#第五章：意識的數學語言——資訊動力學的形式化建構

#5.0 本章定位

第四章為我們完成了一次關鍵的術語奠基。我們不再用「信息流」這個詞來指代模糊的心理印象，而是將它精確地翻譯為可測量的物理量：微分熵量化了內容的豐富度，轉移熵刻畫了定向的因果耦合，協同信息捕捉了「整體大於部分之和」的湧現瞬間。

現在，我們手握這些精密工具，可以重返第三章留下的 E-I-B-A 動力學地圖了。第三章將意識定義為四維信息流在全局電磁場舞台上的耦合過程——這個定義是精確的，但它尚未被翻譯成可計算的語言。沒有數學的形式化，我們無法進行預測、模擬或實證檢驗。一個僅停留在概念層面的意識理論，無論多麼優美，都無法與實驗室中的 EEG/MEG 數據對話。

本章的任務，就是將 E-I-B-A 模型從「哲學構想」與「物理直覺」，轉化為可計算的科學模型。為此，我們必須為每一個概念變量指派嚴格的數學定義——將第四章引介的那些術語，組裝成一套完整的動力學方程組。

核心決策：為何使用資訊理論？

全局電磁場是連續的物理介質。在連續場中，「活躍模式的數量」是一個定義不良的概念——如同追問一條河流有多少個漩渦。要度量連續系統的豐富性與組織性，數學上最自然的語言是資訊理論：

• 分化度由資訊熵度量：場的狀態有多不可預測、多複雜？

• 整合度由轉移熵與相位同步度量：場的不同區域之間，信息如何流動與協調？

因此，本章的所有核心變量，將以第四章已鋪墊的微分熵、轉移熵、協同資訊與藏本序參數重新定義。它們將不再是隱喻，而是一個個等待被代入實測數據的變量符號。

現在，讓我們為那團燃燒的關係之火，譜寫第一行樂譜。

#5.1 核心變量的資訊動力學定義

E-I-B-A 模型包含四個層級的變量：單一網路的狀態（一階）、兩兩網路的交互（二階）、三元情境的協同（三階）、全局統一（四階）。每個層級都有三個對應的變量：

• 結構容量 $\phi$：該層級在生理極限下的理論資訊上限（潛能）。

• 活躍模式 $\phi^{\text{active}}(t)$：該層級在時刻 t 的瞬時資訊動態（當下狀態）。

• 活躍比率 $\phi^{\text{activeratio}}(t)$：瞬時值與最大值的比值，表徵該層級當下的運作效率。

以下逐一給出嚴格的數學定義。

#5.1.1 一階 $\phi_X$：單一網路的資訊複雜度

物理意義：網路 X（$X \in \{E, I, B, A\}$）所對應腦區的電磁場，其狀態的資訊豐富度。

結構容量 $\phi_X$：定義為該網路連續電磁場在生理極限下的最大微分熵：

$$\phi_X \equiv H_{\max}(X)$$

最大微分熵由該腦區的神經元數量、突觸多樣性、能量代謝上限共同決定。一個神經元更密集、突觸更豐富的腦區，其電磁場能展現的潛在複雜度更高。這一變量捕捉了意識豐富性的先天生理約束。

活躍模式 $\phi_X^{\text{active}}(t)$：定義為該網路在時刻 t、時間窗 $\Delta t$ 內的瞬時微分熵：

$$\phi_X^{\text{active}}(t) \equiv H(\mathbf{s}_X(t))$$

其中 $\mathbf{s}_X(t)$ 為該腦區經過源定位處理後的連續電磁場時間序列向量。對於連續隨機變量，微分熵定義為 $H(\mathbf{s}) = -\int p(\mathbf{s}) \log p(\mathbf{s}) d\mathbf{s}$。它在固定參考框架下量化了訊號的不可預測性：高熵對應於豐富、多變的場動力學；低熵對應於單調、規律的振盪。

活躍比率 $\phi_X^{\text{activeratio}}(t)$：定義為瞬時熵與最大熵的比值：

$$\phi_X^{\text{activeratio}}(t) = \frac{H(\mathbf{s}_X(t))}{H_{\max}(X)} \in [0, 1]$$

此比值可理解為該網路當下對其生理潛能的「利用率」。在深度麻醉中，此值趨近於零；在清醒狀態下，此值維持在中高水準。

#5.1.2 二階 $\phi_{X \to Y}$：網路間的因果資訊流

物理意義：從網路 X 到網路 Y 的定向因果交互強度。這不是單純的相關，而是 X 的過去狀態能為預測 Y 的當前狀態提供多少額外資訊。

結構容量 $\phi_{X \to Y}$：定義為從 X 到 Y 的最大轉移熵：

$$\boxed{\phi_{X \to Y} \equiv TE_{\max}(X \to Y)}$$

最大轉移熵由連接兩腦區的白質纖維束的實體頻寬與阻抗決定。它表徵了該解剖路徑在資訊傳遞上的物理極限。

活躍模式 $\phi_{X \to Y}^{\text{active}}(t)$：定義為時刻 t 從 X 到 Y 的瞬時轉移熵：

$$\boxed{\phi_{X \to Y}^{\text{active}}(t) \equiv TE_{X \to Y}(t)}$$

轉移熵的定義為：

$$TE_{X \to Y} = I(Y_t ; X_{\text{past}} \mid Y_{\text{past}})$$

即：在已知 Y 自身歷史的條件下，X 的歷史能為預測 Y 的當前狀態提供多少額外資訊。這一變量直接捕捉了 Granger 因果在非線性系統中的資訊論推廣。當 $\phi_{E \to I}^{\text{active}}$ 高時，「見景生情」正在發生；當 $\phi_{I \to E}^{\text{active}}$ 高時，「心有所思，耳有所聞」正在發生。

活躍比率 $\phi_{X \to Y}^{\text{activeratio}}(t)$：定義為歸一化轉移熵（Normalized Transfer Entropy, NTE）：

$$\boxed{\phi_{X \to Y}^{\text{activeratio}}(t) = \text{NTE}_{X \to Y}(t) = \frac{TE_{X \to Y}(t)}{TE_{\max}(X \to Y)} \in [0, 1]}$$

#5.1.3 三階 $\phi_{X,Y,Z}$：三元情境的協同湧現

物理意義：三個網路（如 E、I、B）同時耦合時，湧現出的「整體大於部分之和」的資訊——無法被任何兩兩交互的組合所解釋的剩餘資訊。

結構容量 $\phi_{X,Y,Z}$：定義為該三元組在生理極限下的最大協同資訊：

$$\boxed{\phi_{X,Y,Z} \equiv Syn_{\max}(X, Y, Z)}$$

活躍模式 $\phi_{X,Y,Z}^{\text{active}}(t)$：定義為透過資訊分解（Partial Information Decomposition, PID）從數據中萃取出的瞬時協同資訊：

$$\boxed{\phi_{X,Y,Z}^{\text{active}}(t) \equiv Syn(X, Y, Z; t)}$$

協同資訊是總互資訊中，既不能歸因於任何單一來源、也不能歸因於任何兩兩來源組合的那部分。它是「整體大於部分之和」的精確數學刻畫。

活躍比率 $\phi_{X,Y,Z}^{\text{activeratio}}(t)$：定義為歸一化協同資訊：

$$\boxed{\phi_{X,Y,Z}^{\text{activeratio}}(t) = \frac{Syn(X, Y, Z; t)}{Syn_{\max}(X, Y, Z)} \in [0, 1]}$$

此定義完全取代了舊版中需要人工擬合的任意參數 $\kappa_{XYZ}$，使三階整合的計算成為嚴格的資料驅動。

#5.1.4 四階 $\phi_{EIBA}$：全局統一在場感

物理意義：E、I、B、A 四個網路作為一個不可分割的整體，其電磁場振盪達成全域相位鎖定的程度。這對應於純粹的「在場感」或「合一體驗」。

結構容量 $\phi_{EIBA}$：在藏本模型中，完全相位同步的理論極限是一個物理常數：

$$\boxed{\phi_{EIBA} \equiv R_{\max} = 1}$$

這意味著全腦相位同步的潛能是絕對有界的——如同任何物理系統的同步都有上限。

活躍模式 $\phi_{EIBA}^{\text{active}}(t)$：定義為時刻 t 的全局相位同步序參數。設 $\theta_X(t)$ 為網路 X 在感興趣頻段（如高 $\gamma$ 頻段 30-80 Hz）的瞬時相位：

$$\boxed{\phi_{EIBA}^{\text{active}}(t) \equiv R_{EIBA}(t) = \left\| \frac{1}{4} \sum_{X \in \{E, I, B, A\}} e^{i\theta_X(t)} \right\|}$$

這是在複數平面上，將四個網路的相位向量相加後取平均長度的幾何度量。

活躍比率 $\phi_{EIBA}^{\text{activeratio}}(t)$：由於分母為 1，活躍模式本身即為比率：

$$\boxed{\phi_{EIBA}^{\text{activeratio}}(t) = R_{EIBA}(t) \in [0, 1]}$$

當 $R \to 1$：四個維度的振盪完美鎖定（如深度冥想中的「合一」）。當 $R \to 0$：四者完全去同步（如深度麻醉或極度混亂）。

#5.2 系統狀態的矩陣化描述

為緊湊刻畫整個系統在時刻 t 的完整狀態，定義三個 $4 \times 4$ 矩陣。

#5.2.1 結構容量矩陣 $\mathbf{\Phi}$

系統的「硬體藍圖」——所有資訊通道的理論上限。對角線為各網路的 $H_{\max}$，非對角線為各定向路徑的 $TE_{\max}$。

$$\phi_{X \to Y} \neq \phi_{Y \to X}$$

#5.2.2 活躍比率矩陣 $\mathbf{\Phi}^{\text{activeratio}}(t)$

系統的「即時效率圖」——當前時刻各通道的利用率。對角線為一階活躍比率，非對角線為歸一化轉移熵。所有元素天然落在 $[0, 1]$ 區間。

#5.2.3 絕對活躍度矩陣 $\mathbf{\Phi}^{\text{active}}(t)$

系統的「實際資訊流地圖」——此刻真實流動的資訊量，由前兩個矩陣的對應元素相乘得出。

#5.3 意識度 $\bigstar(t)$：分化的豐富性與整合的統一性

我們需要一個單一的標量指標來量化整體意識水平。根據本理論的核心洞見——意識需要同時具備豐富的內容（分化）與統一的結構（整合）——意識度定義為二者的乘積：

$$\boxed{\bigstar(t) = D(t) \times I(t)}$$

#5.3.1 標準化分化度 $D(t)$

定義為四個網路一階活躍比率的加權平均：

$$D(t) = \sum_{X \in \{E, I, B, A\}} W_X(t) \cdot \frac{H(\mathbf{s}_X(t))}{H_{\max}(X)}$$

其中 $W_X(t)$ 為各網路的動態功率權重，$\sum W_X(t) = 1$。此公式輸出嚴格落在 $[0, 1]$。

#5.3.2 標準化整合度 $I(t)$

定義為二階、三階、四階整合分量的加權和：

$$\boxed{I(t) = \omega_2 I_2(t) + \omega_3 I_3(t) + \omega_4 I_4(t)}$$

約束條件：$\omega_2 + \omega_3 + \omega_4 = 1$，且 $\omega_4 \geq \omega_3 \geq \omega_2 > 0$，以體現越高階的整合對意識的統一性貢獻越根本。

二階交互整合 $I_2(t)$：12組有向配對的平均歸一化轉移熵。對應基本的跨模態資訊綁定。

三階協同整合 $I_3(t)$：所有三元組的歸一化協同資訊的加權組合。對應「情境」或「氛圍」等複雜體驗的生成能力。

四階整體整合 $I_4(t)$：直接等於 $R_{EIBA}(t)$。對應純粹的「在場感」──意識最高層次的統一性。

#5.3.3 解釋力

此模型統一解釋了意識狀態的連續光譜：

• 清醒意識：D 高，$I_2, I_3, I_4$ 均高，故 $\bigstar(t)$ 極高。

• 深度無夢睡眠：D 極低，$\bigstar(t)$ 趨近於零。

• 癲癇發作：D 可能不低（全腦同步放電），但整合分量因無差異化交互而崩潰，$\bigstar(t)$ 極低。

• 深度冥想：D 和 $I_2$ 被主動抑制，但 $I_4$ 顯著提升。$\bigstar(t)$ 維持在中等水準，但體驗質地特殊（「空明」、「合一」）。

• 思覺失調：D 可能正常，但 $I_3$（情境整合）和 $I_4$（自我統一）嚴重受損，體驗支離破碎。

#5.4 意識度量單位：白・菜・飯

#——一個基於資訊基準的標準化度量體系

為了將抽象的資訊量轉化為可直觀理解、可跨狀態比較的實用工具，我們建立一套以「白・菜・飯」為核心意象的標準化度量體系。這套體系不是對絕對物理量（如場強）的直接測量，而是將 5.3 節中定義的意識動力學關鍵指標（分化度 IDI、整合度 III、意識度 $\bigstar$），相對於一個基準狀態進行標準化後得到的比值。

#5.4.1 基準狀態的設定

任何比值體系都需要一個零點與一個基準點。我們設定以下兩個參照系：

• 理論零點：當系統的資訊熵與整合度均趨近於零時（例如腦死或深度麻醉下的爆發抑制狀態），其意識度量值定義為 0。

• 基準點（1 單位）：定義為大量健康成人處於清醒、靜息、無特定任務狀態下的平均值。這是一個可透過大樣本實驗數據校準的統計常數。

#5.4.2 三個基本單位的定義

• 「白」—— 標準化整合度 度量意識體驗的統一性。它衡量的是此刻全腦的因果互動與相位同步相對於基準狀態的強度。 $$\boxed{\text{W}(t) = \frac{I(t)}{\langle I \rangle_{\text{benchmark}}}}$$

  • 1 白：表示當下的資訊整合度等於基準狀態。

• 「菜」—— 標準化分化度 度量意識內容的豐富性。它衡量的是此刻全腦電磁場的資訊熵相對於基準狀態是更高還是更低。 $$\boxed{\text{C}(t) = \frac{D(t)}{\langle D \rangle_{\text{benchmark}}}}$$

  • 1 菜：表示當下的資訊豐富度等於基準狀態。

• 「飯」—— 標準化意識度 度量意識的整體強度。這是本理論最核心的綜合指標，定義為上述兩者的乘積。 $$\boxed{\text{R}(t) = \frac{\bigstar(t)}{\langle \bigstar \rangle_{\text{benchmark}}} = \frac{D(t) \times I(t)}{\langle D \times I \rangle_{\text{benchmark}}}}$$

  • 1 飯：代表一個健康成人清醒靜息態的標準意識水平。

  • 在數值上，由於基準值是各自獨立測定的統計平均值，1 白 × 1 菜≈1 飯，可作為極佳的近似估算。

#5.4.3 從數學走向實測

需要強調的是，白・菜・飯 目前仍是理論構造量。它們的實用化依賴於 5.7 節的實現路線圖：我們必須先從 EEG/MEG 數據中提取出 $H(\mathbf{s}_X)$、$\text{NTE}_{X \to Y}$ 與 $R_{EIBA}$，組裝出 IDI 與 III，再將其相對於健康成人的大樣本常模進行標準化。一旦完成這一步，我們就能為每一瞬間的主觀體驗，貼上一個精確的意識度量標籤。

#5.5 A 網絡的調控方程式：資訊流的導演

A 網絡在意識系統中扮演「導演」的角色——它不直接貢獻穩定的內容，而是透過動態調控，決定流向 E、I、B 三大網絡的即時資訊流。這項調控功能在數學上，透過以下三個向量的互動來實現。

#5.5.1 需求向量 $\mathbf{O}(t)$

量化外部感知、內在思緒與身體感受對注意力資源的競爭強度，定義為非 A 網路流向 A 的歸一化轉移熵：

$$\mathbf{O}(t) = \begin{pmatrix} \text{NTE}_{E \to A}(t)\ \text{NTE}_{I \to A}(t)\ \text{NTE}_{B \to A}(t) \end{pmatrix}^T$$

它代表了未經調控的、自下而上的資訊「呼聲」。

#5.5.2 抑制向量 $\mathbf{S}(t)$：資源博弈的資訊動力學

抑制向量代表 A 網絡自上而下的調控輸出。它不是一個靜態的遮罩，而是根據全腦當下的資訊佔用狀態，對不同感官通道進行的動態過濾。

為此，我們為每一個感知通道 $X \in \{E, I, B\}$ 定義一套通用的資源博弈實例化公式。設 $\mathcal{Y}_X$ 為除 IXI 與 IAI 之外的兩個網絡集合，則 A 對來自 IXI 之輸入的抑制強度定義為：

$$S_{X \to A}(t) = \underbrace{\left( 1 - \text{NTE}_{X \to A}(t) \right)}_{\text{Demand protection factor}} \cdot \underbrace{\left( \frac{1}{2} \sum_{Y \in \mathcal{Y}_X} \text{NTE}_{Y \to X}(t) \right)}_{\text{Noise defense factor}} \cdot \underbrace{S_{\text{base\_X}}(t)}_{\text{Prior target factor}}$$

這個公式完美平衡了意識場中的三股力量：

1. 需求保護：當 A 網絡極度依賴某個通道（即 $\text{NTE}_{X \to A} \to 1$）時，第一項趨近於 I0I，強制壓低了總抑制，確保核心任務所需的資訊流暢通無阻。

2. 雜訊防禦：當 IXI 被其他網絡大規模佔用（例如感知被內心思緒與身體情緒嚴重扭曲）時，括號內的平均 NTE 升高，驅動抑制增強，防止意識被不可靠的「雜訊」劫持。

3. 先驗引導：$S_{\text{base\_X}}(t)$ 保留了高階認知目標（如「我正在冥想，必須忽略外界干擾」）的介入空間。

因此，完整的抑制向量可簡潔地表示為：

$$\mathbf{S}(t) = \begin{pmatrix} S_{E \to A}(t)\ S_{I \to A}(t)\ S_{B \to A}(t) \end{pmatrix}^T$$

為何採用此模型？

#5.5.3 意識位置向量 $\mathbf{C}(t)$

A 網絡的最終調控輸出——此刻意識在 E-I-B 三維狀態空間中的「座標」，定義為需求向量與抑制向量的差值：

$$\mathbf{C}(t) = \mathbf{O}(t) - \mathbf{S}(t) = \begin{pmatrix} \text{NTE}_{A \to E}(t)\ \text{NTE}_{A \to I}(t)\ \text{NTE}_{A \to B}(t) \end{pmatrix}^T$$

幾何詮釋：$\mathbf{C}(t)$ 的末端就是意識在 E-I-B 立方體中的即時位置。它精確地量化了「我的注意力此刻被外部世界、內在思緒還是身體感受所佔據」。

#5.6 動力學演化方程式（5.6.1–5.6.3公式不準確，看看就好）

前面的變量描述的是「此刻的狀態」，但意識是一個持續流動的過程。物理學的直覺驅使我們追問：這些宏觀變量如何隨時間演化？以下給出系統隨時間演化的微分方程組。

核心原理： 意識系統的演化，是為了在最大化資訊熵（分化度）與最大化資訊整合（整合度）這兩個競爭目標之間，達成一種動態權衡。

#5.6.1 單一網路資訊熵的演化

式中：$-\lambda_X H_X(t)$ 為自然衰減項——在沒有持續輸入的情況下，神經集群的自發活動複雜度會自然衰減；$\sum TE_{Y \to X}(t)$ 為來自其他網路的資訊流入總和；$(1 - \frac{H_X}{H_{\max}})$ 為容量飽和限制，確保系統處於有界狀態。

#5.6.2 網路間轉移熵的演化

$$\frac{dTE_{X \to Y}(t)}{dt} = -\lambda_{XY} TE_{X \to Y}(t) + \eta_{XY} \cdot H_X(t) \cdot H_Y(t) \cdot \left( 1 - \text{NTE}_{X \to Y}(t) \right)$$

式中：$-\lambda_{XY} TE$ 為交互衰減項；$\eta_{XY} \cdot H_X \cdot H_Y$ 為自催化生成項——當兩個網路同時處於高複雜度狀態時，其間的資訊通道會非線性增強；$(1 - \text{NTE})$ 為通道容量限制，將轉移熵約束在解剖結構決定的上限以內。

#5.6.3 全局相位同步的演化

$$\frac{dR_{EIBA}(t)}{dt} = -\lambda_{EIBA} R_{EIBA}(t) + \gamma \cdot \bigstar(t) \cdot \left( 1 - R_{EIBA}(t) \right)$$

式中：$\gamma \cdot \bigstar(t)$ 為意識度正向回饋項——當系統整體的意識度越高，維持全局同步的驅動力越強，形成宏觀層面的積極回饋迴路。

#5.6.4 這些方程的結構性問題

上述方程在形式上構成了一個封閉系統：給定初始條件，可求解出 $H_X(t)$、$TE_{X\to Y}(t)$、$R_{EIBA}(t)$ 的演化軌跡。然而，它們存在若干結構性問題，需要在此明確標註。

第一個問題：宏觀變量的封閉性假設。

資訊熵 H、轉移熵 $TE$、相位同步序參數 R、意識度 $\bigstar$——這些量是讀出（Readout），不是驅動（Driver）。它們是對底層數百萬神經元放電模式的統計摘要。在物理學中，Navier-Stokes 方程之所以閉合，是因為壓力與速度的因果鏈是閉合的。但大腦的宏觀資訊變量不斷被底層細節（丘腦節律、神經調質、感官刺激）打破。宏觀變量之間的關係是統計性的，不是純粹動力學的。

第二個問題：因果方向的倒置。

5.6.3 用 $\bigstar(t)$ 來驅動 $R_{EIBA}$。但 $\bigstar(t)$ 的定義本身就包含 $R_{EIBA}$。用包含 R 的量來預測 R 的變化，是自循環而非因果。意識度是讀出指標，不能像物理力一樣回去驅動系統。

第三個問題：信息流的不對稱性。

方程將所有轉移熵視為正向貢獻。但 A 網絡對 B、I 的調控通常是抑制性的。將抑制性與興奮性信息流混為一談，會使方程失去功能區分能力。

第四個問題：時間尺度的混淆。

方程未能區分毫秒級的神經活動波動與數天級的結構重塑（如髓鞘化）。這導致系統的時間常數 $\lambda$ 與 $\eta$ 在物理意義上變得模糊。

結論：這組方程是對意識動力學的形式化嘗試，但它們很可能不成立。 ---

#5.6.5 不完全預測不等於無能為力

承認封閉動力學的不可得，不等於放棄科學研究。意識科學可以進行有效但不完全的預測：

• 診斷此刻狀態：測量血壓不需要知道其微分方程，計算 $\bigstar(t)$ 即可診斷意識水準。

• 追蹤狀態轉換：利用第七章的「軌跡描繪法」，識別相變前兆。

• 辨識病理指紋：從 $NTE$ 的過度鎖定或 $R_{EIBA}$ 的崩潰中建立診斷。

• 模擬微觀生成：使用神經群模型（如 Wilson-Cowan 方程）進行微觀模擬，讓宏觀規律自然湧現。

#5.6.6 本節的定位

5.6.1–5.6.3 的方程標記了一次嘗試的形狀。它們是朝向未知的探針，理論的核心力量在於診斷框架，而非預測框架。

#5.7 A 網絡的多尺度資訊動力學

5.5 節定義了 A 網絡調控的即時邏輯——如何從需求與抑制的博弈中，產生此刻的意識位置 $\mathbf{C}(t)$。然而，意識不僅僅是靜態的快照，它是一條在時間中奔流的河。

為了捕捉這條河的急緩與轉折，我們需要對 $\mathbf{O}(t)$、$\mathbf{S}(t)$ 與 $\mathbf{C}(t)$ 進行微積分分析。這套分析框架賦予我們追蹤意識流「加速度」與「慣性」的能力。

#5.7.1 一次微分：追蹤意識的瞬時速度

對這些向量進行一次微分，可得到它們的瞬時變化率，反映系統的響應速度與動態趨勢。

需求向量的變化率：

需求向量的分量是直接測得的 NTE，因此其微分就是 NTE 隨時間的瞬時斜率：

$$\frac{d\mathbf{O}(t)}{dt} = \begin{pmatrix}\frac{d}{dt}\text{NTE}_{E \to A}(t) \\\frac{d}{dt}\text{NTE}_{I \to A}(t) \\\frac{d}{dt}\text{NTE}_{B \to A}(t)\end{pmatrix}^{T}$$

抑制向量的變化率：

抑制向量的每個分量 $S_{X \to A}(t)$（$X \in \{E, I, B\}$）是三個因子的乘積。其微分遵循乘法律：

$$\frac{d}{dt} S_{X \to A}(t) = \frac{d}{dt} \left[ \left( 1 - \text{NTE}_{X \to A} \right) \cdot \left( \frac{1}{2} \sum_{Y \in \mathcal{Y}_X} \text{NTE}_{Y \to X} \right) \cdot S_{\text{base\_X}} \right]$$

展開後，$\frac{d\mathbf{S}}{dt}$ 捕捉了兩股力量的競合：

1. 需求保護的鬆動：當 $\text{NTE}_{X \to A}$ 開始飆升，$(1 - \text{NTE})$ 項急劇下降，導致抑制崩解——注意力閘門被衝開。

2. 雜訊防禦的收緊：當 $\text{NTE}_{Y \to X}$ 變大，雜訊因子升高，推高抑制——系統開始過濾掉被污染的輸入。

意識位置的變化率：

$$\boxed{\frac{d\mathbf{C}(t)}{dt} = \frac{d\mathbf{O}(t)}{dt} - \frac{d\mathbf{S}(t)}{dt}}$$

這直接對應於可報告的主觀體驗：

• $\frac{d\mathbf{C}}{dt}$ 模長大：注意力正在快速切換（如 multitasking 時的跳躍）。

• $\frac{d\mathbf{C}}{dt}$ 方向穩定且模長適中：代表流暢的專注（如心流狀態）。

#5.7.2 二次微分：捕捉意識的轉折點

二次微分揭示了變化率的變化（加速度），能幫助我們識別動力學的臨界轉折。

$$\frac{d^2\mathbf{O}(t)}{dt^2}, \quad \frac{d^2\mathbf{S}(t)}{dt^2}, \quad \frac{d^2\mathbf{C}(t)}{dt^2}$$

理論預測（拐點檢測）：

• 注意力飽和預警：當 $\frac{d^2}{dt^2}\text{NTE}_{E \to A}$ 由正轉負，意味著外部需求雖然還在增加，但加速度已放緩。這預示著當下的注意力焦點即將達到飽和，可能即將發生轉移。

• 認知控制突變：若 $\frac{d^2 S_{E \to A}}{dt^2}$ 出現劇烈尖峰，代表 A 網絡的抑制策略在極短時間內發生了「硬切換」。這對應於突發事件（如一聲巨響）打斷深度思考時，大腦資源的瞬間重分配。

#5.7.3 積分：度量意識的累積負荷

對這些向量在時間區間 $[t_1, t_2]$ 上積分，可得到累積量，反映長期的資源分配與認知成本：

$$\int_{t_1}^{t_2} \mathbf{O}(t) dt, \quad \int_{t_1}^{t_2} \mathbf{S}(t) dt, \quad \int_{t_1}^{t_2} \mathbf{C}(t) dt$$

• $\int \mathbf{O} dt$：衡量一段時間內，外部世界、內心思緒與身體訊號對 A 網絡施加的總需求壓力。

• $\int \mathbf{S} dt$：衡量 A 網絡在這段時間內付出的總抑制努力（認知控制成本）。高積分代表長時間的自我克制，可預測認知疲勞。

• $\int \mathbf{C} dt$：衡量注意力資源的實際累積流向。這是「我過去這小時主要都在關注什麼」的數學刻畫。

#5.7.4 雙重積分：意識的慣性與習慣

雙重積分引入了時間平方權重，強調了持續性的影響：

$$\iint_{t_1}^{t_2} \mathbf{C}(t) dt^2$$

• 高慣性模式：若 $\iint \mathbf{C}$ 在某個維度（如 I 軸）持續累積高分，代表這不僅是一時的走神，而是形成了穩定的內省習慣或專業素養。

• 臨床視角：憂鬱症的雙重積分會顯示 $\mathbf{C}(t)$ 長期陷於 B-I 平面的負向區域，形成極深的累積慣性。要修正它，需要施加同樣具有長期持續性的反向干預。

#5.7.5 小結：普適的多尺度分析範式

此處為 A 網絡建立的不僅僅是一組公式，更是一套普適的動力學分析語言。不僅是 $\mathbf{C}(t)$，本理論中所有核心狀態變量——意識度 $\bigstar(t)$、分化度 $D(t)$、整合度 $I(t)$、乃至任一 NTE 通道——都是時間的連續函數。它們都可以透過「一次微分（捕捉速度）、二次微分（識別轉折）、積分（衡量累積）」進行拆解。

這套多尺度分析框架，為後續章節中量化「靈感乍現」、「抑鬱發作前兆」與「習慣養成」等長短週期交織的意識現象，提供了統一的數學手術刀。

#5.8 實現路線圖：從數學到測量

要讓《白飯菜意識論》的 $\bigstar(t)$ 不僅是一個哲學符號，我們必須建立一座從「連續電磁場」到「數字意識度」的計算橋樑。本節將給出每個核心變數的操作型定義與工程實作公式，並明確區分哪些是直接測量、哪些需藉助大樣本常模校準。

#5.8.1 數據預處理：為意識場拍一張快照

首先，我們需要獲得網路 $X \in \{E, I, B, A\}$ 在時刻 t 的純淨電磁場活動。這包含以下標準步驟：

1. 信號獲取：使用高密度 EEG（≥64 通道）或全頭 MEG，以至少 500 Hz 的採樣率記錄腦波。

2. 源重建：利用 eLORETA 或波束形成器，將頭皮訊號反投影至目標腦區，取得各腦區的局部場電位（LFP）時間序列。

3. 時間開窗：在時刻 t 截取長度為 $W = 1$ 秒的滑動視窗，得到陣列 $s_X = [x_1, x_2, ..., x_{W \times fs}]$。

以下所有變數都將基於這些一維時間序列陣列進行計算。

#5.8.2 一階變數：量測網路的分化度

操作型定義：$\phi_X^{\text{active}}(t)$ 不再追求理論上的微分熵，而是以穩健的頻譜複雜度來捕捉「該腦區此刻有多少種不同的振盪模式在同時運作」。我們提供兩個互補的實務演算法。

演算法 A：歸一化頻譜熵（推薦）

這最能直接反映電磁場「維度豐富性」。

1. 計算訊號的功率譜密度（PSD，使用 Welch 法），得到 $N_f$ 個頻率分量的功率 $P_i$。

2. 將功率歸一化為機率分佈 $p_i = \frac{P_i}{ \sum P_i}$。

3. 計算香農熵並除以理論最大值 $\log_2 N_f$，使其天然歸一化至 $[0,1]$：
   $\boxed{H_{\text{spec}}[X](t) = -\frac{\sum_{i=1}^{N_f} p_i \log_2 p_i}{\log_2 N_f}}$
   物理直覺：當該腦區只產生單一頻率（如深睡的 δ 波），$H_{\text{spec}} \approx 0$；當它同時產生 θ, α, β, γ 等多樣化的頻率疊加，$H_{\text{spec}} \to 1$。

演算法 B：樣本熵（交叉驗證用）

用於捕捉訊號的非線性不可預測性，作為補充。計算時嵌入維度 $m=2$，公差 $r=0.2 \times \text{SD}$。可直接呼叫開源套件 antropy.sample_entropy。

最大熵 $H_{\max}(X)$ 的校準

由於生物大腦無法達到物理學上所有頻率均勻分佈的極限，我們採用大樣本常模定標法：

$$H_{\max}(X) = P_{99}\big( H_{\text{spec}}[X] \big)$$

即，從數千名健康成人在高認知負荷、接受 TMS 擾動及快速動眼期夢境等極限狀態下，計算其頻譜熵的 99 百分位數，作為該腦區的生理容量上限。這確保了 $\phi_X^{\text{activeratio}}(t) = H_{\text{spec}}[X](t) / H_{\max}(X)$ 嚴格落於 $[0,1]$，且能區分「正常豐富」與「異常過載」。

#5.8.3 二階變數：量測網路間的因果資訊流

操作型定義：$\phi_{X \to Y}^{\text{active}}(t) \equiv TE_{X \to Y}(t)$，即從來源 X 到目標 Y 的轉移熵。它量化了「X 的過去狀態能在多大程度上消除 Y 當下狀態的不確定性，且這份資訊是 Y 的歷史所不能解釋的」。

$$TE_{X \to Y} = \sum p(Y_t, Y_{past}, X_{past}) \log_2 \frac{p(Y_t \| Y_{past}, X_{past})}{p(Y_t \| Y_{past})}$$

實現方法：在 Python 環境中使用 IDTxl 套件，採用 KSG 近鄰估計器來處理連續訊號的高維度機率密度問題。由於轉移熵容易因雜訊產生虛假的正值，必須執行排列檢定：打亂 X 的時間軸多次，比較真實 $TE$ 是否顯著高於虛無分布。

最大轉移熵 $TE_{\max}$ 的結構決束

$TE_{\max}$ 由解剖結構的頻寬決定。我們採用雙重校準：

1. 擴散張量造影（DTI）約束：測量該路徑的分數非等向性（FA），建立映射函數 $TE_{\max} \propto g(\text{FA}, \text{Volume})$。

2. 行為極值校準：同樣擷取大樣本在極限認知負荷下的 99 百分位數，並以 FA 值作為正則化條件，確保上限不超過物理通道容量。
   $$\text{NTE}_{X \to Y}(t) = \frac{TE_{X \to Y}(t)}{TE_{\max}(X \to Y)} \in [0, 1]$$

#5.8.4 三階變數：逼近湧現的協同資訊

挑戰：真實的資訊分解計算量極大，且對模型選擇敏感。

操作型定義：我們採用 O-資訊 (O-information) 作為三元協同整合度的穩健代理指標。O-資訊是總互資訊與所有兩兩互資訊的差值，它捕捉了「整體大於部分之和」的淨額：

$$\Omega(X, Y, Z) = I(X; Y; Z) - \big[ I(X;Y) + I(Y;Z) + I(Z;X) \big]$$

當 $\Omega > 0$，代表系統處於冗餘主導；當 $\Omega < 0$，則代表協同湧現 (Synergy)。我們取 $\phi_{X,Y,Z}^{\text{active}}(t) = \max(0, -\Omega)$ 來度量當下的協同強度。

最大協同資訊 $Syn_{\max}$：實務上，我們將其設定為在極端體驗（如深度心流、強烈迷幻狀態）下觀測到的 $-\Omega$ 歷史最大值。這是最務實的生理極限近似。

#5.8.5 四階變數：量測全域統一感

操作型定義：這是唯一一個具有絕對物理極限的變數。它透過藏本序參數直接計算。

1. 窄帶濾波：對 E、I、B、A 四個網路的乾淨時間序列，抽取感興趣的 $\gamma$ 頻段（30–80 Hz），得到 $x_\gamma(t)$。

2. 瞬時相位萃取：應用希爾伯特轉換： $$\theta_X(t) = \arg\left( x_\gamma(t) + i \mathcal{H}\{x_\gamma(t)\} \right)$$

3. 幾何同步求值：將四個相位視為複數平面上的單位向量，求平均長度： $$\boxed{\phi_{EIBA}^{\text{active}}(t) = R_{EIBA}(t) = \left\| \frac{1}{4} \sum_{X \in \{E, I, B, A\}} e^{i\theta_X(t)} \right\|}$$ 因為理論上限 $R_{\max}=1$，此值本身即為活躍比率。$R \to 1$ 對應深度合一感，$R \to 0$ 對應意識解離。

#5.8.6 組裝最終儀表板

當所有基礎變數被計算出來後，最終的意識度引擎只需執行以下組合：

• 分化度 $D(t) = \sum_{X} W_X \cdot \left( H_{\text{spec}}[X](t) / H_{\max}(X) \right)$

• 整合度 $I(t) = \omega_2 \cdot \overline{\text{NTE}}(t) + \omega_3 \cdot \overline{\|\Omega\|}(t) + \omega_4 \cdot R_{EIBA}(t)$

• 意識度 $\bigstar(t) = D(t) \times I(t)$

• 單位換算：將 $D, I, \bigstar$ 分別除以清醒靜息態的常模平均值，即得到「菜（C）」、「白（W）」、「飯（R）」的具體讀數。

#5.8.7 推薦軟體工具棧

#5.8.8 從藍圖到實證：理論的誠實邊界

必須坦誠地指出，5.7.2 至 5.7.6 節所描述的精確計算流程，是《白飯菜意識論》為意識科學所繪製的一幅測量藍圖。它們是從理論公理中推導出的「應該如何測量」，代表了本理論對實證技術的終極期待。然而，從藍圖到實驗室的日常工作，我們仍然面臨數項真實的技術鴻溝：

1. $H_{\max}$ 與 $TE_{\max}$ 的常模建立：這些生理極限值需要超大規模的高密度 EEG/MEG 與 DTI 聯合資料庫。目前，這類多模態、大樣本的開放資料仍在建構中，尚未普及。

2. 轉移熵的穩健性：KSG 近鄰估計器對資料長度與雜訊水平極其敏感。在真實的腦磁波記錄中，要讓 $\text{NTE}_{X \to Y}$ 達到令人滿意的信效度，往往需要比 1 秒更長的時間視窗，這與「瞬時追蹤」的目標存在取捨張力。

3. 三階協同資訊的計算噩夢：即使用 O-資訊代理，對高維神經訊號的資訊分解仍然計算成本極高，且對模型選擇敏感。我們提出的「極限體驗定標法」雖務實，但科學界對何種狀態才是真正的「生理極限」尚無共識。

4. 源重建的不確定性：從頭皮 EEG 反推顱內源訊號（eLORETA）是一個逆向問題，其解永遠伴隨著空間模糊性。

這些方法，是可能被實現的測量路徑。 它們證明了《白飯菜意識論》的核心並非不可捉摸的玄思，而是指向了一系列具體、可被未來技術迭代解決的神經計算問題。隨著高密度乾式電極、新一代腦磁圖（OPM-MEG）與更精確的非侵入式源重建演算法的成熟，本節所描述的路線圖將逐步從「可能」化為「可行」。

這條路線圖證明了，白飯菜意識論的量表板上，每個指針背後都有明確的物理信號與程式碼與之對應——即便我們此刻用來讀取這些指針的放大鏡，還需要再打磨得清晰一些。

#5.9 用熵的語言重述「意識的定義」

在第三章（3.4.1），我們給出了一個在意識論史上至關重要的定義：

意識不是任何形式的「實體」或「屬性」。意識是在符合特定複雜度條件的生物神經系統中，由外傾感知（E）、內傾整合（I）、具身調節（B）與動態抑制（A）四維信息流耦合而湧現的一種持續的、自指的、非週期的動力學過程。它直接實現於由神經集群電活動協同激發的全局電磁場中，其主觀顯現即為每一瞬間獨特的動力學紋理。

現在，在完成了第四章對「熵」「轉移熵」「協同信息」的精密鑄造之後，我們可以用這套不再依賴隱喻的物理語言，把同一個定義重新說一遍——這一次，每一個詞都有對應的測量。

第一步：重新定義「四維信息流」

• 「外傾感知（E）」：即感覺皮層神經集群活動所激發的 局部感知場。其「信息流」的內涵，在物理上被定義為該局部場的 微分熵 $H(\mathbf{s}_E(t))$——它量化了此刻感知場中有多少種可區分的振盪模式同時在進行。高熵意昧著精細、多樣的感知地形；低熵意昧著單調或缺失的感官輸入。

• 「內傾整合（I）」：即以預設模式網絡為核心的 自指場。其「信息流」的內涵，是該網絡對全局場狀態進行遞歸處理時所展現的 內部微分熵 $H(\mathbf{s}_I(t))$ 與 自指轉移熵——也就是 I 網絡將自身過去的狀態作為輸入、用以預測自身當前狀態的定向信息量。

• 「具身調節（B）」：即由腦島、前扣帶回、皮層下結構活動所注入的 內感受場基調。其「信息流」的內涵，是這套身體信號在全局場中造成的 微分熵 $H(\mathbf{s}_B(t))$，以及它向 I 場和 A 場持續輸出的 轉移熵 $\text{TE}(B \to I)$、$\text{TE}(B \to A)$。

• 「動態抑制（A）」：即前額葉-頂葉執行控制網絡建立的 調製梯度場。它的「信息流」不是穩定的內容熵，而是表現為對 E、I、B 三條信息通道的 定向轉移熵輸出：$\text{TE}(A \to E)$、$\text{TE}(A \to I)$、$\text{TE}(A \to B)$。

第二步：重新定義「耦合湧現」

「四維信息流耦合而湧現」——這個命題在第四章被翻譯為：

在全局電磁場這個連續介質中，E、I、B 三者的局部熵場持續產生並交互作用。它們之間的交互，不是模糊的「互相影響」，而是十二組實實在在的 定向轉移熵（例如 $\text{TE}(E \to I)$、$\text{TE}(B \to I)$、$\text{TE}(A \to B)$ 等）。

意識的「當下內容」，就是這十二組因果信息流與 A 網絡的調製輸出，在全局場中達成的一組瞬時平衡解。而這種平衡解中那些「整體大於部分之和」的質地——例如「情境氛圍」「直覺」——在物理上被定義為 協同信息 (Synergistic Information)：三個網絡同時耦合時，無法被任何兩兩交互所解釋的剩餘信息量。

第三步：重新定義「動力學紋理」與「主觀顯現」

第三章說「其主觀顯現即為每一瞬間獨特的動力學紋理」。

在第四章的語言裡，這個「紋理」不再是一個文學隱喻。它被精確地拆解為兩個可測量維度：

• 分化度 $D(t)$：這一瞬間，E、I、B、A 四個網絡的局部微分熵的加權總和。它量化了此刻意識內容的「豐富性」——你能區分多少種同時存在的感受、思緒與感知。這是場的「熵」。

• 整合度 $I(t)$：這一瞬間，上述十二組轉移熵與更高階的協同信息、全局相位同步（$R_{EIBA}$）的加權總和。它量化了此刻意識內容的「統一性」——這些不同的感受、思緒與感知，在多大程度上被綁定為一個無縫的整體。這是場的「因果結構」。

而最終，意識度 $\bigstar(t) = D(t) \times I(t)$。這個乘積，就是對第三章那個「動力學過程」的完整物理刻畫。它告訴我們：意識不是一種靜態的屬性，而是一場持續進行的、可被熵與信息流量化的「關係之火」——在當下這一秒，全局場中同時燃燒著多少種可區分的模式、以及它們彼此之間流動著多少定向的因果信息。

#5.10 本章結論

我們已將 E-I-B-A 意識模型從哲學構想轉化為一個由資訊熵、轉移熵、協同資訊與相位同步序參數構成的嚴謹量化系統。

• 結構容量 $\mathbf{\Phi}$ 定義了全局電磁場的資訊承載上限。

• 活躍比率 $\mathbf{\Phi}^{\text{activeratio}}$ 與 絕對活躍度 $\mathbf{\Phi}^{\text{active}}$ 刻畫了此刻正在上演的資訊動力學。

• 意識度 $\bigstar = D \times I$ 提供了可計算的整體意識水平。

• A 網絡方程式 揭示了注意力與自由意志的資訊流本質。

• 演化方程式 描述了系統如何在分化與整合的張力中自我組織。

這套數學框架使我們可以模擬、預測、並最終從神經數據中直接估算意識的狀態與強度。在下一章，我們將這套變量系統錨定於真實的大腦結構——為每一個 $\phi$ 找到它的神經對應物。

【第五章 完：黑曜石地面半啞光過渡到半光澤，薄霧減半，地形起伏開始浮現。】

圖表原始碼

flowchart TD
%% 新增：意識過程說明框
%% 原有圖表部分
subgraph 外部世界_External
direction TB
φ_E["(φ_E, φ_E^active)<br>(外部感官處理)"]
φ_B["(φ_B, φ_B^active)<br>(身體運作)"]
end
subgraph 內部世界_Internal
direction TB
φ_I["(φ_I, φ_I^active)<br>(內傾網絡)"]
φ_A["(φ_A, φ_A^active)<br>(主動調控網絡)"]
end
%% 樣式定義
style 外部世界_External fill:#e6f3ff,stroke:#0066cc,stroke-width:3px,stroke-dasharray: 5 5,color:#000000
style 內部世界_Internal fill:#ffe6cc,stroke:#cc6600,stroke-width:3px,stroke-dasharray: 5 5,color:#000000
%% 節點樣式
style φ_A fill:#ffcccc,stroke:#cc0000,stroke-width:3px,color:#000000
style φ_E fill:#cce5ff,stroke:#0000cc,stroke-width:3px,color:#000000
style φ_I fill:#ccffcc,stroke:#006600,stroke-width:3px,color:#000000
style φ_B fill:#ffffcc,stroke:#cccc00,stroke-width:3px,color:#000000
%% 調整連接線樣式
linkStyle default stroke:#333333,stroke-width:1.5px,fill:none
%% 指向 φ_A 的連接
φ_I -- "(φ_IA, φ_IA^active)<br>內部狀態→調控<br>（元認知輸入）" --> φ_A
φ_E -- "(φ_EA, φ_EA^active)<br>外部輸入→調控<br>（感覺引導注意）" --> φ_A
φ_B -- "(φ_BA, φ_BA^active)<br>身體信號→調控<br>（情緒影響決策）" --> φ_A
%% 從 φ_A 出發的連接
φ_A -- "(φ_AI, φ_AI^active)<br>調控→內部狀態<br>（抑制/引導思維）" --> φ_I
φ_A -- "(φ_AE, φ_AE^active)<br>調控→外部處理<br>（自上而下注意）" --> φ_E
φ_A -- "(φ_AB, φ_AB^active)<br>調控→身體運作<br>（認知情緒調節）" --> φ_B
%% 指向 φ_I 的連接
φ_E -- "(φ_EI, φ_EI^active)<br>外部→內部<br>（感知觸發回憶）" --> φ_I
φ_B -- "(φ_BI, φ_BI^active)<br>身體→內部<br>（感受影響思維）" --> φ_I
%% 指向 φ_E 的連接
φ_I -- "(φ_IE, φ_IE^active)<br>內部→外部<br>（想像影響感知）" --> φ_E
φ_B -- "(φ_BE, φ_BE^active)<br>身體→外部<br>（感受調節感知）" --> φ_E
%% 指向 φ_B 的連接
φ_I -- "(φ_IB, φ_IB^active)<br>內部→身體<br>（思緒觸發情緒）" --> φ_B
φ_E -- "(φ_EB, φ_EB^active)<br>外部→身體<br>（感知引起反應）" --> φ_B

圖表原始碼

flowchart TD
%% ========== 第0層：階次分類 ==========
subgraph Orders [按階次組織的變量]
direction TB
subgraph Order1 [一階變量：單個網絡]
direction LR
O1_phi["φ_X<br>網絡表徵容量"]
O1_active["φ_X^active<br>網絡活躍量"]
O1_ratio["φ_X^activeratio<br>網絡活躍比率"]
O1_dyn["φ_X^dynamic<br>網絡動態變化率"]
end
subgraph Order2 [二階變量：兩兩網絡交互]
direction LR
O2_phi["φ_{X→Y}<br>交互表徵容量"]
O2_active["φ_{X→Y}^active<br>交互活躍量"]
O2_ratio["φ_{X→Y}^activeratio<br>交互活躍比率"]
O2_dyn["φ_{X→Y}^dynamic<br>交互動態變化率"]
end
subgraph Order3 [三階變量：三網絡交互]
direction LR
O3_phi["φ_{X→Y→Z}<br>情境表徵容量"]
O3_active["φ_{X→Y→Z}^active<br>情境活躍量"]
O3_ratio["φ_{X→Y→Z}^activeratio<br>情境活躍比率"]
O3_dyn["φ_{X→Y→Z}^dynamic<br>情境動態變化率"]
end
subgraph Order4 [四階變量：全局整合]
direction LR
O4_phi["φ_EIBA<br>全局整合表徵容量"]
O4_active["φ_EIBA^active<br>全局整合活躍量"]
O4_ratio["φ_EIBA^activeratio<br>全局整合活躍比率"]
O4_dyn["φ_EIBA^dynamic<br>全局整合動態變化率"]
end
end
%% ========== 第1層：系統總表徵容量 ==========
subgraph Total [系統總表徵容量]
Φ_max["Φ_max = Σφ_X + Σφ_{X→Y}<br>+ Σφ_{X→Y→Z} + φ_EIBA"]
end
%% ========== 第2層：系統狀態矩陣化描述 ==========
subgraph Matrices [系統狀態矩陣描述]
direction TB
subgraph M1 [結構容量矩陣]
Φ["Φ(t)<br>對角: φ_X<br>非對角: φ_{X→Y}"]
end
subgraph M2 [活躍比率矩陣]
Φ_ratio["Φ^activeratio(t)<br>對角: φ_X^activeratio<br>非對角: φ_{X→Y}^activeratio"]
end
subgraph M3 [絕對活躍度矩陣]
Φ_active["Φ^active(t)<br>= Φ(t) ⊙ Φ^activeratio(t)"]
end
end
%% ========== 第3層：意識度計算 ==========
subgraph PsiCalculation [意識度計算]
direction TB
D["分化度 D(t)<br>= Σ φ_X^active"]
subgraph I_components [整合度分量]
I1["I₁ = 1<br>(基線整合)"]
I2["I₂(t) = Σ φ_{X→Y}^active<br>(二階交互整合)"]
I3["I₃(t) = Σ φ_{X→Y→Z}^active<br>(三階情境整合)"]
I4["I₄(t) = φ_EIBA^active<br>(全局自我整合)"]
end
I["整合度 I(t)<br>= ω₁I₁ + ω₂I₂ + ω₃I₃ + ω₄I₄"]
[\bigstar]["意識度 [\bigstar](t)<br>= D(t) × I(t)"]
end
%% ========== 第4層：A網絡調控系統 ==========
subgraph A_network [A網絡動態調控系統]
direction TB
O["O(t) = [φ_{E→A}^dynamic,<br>φ_{I→A}^dynamic,<br>φ_{B→A}^dynamic]ᵀ<br>(輸入向量)"]
S["S(t) = [f(α_{I→E},α_{B→E})·S_{E→A}^dynamic,<br>f(α_{E→I},α_{B→I})·S_{I→A}^dynamic,<br>f(α_{E→B},α_{I→B})·S_{B→A}^dynamic]ᵀ<br>(抑制調整向量)"]
C["C(t) = O(t) - S(t) =<br>[φ_{A→E}^dynamic, φ_{A→I}^dynamic, φ_{A→B}^dynamic]ᵀ<br>(輸出向量)"]
dA_dt["τ_A·dφ_A^dynamic/dt =<br>F(O(t), φ_A^dynamic, C(t), ...)<br>(A網絡動態方程)"]
end
%% ========== 第5層：理論單位 ==========
subgraph Units [理論單位]
BF["1 白飯 (BF) = ⟨[\bigstar](t)⟩_清醒靜息"]
GI["1 關係整合 (GI) = ⟨I(t)⟩_清醒靜息"]
end
%% ========== 連接關係 ==========
%% 各階次變量 -> 系統總表徵容量
O1_phi & O2_phi & O3_phi & O4_phi --> Φ_max
%% 各階次變量 -> 矩陣表示
O1_phi & O2_phi --> Φ
O1_ratio & O2_ratio --> Φ_ratio
O1_active & O2_active --> Φ_active
%% 矩陣表示 -> 意識度計算
Φ_active --> D
Φ_active --> I2
%% 各階次變量 -> 意識度計算
O3_active --> I3
O4_active --> I4
D & I1 & I2 & I3 & I4 --> I
D & I --> [\bigstar]
%% 動態變化率 -> A網絡調控
O1_dyn --> O
O2_dyn --> O
O2_dyn --> S
O --> C
S --> C
C --> dA_dt
%% 意識度 -> 理論單位
[\bigstar] --> BF
I --> GI
%% 樣式定義
classDef orders fill:#e1f5fe,stroke:#01579b,stroke-width:2px
classDef total fill:#f3e5f5,stroke:#4a148c,stroke-width:2px
classDef matrices fill:#e8f5e8,stroke:#1b5e20,stroke-width:2px
classDef psi fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef anetwork fill:#ffebee,stroke:#b71c1c,stroke-width:2px
classDef units fill:#f5f5f5,stroke:#212121,stroke-width:2px
class Orders orders
class Total total
class Matrices matrices
class PsiCalculation psi
class A_network anetwork
class Units units

圖表原始碼

flowchart TD
%% 基礎變量層
subgraph Base [基礎變量層]
direction LR
φ_X["φ_X<br>網絡表徵容量"]
φ_X_active["φ_X_active(t)<br>網絡活躍量"]
φ_X_ratio["φ_X_activeratio(t)<br>= φ_X_active / φ_X"]
end
%% 操作層
subgraph Operations [動力學操作]
direction TB
Diff["微分操作<br>d/dt, d²/dt²<br>分析瞬時變化與轉折"]
Int["積分操作<br>∫dt, ∫∫dt²<br>分析累積效應與慣性"]
end
%% 意識度計算層
subgraph PsiCalc [意識度計算]
D["分化度 D(t)<br>= Σ φ_X_active<br>單位: 菜 (C)"]
I["整合度 I(t)<br>= ω₁I₁ + ω₂I₂ + ω₃I₃ + ω₄I₄<br>單位: 白 (W)"]
Psi["意識度 [\bigstar](t)<br>= D(t) × I(t)<br>單位: 飯 (R)"]
end
%% 單位關係
subgraph Units [單位體系]
C["1 菜 (C)<br>= ⟨D(t)⟩基準"]
W["1 白 (W)<br>= ⟨I(t)⟩基準"]
R["1 飯 (R)<br>= ⟨[\bigstar](t)⟩基準<br>= 1 C × 1 W"]
end
%% 應用連接
subgraph Applications [應用方向]
Empirical["實證代理指標<br>EEG功率, fMRI激活等"]
Simulation["計算機模擬<br>微分方程數值解"]
end
%% 連接關係
φ_X & φ_X_active --> φ_X_ratio
φ_X_active --> D
φ_X_active --> I
D --> Psi
I --> Psi
D --> C
I --> W
Psi --> R
φ_X_active --> Diff
φ_X_active --> Int
D --> Diff
D --> Int
I --> Diff
I --> Int
Psi --> Diff
Psi --> Int
Base --> Applications
PsiCalc --> Applications
%% 樣式 - 所有文字設為黑色
classDef base fill:#e1f5fe,stroke:#01579b,color:#000000
classDef ops fill:#f3e5f5,stroke:#4a148c,color:#000000
classDef calc fill:#e8f5e8,stroke:#1b5e20,color:#000000
classDef units fill:#fff3e0,stroke:#e65100,color:#000000
classDef apps fill:#fce4ec,stroke:#880e4f,color:#000000
class Base base
class Operations ops
class PsiCalc calc
class Units units
class Applications apps