Bilinç kuramı 2: Bütünleşik Enformasyon Kuramı

Bilinç Nedir? başlıklı yazımızda bilinç kavramına bilimsel olarak nasıl yaklaşabileceğimizi, bilinci açıklamak için ortaya atılan kuramların felsefi altyapısını ve probleme yaklaşımlarını ele almıştık ve bu farklı yaklaşımlara iki örnek kuramı irdeleyeceğimizi söylemiştik.

İlk kuram Ortak Nöronal İşlem Alanı teorisi (Global Neuronal Workspace Theory – GNWT) hakkındaki yazımıza buradan ulaşabilirsiniz.

Ele alacağımız ikinci kuram Bütünleşik Enformasyon Kuramı (Integrated Information Theory – IIT)

IIT modelinde önce bir fiziksel sistemin bilinçli olabilmesi için sahip olması gereken özelikler ele alınır. IIT modeli bilinci, hem farkında olunanın (bilincine varılanın) nesnel içeriği ile hem de qualia diye adlandırdığımız bu içeriğinin öznel deneyimlenmesini göz önüne alarak modeller. Nörobilimci Giulio Tononi ve meslektaşları tarafından geliştirilen IIT modeli^[1]Tononi, G. (2012) The integrated information theory of consciousness: an updated account. Archives italiennes de biologie, 150(2/3):56–90. Bilinç nedir? başlıklı yazımızda bahsettiğimiz Chalmers’ın felsefe anlayışıyla uyuşuyor ve dolayısıyla David Chalmers tarafından övgüyle karşılanıyor.

Önce bu teorinin arkasındaki ana fikri kısaca tartışmakla başlayalım, sonra teorinin yapılanışını ele alalım. Teorinin temelini oluşturan iki ana fikir var: enformasyon ve tümleşim (entegrasyon).

IIT modelinin enformasyon kavramına dayandırılması bu kuramın en ilginç yönüdür. Enformasyon teorisinde, rasgele bir deneyin sonuçları {$a_i, i = 1,2, …, n$} şeklinde ve olasılıkları ise {$P(a_i)=P_i, i = 1,2, …, n$} şeklinde belirtilsin. Bu deneyde herhangi bir sonucun taşıdığı enformasyon, bu sonucun gerçekleşme olasılığının tersinin logaritması ile hesaplanır:

$$\log \frac{1}{P(a_i)}$$

Sonucun olasılığı yüksekse o sonuçla ilişkili öz-enformasyon (self-information) düşük olacaktır; tersine olayın olasılık değeri ne kadar küçük ise taşıdığı öz-enformasyon o denli yüksek olacaktır. Bu deneye ilişkin {$a_i, i = 1,2, …, n$} sonuçlarını üreten sürecin öz-enformasyonu ise her bir deney çıktısı enformasyonunun ağırlıklı toplamı, istatistiksel ortalamasıdır:

$$H = -\Sigma P_i \log P_i$$

Bu istatistiksel ortalamaya entropi^[2]Say, C. (2020) Yeni Dünya, Yeni Ağ, Destek Yayınları denir.

Sevdiğiniz bir arkadaşınızla şans eseri bir yerde rastlaştığınızı düşünün. Arkadaşınız varlığınızı, eğer beklediğiniz gibi olağan bir gülümsemeyle, yani hep olagelen şekilde karşılarsa rastlaşmada çok fazla şaşırtı, beklenmediklik, yani enformasyon olmadığını biliriz. Tersine, sizi kaşlarını çatarak karşılarsa, bu durum tuhafınıza gider, olağandışı bir şeyler olduğunu sezinlersiniz, beklemediğiniz bu olayın olasılığı düşüktür, yani taşıdığı enformasyon yüksektir.

Genellikle, bir sürece ilişkin entropiyi hesaplarken, sonuç ya da çıktı kümesinin olasılıklarını biliriz. Söz gelimi, bir metin dosyasından bahsediyorsak deney sonuçları harfler veya sözcüklerdir. Sayısal bir görüntü söz konusuysa deney çıktıları piksel değerleridir. Konuşma işaretlerini ele alıyorsak konuşmanın yarattığı akustik işaretin zaman örneklerinin değerlerine bakarız. Bütün bu uygulamalarda, harflerin, piksellerin, zaman örneklerinin vb. olasılıklarını biliriz ya da hesaplayabiliriz.

Farklı bir enformasyon yorumu

İşte IIT modelindeki enformasyon yorumunun standart enformasyon kavramından farklı olduğu yer bu noktadadır. Tipik bir olasılık dersindeki gibi bir deneyin çıktılarını ve olasılıklarını tanımlayıp her bir deney sonucuna ilişkin öz-enformasyondan söz etmek yerine, IIT bir neden-sonuç repertuarı tanımlar. Bir sistem ele alındığında, bu sistemin bulunacağı sonlu ya da sonsuz sayıda durum olabilir. Sistemin belirli bir durumda bulunmasına yol açan nedenler, neden dağarcığını oluşturur. Gene bu sistem bulunduğu duruma bağlı olarak, bir dizi etki yaratır, yani sonuç üretir; bunlar sonuç dağarcığını oluşturur. Her iki dağarcık ve olasılıkları sistemin özelliklerinden kaynaklanır. Bu dağarcıklara ilişkin olasılıklar, sistemle ilgili girdi-çıktı olaylarının enformasyonunu belirler. Buraya kadar tartışmamız klasik enformasyon teorisiyle aynı gitti. IIT modelinde tanımlanan enformasyonu farklı kılan, bu olasılık dağılımlarının gözlemciye bağlı olmasıdır. Her bir deneyde, gözlemciye bağlı olarak ortaya çıkan enformasyon çok farklı miktarda olabilir.

Tononi ve meslektaşları, IIT bilinç modelini açıklamak için bir ışık algılayan diyot (fotodiyot) ile bir insanın rol aldığı bir düşünce deneyi kullanıyor. Deneyde fotodiyot ve insan karanlık veya aydınlık olabilen bir ekrana bakarlar.  Soru, fotodiyot ya da insandan biri ışığı veya karanlığı algıladığında ne kadar enformasyon üretildiğidir. Genel enformasyon teorisi kavramlarını kullanırsak her iki durumda sonuçlar aynı olduğuna göre fotodiyodun da deneğin de ürettiği enformasyon aynıdır, yani bir bitlik bilgidir.

Hepimizin enformasyonu aynı değil

IIT modeline göre bu entropi hesaplaması için farklı bir yol izlenir.  Fotodiyot ışık var ya da yok şeklinde iki seçenekten birini seçer. Aydınlık ve karanlık durumları eşit olasılıklı olduğunda, diyodun ortalama enformasyonu yani entropisi, logaritma tabanı 2’ye göre,

$$0,5 \log_2 \frac{1}{0,5} + 0,5 \log_2 \frac{1}{0,5} = 1$$

dir. Fotodiyodun bu kararı bir bitlik enformasyona karşılık gelir. Oysa insan ekrana baktığında sadece ışığı görmekle kalmaz, aynı zamanda ışık deneyimini de yaşar. Kişinin fotodiyottan farklı olarak bir deneyim yaşamasının nedeni, ekranın aydınlığının deneyimleyebileceği birçok olasılıktan sadece biri olmasıdır. Söz gelimi, ekran sadece aydınlık veya karanlık olmaz, mavi veya kırmızı renkli olabilir; ekranda bir ağaç, bir yüz, bir manzara, bir aygıt görüntüsü gibi nice farklı resim yer alabilir.

Aslında, ekranda görülebilecek resimlere karşılık gelen bir olasılıklar dağarcığı vardır. Kişi yalnızca “aydınlık” ve “karanlık” arasında seçim yapmakla kalmaz, çok daha geniş olasılıklar arasından bir seçim yapmaktadır. Dolayısıyla insanın neden-sonuç repertuvarı bir fotodiyodunkinden çok daha yüksektir. Bundan dolayı deneğin “ekran aydınlık” ve “ekran karanlık” bildirimi, bir bitten önemli ölçüde daha yüksek enformasyon taşır. Birden çok neden olması, yani nedenler dağarcığını göz önüne almamız, enformasyon kavramını bilinç deneyimine eklememize olanak sağlar.

Daha açıklayıcı bir örnek düşünelim. Diyelim ki bir müzisyen ve ben, Beethoven’i dinliyoruz. Girdi, yani Beethoven’in nağmeleri aynı fakat sıradan müzik dinleyen ya da müzik cahili bir kişi olarak benim Beethoven’i dinlerken elde ettiğim enformasyon, bir müzisyenin dinlerken elde edeceği enformasyona göre önemli ölçüde daha azdır. Müzisyenin kişisel deneyimleme zenginliği benimkisiyle aynı olmayacaktır.

Enformasyonun bir bütün oluşturması

Tümleşim (entegrasyon) fikri IIT modelinin ikinci temel taşıdır. Tononi ve ekibi bu fikri açıklamak için de bir düşünce deneyinden yararlanıyor. Bu kez aynı sahneye bakmakta olan sayısal (digital) bir kamera ile bir denek karşılaştırılır. Kameradaki milyonlarca fotodetektör birbirinden bağımsız tepki verir. Kameradaki belirli sayıda detektörün işlemez hale gelişi, hangi detektörlerin, hangi piksellerin bozulduğuna bakılmaksızın aynı enformasyon kaybına karşılık gelir. Oysa bir insan için, bir sahnedeki her bir enformasyon bir bütünün parçasıdır, yani enformasyon tümleşiktir. Öyle ki sahnenin her bir parçası, sahnenin bir diğer parçası hakkında bilgi taşıyabilir. Bir insan yüzü görüntüsüne baktığımızı düşünelim. Yanaktaki pikselleri kaybedersek bu yüzü algılayışımızı çok etkilemeyebilir. Ama ağız veya göz bölgelerindeki pikselleri kaybedersek yüzü nasıl algıladığımız büyük ölçüde değişebilir. Gözlerin kısık veya tam açık olması, dudaklardaki gülümseme veya gerginlik, kaşların çatılması gibi her bir detay yüzü okumada ve dolayısıyla kişinin zihin ve ruh durumunu anlamada elzemdir.  IIT modeline göre enformasyonu bütünleştirme yeteneği bilinçli deneyimler için temel bir gerekliliktir.

Madem bütünleştirme anahtar kavram, öyleyse, bir algılayıcının (sensor) çıktılarını diğer algılayıcıların girişlerini modüle etmek için kullanırsak, bu yöntem kamerayı bilinçli hale getirir mi? Hemen kesin hayır yanıtını vermeyelim! Kabloları çapraz bağlanmış bir kamera tabii ki bilinçli olmaz, ama belirli bir tümleşim (entegrasyon) seviyesini yakalayabilirsek belki bilinçli bir sistem elde edebiliriz. Bu seviyenin ne olduğu henüz çok net değil. IIT, bir sistemdeki enformasyon tümleşimi seviyesini ölçmek için bir yöntem öneriyor. Eğer insan beynindeki enformasyon tümleşimini bir şekilde ölçebilseydik, muhtemelen bilince varmak için enformasyon tümleşim eşiğini bulabilirdik.

Genel hatlarıyla enformasyon tümleşiminin nasıl ölçüldüğünü anlamak için kısaca IIT teorisinin gelişimine ve kurallarına bakalım. IIT modeli, beş belite (axiom) dayanır. IIT belitleri, çok basitçe bilinçli bir varlığın neye benzeyeceğini, nasıl bir varlık olacağını açıklamak için kullanılır.

IIT’nin 5 beliti

İlk belit bilincin var olduğunu söyler. Descartes’in “Düşünüyorum, Öyleyse Varım” (Cogito, Ergo Sum) deyimi gibi yadsınamaz bir şeyden başlıyoruz.  Bilinç vardır.  Eğer bilinç varsa çevresiyle neden-sonuç ilişkisi içinde olan bir fiziksel bir altkatman da bulunmalı. Dolayısıyla çevresini etkileyen ve çevresinden etkilenen, neden-sonuç ilişkileri üreten bir fiziksel altkatmanın varlığı bu belite ilişkin öndoğrudur

İkinci belit, her deneyimin birden fazla fenomenal bileşenden (phenomenal component) oluştuğudur. Bir kitabı ele aldığımızda onun görsel deneyimi, boyut deneyimi, renk deneyimi, başlığını okuma deneyimi gibi birçok deneyim bileşeni içerir. Bu belite ilişkin öndoğru, bilinçle ilgili fiziksel süreçlerin de yapılandırılmış olduğu ve bu yapı içindeki ana unsurların (constitutive elements) da çevreleriyle neden-sonuç ilişkisine sahip olduğudur.

Üçüncü belit, bir deneyimin içerdiği enformasyonla ilgilidir. Birkaç paragraf yukarıda IIT modelinin enformasyona ve onun ölçüsü olan entropiye nasıl yaklaştığını anlatmıştık. Fotodiyot ve insanın ekranın aydınlığını belirlediği deneyde, insanın çok daha fazla olasılık arasından (mavi ekran, kırmızı ekran, bir ağaç resmi, manzara resmi ve çok daha fazlası) aydınlık ve karanlık seçeneklerini belirlediğini anlatmıştık.  Deneyimin bileşenleri çok sayıda olasılık arasından seçiliyor ve bir bileşen için olan olasılıkların sayısı da bu unsurda saklı enformasyonu tanımlıyor.

Herhangi sayıda bileşenden oluşan bir sistemi (veya IIT taraftarlarının kullandığı terimle “mekanizmayı”) ele alırsak, bu sistemle ilişkili çeşitli enformasyon ölçüleri tanımlayabiliriz.  Örneğin neden-sonuç dağarcığının olasılıklarını gösteren bir dağılım fonksiyonunu ve neden-sonuç olasılıklarının tekdüze dağılmış olduğu durumu düşünelim.  Tekdüze dağılımda bütün nedenler ve sonuçlar aynı olasılıkta olacaktır.

Etkin enformasyon (effective information), iki dağılım fonksiyonunun farkının bir metriği, yani uzaklıklarının bir ölçüsü olarak hesaplanır. İki dağılım fonksiyonunun uzaklığını ölçmek için birçok metrik vardır, Kullback-Leibler uzaklığı, Hellinger uzaklığı, Wasserstein metriği ilk akla gelenler arasındadır.

Buradaki ana fikir olasılık dağılım fonksiyonlarının tekdüze dağılımdan ne kadar farklılaştığıdır. Nedenler tekdüze dağılmışsa nedenlerden herhangi biri mevcut duruma yol açabilir demektir, yani sistem çevresinden etkilenmez. Benzer şekilde, sonuçlar tekdüze dağılmışsa o zaman sistem çevresini etkilemiyor demektir. Her iki tekdüzelik durumunda IIT yaklaşımının bilinci modelleyemediğini söyleyebiliriz. Bir anlamda, IIT’nin ele aldığı bu tekdüze dağılım durumu (etkilenmeyen ve etkimeyen sistem modeli), GNWT’de rastladığımız bilinç düzeyine çıkamayan süreç fikriyle ilintilidir.  Beynimizin sesin geliş yönünü kulaklarımıza varış anlarındaki farka dayanarak hesaplaması ama bizim bu sürecin farkında olmamamız bilinç düzeyine çıkamayan süreçlere bir örnektir.

Dördüncü belit, bilincin birçok bileşenin bir tümleşimi, yani entegrasyonu sonucu ortaya çıktığıdır. Bilinç, birbirleriyle bağlantılı olmayan bileşenlere indirgenebilen bir deneyim değildir. Sözgelimi, mavi bir kapı karşısında hem mavi rengi hem de kapının yapısını görürüz. Bunu mavisiz kapı yapısını görme ve kapısız mavi renk görme gibi iki deneyim bileşene indirgeyemeyiz. Mavi ve kapı kavramları muhakkak ki ayrı ayrı mevcuttur ve deneyimlenebilirler; ama ayrı ayrı deneyimlenen mavi ve kapı, mavi kapı deneyimine yol açmaz. Diğer bir deyişle, mavi kapı deneyimi mavi deneyimi ile kapı deneyiminin toplamı değildir.  Buradan yapacağımız bir çıkarım, bilincin fiziksel altkatmanının “bölünemez, bileşenlere indirgenemez” olması gereğidir.

IIT modeli, bu bölünemezliği, bileşenlerine indirgenemezliği “tümleşik enformasyon” adını verdiği ve $\Phi$ simgesiyle gösterilen bir ölçü ile ifade eder.

Tümleşik enformasyonu, en azından kavramsal olarak anlayabiliriz. Sistemi önce tüm olası altsistem kombinasyonlarına parçalayalım. Tümleşik enformasyon, bir bütün halindeki sistemin neden-sonuç olasılıkları ile bölümlenmiş sistem kullanılarak elde edilen olasılıkların farkının bir ölçüsüdür. Açıktır ki bileşenlerine indirgenmiş bir sistemin olasılıkları, bütün halindeki sistemin olasılıkları ile aynı çıkarsa bu durumda tümleşik enformasyon sıfır olacaktır.

Sonuncu yani beşinci belit, bilincin enformasyonun tümleşimi olduğu fikrini devam ettirir. Tononi^[3]Tononi, G. (2012) The integrated information theory of consciousness: an updated account. Archives italiennes de biologie, 150(2/3):56–90. bunu dışlama ilkesi olarak adlandırır. Buradaki ana fikir, neden veya sonuçların herhangi biri dışlandığında tümleşik enformasyonun azalacağıdır. Dolayısıyla sistem tamamen bileşenlerine bölümlendiğinde, tümleşik enformasyonda en büyük düşüş olacaktır. Aynı olaya tersten bakarsak, bölümlenmemiş neden-sonuç dağarcığı, tümleşik enformasyonun en yüksek olduğu durumdur. Diğer bir deyişle, bütünleşik sistemin olasılık dağılımı ile bileşenlerine bölümlenmiş sistemin olasılık dağılımı arasındaki fark maksimum olacaktır.

Örneğin, bir kelime duyduğumda anlamını bilirim, ama bu anlamı üreten içsel süreçleri deneyimleyemem. Büyük olasılıkla, anlamı ürettiğim süreç, kelime nedenlerini (girdileri) anlam sonuçlarıyla (çıktılarıyla) buluşturan sürecin somut bir gerçekleşmesidir. Aynı fikirler, bir deneyimdeki kişiye özgü yönlere de (qualia) genelleştirilebilir. Burada qualia, deneyimin bileşenlerine indirgenemez olduğu durumda, yani bir bütün olarak ele alındığındaki enformasyondur. Qualia deneyimleyebilirken, bu deneyime yol açan süreç tarif edilemez.

IIT’nin savları ne kadar geçerli?

IIT, bilincin varlığını öngören birinci belitiyle oldukça iddialı bir teoridir, çünkü bilincin hem “kolay” hem de “zor” problemlerini açıklamaya soyunur.

Bir modelin başarısı olayları, gözlemlerimizi açıklama yeteneği ile ölçülür. IIT modeli halen bir noktaya kadar bilinci açıklayabiliyor, belli bir açıklama gücüne sahip. Tümleşik enformasyonun bilinçli deneyimlerdeki ana rolünün bir kanıtı olarak, IIT taraftarları, yoğun şekilde ara bağlantıları olan korteks katmanının bilincin yer aldığı bölge olduğunu belirtiyorlar. Buna karşılık, nöronlar açısından çok daha zengin, ama ara bağlantı yoksunu olan beyinciğin bilinç süreçlerinde rol almadığına dikkat çekiyorlar.

IIT modelinin ikinci büyük iddiası olan, bilincin hesaplanabilir bir F ölçüsü ile nicel miktarının belirlenebileceği daha az başarılı oldu. Bu bilincin nicel ölçüsünü karmaşık bir sistem için hesaplamak hiç kolay değildir ve hesaplanabildiği durumlar basit sayısal mantık devrelerinden oluşan sistemlerdir. Beyin gibi karmaşık bir yapı için – muhtemelen evrendeki bilinen en karmaşık yapı – $\Phi$ ölçüsünün hesaplanması,  ilkesel olarak yapılabilir olsa da çok zor. Dahası, hesaplamanın mümkün olduğu durumlarda bile sonuçlar her zaman sezgilerimizle uyuşmaz. Söz gelimi, XOR geçitleriyle büyük devreler kurar ve $\Phi$ değerini de hesaplayabiliriz; ne var ki bu devre bilince sahip bir yapı değildir.^[4]Cerullo, M.A. (2015) The problem with phi: a critique of integrated information theory. PLoS Comput Biol, 11(9):e1004286. Öte yandan, primatlar üzerinde yapılan çalışmalarda bilinç bölgesiyle ilişkili nöronların F değerlerinin daha düşük, bilinçle ilişkili olmayan bölge nöronlarının F değerlerinin daha büyük olduğu gösterilmiştir.^[5]Maillé, S. ve Lynn, M. (2020) Reconciling current theories of consciousness. Journal of Neuroscience, 40(10):1994–1996.^[6]Noel,J.,  Ishizawa,Y., Patel, S.R., Eskandar, E.N. ve Wallace, M.T. (2019) Leveraging nonhuman primate multisensory neurons and circuits in assessing consciousness theory. Journal of Neuroscience, 39(38):7485–7500.

Henüz son söz söylenmedi ya da bundan sonra nereye gidiyoruz?

Bütünleşik Enformasyon Teorisinin şüphesiz bazı sorunları var. Bilinci ölçen hesaplanabilir tek bir nicelik bulmaya çalışmanın çok iddialı olduğu düşünülebilir. Ama teorinin götürülerinden çok getirilerine baktığımızda, IIT bilinç sorunsalına bütüncül bir şekilde yaklaşma çabasıdır; ayrıca deneyimlerin öznelliğini (qualia) geçiştirmez. İkinci getirisi, bilinci sadece insanlar için değil, insan dışındaki canlıları, hatta canlılar dışındaki varlıkları da kapsayıcı bir şekilde ele alınması gerektiğini savunmasıdır. En son irdelemede, IIT teorisinin yanlış olduğu kanıtlansa bile sonraki kuşak araştırmacıların izleyecekleri doğru yolun bulunmasında katkısı olacaktır.

Öte yandan, bilinç deneyiminin indirgemeci bir yaklaşım kullanılarak analiz edilip edilemeyeceği hâlâ tartışılıyor. Beyindeki nöral süreçleri gözlemlemek için ileri tekniklerin geliştirilmesi, ampirik yaklaşımı yeğleyen araştırmacılar için şimdilik daha avantajlı oldu. Ancak beyindeki süreçleri çok daha iyi anlayacağımız güne kadar bu tartışma muhtemelen devam edecek.

Beyin tartışmasız insanoğlunun bildiği en karmaşık nesnedir ve bilinç beynin bir ürünü değilse bile en azından onunla aynı yerde bulunur. Tarih boyunca her nesil bilinci anlamaya çalıştı. Her nesil kendi çağının en ileri yöntem ve kavramlarını bu işe uyguladı. Ve her nesil, bilinç ve kendimiz hakkında gittikçe daha ilginç şeyler buldu. Bilinci çözme problemini bir dağa benzetirsek henüz dağın eteklerinde mi geziniyoruz yoksa zirveye ulaşmak üzere miyiz? Bunu bilmiyoruz fakat sürecin son derece heyecan verici ve aydınlatıcı olduğunu söyleyebiliriz.

Khalid Sayood
Nebraska-Lincoln Üniversitesi Elektrik Mühendisliği Bölümü

Bu yazı Bilim Akademisi üyesi Bülent Sankur‘un çevirisi ve katkılarıyla yayına hazırlandı. 

Bu eser Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı ile lisanslanmıştır. İçerik kullanım koşulları için tıklayınız.