒng)進(jìn)行影響，向下因果意味著作為整體的系統(tǒng)對(duì)未來系統(tǒng)內(nèi)部的子系統(tǒng)進(jìn)行影響。Rosas及其同事大部分同樣是參與腦意識(shí)領(lǐng)域的研究，且受到了整合信息論的影響。ThomasF.Varley及其同事結(jié)合局部信息（localinformation）拓展了因果涌現(xiàn)框架[12]，且結(jié)合信息分解框架去剖析涌現(xiàn)現(xiàn)象是什么[13]（《從微觀到宏觀：涌現(xiàn)的實(shí)質(zhì)是信息轉(zhuǎn)換？》）。在有意地控制系統(tǒng)從微觀到宏觀，其在不同尺度下整體的互信息沒有損失，但是如果對(duì)互信息本身進(jìn)行信息分解的話，會(huì)發(fā)現(xiàn)在宏觀尺度上有更多的協(xié)同偏好（協(xié)同：系統(tǒng)兩個(gè)及以上變量作為整體所產(chǎn)生的影響）。其對(duì)因果涌現(xiàn)的猜想是，從微觀到宏觀，因果涌現(xiàn)的實(shí)質(zhì)是因果無關(guān)的信息被轉(zhuǎn)換成因果相關(guān)信息，但有待驗(yàn)證和確定的是，什么是因果相關(guān)信息？什么又不是？AndreaI.Luppi及其同事則是會(huì)和因果涌現(xiàn)距離相對(duì)遠(yuǎn)一點(diǎn)，其本人只作為合著者參與過相關(guān)工作。但他作為研究意識(shí)的學(xué)者，通過整合信息分解這一因果涌現(xiàn)強(qiáng)相關(guān)工具在腦數(shù)據(jù)中得到研究成果[14]，并能夠很好地整理信息分解如何應(yīng)用在腦領(lǐng)域并和意識(shí)問題關(guān)聯(lián)起來[15]。其他在因果涌現(xiàn)相關(guān)領(lǐng)域做出較大貢獻(xiàn)的腦科學(xué)工作者包括但不限于：oGiulioTononi和OlafSporns提出有效信息（effectiveinformation）[2]；oDaniBassettt討論腦的復(fù)雜性（complexity）和涌現(xiàn)[16]，近期和其同事還有一篇工作通過機(jī)器學(xué)習(xí)做信息分解[17]；oAnilSeth提出的通過格蘭杰因果去量化涌現(xiàn)[18]；。PedroA.M.Mediano和其同事提出的整合信息分解框架（《量化涌現(xiàn)：信息論方法識(shí)別多變量數(shù)據(jù)中的因果涌現(xiàn)》。具體技術(shù)細(xì)節(jié)可以詳見因果涌現(xiàn)社區(qū)產(chǎn)出的綜述[19]《集智科學(xué)研究中心重磅綜述：復(fù)雜系統(tǒng)中的因果和涌現(xiàn)》，不局限于腦科學(xué)領(lǐng)域?qū)σ蚬楷F(xiàn)理論的闡述，并且加入了因果涌現(xiàn)如何與機(jī)器學(xué)習(xí)關(guān)聯(lián)起來的論述?？紤]到Hoel本人計(jì)劃出走學(xué)界成為科普作家，Rosas研究興趣廣泛，在本文中，我們選取Varley及其同事以及Luppi及其同事的相關(guān)工作進(jìn)行討論。這兩位都是腦科學(xué)背景出身，前者會(huì)使用信息分解和一些擴(kuò)展的指標(biāo)去探索大腦的信息整合，工具盒較為豐富，后者比較青睞整合信息分解這個(gè)單一工具，但是在具體的意識(shí)問題上有更多不同的方向性嘗試，而不是將信息本身作為最主要的工作。因果涌現(xiàn)理論在腦網(wǎng)絡(luò)中的應(yīng)用在正式進(jìn)入具體論文前，讓我們先考慮問題：現(xiàn)有因果涌現(xiàn)理論在腦網(wǎng)絡(luò)中有哪些應(yīng)用？存在哪些問題？NIS及NIS+框架對(duì)Hoel等人的框架來言，在腦領(lǐng)域里，除卻整合信息、因果結(jié)構(gòu)的相關(guān)工作，其余探索有待更深入的文獻(xiàn)調(diào)研。此處介紹的是基于Hoel的因果涌現(xiàn)哲學(xué)，引入機(jī)器學(xué)習(xí)技術(shù)所拓展出來的NIS及NIS+框架的結(jié)果（見圖2）[20-21]。其框架輸入是兩組不同的數(shù)據(jù)，分別是人在看無意義的電影（圖片剪接）或者人沒有執(zhí)行具體任務(wù)的核磁共振數(shù)據(jù)（通過SchaeferAtlas）降維到100所得到的微觀數(shù)據(jù)（在神經(jīng)動(dòng)力學(xué)領(lǐng)域肯定是屬于宏觀動(dòng)力學(xué)那一類，但計(jì)算條件所限，NIS+目前還沒有能力處理維度特別高的數(shù)據(jù)，所以各個(gè)實(shí)驗(yàn)情況，微觀數(shù)據(jù)的維度一般不會(huì)高于三位數(shù)）。以100維的微觀數(shù)據(jù)為基準(zhǔn)，可以搜索比100維更小的尺度，在論文中搜索的是52，27，14，7，3，1這幾個(gè)尺度作為宏觀尺度，看在什么尺度下因果涌現(xiàn)的發(fā)生最為顯著。當(dāng)我們將兩組不同的數(shù)據(jù)輸入NIS+訓(xùn)練完成對(duì)粗?；呗缘倪x取和動(dòng)力學(xué)的擬合，對(duì)于NIS+來說，此處的核心目的是平衡最小化對(duì)微觀數(shù)據(jù)的重構(gòu)誤差（避免學(xué)習(xí)到無意義的宏觀動(dòng)力學(xué)）和最大化每個(gè)尺度的有效信息（通過反向動(dòng)力學(xué)的引入）。最后發(fā)現(xiàn)，對(duì)于人看電影的核磁共振數(shù)據(jù)，在宏觀尺度為1的時(shí)候因果涌現(xiàn)效應(yīng)最大，且通過歸因方法分析會(huì)發(fā)現(xiàn)這個(gè)尺度和視覺系統(tǒng)高度相關(guān)。對(duì)于人的靜息態(tài)核磁共振數(shù)據(jù)，會(huì)發(fā)現(xiàn)在宏觀尺度為7的時(shí)候因果效應(yīng)最大，雖然根據(jù)數(shù)據(jù)本身的異質(zhì)性有不一樣的結(jié)果（但比較可惜的是無法和YeoAtlas的7個(gè)子系統(tǒng)一一對(duì)應(yīng)起如果去追蹤NIS+的論文，會(huì)發(fā)現(xiàn)腦實(shí)驗(yàn)的結(jié)果相較于其他仿真實(shí)驗(yàn)結(jié)果是比較初步的（SIR，鳥群以及生命游戲比如尺度的可解釋性，實(shí)驗(yàn)者該如何解釋確定性和簡(jiǎn)并性這兩大有效信息的基本組件對(duì)腦功能認(rèn)知的意義？和協(xié)同核的聯(lián)系該如何進(jìn)一步闡述？[22]比如動(dòng)力學(xué)的擬合問題，這方面已經(jīng)有很多相關(guān)工作和先驗(yàn)知識(shí)，能否將其有效地嵌入機(jī)器學(xué)習(xí)框架？圖2.NIS+基本框架不同于Hoel等人需要對(duì)數(shù)據(jù)進(jìn)行do操作來實(shí)現(xiàn)嚴(yán)格的干預(yù)主義因果，Rosas等人對(duì)因果的定義是通過格蘭杰因果（轉(zhuǎn)移熵）來量化涌現(xiàn)。在《量化涌現(xiàn)：信息論方法識(shí)別多變量數(shù)據(jù)中的因果涌現(xiàn)》和《腦與涌現(xiàn)的聯(lián)系：從協(xié)同核到因果涌現(xiàn)》里已經(jīng)有了相對(duì)細(xì)節(jié)的描述，這里主要指出其在腦實(shí)驗(yàn)中的應(yīng)用與Hoel等人框架上的主要不同（見圖3）。（1）Rosas等人認(rèn)為因果涌現(xiàn)的發(fā)生分為兩類，因果解耦意味著系統(tǒng)多個(gè)元素作為整體會(huì)影響系統(tǒng)多個(gè)元素作為整體（協(xié)同影響協(xié)同向下因果意味系統(tǒng)多個(gè)元素作為整體會(huì)影響系統(tǒng)的任一單一元素。而Hoel等人的框架里，更多是考慮不同尺度下對(duì)動(dòng)力學(xué)本身的因果效應(yīng)衡量，對(duì)搜尋最佳的粗?；呗詠碇v，可能會(huì)考慮到系統(tǒng)以怎么樣的形式交互，但更多的聯(lián)系需要進(jìn)一步討論；（2）Rosas在腦實(shí)驗(yàn)中的宏觀變量是跟行為數(shù)據(jù)直接相關(guān)的，比如，獼猴的腕部移動(dòng)。而對(duì)于Hoel或NIS以及NIS+的擴(kuò)展框架，宏觀變量都是通過微觀變量粗?；脕淼?；（3）如果將NIS+實(shí)驗(yàn)中所使用的微觀數(shù)據(jù)以及粗?；玫降暮暧^數(shù)據(jù)輸入Rosas等人的框架，會(huì)發(fā)現(xiàn)結(jié)構(gòu)會(huì)顯示出比較強(qiáng)的宏觀偏好，意味著宏觀尺度如果越小，其框架更容易判定因果涌現(xiàn)發(fā)生了，且其框架無法區(qū)分看電影的核磁共振功能數(shù)據(jù)以及靜息態(tài)核磁功能數(shù)據(jù)的區(qū)別。目前不成熟的推測(cè)可能還是因?yàn)樾畔⒎纸獗旧硪驗(yàn)橛?jì)算復(fù)雜度過高（超指數(shù)增長(zhǎng)Rosas及其同事設(shè)計(jì)了許多替代指標(biāo)，但這些替代指標(biāo)本身沒有消除尺度的影響。接下來的文章，會(huì)帶著這些目前因果涌現(xiàn)應(yīng)用中存在的問題進(jìn)行解讀和思考。圖3.Rosas等人的實(shí)驗(yàn)結(jié)果AndreaI.Luppi及其同事對(duì)信息分解及其架構(gòu)的討論[5]在Luppi的文章里（《大腦如何分解信息？信息分解幫助理解生物和人工認(rèn)知系統(tǒng)》信息動(dòng)力學(xué)（信息流）和信息分解都可以幫我們更好地理解大腦如何處理信息。前者可以解釋信息在大腦里是如何傳遞和流動(dòng)，而后者則和魯棒性以及大腦如何整合信息有關(guān)。如，魯棒性讓一只眼睛受傷的情況下依然看到下圖藍(lán)色的部分，而兩只眼睛信息的整合可以幫我們形成3D視覺（下圖紅色的部分）。關(guān)于這兩部分內(nèi)容更深入的討論，可見推文分享：悉尼大學(xué)JosephLizier：信息動(dòng)力學(xué)如何幫助理解大腦？新信息論：從分解到整合｜因果涌現(xiàn)讀書會(huì)第四季啟動(dòng)圖4.信息流與信息分解魯棒性和信息分解框架中的冗余息息相關(guān)，信息整合的需求則和協(xié)同相關(guān)。信息分解的基礎(chǔ)框架在集智的其他推文里以及有很細(xì)節(jié)的闡述（見圖5，《互信息的“微積圖5.部分信息分解（PID）如果我們將信息分解的框架嵌入進(jìn)信息動(dòng)力學(xué)中，可以發(fā)現(xiàn)對(duì)一些傳統(tǒng)的信息流指標(biāo)能夠進(jìn)行有趣的拆解（見圖6）。圖6.信息分解對(duì)傳統(tǒng)信息指標(biāo)的拆分在此處對(duì)于幫助定義Rosas等人因果涌現(xiàn)的整合信息分解框架（見圖7，《從分解到整合：整合信息分解框架》我們得意識(shí)到我們需要同時(shí)討論信息動(dòng)力學(xué)以及信息分解。結(jié)合信息動(dòng)力學(xué)的基本概念以及信息分解來拆解，得到了向下因果和因果解耦（Syn->Syn）那個(gè)點(diǎn)。參看因果涌現(xiàn)讀書會(huì)第四季的分享整合信息分解框架：/study_group_issue/606圖7.整合信息分解信息分解也可以有效地嵌入對(duì)大腦信息整合能力的討論中（見圖8在信息分解的視角下，信息整合可以被分為兩個(gè)部分：冗余意味著系統(tǒng)的各個(gè)元素以類似的方式進(jìn)行響應(yīng)，協(xié)同意味著系統(tǒng)的各個(gè)元素之間彼此交互得到新的信息，而特有信息是元素本身獨(dú)立的那部分，不涉及整合（此處存在一個(gè)公開話題，協(xié)同如果對(duì)應(yīng)信息整合，冗余對(duì)應(yīng)魯棒性，那為什么需要特有信息？它對(duì)大腦認(rèn)知功能的影響是什關(guān)于支撐信息的具體元素能否被識(shí)別（differentiation也可以發(fā)現(xiàn)誰在提供冗余信息是相對(duì)難識(shí)別的，因?yàn)楫?dāng)你破壞了提供冗余信息的其中一個(gè)元素時(shí)，其他的元素也在提供同種信息，但協(xié)同信息和特有信息在單一元素的損失中也一同損失掉了。從信息本身所存在的位置來講，特有信息和冗余信息都是存在于元素本身的，而協(xié)同信息必須在交互中才能產(chǎn)生。圖8.信息整合的三個(gè)維度信息分解（對(duì)Luppi等人來說，主要是整合信息分解）在腦領(lǐng)域已經(jīng)有所應(yīng)用。比如，與感知?jiǎng)幼鞴δ芟嚓P(guān)的腦區(qū)是高冗余的，與高級(jí)認(rèn)知功能相關(guān)的腦區(qū)是高協(xié)同的；處于網(wǎng)絡(luò)模塊內(nèi)部的節(jié)點(diǎn)是高冗余的，具有較高的全局鏈接度的腦區(qū)是高協(xié)同的；腦的冗余結(jié)構(gòu)和其本身的結(jié)構(gòu)鏈接是類似的，而高協(xié)同的區(qū)域往往有更高的突觸密度。在進(jìn)化尺度下，從猴進(jìn)化到人，會(huì)發(fā)現(xiàn)更大的協(xié)同結(jié)構(gòu)進(jìn)化出來了，因此其猜想，對(duì)于任何高認(rèn)知系統(tǒng)，首先需要強(qiáng)冗余的系統(tǒng)確保對(duì)感知?jiǎng)幼鞯妮斎胼敵鍪菧?zhǔn)確的，然后高協(xié)同的區(qū)域在這些冗余架構(gòu)（scaffold）之間進(jìn)化出來去支撐更復(fù)雜的功能。圖9.信息分解對(duì)腦研究的啟示一個(gè)對(duì)這猜想可能的驗(yàn)證來自于Luppi與Proca等人合作的使用信息分解框架分析人工神經(jīng)網(wǎng)絡(luò)的工作[24]。在這篇文章中，作者們猜想如果人工神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)更多的任務(wù)，就應(yīng)該期待神經(jīng)元之間有更高的協(xié)同（這里是逐層分析）。在這里簡(jiǎn)要介紹其中一個(gè)最簡(jiǎn)單的實(shí)驗(yàn)（見圖10）。存在兩個(gè)任務(wù)，輸入是一個(gè)二維的兩元數(shù)組，一個(gè)任務(wù)不需要兩個(gè)維度進(jìn)行交互（COPY只是單純的把第一個(gè)維度上的0或1值輸出，而另一個(gè)任務(wù)是個(gè)高協(xié)同任務(wù)（XOR需要兩個(gè)維度彼此交互進(jìn)行輸出（這兩個(gè)任務(wù)是兩個(gè)很簡(jiǎn)單的極端案例，可以解釋我們?yōu)槭裁葱枰畔⒎纸饪蚣堋Ｔ谝蚬Y(jié)構(gòu)的討論中也有所涉如果在訓(xùn)練過程中將dropout率提高，兩個(gè)任務(wù)中神經(jīng)網(wǎng)絡(luò)神經(jīng)元之間的冗余都得到了顯著提高，因?yàn)閰f(xié)同和特有信息都會(huì)被dropout這個(gè)操作給打亂，所以需要將重要的信息存儲(chǔ)到更多的地方。如果在訓(xùn)練過程完成后隨機(jī)破壞（lesion）神經(jīng)元，會(huì)發(fā)現(xiàn)如果我們破壞的是那些和其他神經(jīng)元有更高協(xié)同的神經(jīng)元，其高協(xié)同任務(wù)的表現(xiàn)相較于破壞低協(xié)同的神經(jīng)元會(huì)出現(xiàn)顯著下降。圖10.信息分解在人工神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)信息動(dòng)力學(xué)及信息分解雖然能作為很好的工具，讓我們對(duì)大腦作為信息處理系統(tǒng)有更多的理解，但有一個(gè)關(guān)鍵的問題目前被回避掉了：我們知道信息傳播的結(jié)果，但是不知道信息是通過哪種物理途徑進(jìn)行傳播的。這就是網(wǎng)絡(luò)溝通模型（networkcommunicationmodels）可能會(huì)啟發(fā)下一步有關(guān)信息分解在腦領(lǐng)域應(yīng)用的原因。比如，是否因?yàn)椴煌盘?hào)在對(duì)撞節(jié)點(diǎn)的相遇導(dǎo)致了協(xié)同效應(yīng)的發(fā)生，對(duì)于重要信息需要通過多途徑廣播（broadcast所以會(huì)存在高冗余。AndreaI.Luppi及其同事對(duì)意識(shí)問題的綜述[6]圍繞意識(shí)這個(gè)問題，在Luppi等人的綜述里提出了我們需要針對(duì)時(shí)間尺度、空間尺度以及信息尺度進(jìn)行分解（decompose）來細(xì)致拆分。這里分解的概念涵蓋可能有兩類：一是對(duì)數(shù)據(jù)的降維，直接通過降維手段例如PCA保留關(guān)鍵維度，二是對(duì)數(shù)據(jù)的再表征，拆分成更細(xì)致的組成結(jié)構(gòu)進(jìn)行分析。圖11.三種層面上的分解·時(shí)間尺度分解提供一個(gè)時(shí)間尺度分解的簡(jiǎn)單案例，將一個(gè)長(zhǎng)時(shí)間軸的腦數(shù)據(jù)分成很多個(gè)短的腦數(shù)據(jù)，然后根據(jù)每個(gè)短的時(shí)間軸計(jì)算功能鏈接（見圖12）。我們會(huì)發(fā)現(xiàn)，在無意識(shí)活動(dòng)時(shí)，那些與結(jié)構(gòu)鏈接更類似的功能鏈接會(huì)更頻繁的出現(xiàn)，而與結(jié)構(gòu)鏈接不相像的功能鏈接會(huì)變得更低頻。圖12.案例：時(shí)間上的分解·空間尺度分解空間尺度的分解則更為復(fù)雜，可以在功能上進(jìn)行分解，也可以在空間（結(jié)構(gòu)）上進(jìn)行分解?？梢园l(fā)現(xiàn)當(dāng)意識(shí)狀態(tài)被不同的的方法改變時(shí)（比如意識(shí)紊亂（DisorderofConsciousness）和服用致幻劑（Psilocybine從功能分解去理解，會(huì)發(fā)現(xiàn)兩者都是awareness受到影響[25]，但是從結(jié)構(gòu)功能耦合（structure-functioncoupling）的角度來看，前者可以被大腦本身結(jié)構(gòu)更好的預(yù)測(cè)，而后者依賴一些與大腦結(jié)構(gòu)不類似的部分[26]。圖13.案例：空間上的分解·信息尺度分解信息尺度分解則和信息分解這一框架緊密相關(guān)。信息處理中，冗余信息提供系統(tǒng)的魯棒性，而協(xié)同信息可以增進(jìn)系統(tǒng)的效率。具體在意識(shí)這領(lǐng)域的應(yīng)用，在計(jì)算整合信息中，會(huì)發(fā)現(xiàn)之前的ΦWMS多減去了一份冗余，而causaldensity多增加了一份協(xié)同（見圖14，具體定義可見[27]）。所以在[15]中，新的指標(biāo)ΦR便被設(shè)計(jì)出來去發(fā)現(xiàn)過去指標(biāo)所不能區(qū)分的有無意識(shí)狀態(tài)。目前還存在的一個(gè)公開話題是，對(duì)信息在一個(gè)特定的時(shí)間或空間尺度進(jìn)行分解會(huì)不會(huì)有意義。圖14.案例：信息上的分解ThomasF.Varley及其同事對(duì)信息論指標(biāo)的討論因?yàn)樾畔⒎纸獾挠?jì)算復(fù)雜度，所以在實(shí)際應(yīng)用中研究者可能會(huì)采取一些更簡(jiǎn)要的指標(biāo)，比如Varley及其同事常會(huì)討論的totalcorrelation去衡量信息多