IIT - Integrated Information Theory

← Notebooks | ↑ .. | → Probas

Hook — pourquoi cette série

La conscience est-elle mesurable ? La Théorie de l’Information Intégrée (IIT), proposée par Giulio Tononi, répond oui : un système est conscient dans la mesure où il intègre de l’information de manière non réductible. Plus formellement, la quantité de conscience d’un système correspond à la valeur Phi (big Phi), qui mesure le degré d’intégration causale irréductible. Cette série vous apprend à calculer cette mesure avec PyPhi, la bibliothèque de référence du laboratoire Tononi, et à explorer la géométrie informationnelle des systèmes complexes.

Le premier notebook couvre le spectre fondamental : construction de graphes causaux binaires, calcul des Transition Probability Matrices (TPM), définition des sous-systèmes, extraction des Cause-Effect Structures (CES), et exploration des macro-sous-systèmes. Le second approfondit les aspects avancés : partitionnement MIP, répertoires cause-effet, MICE, comparaison big Phi vs small phi, réseaux élargis à 4+ nœuds, coarse-graining et aperçu IIT 4.0. Le troisième est consacré au coarse-graining et à la question de l’échelle du \(\Phi\) : il opérationnalise le module pyphi.macro (information efficace de Hoel, énumération des regroupements, comparaison micro/macro) et examine honnêtement la prédiction de causal emergence.

À qui s’adresse cette série

Étudiants en sciences cognitives, neuroscience computationnelle, et philosophie de l’esprit. Les notebooks (~60-90 min chacun) nécessitent Python 3.9 avec pyphi (installé via conda env dédié). Une familiarité avec les graphes et la logique booléenne suffit. Il constitue un complément théorique aux séries Probas (modèles probabilistes) et GameTheory (systèmes multi-agents), avec lesquelles il partage les concepts de causalité et d’interaction.

Objectifs d’apprentissage

À l’issue de cette série, vous serez capable de :

  1. Construire et manipuler des réseaux causaux binaires avec PyPhi (TPM, nœuds, connexions)
  2. Calculer Phi pour un sous-système et interpréter sa valeur (intégration vs séparabilité), puis rechercher le complexe majeur (postulat d’exclusion : major_complex / complexes)
  3. Analyser une Cause-Effect Structure (CES) : identifier les concepts, mécanismes et purviews
  4. Appliquer le partitionnement MIP pour localiser le “maillon faible” d’un système
  5. Différencier big Phi et small phi et comprendre leur rôles respectifs dans la théorie
  6. Évaluer les limites computationnelles de l’IIT et les stratégies de coarse-graining
  7. Discuter les implications philosophiques de l’IIT pour la conscience artificielle

Notebooks

# Notebook Contenu Durée
1 IIT-01-IntroToPyPhi Réseau XOR 3-nœuds : TPM, calcul de Φ, CES, états inaccessibles, causation, complexe majeur 60-90 min
2 IIT-02-AdvancedTopics MIP et bipartitions, répertoires cause-effet, MICE, big Φ sur réseau 4-nœuds, coarse-graining 60-90 min
3 IIT-03-CoarseGrainingMacroPhi Module pyphi.macro : information efficace (Hoel), énumération des regroupements, comparaison Φ micro/macro, causal emergence 45-60 min
4 IIT-04-Le-Probleme-de-Frontiere Le problème de frontière : faire varier le découpage du même substrat, maximiseur de Φ, complexe majeur (major_complex), double dissociation Φ vs EI 45-60 min
5 IIT-05-Lentilles-et-Dissociations Six théories de la conscience (GWT, GNW, FEP, AST, SMT, HOT) comme mesures exécutables sur un même substrat : dissociation accès vs autoréférence, orthogonalité AST/SMT, contre-claim FEP 60-75 min
6 IIT-06-L-Objet-qui-a-Mordu-IIT L’échange Aaronson/Tononi (2014) exécuté : Vandermonde et le hack W en Φ_DM sur F_p, grille/ligne/feedforward en Φ 3.0 (PyPhi), les deux positions citées avec leurs grades 75-90 min

Parcours recommandés

Notebook 1 (Fondements)
    |
    v
Notebook 2 (Sujets avancés)
    |
    v
Notebook 3 (Coarse-graining & échelle du Φ)
    |
    v
Notebook 4 (Le problème de frontière)
    |
    v
Notebook 5 (Les lentilles de conscience)
    |
    v
Notebook 6 (L'objet qui a mordu IIT)
Objectif Parcours
Découverte rapide Notebook 1 seul
Maîtrise complète Notebook 1 puis 2, puis 3, puis 4, puis 5
Focus philosophie Notebook 1 (sections CES + débats) + Notebook 2 (section IIT 4.0)
Focus emergence & échelle Notebook 1 + Notebook 3 (causal emergence de Hoel)
Focus frontières & dissociation Notebook 1 + Notebook 4 (Φ vs EI selon le découpage, complexe majeur)
Focus théories rivales Notebook 1 + Notebook 5 (six lentilles, contre-claims exécutés)
Focus controverse fondatrice Notebook 1 + Notebook 6 (l’objection Aaronson exécutée, la réponse assumée mesurée)

Parcours d’apprentissage

Phase 1 : Fondements (~90 min, notebook 1)

Vous installez PyPhi dans un environnement conda dédié (Python 3.9 obligatoire), puis construisez votre premier réseau causal binaire. Le calcul de Phi sur un réseau XOR à 3 nœuds illustre concrètement la notion d’intégration irréductible. L’exploration de la CES révèle comment un système “spécifie” sa propre géométrie informationnelle. Les 3 exercices vous font varier les sous-systèmes (partiel, porte AND) et explorer les concepts de la CES pour développer une intuition sur ce qui fait monter ou baisser Phi.

Phase 2 : Approfondissement (~90 min, notebook 2)

Le deuxième notebook déconstruit le calcul de Phi : vous manipulez les bipartitions (MIP), les répertoires cause-effet, et les MICE (Maximally Irreducible Cause or Effect). La comparaison big Phi vs small phi clarifie les deux niveaux d’analyse. L’extension à des réseaux à 4+ nœuds montre l’explosion combinatoire et justifie le coarse-graining. L’aperçu IIT 4.0 ouvre sur les évolutions récentes de la théorie. Les 3 exercices testent votre compréhension des répertoires, du Phi multi-états et des réseaux feed-forward (Phi = 0 attendu).

Phase 3 : Échelle et emergence (~60 min, notebook 3)

Le troisième notebook opérationnalise le module pyphi.macro resté conceptuel jusque-là : vous mesurez l’information efficace (EI) de Hoel, énumérez les regroupements (coarse-grain) possibles d’un réseau, et comparez \(\Phi\) à l’échelle micro et macro sur l’exemple canonique de pyphi. Surtout, il examine honnêtement la prédiction contre-intuitive de causal emergence (Hoel 2013) : pourquoi le \(\Phi\) macro ne dépasse le \(\Phi\) micro que sur des réseaux probabilistes où le coarse-grain filtre du bruit, et pas sur des toys déterministes. Les 3 exercices portent sur la dégénérescence (réseau AND), l’énumération des regroupements et le test d’une hypothèse d’emergence.

Phase 4 : Le problème de frontière (~60 min, notebook 4)

Le quatrième notebook pose la question d’avant toute analyse de recollement : qui décide où sont les bords ? Sur un substrat inchangé (deux paires d’échange), vous énumérez les 11 frontières candidates et mesurez \(\Phi\) et l’EI induit pour chacune — découpages calculés, jamais discutés. Le résultat est une double dissociation mesurée : \(\Phi\) privilégie les frontières transversales (ex æquo, la mesure ne tranche pas), l’EI induit privilégie le tout, et les favorites de \(\Phi\) coupent une dépendance — hors du domaine même de l’EI. Le § 4bis ajoute le verdict du moteur : pyphi.compute.major_complex tranche l’ex æquo (BD, \(\Phi = 1\)) pendant que \(\Phi(ABCD) = 0\) écarte le tout — le postulat d’exclusion opérationnalisé, arbitrage d’énumération à l’appui. Le boundary problem (Gómez Emilsson, cité comme proposition) devient un objet de mesure. Les 4 exercices refont la démarche sur votre propre substrat, jusqu’au verdict explicite et à la vérification du complexe majeur.

Phase 5 : Les lentilles de conscience (~75 min, notebook 5)

Le cinquième notebook quitte la mesure de \(\Phi\) pour la comparaison des théories : six modèles de la conscience (GWT de Baars, GNW de Dehaene, FEP de Friston, AST de Graziano, SMT de Metzinger, HOT de Rosenthal) deviennent des mesures exécutables sur un même substrat jouet, chacune soumise à la discipline des cinq champs (source primaire, objet formel, claim exact, contre-claim, mesure falsifiable) — une lentille sans contre-claim ou sans mesure est incomplète et retirée. Trois bancs de dissociation : l’accès sans autoréférence (trois lentilles mesurent OUI, trois NON sur le même substrat), l’orthogonalité AST/SMT (capacité structurelle vs accès fonctionnel — traces non corrélées), et le contre-claim FEP exécuté (un substrat à précision maximale n’est « conscient » que pour les lentilles prédictives). Les 3 exercices mesurent chaque dissociation sur le substrat, jamais en prose.

Phase 6 : L’objet qui a mordu IIT (~90 min, notebook 6)

Le sixième notebook exécute l’échange Aaronson/Tononi de mai 2014 des deux côtés de la frontière entre formalisations. En jambe \(\Phi_{DM}\) (l’implémentation NumPy de la définition visée par l’objection, sur corps finis \(\mathbb{F}_p\)) : la matrice de Vandermonde rend \(\Phi\) indéfini (égalité normalisée maximale sur toutes les bipartitions), le « hack » W obtient son minimum unique et un \(\Phi = (n/2)\log_2 p\) — la moitié du contenu informationnel total —, l’identité mesure 0, la croissance est linéaire. En jambe PyPhi (\(\Phi\) d’IIT 3.0) : la grille de Tononi à portes majorité mesure positivement à l’état tout éteint (le scénario assumé existe), la tendance ligne < anneau < grille soutient l’argument du mur et de la corde à petite échelle, et la grille XOR porte le \(\Phi\) maximal de la table pendant que le réseau « riche » hétérogène mesure zéro — la dissociation intégration/richesse comportementale, mesurée dans IIT 3.0 lui-même. Les deux positions sont citées avec leurs grades (l’essai firsthand de Tononi, archivé au gisement, y corrige même le souvenir de Porto Rico rapporté par Aaronson) ; les 4 exercices font varier corps, permutations, fermeture de boucle et bruit.

Prérequis

Connaissances requises

  • Python de base (imports, fonctions, tableaux)
  • Logique booléenne (états binaires 0, 1)
  • Notions de théorie des graphes (nœuds, connexions)

Environnement Python

# Setup automatise (cree l'env conda + enregistre le kernel)
# Windows (PowerShell) :
powershell -File scripts/setup_pyphi_env.ps1
# macOS/Linux :
bash scripts/setup_pyphi_env.sh

# Manual setup (Python 3.9 required for PyPhi 1.2.0)
conda create --name pyphi python=3.9 -y
conda activate pyphi
pip install pyphi==1.2.0 numpy scipy ipykernel
python -m ipykernel install --user --name pyphi --display-name "Python 3 (PyPhi/IIT)"

Dépendances

Package Version Utilisation
pyphi 1.2.0+ Calculs IIT
numpy 1.21.6+ Calcul numérique
scipy 0.13.3+ Fonctions scientifiques

Limitations connues

Problème Cause Solution
ImportError: cannot import name 'Iterable' PyPhi 1.2.0 utilise collections.Iterable (supprimé Python 3.10+) Utiliser Python 3.9 (conda create -n pyphi python=3.9)
StateUnreachableError États inaccessibles Configuration VALIDATE_SUBSYSTEM_STATES
Performance Phi calcul intensif pour grands réseaux Limiter taille des réseaux

Concepts clés

Concept Explication Analogie
TPM Règles d’évolution du système Lois de la physique
État Configuration binaire des nœuds (0 ou 1) Instantané cérébral
Phi (Big Phi) Niveau d’intégration du système Force d’un nœud de corde
Small phi Intégration d’un mécanisme individuel Tension d’un fil du nœud
MIP Point faible du système (Minimum Information Partition) Maillon le plus faible
CES Géométrie informationnelle (Cause-Effect Structure) Forme d’une pensée
MICE Mécanisme maximalement irréductible Brique élémentaire de conscience
Purview Ensemble de nœuds sur lesquels un mécanisme spécifie de l’information Champ d’influence

Comment ces concepts s’enchaînent pour produire Φ — la chaîne de calcul de l’IIT 3.0 (réalisé par PyPhi) :

flowchart TD
    NET["Réseau causal binaire<br/>TPM (Transition Probability Matrix)"]
    SUB["Sous-système S, à un état donné"]
    MEC["Mécanisme<br/>(sous-ensemble de nœuds de S)"]
    PURV["Purview + partition MIP<br/>coupe minimisant l'information"]
    MICE["MICE — small φ<br/>cause/effet maximalement irréductible"]
    CONCEPT["Concept<br/><i>si small φ &gt; 0</i>"]
    CES["CES — Cause-Effect Structure<br/>ensemble des concepts de S"]
    BIGMIP["MIP du sous-système S<br/>partition minimisant l'intégration"]
    PHI["Big Phi Φ<br/>quantité de conscience du système"]

    NET --> SUB
    SUB --> MEC
    MEC --> PURV
    PURV --> MICE
    MICE -->|"φ > 0"| CONCEPT
    CONCEPT --> CES
    CES --> BIGMIP
    BIGMIP --> PHI

Contenu détaillé

IIT-01-IntroToPyPhi.ipynb

Section Contenu
Installation pip install pyphi, vérification de la version de la bibliothèque
Réseaux Réseau XOR 3-nœuds de référence, inspection des node_labels
TPM Conversion state-by-node, dimensions de la matrice de transition
Sous-systèmes & Φ Calcul de Φ d’un sous-système à un état donné, boucle sur plusieurs états
Complexe majeur major_complex / complexes sur le réseau XOR : la recherche de frontière intégrée (postulat d’exclusion)
États inaccessibles Validation via StateUnreachableError, option VALIDATE_SUBSYSTEM_STATES
CES pyphi.compute.ces, décompte des concepts d’un sous-système
Causation actuelle Liens causaux d’une transition (account), mécanisme d’un concept
Macro-sous-systèmes Coarse-graining, blackboxing (section conceptuelle)

IIT-02-AdvancedTopics.ipynb

Section Contenu
Rappels Réseau XOR 3-nœuds, reprise des concepts du notebook 1
Partitionnement MIP bipartition, décompte des partitions, interprétation de la coupe minimale
Répertoires cause-effet Répertoires cause, effet et non-perturbé d’un mécanisme donné
MICE et concepts MICE du mécanisme {A,B}, décompte des concepts de la CES
Big Phi vs Small Phi Big Phi au niveau système (SIA) face au small phi d’un mécanisme (MICE)
Réseaux élargis Réseau 4-nœuds en anneau (XOR cyclique), Φ sur système élargi
Performance Timing du calcul de CES, module pyphi.macro
IIT 4.0 Concept-Style SIA, limites computationnelles, débats

IIT-03-CoarseGrainingMacroPhi.ipynb

Section Contenu
Setup Configuration mono-cœur déterministe de pyphi.macro
Échelle micro Réseau copy 3-nœuds, information efficace (EI) et \(\Phi\) de référence
Méthode coarse-grain all_partitions : énumération des regroupements possibles
Échelle macro Exemple canonique macro_network, \(\Phi\) coarse-grained
Comparaison micro/macro \(\Phi\) macro vs \(\Phi\) micro, interprétation honnête de l’emergence
Causal emergence Hoel 2013 : pourquoi l’emergence positive n’est ni automatique ni garantie

IIT-04-Le-Probleme-de-Frontiere.ipynb

Section Contenu
Substrat Deux paires d’échange 4-nœuds, inchangées d’une section à l’autre
Énumération 11 frontières candidates (≥ 2 nœuds) — le découpage comme choix explicite
Table centrale Φ et EI induit calculés pour les 11 frontières du même substrat
Maximiseur Extraction de argmax — l’ex æquo AC/BD est un résultat (la mesure ne tranche pas)
Complexe majeur major_complex rend BD (Φ = 1) ; Φ(ABCD) = 0 écarte le tout — l’ex æquo est départagé par l’ordre d’énumération du moteur, pas par la théorie
Double dissociation Φ privilégie les frontières transversales, EI le tout — et les favorites de Φ sont hors du domaine de l’EI (frontières coupantes)
Boundary problem Gómez Emilsson cité comme proposition, jamais comme réponse établie

IIT-05-Lentilles-et-Dissociations.ipynb

Section Contenu
Cadre Discipline des cinq champs : source primaire, objet formel, claim exact, contre-claim, mesure falsifiable
Six lentilles GWT, GNW, FEP, AST, SMT, HOT sous forme de données exécutables (@dataclass), chacune avec sa source primaire citée
Substrat Graphe dynamique minimal : couche périphérique, couche intégration, méta-couche optionnelle
Exercice 1 Dissociation accès (broadcast) vs autoréférence (boucle méta) : GWT/GNW/PP mesurent OUI, AST/SMT/HOT mesurent NON, sur le même substrat
Exercice 2 Graziano (AST) vs Metzinger (SMT) sur le même substrat : traces non corrélées — capacité structurelle vs accès fonctionnel
Exercice 3 Contre-claim exécuté : la lentille FEP sort de son domaine (précision maximale ≠ conscience)
Conclusion Les lentilles comme instruments de dissociation, pas comme théories unifiées — limites honnêtement documentées

IIT-06-L-Objet-qui-a-Mordu-IIT.ipynb

Section Contenu
Le débat L’échange Aaronson/Tononi (mai 2014) : les deux positions citées et graduées — ce qui est mesurable sur machine, ce qui ne l’est pas
Φ_DM : Vandermonde Toutes sous-matrices de rang plein → valeur normalisée maximale sur toutes les bipartitions → Φ indéfini (mesuré sur instance n=8, F_1009)
Φ_DM : le hack W Lignes de Vandermonde dupliquées → minimum unique à la bipartition naturelle, Φ = (n/2)·log₂p = 50 % du contenu total ; identité : Φ = 0 ; croissance linéaire jusqu’à n=16
PyPhi : ligne/anneau/feedforward ring3 (1,875, référence IIT-01), ring4 XOR bipartite (0 — linéarité GF(2)), feedforward à sources de bruit (0)
PyPhi : la famille n=6 Grille majorité de Tononi à l’état tout éteint : Φ > 0 (scénario assumé mesuré) ; ligne < anneau < grille ; grille XOR : Φ maximal de la table ; réseau hétérogène « riche » : 0
Sobriété Φ exact aux tailles mesurées seulement (explosion combinatoire au-delà de ~8 nœuds) ; la conscience n’est mesurée par aucune jambe
L’après Relance Griffith, fertilité pour PyPhi/IIT 4.0, le test falsifiable proposé par Tononi (doubler une grille corticale)
Exercices Identité/permutation en Φ_DM, W à autre échelle, ligne vs anneau n=5 en PyPhi, grille bruitée

Théorie IIT

La Théorie de l’Information Intégrée (IIT) propose une approche mathématique de la conscience :

  1. Information : Un système conscient doit spécifier un grand nombre d’états possibles
  2. Intégration : L’information doit être intégrée (non décomposable)
  3. Exclusion : Un seul niveau de Phi domine à tout moment

Phi mesure le degré d’intégration informationnelle d’un système. Un Phi > 0 indique une intégration irréductible, suggérant une forme de conscience.

Les deux niveaux d’analyse de l’IIT — small phi (un mécanisme) remonte vers big Phi (le système), et l’axiome d’exclusion ne retient qu’un seul maximum à la fois :

flowchart TD
    SYS["Système S complet<br/>Φ = big Phi"]
    MECA1["Mécanisme {A}<br/>small φ₁"]
    MECA2["Mécanisme {A,B}<br/>small φ₂ = MICE"]
    MECA3["Mécanisme {B,C}<br/>small φ₃"]
    CES2["CES = concepts de small φ > 0"]
    MIPSYS["MIP du système<br/>partition la moins intégrée"]
    EXCL["Axiome d'exclusion<br/>un seul maximum domine"]
    ONE["Un seul Φ retenu<br/>= la conscience du système"]

    SYS --> MIPSYS
    MECA1 --> CES2
    MECA2 --> CES2
    MECA3 --> CES2
    CES2 --> MIPSYS
    MIPSYS --> EXCL
    EXCL --> ONE

Portée scientifique et débats

L’IIT n’est pas qu’une spéculation philosophique : elle a engendré des outils utilisés en clinique et alimente l’un des débats les plus vifs des neurosciences.

  • Mesure clinique de la conscience. Le Perturbational Complexity Index (PCI), inspiré des principes de l’IIT, est utilisé pour évaluer la conscience chez des patients non communicants (coma, état végétatif, anesthésie). Le protocole “zap-and-zip” (stimulation TMS + EEG, compression de la réponse) distingue empiriquement les états conscients des états inconscients — une retombée concrète et reproductible d’une théorie de la conscience.
  • Une théorie concurrente. L’IIT s’oppose frontalement aux théories de type Global Workspace (Dehaene, Baars), qui font de la conscience une diffusion globale de l’information plutôt qu’une intégration causale locale. Des programmes de tests adversariaux (collaboration Templeton) confrontent leurs prédictions sur des données réelles. La série ICT (strate 5) opérationnalise ce débat dans le dépôt : un pont IIT ↔︎ GWT falsifiable testé sur traces d’activations réelles de LLM (module ict/workspace.py, mesures d’espace de travail global sur trajectoires SAE) — ICT-24 (Gates 22-23, #5875) conclut à une dissociation : les pics d’intégration créditée et les événements d’ignition workspace ne co-localisent pas sur S4, les deux théories capturant des choses différentes (négatif honnête tout aussi informatif qu’une co-localisation).
  • Enjeu pour l’IA. L’IIT prédit qu’un réseau purement feed-forward (comme l’inférence d’un LLM classique) a un Phi nul : il calcule sans “être” conscient, faute de boucles causales intégrées. Cette thèse est centrale dans les discussions sur la conscience artificielle.
  • Controverse. Le calcul exact de Phi est computationnellement intractable au-delà de petits réseaux (d’où le coarse-graining du notebook), et la théorie a fait l’objet d’une critique publique retentissante (lettre ouverte de 2023 la qualifiant de “pseudoscience”) — un cas d’école pour discuter des critères de scientificité d’une théorie de l’esprit.

Ces tensions font de l’IIT un excellent terrain pour exercer l’esprit critique : on y manipule un formalisme précis (calculable avec PyPhi) tout en gardant à l’esprit les limites de son interprétation.

FAQ

Pourquoi Python 3.9 est-il obligatoire ?

PyPhi 1.2.0 utilise collections.Iterable, qui a été supprimé dans Python 3.10 (PEP 585). Tenter d’installer PyPhi sur Python 3.10+ provoque une ImportError dès le import pyphi. L’environnement conda dédié isole cette contrainte sans affecter vos autres projets.

L’IIT est-elle acceptée par la communauté scientifique ?

L’IIT est une théorie controversée. Elle a des retombées cliniques réelles (PCI pour mesurer la conscience chez les patients comateux) mais reste débattue : certains chercheurs la considèrent comme le meilleur cadre théorique existant, d’autres la critiquent comme pseudoscience. Les notebooks présentent le formalisme et ses outils sans prendre position — c’est un excellent terrain pour exercer l’esprit critique.

Quelle est la différence entre big Phi et small phi ?

Big Phi (\(\Phi\)) mesure l’intégration au niveau du système complet : il quantifie à quel point le système est “plus que la somme de ses parties”. Small phi (\(\varphi\)) mesure l’intégration d’un mécanisme individuel (un sous-ensemble de nœuds) : chaque concept dans la CES a son propre small phi. La CES est l’ensemble des concepts dont le small phi > 0, et le big Phi agrège ces contributions.

Un réseau feed-forward peut-il être conscient selon l’IIT ?

Non. L’IIT prédit qu’un réseau purement feed-forward (A -> B -> C, sans boucle de rétroaction) a un Phi de zéro. L’information transite mais n’est pas “intégrée” — il n’y a pas de causalité bidirectionnelle. C’est un résultat fondamental pour le débat sur la conscience des LLMs, dont l’inférence est essentiellement feed-forward.

Le calcul de Phi est-il tractable en pratique ?

Pas au-delà de ~5-7 nœuds en pratique. Le nombre de bipartitions à évaluer croît super-exponentiellement avec la taille du système. Le notebook 2 (section 7) démontre cette explosion et introduit le coarse-graining comme stratégie d’approximation. Pour les systèmes réels (cerveau humain : ~86 milliards de neurones), seul le PCI (mesure clinique indirecte) est applicable.

Peut-on utiliser PyPhi pour un projet de recherche ?

Oui, mais avec caveats. PyPhi est la référence pour IIT 3.0, mais IIT 4.0 (2024+) introduit des changements fondamentaux dans le calcul de Phi. Pour un projet de recherche, vérifier la version de la théorie que vous suivez et consulter la documentation PyPhi pour les limitations actuelles.

Conclusion / Prochaines étapes

Ce que vous avez appris

Cette série vous a fait traverser la proposition la plus quantitative de la neuroscience théorique contemporaine : traiter la conscience comme une propriété mesurable d’un système, plutôt que comme un épiphénomène mystérieux. L’arc pédagogique :

  • Le geste fondateur — poser qu’un système est conscient dans la mesure exacte où il intègre de l’information de manière irréductible : ni plus ni moins que ce que ses parties prises isolément ne peuvent expliquer. Cette irréductibilité, c’est Phi.
  • L’instrument — PyPhi, la bibliothèque de référence du laboratoire Tononi, qui opérationnalise la théorie : graphes causaux binaires, Transition Probability Matrices, sous-systèmes, extraction des Cause-Effect Structures, et tout le calcul combinatoire que l’intégration exige.
  • La finesse — distinguer big Phi (la conscience du système entier) et small phi (l’irréductibilité d’un concept local), comprendre le partitionnement MIP qui localise le « maillon faible » d’un système, et saisir pourquoi le coarse-graining devient indispensable dès que le réseau grandit.

La thèse est vertigineuse et honnêtement présentée : si IIT a raison, la conscience n’est pas un mystère à élucider mais une quantité à calculer — et un système artificiel suffisamment intégré pourrait, en principe, l’incarner.

Prochaines étapes

  • Approfondir les fondements probabilistes : Probas (Infer.NET, programmation probabiliste) fournit les outils de modélisation causale et d’inférence bayésienne qui sous-tendent le calcul des TPM.
  • Élargir aux systèmes multi-agents : GameTheory (théorie des jeux, choix social) partage avec IIT la question centrale — comment l’interaction entre composants produit-elle des propriétés émergentes que les composants seuls ne possèdent pas ?
  • Questionner la portée : relisez la section « Portée scientifique et débats » — IIT est une théorie vivante et contestée, pas un consensus. Les critiques empiriques (absence de tests décisifs) et théoriques (mesure de la conscience chez les systèmes simples) restent ouvertes, et c’est sain pour un champ scientifique.
  • Pour la pratique : reprenez le notebook d’Advanced Topics et expérimentez la limite computationnelle — à partir de combien de nœuds le calcul de Phi devient-il prohibitif, et que révèle le coarse-graining sur les macro-systèmes ?

Le fil rouge

IIT propose un changement de regard radical : ne plus demander « qu’est-ce que la conscience ? » mais « combien de conscience ce système intègre-t-il ? ». La série vous a donné l’outil (PyPhi) et le formalisme (Phi, CES, MIP) pour transformer une question philosophique en un calcul — en gardant à l’esprit qu’aucune mesure, aussi élégante soit-elle, ne clôt à elle seule le débat sur ce que c’est que d’être un système qui ressent quelque chose.

Annexes

Structure des fichiers

IIT/
├── IIT-01-IntroToPyPhi.ipynb           # Notebook 1 : introduction
├── IIT-02-AdvancedTopics.ipynb         # Notebook 2 : sujets avances
├── IIT-03-CoarseGrainingMacroPhi.ipynb # Notebook 3 : coarse-graining & échelle du Φ
├── IIT-04-Le-Probleme-de-Frontiere.ipynb # Notebook 4 : qui décide des bords — Φ vs EI selon la frontière
├── IIT-05-Lentilles-et-Dissociations.ipynb # Notebook 5 : six théories de la conscience comme bancs de dissociation
├── IIT-06-L-Objet-qui-a-Mordu-IIT.ipynb # Notebook 6 : l'échange Aaronson/Tononi exécuté (Φ_DM + PyPhi)
├── ICT-Series/                 # Extension expérimentale ICT (Epic #4588) — voir son README
│   ├── ICT-0-Framing.md        # Cadrage de la série ICT
│   ├── ICT-0-Annexe-IntegratedComplexityTheory.md  # Annexe théorique (complexité intégrée)
│   ├── ICT-*.ipynb             # Notebooks numérotés (ICT-1 à ICT-39) + raffinement/extension (suffixes lettrés + non-numérotés), 7 strates — cf son README pour la liste complète (Epic #4588)
│   ├── ict/                    # Package Python autonome (simulations + mesures, 88 modules — pip install -e .)
│   ├── assets/                 # Figures in-situ du README + MANIFEST de provenance
│   ├── runs/                   # Artefacts d'exécution (ex. scale-up GRPO d'ICT-25)
│   ├── scripts/                # Extraction des traces GPU (SAE, J-Lens) et scripts pilotes
│   ├── tests/                  # Suite pytest principale de validation des modules ict/
│   ├── traces/                 # Fixtures .npz pré-extraites (notebooks GPU-free de la strate 5)
│   ├── pyproject.toml          # Installation editable du package ict/ (issue #8076)
│   └── README.md               # Documentation de la série ICT
├── requirements.txt            # Dépendances Python (partagées IIT + ICT)
├── scripts/
│   ├── setup_pyphi_env.ps1     # Setup conda env + kernel — Windows (partagé IIT + ICT)
│   ├── setup_pyphi_env.sh      # Setup conda env + kernel — macOS/Linux (jumeau)
│   └── build_notebook.py       # Script de construction notebook 2
└── README.md                   # Cette documentation

Ressources

Documentation PyPhi

Fondements théoriques

  • Tononi, G. (2008) - Consciousness as Integrated Information
  • Oizumi, M., Albantakis, L., Tononi, G. (2014) - From the Phenomenology to the Mechanisms of Consciousness

Extension : la série ICT (Integrated Causal Trajectories)

La série IIT étudie des structures causales à un instant donné. Une extension expérimentale, ICT (Integrated Causal Trajectories, Epic #4588), prolonge ce regard vers les trajectoires de structures causales : comment une organisation se maintient, se transforme, se répare, change d’échelle et traverse un espace de possibles (\(C_0 \rightarrow C_1 \rightarrow \dots \rightarrow C_n\)). Elle progresse en sept strates — le tri auto-organisé transparent (strate 1, ICT-1 à ICT-7), la morphogenèse dynamique à paysages d’attracteurs engendrés (strate 2, ICT-8 à ICT-10), les trajectoires intégrées régime-dépendantes (strate 3, ICT-11 à ICT-13), la jambe représentationnelle énergie libre / surprise puis la théorie fondatrice cross-substrat et la réversibilisation outillée (strate 4, ICT-14 à ICT-20, prolongée par le banc de recollement ICT-34), et le LLM comme substrat — SAE, persona, workspace, inoculation RL (strate 5, ICT-21 à ICT-25, prolongée par ICT-35 à ICT-39). Les strates 6 (argumentation) et 7 (freebits d’ordre 2) sont cadrées et non livrées. Deux objets relèvent de l’axe transverse et non de l’échelle des strates (arbitrage #13908) : le socle théorique distillant la sémiophysique de René Thom, et la coopération comme opérateur — conventions, invention de symboles, adoption collective, inoculation de concept (dimension D2, cinq expériences ICT-26 à ICT-30).

Chaque strate est complétée par des notebooks de raffinement / extension (suffixes lettrés b/c/d… ou titres non-numérotés) qui approfondissent un aspect ou appliquent l’instrumentation d’un notebook principal à un nouveau cas. Quelques exemples représentatifs : ICT-15b-SensitivityCanonicity-Python (sensibilité du verdict Φ/F/K d’ICT-15 aux perturbations contrôlées du substrat, re-mesure multi-graines), ICT-15c-MetaProxyObstruction-Python (obstructions adversariales au verdict de convergence — exploration des faux-positifs quand le triplet co-varie par construction), ICT-17b-Grokking-CompressionProgress-Python (grokking comme cas d’application de l’instrumentation ε-machine d’ICT-17 à la compression post-généralisation tardive, Power et al. 2022), et ICT-Argumentation-BeliefTrajectories (Phase B du zoo ICT — application de l’instrumentation Φ-trajectoires d’ICT-1 aux trajectoires de croyances Argumentum 5 classes, banc T2 multilingue). La liste complète de ces raffinements (qui s’enrichit à mesure que la série de recherche progresse) figure dans le README dédié d’ICT.

La strate 5 est désormais ancrée sur un substrat réel : ICT-21 extrait des trajectoires SAE (sparse autoencoders) sur les activations d’un LLM (Qwen), et le module ict/workspace.py réalise un pont falsifiable IIT ↔︎ GWT — mesurer un « espace de travail global » (ignition, broadcast) sur les mêmes traces que celles où l’on mesure l’intégration. La confrontation empirique est livrée : ICT-24 (Gates 22-23, #5875) conclut à une dissociation — les deux théories rivales de la section « Portée scientifique » ci-dessus ne co-localisent pas leurs prédictions sur S4 (négatif honnête).

ICT vit dans le sous-répertoire ICT-Series/, placé sous IIT pour respecter l’ordre de lecture (ICT prolonge IIT). Voir son README dédié pour la liste complète des notebooks, les sept strates et le détail des mesures sans complaisance. La série partage l’environnement Python d’IIT (scripts/setup_pyphi_env.ps1, requirements.txt) ; la jambe SAE (ICT-21 et suivants) utilise en plus un environnement conda dédié (coursia-sae).

Ponts causaux : le do-calculus de Pearl à travers les paradigmes

Quatre séries du dépôt abordent la causalité — non pas la corrélation, mais la question « que se passe-t-il si j’interviens ? ». Elles le font dans des paradigmes radicalement différents (logique symbolique, inférence bayésienne par message passing, MCMC, théorie de l’information), et pourtant elles partagent le même noyau : l’opérateur do(·) de Judea Pearl et son échelle de la causalité à trois barreaux.

L’échelle de la causalité (ladder of causation) :

Barreau Question Formalisme Exemple canonique
L1 — Association « Que voit-on ? » P(Y \| X) observer le baromètre baisser prédit la pluie
L2 — Intervention « Que se passe-t-il si on agit ? » P(Y \| do(X)) forcer le baromètre à baisser ne fait pas pleuvoir
L3 — Contrefactuel « Qu’aurait-il fallu ? » P(Y_x \| X', Y') « l’herbe aurait-elle été mouillée si on avait coupé l’arrosage ? »

Le saut L1 → L2 est le cœur du do-calculus : do(X=x) mutile le graphe causal — il coupe les arcs entrants de X, brisant les chemins de confusion — de sorte que P(Y|do(X)) ≠ P(Y|X) dès qu’un confondeur existe.

Le même opérateur, quatre instanciations :

Paradigme Notebook Instanciation de do(·) Résultat-signature
Symbolique (logique propositionnelle, Java/Tweety) Tweety-11-Causal scm.intervene(p, b) → nouveau SCM dont l’équation de p devient une constante P(rain\|drops)=True ≠ P(rain\|do(drops))=False (baromètre)
Bayésien par message passing (Infer.NET, EP/VMP — Gibbs disponible) Infer-5 mutilation de graphe Variable.Bernoulli(1.0) ; backdoor / front-door paradoxe de Simpson résolu, identifiabilité par ajustement
Bayésien MCMC (PyMC) PyMC-5 opérateur natif pm.do(model, {X:x}) ; backdoor / front-door contrefactuel par abduction (postérieur sur les exogènes)
Théorie de l’information / émergence (ICT) ICT-05-CausalEmergence-Python distribution d’intervention p(C) uniforme sur les états = do(X_t = x) appliqué à tout le micro-état quelle échelle « fait » le plus de travail causal (EI / CP)

Le pont le plus profond — ICT-5 lève le do-calculus au niveau des échelles. Dans la théorie de l’émergence causale (Hoel, Causal Emergence 2.0 ; Jansma & Hoel, Engineering Emergence, 2025), l’information effective (EI) et la causal primitive (CP = déterminisme − dégénérescence, équivalente à l’effectiveness) se calculent en plaçant le système sous une distribution d’intervention p(C) — par défaut uniforme sur les états. C’est exactement do(X_t = x) de Pearl, appliqué uniformément : on ne regarde pas la dynamique, on la sonde en forçant chaque état d’entrée. Mesurer « combien de travail causal fait un mécanisme » exige donc l’opérateur do, tout comme définir un effet causal l’exige chez Pearl. L’émergence apparaît quand une description macro (gros-grain) réalise plus de travail causal que le micro — l’effectiveness monte sous coarse-graining.

Parcours de lecture conseillé : commencer par le symbolique qualitatif (Tweety-11) pour voir observe vs do sans nombres ; passer au quantitatif distributionnel (Infer-5 message passing, PyMC-5 MCMC) pour calculer les effets et lever le paradoxe de Simpson ; finir par l’information-théorique (ICT-5) où le même do mesure le travail causal à travers les échelles.

Articles d’ancrage : Pearl, Causality (2009) ; Hoel, Causal Emergence 2.0 (arXiv:2503.13395) ; Jansma & Hoel, Engineering Emergence (arXiv:2510.02649).

Voir #4208 (surfaçage des différenciants du dépôt) et l’Epic ICT #4588.

Licence

Voir la licence du repository principal.

Version 1.3.1 — Août 2026

Retour au sommet