博文
DIKWP-TRIZ发明创新方法-系统实现篇
|
DIKWP-TRIZ发明创新方法
吴坤光
段玉聪
人工智能DIKWP测评国际标准委员会
世界人工意识大会
世界人工意识协会
(联系邮箱：duanyucong@hotmail.com)
目录
2.3.4 从意图到DIKWP的相互作用 (P → D，I，K，W)
随着科技的快速发展和社会的不断进步，创新已成为推动经济增长和社会变革的关键力量。尽管TRIZ已经扩展出了一些列成体系的方法论和实践经验，但是由于其方法论的多样性和复杂性使得对TRIZ和跨领域创新了解甚少人难以驾驭并找出高效的创新路径或方法。此外，TRIZ方法中多数时候为了追求创新性可能会忽视了创新过程中的人本意图和价值取向。为此，我们综合了DIKWP理论的核心思想和理念，提出了DIKWP-TRIZ方法，意在将TRIZ的创新方法论转变为DIKWP-TRIZ创新方法中的数据创新、信息创新、知识创新、智慧创新和意图创新，并在最大限度保留创新意图语义的目标下适当地使用语义数学（Semantic Math）理论进行转化和处理，使得发明创新路径的本质归结为上述提到的五种创新方向并最大限度地重视了创新过程中的人本意图和价值取向，降低TRIZ创新方法的使用者的思想负担，使其更专注于数、信息、知识、智慧和意图的创新。DIKWP-TRIZ方法论的结合，不仅提升了传统TRIZ方法在实际应用中的灵活性和实用性，还为技术创新和产品开发提供了更为全面的支持。这种方法论的应用范围广泛，包括但不限于智能制造、智慧城市、新能源技术等领域，为这些领域的创新发展提供了强有力的支持。
核心语义：数据代表“相同”的具体表现。
数学结构及其定义
l “相似性”语义：集合D中的所有元素di都具有相同的中心属性，这定义了它们的语义等价性。
l 数据集表示：D是一个集合，其中每个元素di在核心属性中表现出特定的“相同性”。
l 数学定义：D={di∈Universe∣CoreAttribute(di)=SameValue}
l 例如：对于核心属性“红”（颜色是焦点属性），Dred={红苹果，红汽车，红花}代表所有具有“相同”颜色的对象。
数学运算
l 交集：D1∩D2 结果是保持“一致性”的元素，跨越多个数据集。
l 合并：D1∪D2将具有“相同”属性的元素合并在一起。
l 投影：π(D,Attribute)在所有元素中提取特定的属性。
核心语义：数据代表“相同”的具体表现。
数学结构及其定义
l “不同”语义：信息源于对元素在一种或多种属性上的差异的识别。
l 信息转换：I是通过识别数据集D中的“差异”而生成的。
l 数学定义： I(D)={(di,dj)∣di,dj∈D and di≠dj in some attribute}
l 例如：从Dred中，可以生成“红苹果”和“红汽车”之间的“差异”（例如，I={圆形vs.矩形}）。
数学运算
l 差异映射：Δ(D)将每个对(di,dj)映射到它们的区分“不同”属性。
l 分类：C(I)根据特定的“不同”属性组织信息，例如形状、大小或功能。
a) 核心语义：知识对应于一个或多个“完整”的语义。
b) 数学结构及其定义
l “完整”语义：知识是通过将信息链接起来，以覆盖对一个概念的全面理解所需的所有方面。
l 知识网络：K是一个图，其中节点代表信息元素，边代表“完整性”所需的联系。
l 数学定义：K=(N，E)，其中N={i1,i2,…,in}，E代表有助于“完整”理解的语义关系。
l 例如：“苹果”的知识网络可能包括颜色、味道和形状的节点，以及定义“完整”理解构成苹果的边。
c) 数学运算
l Closure: Closure(K)确保知识网络覆盖所有必要的关系，以实现“完整性”。
l Expansion: E(K,I)向网络添加新节点和边，确保在整合新信息时保持“完整性”。
a) 核心语义：智慧是一种特定的“不同”语义，由人类判断选择。
b) 数学结构及其定义：
l “不同”的语义：智慧是人类对被认为重要或有价值的差异的选择，强调信息的特定“不同”方面。
l 智慧作为筛选信息集：W是通过应用人类判断来选择特定的“不同”语义从信息中筛选出来的。
l 数学定义：W=H（I），其中H代表基于道德、安全或意图等价值选择或优先考虑某些差异的人类决策函数。
l 例如：智慧可能会优先考虑信息中的“差异”，这些信息突出了安全风险，例如将“红色”识别为警告信号（例如，W={红色=危险}）。
c) 数学运算
l 选择功能：S（W，H）根据人类判断的重要程度过滤信息，强调特定的“不同”语义。
l 优化：O(W)通过专注于实现预期结果的关键差异来优化智慧（例如，优先考虑安全）。
a) 核心语义：意图代表了从输入到输出的“完整”转换，由目标引导。
b) 数学结构及其定义
l “完整”语义：意图确保输入到输出的转换完全与预期结果一致，不会遗漏任何关键方面。
l 目标作为转化：P通过目标导向的过程，将输入转化为输出，确保“完整性”。
l 数学定义：P=(Input,Output)，具有转换函数TP:Input→Output，以确保过程是“完整”的，并与预期目标一致。
l 例如：在以安全为导向的系统中，P确保所有相关数据都转化为能够充分应对潜在安全风险的知识和智慧。
c) 数学运算
l 意图对齐：G(P，K)确保知识应用实现“完全”与预期意图的对齐，其中G为意图对齐函数，P为意图，K为知识。
l 适应：A（P，W）将智慧的应用适应于确保所有关键的“不同”方面都能根据目标得到充分解决，其中A为适应函数，P为意图，W为智慧。
l 定量的相似性：让S(di)是一个函数，它量化di表现出核心属性的程度。例如，Scolor(di)=Redness(di)对于“红色”。
l 数据集表示：D是一个定量集合，其中每个元素di都具有特定的定量“相同性”。
l 数学定义：D ={di ∈ Universe ∣ Quantified Sameness(di)=Constant}
l 例如：如果“红色”在0到1的范围内量化，其中1.0代表完美的“红色”，那么Dred={di∣Scolor(di)=1.0}。
l 量化差异：Δ(di,dj)通过评估它们的量化“相同”属性之间的差异来量化“不同”。
l 关联语义：差异也源于将不同的“相同”语义关联起来，例如“红色”和“苹果”，从而创建复杂信息。
l 信息转换：I是通过量化多个“相同”语义的组合产生的“不同”语义而生成的。
l 数学定义：I(D)={(di,dj)∣di,dj∈D，且Δ(di,dj)=Quantified Difference(S(di),S(dj))}
l 举例：如果d1="红苹果"和d2="绿苹果"，那么Δ(d1,d2)=∣Scolor(d1)−Scolor(d2)∣，I(D)捕获了“红色”与“绿色”的量化差异。
l 量化完备性：当网络K代表所有必要的量化差异时，完备性就实现了，这些差异完全定义了概念。
l 知识网络：K是通过将量化“不同”的语义链接起来，创建一个“完整”的语义地图。
l 数学定义：K=(N，E)，其中N={i1,i2,…,in}，E代表量化并连接差异以创建完整性的边。
l 例如：在定义“苹果”时，K会包括定量连接颜色、味道、形状和其他属性，从而获得完整的语义理解。
4) 智慧语义量化
l 量化选择：智慧的选择过程优先考虑实现全面、价值驱动理解的关键差异。
l 智慧作为筛选的信息集：W是通过选择关键的“不同”语义来获得的，这些语义有助于获得完整的人类价值理解。
l 数学定义：W=H（I），其中H是一个基于道德或实用目标优先考虑某些量化差异的人类决策函数。
l 例如：如果上下文是安全的，智慧可能会优先考虑“安全”和“危险”之间的“差异”，基于对每个后果的完整理解。
l 定量完整性：意图确保过程捕获所有关键的定量差异和“相同”语义，以完全实现目标。
l 意图作为转化：P确保所有量化差异和“相同”语义都对最终目标做出贡献，从而保证实现完整性的过程。
l 数学定义：P=(Input,Output)，具有确保过程完整性的转换函数TP:Input→Output。
l 例如：如果意图是确保安全，P会引导转换包括所有相关的量化差异（例如，危险等级）和完整性（例如，所有安全措施）。
转换规则：I=T(D)
l 意图：将原始数据D转换为结构化信息I，同时保留数据的语义完整性。
l 数学定义：让D是一个语义属性集S={f1,f2,…,fn}的集合。转换T应该映射这个集合到一个新的空间Y，其中每个Y元素代表从D中获得的结构化和上下文信息。
l 例如：如果D={颜色：红色，形状：圆形}，那么我可能会表示信息I="红色，圆形物体"。
转换规则：K=BuildNetwork（I）
l 意图：将信息I结构化为知识网络K，其中不同信息之间的关系被建立和理解。
l 数学定义：给定一组信息元素I={i1,i2,…,in}，构建一个网络K=(N, E)，其中N代表信息元素，E代表它们之间的语义关系。
l 例如：如果I={“红色，圆形物体”，“甜味”},那么K可能代表一个网络，其中概念“苹果”与这些信息元素相关联。
转换规则：W=F(K)
l 意图：通过将道德、社会和实际考虑因素纳入决策过程来应用知识K，以实现智慧W。
l 数学定义：让K=(N，E)代表知识网络。函数F将决策标准应用于该网络，产生一组决策W={w1,w2,…,wm},这些决策反映了明智的选择。
l 例如：如果K代表关于环境因素的知识，那么W可能代表平衡经济增长与环境可持续性的决策。
2.3.4 从意图到DIKWP的相互作用 (P → D，I，K，W)
l 转换规则：P=G（D，I，K，W）
l 意图：引导数据、信息、知识和智慧的转化和应用朝着与预期目标或意图相一致的方向。
l 数学定义：意图P作为与DIKWP中的转换相互作用并对其进行修改的功能G。例如，P可能会细化转换规则T，以便生成的信息I=T(D)更符合特定目标。
l 例如：如果P代表一个目标，即最小化能耗，则G可能会调整T，以便处理的数据优先考虑与能源效率相关的信息。
l 例如：如果只观察到少数“红色”对象，系统可能会假设所有相似的对象都具有相同的“红色”属性。
l 假设相同函数Shyp(di)：该函数基于部分或不完整的观察假设数据点的相同性，抽象出可用的内容。
l 假设数据集：Dhyp={di∣Shyp(di)=AssumedConstant}
l 例如：如果系统只知道“苹果”和“梨”是水果，但缺乏它们之间差异的完整数据，它可能会根据现有信息进行假设。
l 假设差异函数Δhyp(di,dj)：该函数假设数据点之间的差异，可能填补不完整数据中的空白。
l 假设信息集： Ihyp={Δhyp(di,dj)∣di,dj∈Dhyp, 且 Δhyp(di,dj) accounts for assumed differences}}
l 例如：系统可能会假设一组关于不同水果的营养信息形成了一幅完整的画面，即使有些细节缺失。
l 假设知识网络：Khyp=(N,E)，其中节点和边基于假设的关系，从不完整或不精确的信息中构建。
l 假设完备性：系统假设观察到和假设的关系形成一个完整的知识网络，理解这一点是可修订的。
l 例如：在制定饮食建议时，系统可能会根据不完整的人的健康数据优先考虑某些营养素，形成关于什么是最关键的假设。
l 假设智慧集：Whyp=Hhyp(Ihyp)
l 假设决策函数Hhyp(Ihyp)：根据假设优先考虑某些信息，从而导致在不完整或不精确的数据下有效的决策。
l 例如：如果系统的意图是优化健康，它可能会根据不完整的健康数据假设最有效的饮食变化，即使存在不确定性，也力求取得积极的结果。
l 意图元组 Phyp=(Inputhyp,Outputhyp)：基于假设引导实现目标的过程，确保即使在信息不完整的情况下，系统也能朝着有意义的结果努力。
l 例如：如果关于一种医疗状况的特定数据缺失，系统会使用类似案例的知识来假设并填补空白。
l 当数据不完整时，系统利用现有知识来填补空白。
l 转换规则：D′=TK(K,D)
l 例如：如果关于患者症状的不同报告不一致，系统会使用原始数据（例如实验室结果）来识别和解决矛盾。
l 当信息不一致时，系统会交叉引用可用数据以解决差异。
l 转换规则：I′=TD(D,I)
l 例如：如果出现新的数据，这些数据与之前持有的知识相矛盾（例如，新研究推翻了旧的医学理论），系统会相应更新其知识库。
l 系统会持续测试和验证知识，以识别并删除无效或过时的知识。
l 转换规则：K′=VD(D,K)
l 例如：如果传感器读数的精度较低，有关环境或条件的额外信息可以帮助细化数据，使其更加准确。
l 信息用于通过提供上下文或最初未测量的附加属性来增强数据的精度。
l 转换规则：D′=RI(I,D)
核心语义：数据代表通过有限观察理解的“相同”的具体表现。
精细化方法：
l 概括的相似性：系统应该认识到任何定量的“相似性”都是从有限的数据点中抽象出来的。它在假设这些点代表更广泛但不确定的现实的基础上运作。
l 数学表示：D 包含共享核心属性的元素 di，但该属性被识别为基于有限观察的“相同”的抽象表示。
2. 信息（I）：不确定性下的差异表示
核心语义：信息对应于一个或多个“不同”的语义，从有限的数据点中抽象出来。
精细化方法：
l 概念化差异：差异被识别，但系统承认这些是从有限的比较集中抽象出来的，代表了一个不确定的现实。
l 数学表示：I(D)={Δ(di,dj)∣di,dj∈D,abstracted from limited observations}。
3. 知识（K）：通过假设和抽象来表示完整性的表示。
核心语义：知识对应于“完整性”，理解为基于有限数据的假设，并抽象表示更广泛的不确定性。
精细化方法：
l 假设完备性：系统通过假设观察到的关系代表了对有限数据的完整理解而生成知识。
l 数学表示：K=(N，E)，其中N和E代表形成“完全”网络的节点和边，但这种完全性是基于可用数据的抽象。
4. 智慧（W）：人类决定的信息与公认的抽象
核心语义：智慧涉及选择对实现完整至关重要的差异，同时承认人类判断固有的抽象性。
精细化方法：
l 摘要智慧：智慧是通过选择和优先考虑信息而获得的，但系统认识到这些决策是基于抽象的表示，而不是绝对真理。
l 数学表示：W=H（I），其中H反映了人类意识到了自己的抽象过程的判断。
5. 意图（P）：在抽象范围内的目标导向语义
核心语义：意图引导系统实现完整性和一致性，但必须在抽象和不确定性范围内。
精细化方法：
l 目标驱动的抽象：系统旨在通过引导抽象过程来实现其意图，认识到它在有限观察的不确定性中运作。
l 数学表示：P=(Input,Output)，其中TP:Input→Output是一个抽象过程，旨在实现实用的，如果不是绝对的，完整性。
图1. TRIZ的哲学、方法论和工具分类
如图1所示，随着TRIZ相关理论的发展，其TRIZ的工具或者方法多种多样，这意味着探索解决方案的使用者也拥有更多的选择，然而由于TRIZ可供使用及其衍生的工具或者方法论过于繁多，这导致TRIZ的初学者或者对当前创新领域经验不足的人在缺乏指导的情况下难以上手使用。此外，经典TRIZ的发明原理已经囊括了现有的发明创新过程，这使得使用者的创造性思维或者方法在概念上受限，不利于适应当今的创新过程，需要将创新理念从概念到语义上进行迁移创新。此外，TRIZ发明原理对于处理不完整、不一致和不精确（3-N）的输入较为复杂，构建矛盾矩阵的参数存在3-N的情况会越来越多，这使得矛盾矩阵构的构建也会出现不完整、不一致和不精确的情况，这将可能导致输出内容的解与原意图的目标解产生偏离从而导致输出解决方案与最初意图不一致的情况发生。
我们总结了当前经典TRIZ方法的不足之处：
(1) 怎么克服TRIZ对传统经验的路径依赖，从概念到语义上激发更多创造思维？
(2) 如何在经验不足情况下的进行创新创造？
(3) 如何强调TRIZ的人本价值和认知深度，以适应当代以人为本的创新追求？
1) 通过大模型辅助降低TRIZ使用门槛，同时通过DIKWP-TRIZ使得TRIZ能够用于其他非工程领域中。
2) 通过DIKWP消除TRIZ发明原理在实际应用中的冗余，使得通向目标解的路径复杂度降低。
3) 从以人为本价值观念出发，在构建DIKWP-TRIZ创新解决方案时能够充分考虑人本价值。
1) 基于DIKWP和语义数学，研究和实现其对应的语义和其运算关系、交互规则和语义量化。
2) 借助语义数学将输入内容转化为DIKWP进行处理，构建3-N情况下到非3-N情况的DIKWP*DIKWP映射关系（针对问题1）。
3) 根据映射关系，将概念创新上升到语义创新，在价值与意图的驱动下搜索新的解决方案构建成DIKWP语义内容（针对问题1、2、3）。
4) 将DIKWP语义内容借助人工智能大模型等其他手段生成创新内容（针对问题2、3）。
总体设计方案如下图2所示，用户在使用DIKWP-TRIZ创新方法系统时候，将其自身创新需求输入到系统，在接入人工智能大模型的辅助下对现有的TRIZ创新方案进行检索并转化为DIKWP内容资源。我们基于语义数学的方式将DIKWP内容进行处理并输出，搜索其DIKWP内容资源中的数据语义、信息语义、知识语义、智慧决策和意图处理的可能性并构建对应的创新语义，最后再通过内容生成将创新解决方案生成。
图2 总体设计方案
我们通过文献调研总结出有四种类型，一个是经典TRIZ、现代TRIZ和一个语义TRIZ和DIKWP-TRIZ就是我们自己提出来的。经典TRIZ、现代TRIZ它就是过去从经典TRIZ过渡到现代TRIZ主要是为了解决TRIZ工具不足的问题，但是它加入一些其他工具可能会加提升了一个TRIZ的复杂性。而导致我们的上手难度上升，并且会导致初学者也比较难以运用。而语义TRIZ呢是随着人工智能的发展，他们基于专利文本和数据挖掘去构建出来的一个NLP模型。那么它就是能通过文本的词嵌入、内容嵌入，从而通过一些专业领域去搜索其对应的单个部分或部分创新的一个任务。它这个执行过程是不透明，因为它只能是单纯的预测一些内容，而不是说真正进行创新，因为还是没突破TRIZ方法的限制。
方法 | 经典TRIZ | 现代TRIZ | S-TRIZ | DIKWP-TRIZ |
学习成本 | 较高 | 高 | 中 | 低 |
提供工具/方法 | 39个通用参数、40条发明原理、76个标准解等 | 除了经典TRIZ提供的外，还加入了6σ、QFD等方法或工具 | 专利文本挖掘，专利内容和解决方案内容嵌入等 | 语义数学，人工智能大模型 |
适用场景 | 工程技术领域 | 工程技术+服务领域 | 工程技术+服务领域 | 工程技术+服务领域 |
优势 | 提供问题解决方案的基础，效率高 | 使用场景广，可选择的工具多，可以集成多种方法 | 上手成本低，能够预测创新趋势，识别潜在机会 | 上手成本低，基于大模型+DIKWP语义数学构建，强调意图驱动与人本价值 |
不足 | 适用场景少，过于强调产出，缺少人本价值 | 工具方法过多、上手困难，初学者学习成本高、寻找创新路径代价高 | 单个模型/算法只能适用于单个或部分创新任务、执行过程不透明 | 需要借助外部数据源对大模型生成内容进行预处理 |
表1-当前主流TRIZ方法对比表
图3说明了使用经典TRIZ理论解决问题的过程。蓝色箭头代表认知过程，相邻的标签表示这一认知过程中涉及的方法或途径。很明显，传统的TRIZ方法在很大程度上依赖于概念或层次抽象来构建问题并找到解决方案。然后，认知过程发生在认知空间内，将一般解决方案转化为特定解决方案，通常是通过反复试验，直到问题得到解决。构建实验验证矛盾矩阵的变化条件以及将通用问题解转化为特定问题解消耗时间，并且这个过程也是经过认知主体的认知活动以及行为去进行的。而DIKWP-TRIZ相比之下，图4显示了DIKWP-TRIZ方法下的问题解决过程。使用DIKWP理论，认知主体为3-N问题构建了一个DIKWP-处理模型。我们开发了25种转换方法，将DIKWP内容映射到DIKWP’（如图4的左下角所示），以解决3-N问题。然后我们也可以利用该模型找出对应的TRIZ发明原理（如果能够完整映射）。这种方法通过将基本的问题解决语义映射到概念来增强TRIZ的适用性，从而扩展了创新思维空间，将创新的认知过程从概念上升到语义。
图3 经典TRIZ解决流程
图4 DIKWP-TRIZ解决流程
对于图3，我们可以通过下面的形式化表达来进行描述：
其中��为认知主体，����为矛盾矩阵，��为矛盾参数，��代表认知活动过程��_�� 对��_��的影响函数，��_�� 代表认知活动，��为映射模型，代表针对于构建出的矛盾矩阵����能够根据TRIZ方法论搜索通用解决方案。
而对于图4我们可以使用下面的表达来描述其过程：
’为化的认知主体， 和代表DIKWP到DIKWP内容转化元素，为DIKWP转化进行认知过程，而代表这个过程的映射关系。为的集合，��’为映射模型，代表针对于构建出的映射关系，能够根据DIKWP-TRIZ方法论搜索解决方案。
假设我们有一个家庭智能灯光系统，该系统允许用户通过智能手机应用程序（App）或语音助手（如Amazon Echo、Google Home等）远程控制家中的灯光亮度。此系统的设计初衷是为了提供便利性和个性化体验。
l 经典TRIZ方法的分析过程：
问题识别：当前的智能灯光系统缺乏一种机制，能够根据环境光线的变化自动调整灯光亮度。因此用户常常需要导致手动调节，这导致用户体验不佳，并且未能最大化能源效率。
技术矛盾：一方面，用户可能希望减少手动调节灯光亮度的频率，以获得更加便捷舒适的居住体验以及降低能耗；另一方面，实现这一目标需要在系统中加入额外的组件（如光线传感器），这可能增加系统的复杂性。
矛盾矩阵分析：
我们不难看出，在表2中的矛盾矩阵对应的发明原理，如何经验不足的情况下如何将通用解迁移到特定解？如何确定哪些解是最优解？
改善参数/恶化参数 | 适应性 | 系统复杂性 |
适应性 | 略 | |
系统复杂性 | 略 | 略 |
表2-矛盾矩阵表，内容为改善或者恶化参数对应的发明原理
分割原理：将灯光系统内的各个模块分开，使其独立工作并执行不同的功能，例如传感器负责采集光线，输出到灯光控制模块，灯光控制模块根据传感器传输的内容调整灯光输出亮度，最后再输出到发光模组。（副作用：这样可能会导致鲁棒性差，还会造成额外设计的冗余）
局部特性：使灯具能够根据它们所处的位置自动调整亮度，而不是让所有灯具都保持相同的亮度。（副作用是增加了设备成本和系统响应时间；在环境变化频繁时，自动调整可能会引发不必要的亮度波动，干扰用户）
不对称：设计不对称的灯具或控制模式，以实现更精确的光线控制，减少能源浪费（副作用是不对称的光照模式可能会影响用户的视觉体验，造成光线分布不均匀，甚至引起视觉疲劳）。
周期性动作：灯光亮度根据日出日落的自然周期自动变化，无需手动调节，进一步提升智能化体验和能源效率。（副作用：不稳定的环境光线变化可能与系统的周期性动作产生冲突，导致亮度调整不符合实际需求；在突然变化的环境中，周期性调整可能无法跟上变化速度）
自助服务：让用户通过语音助手或App进行更多的自定义设置，如设置不同的灯光模式（如工作、休息、阅读模式）（副作用：设置过于复杂，可能需要较高的学习成本；用户可能会在不小心的情况下设置不合理的模式，影响日常使用）
取代机械系统：采用电子调光器和智能传感器替代传统的机械开关，提升控制精度和响应速度。（副作用：电子设备故障或停电时系统可能无法正常工作；电子元件增加了维护和更换的成本）
热膨胀：可能无法应用于该场景，为冗余发明原理。
然而，基于TRIZ开发的灯光系统真的能减少用户的操作吗？
可能出现的问题有：
1. 系统自动调节的亮度可能与用户的认知感受不匹配，用户每次还是需要手动调节到最适应自己的亮度。
2. 系统的自动模式并未考虑用户动态感受的变化而自动调整亮度及功耗，单纯地根据传感器自动调节亮度并不能使得用户获得更好体验，反而增加了购买成本和学习成本。
l DIKWP-TRIZ方法的分析过程：
问题识别：当前的智能灯光系统缺乏一种机制，能够根据环境光线的变化自动调整灯光亮度，导致用户体验不佳，并且未能最大化能源效率。
数据（相同语义）：室内亮度，灯光的亮度，用户调节的亮度，时间，灯光系统功耗，系统自动输出的亮度
信息（不同语义）：同时间下室内不同光线强度，同时间下的输出不同光线强度，同时间下的用户输入不同亮度，用户调节与系统默认调节的亮度差距等。
知识（完整语义）：灯光系统能耗比，用户对光线的感受等。
智慧（智能决策）：缩小用户调节与系统默认调节的亮度差距，根据时间调节亮度以调节功耗等。
意图（意图处理）：
输入：室内亮度，灯光的亮度，用户输入亮度，时间等
输出：用户调节亮度，系统自动输出亮度，灯光系统功耗等
l DIKWP-TRIZ方法的分析过程：
所以，根据之前的DIKWP的分析，我们可以构造一个系统自动输出亮度：
其中：
为自动调控模型，其模型内部通过三个输入控制。
为获取的室内光线强度 ，数据来自于传感器。
代表的是用户模型，表示用户在t时间下，光线强度为做出的手动调控。
代表的是上一调整窗口输出的光线亮度。
代表默认选择模型，例如频度模型、平均模型等。
则为输出亮度的最低亮度默认值。
动态学习和优化过程：
其中：
为输出光线强度。
为上一时间窗口的时间。
为获取的室内光线强度 ，数据来自于传感器。
代表的是用户模型，表示用户在t时间下，光线强度为做出的手动调控。
l DIKWP-TRIZ方法的3不问题的分析：
1) 不一致
数据 | 信息 | 知识 | 智慧 | 意图 | |
数据 | 用户输入光线强度对应的功耗与过去的功耗不一样 | 同样条件下输出的亮度与历史输出亮度不一样 | 灯泡可能存在异常工作的情况 | 当前时刻用户调控与过去模型自动输出偏差过大 | 违背节能意图 |
信息 | 平均模型与频度模型在t时间下的方差过大 | 略 | 略 | 短期用户调控导致自动输出最佳预设受到影响 | 略 |
知识 | 传感器收集光线强度与真实情况不符 | 略 | 略 | 用户模型最佳输出光线强度受到影响 | 略 |
智慧 | 略 | 不同时间下系统调节亮度与过去不一致 | 略 | 略 | 系统输出最佳亮度与用户设想不符 |
意图 | 用户模型输入光线调控与系统输出不同 | 略 | 多次动态调整影响灯泡寿命 | 用户多次调整亮度影响用户模型 | 略 |
表3-基于DIKWP-TRIZ发明原理构建家庭智能灯光系统中不一致的情况
2) 不完整
数据 | 信息 | 知识 | 智慧 | 意图 | |
数据 | 传感器对于上个时间窗口收集的数据缺失 | 数据缺失影响相同时间下的语义差异比较 | 略 | 传感器收集数据缺失导致系统输出光线亮度异常 | 传感器数据内容缺失导致用户频繁调整输入光线亮度 |
信息 | 平均模型的方差过大 | 略 | 略 | 短期用户调控导致自动输出最佳预设受到影响 | 略 |
知识 | 用户模型缺少某些时刻的最佳预设输出光线强度 | 略 | 略 | 略 | 用户模型输出最佳光线出现抖动 |
智慧 | 输出光线强度不是最佳 | 相同条件下输出最佳光线强度与过去不同 | 略 | 略 | 系统输出最佳亮度与用户设想不符 |
意图 | 模型输出数据影响下一次调控输入 | 模型输出内容影响下次不同时刻 | 灯泡等元器件寿命受到影响 | 最佳光线强度输出动态调整幅度过大影响用户感受 | 略 |
表4-基于DIKWP-TRIZ发明原理构建家庭智能灯光系统中不完整的情况
3) 不精确
数据 | 信息 | 知识 | 智慧 | 意图 | |
数据 | 传感器输出时间窗口不一样 | 同样条件下输出的亮度与历史输出亮度不一样 | 传感器工作异常 | 默认输出亮度不节能 | 当前时刻用户调控与过去模型自动输出偏差过大 |
信息 | 平均模型时间窗口不精确导致差异分析一场 | 略 | 略 | 短期用户调控导致自动输出最佳预设受到影响 | 略 |
知识 | 略 | 相同条件下用户调整的光线强度不一致 | 略 | 略 | 略 |
智慧 | 输出光线强度不是最佳 | 不同时间下系统调节亮度与过去不一致 | 略 | 略 | 系统输出最佳亮度与用户设想不符 |
意图 | 输出光线强度异常 | 同时间下室内不同光线强度无法比较 | 略 | 影响用户模型的自动输出光线强度 | 下一次调整后输出光线强度异常 |
表5-基于DIKWP-TRIZ发明原理构建家庭智能灯光系统中不精确的情况
目前以及正在对DIKWP语义生成内容进行研究，已经完成了对语义数学的定义与案例实现和DIKWP元素本身的概念定义内容，形成了相关国际标准文档。其DIKWP内容资源处理过程图5所示，首先系统将会对用户输入的检索内容及其检索结果进行预处理，形成原始数据（Raw Data）然后再将原始数据使用基于语义数学的内容交互与转化，其中包含了DIKWP语义操作，DIKWP资源转化，3-N问题的处理等，得到对应的数据语义、信息语义、知识语义、智慧决策和意图处理，根据其各自DIKWP语义元素，构建DIKWP语义转化关系的映射集合，将已有的TRIZ解决方法上升到语义层面在认知空间中进行处理。
图5-利用DIKWP语义数学处理输入内容
目前已经完成的工作内容如下表6所示，
主要设计内容 | 完成情况 |
接入大模型检索 | 已完成 |
语义数学理论研究 | 已完成 |
DIKWP处理 | 正在进行 |
语义交互生成 | 正在进行 |
DIKWP-TRIZ创新系统开发 | 正在进行 |
表6-已完成的工作及其他工作进展
在图7中，我们通过下面输入待解决问题的内容进行输入，然后点击右下角的发送按钮。接着在图8和图9中我们能够获取到基于经典TRIZ返回的解决方案，我们基于对话内容返回的解决方案内容构建出图8右边中的DIKWP语义内容，其中灰色是数据语义、蓝色的信息语义、绿色是知识语义、红色是智慧以及黄色对应的是意图。
图7-待解决内容输入
图9-TRIZ解决方案生成
图8-TRIZ解决方案生成
图10-DIKWP语义关系的交互分析与构建
图11-基于语义关系分析与处理后得到的DIKWP-TRIZ创新内容
图12-DIKWP-TRIZ下的创新方法对应的DIKWP*DIKWP转化展示
我们针对DIKWP-TRIZ与TRIZ创新方法使用一种或者多种创新或者发明专利进行分析。
l 分析实验步骤和流程：
1) 利用TRIZ发明原理将人工智能的相关发明创造构建出对应的创新原理解决方案。
2) 将创新原理解决方案转化成DIKWP之间的映射转化，形成DIKWP语义空间。
3) 接着利用DIKWP-TRIZ方法将人工智能的相关发明创造构建出对应的创新原理解决方案，即直接映射成对应的DIKWP转化。
4) 分析使用TRIZ发明原理与DIKWP-TRIZ发明原理之间的差异性，得出对应的实验结果，验证DIKWP-TRIZ与TRIZ方法的差距。（表7为比较分析表，从DIKWP五个角度进行分析评价）
l 实验数据分析内容：
1) 利用将TRIZ与DIKWP-TRIZ转化成DIKWP内容后，对其相同语义、不同语义、完整语义进行分析。获取对应的数量及其关系。
2) 从以人为本的价值观出发，构建TRIZ方法中筛选路径对人危害最小的解决方案对应的DIKWP内容，求解出指挥决策路径。分析DIKWP-TRIZ与TRIZ在筛选决策路径过程中的复杂度。
3) 求解TRIZ方法转化为DIKWP内容过程中的冗余与重叠，在意图的驱动下构建出对应的完整创新的DIKWP路径，体现出DIKWP-TRIZ分析过程的优越性。
目前这是初步实验设计思路，后续还需要等DIKWP模型构建完毕再能直接进行实验，希望各位老师批评指正。
TRIZ案例内容 | TRIZ下的DIKWP转化内容 | DIKWP-TRIZ下的DIKWP转化内容 |
案例内容 | Data | Data |
Information | Information | |
Knowledge | Knowledge | |
Wisdom | Wisdom | |
Purpose | Purpose |
表7-TRIZ与DIKWP-TRIZ解决方案对案例到DIKWP转化的分析表（模板）
第一章 绪论
1.1 研究的背景和意义
1.2 国内外研究现状
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 研究的技术路线
1.4 论文组织结构
1.5 本章小结
第二章 相关技术研究综述
2.1 DIKWP模型
2.2 DIKWP语义数学
2.3 TRIZ发明原理概述
2.3.1 经典TRIZ
2.3.2 现代TRIZ
2.3.3 Semantic TRIZ
2.3.4 其他TRIZ发明原理
2.4 TRIZ其他工具概述
2.4.1 TRIZ-GPT
2.4.2 IWB创新软件
2.4.3 Effects Database
2.5 本章小结
第三章 基于TRIZ的DIKWP转化
3.1 引言
3.2 TRIZ在DIKWP上的映射
3.3 TRIZ发明原理的冗余分析
3.5 TRIZ发明原理的副作用的DIKWP分析
3.6 本章小结
第四章 DIKWP-TRIZ的发明创新方法设计
4.1. 引言
4.2 DIKWP-TRIZ发明原理
4.3 3-N问题的分析与处理
4.3.1 3-N问题概述
4.3.2 不一致输入情况下的分析与处理
4.3.3 不精确输入情况下的分析与处理
4.3.4 不完整输入情况下的分析与处理
4.4 DIKWP-TRIZ的优化算法
4.4.1 TRIZ发明原理的冗余与不一致消除
4.4.2 TRIZ发明原理的优化筛选
4.5 本章小结
第五章 DIKWP-TRIZ发明创新系统构建与实现
5.1 引言
5.2 前端用户界面设计
5.3 后端技术实现与构建
5.4 DIKWP语义内容识别
5.4.1 基于语义数学的DIKWP 内容识别算法
5.4.2 大模型接入输入输出控制
5.4.3 DIKWP语义控制输出
5.5 系统相关模块设计
5.5.1 DIKWP语义处理模块
5.5.2 大模型接入模块
5.5.3 DIKWP-TRIZ算法处理模块
5.5.4 其他模块设计
5.6 本章小结
第六章 实验与结果分析
6.1 实验环境
6.1.1 硬件环境
6.1.2 软件环境
6.2 实验结果分析与比较
6.2.1 引言
6.2.2 DIKWP转化的完整性分析
6.2.3 副作用量化DIKWP分析
6.2.4 3-N情况下处理能力分析
6.2.5 冗余性分析
6.3 本章小结
致谢
参考文献
1) 会议论文：Wu K, Duan Y, Chen L, et al. Computer Architecture and Chip Design for DIKWP Artificial Consciousness[C]//2023 IEEE International Conference on High Performance Computing & Communications, Data Science & Systems, Smart City & Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2023: 1083-1090.
2) SCI 论文：Wu K, Duan Y. Modeling and Resolving Uncertainty in DIKWP Model[J]. Applied Sciences, 2024, 14(11): 4776.
3) Wu K, Duan Y. DIKWP-TRIZ: A Revolution on Traditional TRIZ towards Invention for Artificial Consciousness（在投）
参与制定《DIKWP Conceptualization Semantics Standards Version 1.0》（已完成）
参与制定《DIKWP Semantic Mathematics Standard》（已完成）
1) 将DIKWP-TRIZ方法生成的创新语义内容用于创新方法和解决方案的自动化生成，利用大模型等工具来优化和完善概念内容，确保其输出不仅强调认知深度，还导向具有高价值的发明创新解决方案。
2) 开发和完善基于DIKWP-TRIZ创新方法的系统，系统除了提供一个友好的用户界面以促进良好的互动体验外，还将集成剩余未完成的模块和功能，从而使系统能够实现DIKWP-TRIZ方法中解决方案的自动化生成。
图11-DIKWP-TRIZ下的创新方法对应的DIKWP*DIKWP转化展示
https://wap.sciencenet.cn/blog-3429562-1456616.html
上一篇：DIKWP-TRIZ发明创新方法中期汇报实录（补充）
下一篇：DIKWP人工意识白测评标准化及实践中期汇报实录（补充）
