20、基于算法复杂度的整合信息估计与机器人叙事探索

基于算法复杂度的整合信息估计与机器人叙事探索

基于算法复杂度的整合信息估计

在对系统的研究中，基于算法复杂度来估计整合信息是一个重要的方向。在相关研究里，随着长度增加，其增长呈现出与 IIT 3.0 不同的特点。IIT 3.0 中增长呈指数形式，而这里是线性增长。

局限性分析

当我们可视化系统（或像孤立节点这样的子系统）的行为，并考虑其实现时，从计算资源优化的角度来看，运行规则以生成整体行为仍然是一个挑战。因为这在时间和内存方面是一个昂贵的过程。对于大型系统，基于对这种行为的详尽审查进行分析最终可能变得难以处理。

为了克服这一局限性，φK 试图找到不仅能说明系统计算能力，还能描述其自身行为的规则。也就是说，我们想知道找到“表达整体系统行为的捷径”的可能性。

另一个明显的局限性源于可计算性和算法复杂度，即试图找到行为的简单表示的过程具有半可计算性。不过，我们不需要找到最短（最简单）的表示，而只需找到一组可能的短（简单）表示，这将表明我们所处理的系统类型。虽然可以使用流行的无损压缩算法找到更短的描述，但用于找到捷径和分形描述的算法越强大，计算速度就越快，结果也就越有说服力，这在整合信息估计方式与算法复杂度之间的关系中是可以预期的。

以下是一个简单的表格，展示不同方法在时间和内存使用上的对比：
| 方法 | 时间使用 | 内存使用 |
| — | — | — |
| 朴素（暴力）方法 | 至少是 φK 方法的 10 倍 | 至少是 φK 方法的 10 倍 |
| φK 方法 | 相对较少 | 相对较少 |

下面是一个 mermaid 流程图，展示寻找系统行为简单表