段玉聪

摘  要： 传统标准化体系因分散制定模式造成标准之间的语义割裂与目标失焦，严重阻碍了数据驱动和智能化时代的系统协作与创新发展。本文提出利用网状DIKWP模型（数据-信息-知识-智慧-意图）对标准化体系进行系统性重构。首先分析了当前分散式标准体系在数据、信息、知识、智慧和意图各层面存在的问题，包括语义冲突、系统割裂和目标失焦。随后介绍DIKWP模型的理论基础，指出其通过从数据到意图的全链路认知框架，能实现标准间的语义统一和目标导向的一致性。结合医疗信息系统与工业智能制造两个典型案例，进一步阐释了基于DIKWP模型的标准统一建模机制，并提出了相应的实践路线与政策建议，以实现标准体系的动态适配和高效演进。研究成果为构建适应未来高维复杂系统需求的新型标准体系提供了理论基础与实践路径。

关键词： 标准化体系；DIKWP模型；语义统一；动态适配；网状结构

中图分类号：TP18   文献标志码：A    

标准化在现代技术和组织管理中扮演着关键角色，它通过制定统一的规范来确保不同系统、机构之间的协同与互操作性[1]。在传统模式下，各领域往往由不同部门或组织各自制定标准，这种分散式的标准化体系虽然在一定程度上满足了局部需求，但也带来了明显的问题。尤其在当今数据驱动、智能化的时代，不同行业和层面的标准缺乏统一的认知和驱动机制，导致标准之间互相冲突、彼此牵制，甚至逻辑割裂，制约了标准作为技术与组织生产力引擎的作用。

经典的信息科学理论提出了数据-信息-知识-智慧（DIKW）模型，用于描述从原始数据到智慧决策的认知演化过程[2]。近年来，为了解决认知与决策过程中的意图缺失问题，学者们在DIKW模型基础上引入了更高层次的“意图”（Purpose），形成了数据-信息-知识-智慧-意图（DIKWP）模型。DIKWP模型不仅增加了“意图”这一主观驱动力层次，而且将原有线性层次结构拓展为动态网状结构，允许任意两个层级之间的直接转换和反馈[3]。这一创新为我们思考标准化体系的统一协调提供了全新视角。

本文将深入探讨传统分散式标准体系在缺乏统一认知与驱动机制（如DIKWP模型）下所面临的系统性弊端[4]。首先分析当前标准制定过程中对数据（D）、信息（I）、知识（K）、智慧（W）、意图（P）等不同层面的标准化缺乏一致性与联动性所引发的问题，包括标准冲突、相互牵制以及整体目标的失焦。接着，引入DIKWP模型的原理，阐明其在实现标准语义统一、目标一致及动态适配方面的系统性优势。文中将结合典型案例（如医疗信息系统标准冲突、工业智能制造标准割裂），具体剖析传统标准碎片化的危害，并展示DIKWP视角下解决问题的思路。在此基础上，提出基于网状DIKWP模型的标准统一建模机制，探讨以“意图(P)层”为引领协调DIKW各层标准的方法，以及该模型支撑意图驱动、反馈联通、演进闭环的新型标准机制的实现路径。最后，本文提出实践路线和政策建议，并对未来标准化治理在智能化高维复杂系统背景下的发展进行展望。

长期以来，我国以及全球的标准制定采取多主体分散推进的模式，不同层级和领域各自为政。这种模式下形成了庞杂却彼此割裂的标准体系。例如，截至2015年，我国现行国家标准、行业标准、地方标准总数已达10万项，覆盖经济社会各领域。然而，由于缺乏统一的统筹，不同主体制定的标准出现了大量交叉重复和矛盾：仅名称相同的标准就有近2000项，一些标准的技术指标不一致甚至相互冲突[5]。这种情形直接导致企业在执行标准时无所适从，也造成政府制定新标准时重复劳动、资源浪费，甚至执法尺度不一。正如国务院标准化改革方案所指出的：“标准交叉重复矛盾，不利于统一市场体系的建立”，必须增强标准的统一性和权威性。

造成上述标准割裂现象的根源在于缺乏统一的认知框架来指导标准制定。不同标准制定机构往往只关注自身领域或管辖范围内的需求，对于标准涉及的概念、数据定义、指标体系缺乏全局一致的理解。例如，一个部门制定的数据标准可能采用了一套术语和定义，而另一部门制定的信息或知识标准则采用另一套术语，二者未能在语义上对齐。这导致标准之间语义不统一，难以兼容。当跨领域合作或系统集成时，不同标准的概念冲突就会浮现，表现为逻辑上的割裂：同一对象在不同标准中定义各异，使得系统对接时需要大量人为协调甚至无法对接[6]。

此外，各标准制定过程往往各有侧重，服务于不同的意图(P)，缺少共同的目标牵引。例如，有的标准偏重安全监管，有的偏重效率提升，有的旨在国际贸易互认。这些不同意图如果没有上位统一目标加以协调，极易造成整体标准体系目标的失焦[7]。标准体系本应服务于更高层次的战略目的（例如产业升级、社会福祉提升等），但现实中由于各部分标准各自为政，全局目标被局部目标取代或弱化，标准体系无法形成合力发挥应有作用。这种目标迷失进一步加剧了标准间的矛盾和低效。

从信息的不同层次来看，传统标准体系在数据、信息、知识、智慧、意图各层面均存在各自为政的情况：

1. 数据层（D）

数据标准通常定义数据的格式、编码和结构。例如，不同行业或地区往往制定各自的数据字典、编码规则。然而缺乏一致性导致数据层面首先出现碎片化问题。以医疗领域为例，由于缺乏统一的数据标准，同一家医院内部可能存在多个信息系统，每个系统对数据类型、术语概念的定义各不相同，患者数据难以整合利用[8]；不同医院间即便使用同一类别的信息系统（如医院信息系统HIS），其数据格式也不兼容。正如一份提案中指出：“当前医疗数据缺乏统一标准。同一家医院有众多系统，不同系统之间术语、概念、数据类型定义各不相同，造成各系统患者数据自成体系，无法整合利用；或不同医疗机构之间同一系统的数据也各不相同”。数据层标准的不统一直接造成信息孤岛和数据无法共享的局面。

2. 信息层（I）

信息标准涉及信息交换的格式、协议和流程。例如，在医疗信息交换中，本应采用统一的通信协议（如HL7）和信息结构标准[9]。然而各厂商各地区实际采用的标准可能不同甚至私有，导致信息难以有效流动。在县域医疗共同体中，不同医院使用不同厂商的信息系统，出现“数据格式、标准不统一、系统架构异构”的问题，严重阻碍了医联体内的数据互联互通。信息层标准不统一使得即便数据收集齐全，也难以交换共享，形成系统割裂。

3. 知识层（K）

知识标准指的是领域知识的表示和组织方式，例如术语体系、分类本体、知识库结构等。传统上，不同行业或学科会发展各自的知识体系和标准术语，彼此缺少映射。例如医疗领域不同科室、不同科研团队可能各自维护疾病分类、诊疗规范，工业领域各子行业也有各自的工艺知识标准。这导致知识层面的割裂：知识难以复用迁移，跨领域合作时因为知识表示不一致而沟通障碍。更严重的是，如果知识标准与数据、信息标准脱节，那么从数据中提取信息、再升华为知识的过程将无法基于统一语义进行，机器难以自动将不同系统的数据转化为有用知识。

4. 智慧层（W）

智慧对应决策和策略层面的标准，例如业务流程标准、最佳实践规范、决策支持算法标准等。智慧层标准往往更偏向指导如何应用知识做出决策。在传统体系中，各组织根据自身经验制定内部流程标准，这些智慧层面的标准在不同组织和领域之间差异巨大，难以互相借鉴。并且智慧层标准通常依赖于特定的知识和信息背景，如果下层知识、信息标准不同，上层智慧决策规范也很难在另一个环境中适用。这种层面的逻辑割裂表现为：明明都是解决类似问题，不同地方的解决方案标准却截然不同，难以评估优劣和推广先进经验。

5. 意图层（P）

目的或意图层面的标准可以理解为战略目标、评估指标体系等。目前很少有明确的“意图层标准”，更多是隐含在政策或使命宣言中。不同机构在制定标准时服务的最终目的可能各不相同，例如商业机构重视盈利效率，监管机构重视安全合规，科研机构则重视开放共享。缺乏统一的顶层意图，使得下位各层标准很容易各行其是。如前所述，没有共同牵引的标准体系会失去焦点：有的追求性能最大化，有的追求安全最大化，结果整个体系无法兼顾综合目标。这种现象正是传统标准体系“目标失焦”的体现。

综上，传统标准体系由于在D、I、K、W、P各层缺乏一致性和联动性，导致了系统性弊端：

1. 标准冲突与牵制

不同标准对同一事物规定不一致，实施一个就可能违背另一个。企业难以同时满足多套标准要求，只能妥协甚至放弃部分标准，这削弱了标准的应有作用。标准之间互相牵制还表现在，当试图升级某一标准时，其他相关标准的不配合会成为阻力，造成标准体系演化的停滞。

2. 语义不统一与逻辑割裂

由于缺乏统一认知框架，不同标准使用的术语、定义存在差异甚至矛盾，形成语义孤岛。各标准间缺乏逻辑关联，上下游衔接出现断点，整体体系呈碎片化、割裂状态，无法形成端到端贯通的标准链路。这种碎片化在高度依赖数据和信息集成的领域危害尤甚，例如医疗大数据由于各系统概念不统一，大量患者诊疗数据无法高效服务于科研和临床。

3. 目标迷失与低效

由于各层标准各自追求不同意图，标准体系缺少共同愿景，整体目标失焦。这导致标准无法发挥应有的生产力解放作用。理论上，标准化应提升效率、降低交易成本、促进创新。然而当标准体系支离破碎时，企业和组织为适应不同标准付出了巨大成本，创新也受制于复杂的标准环境，效率不升反降。例如，某新兴行业如果缺失统一标准，各厂家各用各的规范，不仅市场鱼龙混杂难以形成规模，而且企业为兼容不同标准投入过多精力，核心创新受阻。

可以看出，传统分散式标准体系的问题已成为制约技术进步和产业协同的瓶颈。在智能化和高度互联的新时代，继续沿袭碎片化标准模式将难以为继。我们迫切需要新的理论和方法来统一标准体系的认知与驱动机制，为标准化工作注入系统性、一致性的灵魂。下面将介绍的DIKWP模型，正为解决这一难题提供了可能的答案。

DIKWP模型是对经典DIKW（金字塔）模型的扩展和重构，其核心是在数据、信息、知识、智慧四层认知过程之上，加入了意图（Purpose）这一最高层。如段玉聪教授等人所定义，DIKWP模型将人工智能或认知过程划分为五个层级：数据（D）、信息（I）、知识（K）、智慧（W）和意图/目的（P）。这五个层级构成了一个从感知原始数据到最终实现目标意图的全链路认知流程[10]。与线性的DIKW金字塔不同，DIKWP模型更加强调层级之间的动态交互和反馈，被形象地称为“网状DIKWP模型”或“DIKWP网馈模型”。在DIKWP框架中，任何两个层级之间都可以直接转换，并非只能逐级上升或下降。理论上存在的转换组合，即25个潜在的转换模块，每个模块表示从层级X到层级Y的转换（记作，其中）。这种全面连接使得DIKWP成为一个高度灵活的认知网络：信息既可以自下而上聚合为知识、智慧，也可以自上而下由意图来筛选影响下层的信息处理，还允许在同层级或跨层级间横向转换。

DIKWP模型的引入，突出强调了决策目的（意图）在整个认知过程中的重要作用。过去的AI或信息系统往往只关注从数据到智慧的过程，而把最终目标看作外生的固定条件。DIKWP则把意图提升为内部一环，将主观意图与客观认知过程相结合，使系统具有根据意图来调整自身认知路径的能力。这一改变具有重大意义：在不确定环境中，缺乏明确意图会导致认知过程的盲目性和不稳定性，而引入意图层能够为认知活动提供方向性的引导和约束。正如有研究指出，在DIKWP框架下，AI模型的知识可以视为分层组织的：底层是数据处理，其上是信息提取，再上是知识整合，更高层形成智慧决策，而最顶层由意图来引导整体方向。意图层相当于为整个系统设定了北极星，确保各层级的运作不偏离最终追求的目标。

同时，DIKWP模型的网状结构带来了全新的语义融合和反馈机制。由于任意层级间皆可转换，意味着高层的智慧或意图可以直接作用于低层数据和信息处理，反过来底层的数据变化也可直接影响高层意图的调整。这种双向互动形成一个闭环的、自适应的认知系统。相比传统单向的DIKW金字塔，DIKWP模型更接近人类复杂认知过程：我们会因为目标的改变而重新审视已有知识信息，也会因获取新数据而调整原先的计划意图。通过将这种反馈融入模型，DIKWP能够处理语义不完整、不一致和不精确等不确定性问题，并保持各层语义的一致性。研究表明，借助DIKW概念体系将知识图谱扩展为相互关联的DIKWP图谱体系（包括数据图谱、信息图谱、知识图谱、智慧图谱和意图图谱），可以将主观与客观的各种资源映射在一起，从而在形式化语义空间内解决不同来源知识的不一致问题。

DIKWP模型的系统性优势可以概括为以下几点：

1. 全链路语义统一

从数据到意图的所有层级都在同一框架下进行定义和转换，消除了各层概念孤立的情况。每一层的元素都可以在另一个层级找到对应的映射或投影（通过模块实现），从而保证语义上的衔接。例如，在DIKWP框架下可以定义一组统一的概念，使得数据层的字段、信息层的消息、知识层的概念乃至智慧层的决策规则，都围绕这些概念展开，彼此映射一致。语义统一是解决标准矛盾冲突的基础，因为只有在统一语义下，不同标准才有可能协调共存。

2. 目标导向的一致性

由于存在明确的意图层，并作为最高层引领，整个体系的活动都围绕共同的目标展开，各层标准天然朝着目标一致的方向制定和演化。例如，在DIKWP驱动的大模型评测体系中，正是由于引入了意图层，评测能够从单纯考察模型输出拓展为考察模型实现既定认知意图的能力。这种目标牵引确保了不同测评指标之间的一致性。同理，在标准体系中引入意图层，将使所有标准围绕共同的意图来设定范围和尺度，避免了各自为政导致的目标偏差。意图层在此相当于标准体系的统帅，为标准制定提供价值判断和取舍依据：凡不利于全局意图的标准规定即使局部合理也应舍弃，从而保持整体方向的一贯性。

3. 动态适应与演进闭环

DIKWP的网络结构允许系统根据反馈不断调整自身，形成自我演进的闭环。由于各层之间双向联通，当外部环境变化或目标调整时，高层意图可以迅速传达到底层，触发数据标准、信息标准等相应变更；反过来，基层在执行标准过程中发现的问题和反馈也能沿着认知链上传，推动知识标准、意图设定的修正。这种机制保证了标准体系具备动态适配能力。传统标准更新周期长、滞后于现实需求的弊端有望通过闭环机制改善。标准的修订不必等到几年一度的大规模重审，而是可以在统一框架约束下进行小步快跑的持续演化。例如，DIKWP白盒测评方法通过对模型各认知阶段表现的细粒度测量，能够识别模型薄弱环节并指导改进。类似的，在标准体系中我们也可以针对各层的执行效果进行监测，及时发现哪项标准不适应目标要求，从而迭代优化。演进闭环使标准体系始终与现实需求和意图保持同步，而不至老化失效。

4. 多维协同与整体效能

DIKWP模型鼓励跨层协同，将数据、信息、知识、智慧各维度结合以实现意图。这种协同能够催生出整体大于局部之和的效应。例如，在人工智能应用中，单纯依赖数据训练的黑箱模型往往欠缺可解释性和意图性。而DIKWP模型通过让高层智慧与意图参与决策，低层数据与信息流程透明化，实现了人机融合的双向可解释AI。对应到标准领域，如果我们让制订数据标准的人也了解高层业务决策的需求，让制定知识标准的人也参考低层数据约束，那么各层标准就不再孤立优化而是协同优化，标准体系的整体效能将显著提升。标准不再被视作割裂的条文清单，而成为一个有机网络，每个标准都是这个网络的节点，彼此支撑配合共同发挥作用。

综上所述，DIKWP模型提供了一个统一认知与驱动机制的范式，将过去分散独立的各层认知过程融为一体，并引入意图驱动以确保一致方向。正是这些特性，使得DIKWP模型有望用于重构标准化体系，克服传统分散式标准体系的弊端。下文我们将通过两个典型案例来具体说明缺乏DIKWP式统一机制所导致的问题，并进一步阐释DIKWP模型如何在这些场景下发挥作用。

医疗行业是一个高度依赖数据和知识的领域，其信息系统的标准化水平直接关系到医疗服务质量和效率。然而现实中医疗信息标准长期以来处于碎片化发展状态，造成了严重的标准冲突和体系目标偏离问题。

首先体现在数据和信息标准的不统一。各医院通常采用不同厂商的信息系统（HIS、LIS、EMR等），历史上缺乏全国统一的数据标准。这导致“同一家医院有众多系统，不同系统之间术语、概念、数据类型定义各不相同”。患者的基本健康数据在电子病历系统、电检系统、实验室系统中往往格式各异，难以汇聚成为完整的患者信息。甚至同一概念在不同系统中的表示完全不同：例如某项检验指标“血钾过低”，在不同科室系统里可能记录为“低钾”、“低K+”、“K↓”等多种形式。由于缺乏国家层面的统一、规范的医疗信息数据字典，医疗数据语义极度不统一，大量诊疗数据无法被计算机有效识别和整合，难以服务于临床决策支持和科研分析。

其次，在知识和智慧层面也存在标准割裂。医疗知识包括临床指南、诊疗规范、疾病分类等。然而这些知识往往由不同医学会或机构制定，各自成体系。例如ICD疾病分类有国际版和本地扩展版之分；临床路径标准在不同医院也有差异。当尝试将多源数据用于智慧医疗（如临床决策支持系统CDSS）时，由于底层数据不统一、知识表示不同步，系统难以形成可靠的智慧决策。典型的例子是各医院独立发展的临床指标阈值、报警规则并不一致，一个医院设置的药物剂量预警规则可能在另一个医院就不适用。这种智慧标准的不统一，意味着无法直接借鉴先进医院的知识经验到其他医院，实现医疗智慧的共享提升。

更深层次的问题在于不同单位的标准服务于不同意图，导致全局目标失焦。一家大型三甲医院的信息化标准可能以提升医疗质量、科研数据利用为导向，而基层医院的信息系统标准更关注日常监管和医保报销需求，公共卫生系统又强调疫情监测等等。各自为政的标准化建设使得整个医疗信息标准体系缺乏共同的愿景。理想的情形是医疗数据能在确保安全前提下广泛共享，用于改善全民健康。但现实是，各医疗机构出于数据安全和商业竞争考虑，彼此割裂，壁垒森严，缺乏临床数据共享平台，科研协作效率不高。标准不统一既是技术障碍也是利益驱动的结果：因为没有统一的顶层意图指引，医院更倾向于满足自身管理需求（内部目的），而不愿投入去适应行业整体目标（如数据共享的公共目的）。这导致我国医疗大数据在全国层面一直难以融合贯通，大量诊疗数据未能转化为对科研和公共卫生有价值的知识。医疗标准体系本应服务于“以患者为中心，提高医疗质量”这一大目标，但在碎片化现实中，这一目标被局部利益和各异的意图所掩盖，标准体系的整体目标发生了偏移。

上述情况带来的直接危害是：患者跨机构就医时资料难以携带，重复检查、信息遗漏时常发生；医联体和区域卫生平台难以真正实现信息互通，医疗服务协同低效；医疗人工智能应用缺乏大规模高质量的数据支撑，发展受限。从系统角度看，医疗信息标准的冲突和割裂极大制约了医疗技术和组织生产力的释放。投入大量资金建设的信息系统，没有统一标准作桥梁，就无法形成乘数效应，甚至增添新的沟通成本和安全风险。

为扭转这一局面，近年国家开始强调医疗信息标准的统一。例如，全国政协提案建议“研究制定全国统一的医疗数据标准”，“对现行医疗数据格式摸底调研，评选出最科学可行的数据格式作为国家标准，在全国推广”，并开发数据转换工具以实现不同医院数据的互通共享。这些举措说明人们已经认识到碎片化标准的弊端，试图通过顶层推进统一标准来打破壁垒。然而，仅有统一的数据标准仍不足以解决所有问题：还需要将数据标准与临床知识标准、智慧应用标准统筹起来，使医疗标准体系在数据-信息-知识-智慧各层面协调一致。这正是DIKWP模型可以发挥作用之处。通过以“提升患者健康 outcomes”为共同意图（P），指导从数据采集、信息交换到知识库建设、决策规则制定的全流程标准化，我们才能避免局部优化导致的冲突，真正实现医疗数据“采得全、通得畅、用得好”的目标。

智能制造领域同样面临标准碎片化的问题。现代制造业正在向数字化、智能化转型，需要不同设备、系统和企业之间高度互联协作。这要求有完善统一的标准体系作为基础支撑。然而现实中，工业标准因为行业、地区、企业的分隔，呈现出各自为政、难以兼容的状况，导致智能制造整体效能受限。

一个突出表现是在工业数据及接口标准上的割裂。工业现场有大量异构设备和软件，不同厂商采用各自协议，形成“烟囱林立”的局面。例如，物品编码就存在国标、欧标、美标等多套体系并行，工业传感器/控制器的数据格式也五花八门。国内有研究指出，当前工业生产中物品编码标准不统一，存在国家标准（GB）、德国标准（DIN）、美国标准（ANSI）等并存的情况，企业在数字化转型中面临基础数据标准不一致的挑战。对于跨国供应链和跨行业协作来说，这更是一个痛点：每接入一个新伙伴，就得做一套数据格式转换适配。高昂的接入成本严重阻碍了工业数据的流通和共享。如国家数据局一份报告指出，随着跨企业、跨行业数据流通需求增长，目前突出的问题包括“接入成本高、标准不统一、运营管理能力薄弱”。标准碎片化直接降低了工业数据的可复用性，企业无法充分利用外部数据资源。

另一方面，在工业过程和知识标准上也存在割裂。不同企业往往有自己的一套工艺流程规范和质量控制标准，这些隐性知识很少通过行业标准共享出来。而不同细分行业（如机械、电子、化工）各有行业标准，缺乏统一框架贯穿。到了智能制造阶段，许多项目需要多个学科知识融合，但因标准壁垒，很难建立通用的知识库或模型库。这导致智能制造解决方案难以标准化，大多需要从零开始定制开发。在当前市场上，即使面对同类型需求，各厂商提供的执行标准和解决方案也各不相同。正如有分析指出：“哪怕是同质化需求，其执行标准也往往不一样”，结果是工业AI方案难以复制，每次都要根据特定厂商或行业特点重新研发适配。这种碎片化让智能制造应用成本居高不下，很多中小企业发现智能化改造投入大于产出，无法从中获利。标准的不统一拖累了新技术规模化应用的ROI，使智能制造的潜在价值难以充分兑现。

更宏观地看，不同国家、地区在推动智能制造时也存在标准博弈。各国有各自的智能制造架构（如德国工业4.0、中国智能制造参考模型等），如果全球难以协同，未来可能出现6G一样的标准碎片化风险。地缘政治和利益考虑使某些标准无法全球统一，工业企业不得不支持多个标准版本，进一步增加了研发和运营负担。

所有这些指向一个问题：智能制造领域缺乏统一的认知与驱动力来整合标准，各参与方更多考虑局部最优而非全局协同。其直接后果就是整体目标失焦：智能制造原本期待实现从设计、生产到供应链的全面优化，但目前标准体系支离破碎，难以支撑端到端的智能化，仅能在局部环节各自为战。比如，一个企业内部实现了生产线设备互联（局部智能），但因为供应商和客户的数据接口不统一，无法将智能延伸到供应链协同（全局智能）。再如，不同智能工厂难以横向打通数据，行业层面的智能服务（比如跨厂的质量分析、预测维护）就无从谈起。可以说，标准碎片化让智能制造的宏伟愿景出现“碎片化落地”：零散的小智能有了，系统性的智能却没能建立。

值得注意的是，政府和行业已经意识到标准碎片对智能制造的危害，并在采取行动。例如《国家智能制造标准体系建设指南（2024版）》提出，要进一步明确智能制造标准化对象和范围，构建完善的标准体系。又如有专家强调“制定统一标准是解决碎片化的关键”，认为应推动平台兼容、开放接口和数据。一些新兴领域也出现了融合的行业标准，例如Matter协议试图统一智能家居物联网碎片化的生态。这些努力与医疗领域类似，主要集中在打通数据和接口层面的标准。而智能制造更复杂之处在于，不仅数据要通，还涉及不同知识（模型）和目标（优化指标）的统一。要让一个AI系统普遍适用于不同工厂，不仅接口要统一，还需要对制造知识、本体、以及优化目标有统一认识。这实际上呼唤一种更高层次的标准统一方法。

DIKWP模型为解决智能制造标准割裂提供了灵感。通过明确智能制造转型的共同意图P（如提高全流程生产效率、质量和柔性），可以指导各层标准协同制定。例如，数据层统一工业物联网数据格式；信息层制定通用的生产流程描述规范；知识层建立跨行业适用的制造知识图谱；智慧层制定标准的优化指标体系和决策算法接口。所有这些标准在同一意图下形成关联：数据标准支持信息集成，知识标准消化信息提炼智慧，智慧标准最终服务既定目的。这将极大提高解决方案的可移植复用性。事实上，当下工业AI领域已经在朝这个方向努力，如一些公司提出开发面向工业的大模型平台，通过系统协同开发和数据+解决方案标准化来满足个性化需求，同时提供通用参考架构。这些都是希望在碎片化需求中寻求统一之道的探索。

总之，医疗和智能制造两个案例均凸显：不同层级标准各自为政、缺乏意图统领时，会导致标准体系割裂和目标迷失，进而束缚了行业的发展潜力。而无论是医疗的数据共享难题，还是工业的互操作困境，其根本解决之道都指向跨层级、跨部门的标准统一协调。这正是我们在下一节将讨论的，如何基于DIKWP模型来重构标准化体系，以实现语义统一、目标一致和动态适配。

前述分析表明，要克服传统标准体系的弊端，必须有一套能够贯穿数据—信息—知识—智慧—意图的统一建模机制，将各层标准纳入同一框架。基于网状DIKWP模型来重构标准化体系，正是这样一种系统化解决方案。其核心思想是以“意图(P)层”为牵引，协同制定DIKW各层标准，使之在语义上统一、在目标上对齐、在演化上联动，从而构建一个自适应的标准体系。

DIKWP重构的第一步，是明确整个标准体系的“意图(P)层”，即顶层意图和追求的目标。传统标准制定往往缺少明确的共同目标，而DIKWP强调所有标准活动都应服务于共享的意图。因此，在重构标准体系时，相关利益方（政府、行业协会、主要企业等）需要共同定义标准体系的使命和核心目标。这个目标可以是宏观的愿景，如“提高患者安全和医疗效率”或“实现供应链全局优化”，也可以细化为若干关键指标。重要的是，它将作为评价各层标准制定与否及优先次序的依据。

有了明确的意图P，就像树立了一面旗帜，接下来所有标准制定都应围绕该旗帜展开。顶层设计要回答：为了达到P，需要哪些数据被采集和共享（D），需要哪些信息交换和流程（I），需要构建怎样的知识体系（K），以及采取什么决策策略（W）。这实际上形成了一个从意图倒推需求的过程，使标准规划具有整体性和方向感。例如，在医疗领域，若共同意图定为“改善患者预后、推动研究创新”，那么数据标准就应确保采集到有助于患者预后分析和科研的关键数据元素，信息标准应保障不同医院系统能交换这些数据，知识标准需统一疾病和疗效评价的定义，智慧标准则应规范诊疗决策支持的原则。这种由P层向下分解要求的方法，可避免过去各层标准各说各话：现在有了统一的评价准绳（即是否有利于实现P），标准制定者就有了共同语言和目标。

在顶层目标确定后，进入各层标准协同建模阶段。这里运用DIKWP模型的思维，即视数据、信息、知识、智慧层面为一个有机整体，采用统一的模型架构来表达和关联各层内容。具体而言，可从以下几个方面入手：

1. 建立统一的概念和术语体系

这是语义统一的基础工作。针对所选定的领域，汇总各层涉及的主要概念，在P层指导下建立一个全局统一的本体/术语集。例如，在医疗领域统一患者、疾病、检验项、诊疗结果等核心概念的定义；在制造领域统一产品、零部件、工序、缺陷等概念。通过知识工程的方法，可以将这些概念组织成分层次的概念体系（即知识图谱的骨架）。这个统一概念体系需要同时反映数据层细节和智慧层抽象。例如某疾病的概念既包括数据层的编码、信息层的描述字段，也关联智慧层的决策规则、意图层的关切（如该疾病的预后指标）。段玉聪等研究者已经尝试将知识图谱扩展为数据图谱、信息图谱、知识图谱、智慧图谱、意图图谱相互关联的体系，这种“五图谱”结构正契合我们对标准语义一体化的要求：数据图谱定义基础数据及其关系，信息图谱定义信息结构和联系，知识图谱刻画领域知识逻辑，智慧图谱描述决策流程或策略，意图图谱则体现意图关联的要素。各层图谱通过共享概念和关系而衔接在一起。

图1 DIKWP图谱化的分层语义模型示意图 (上半部分表示人-机-物交互中多源的主客观资源往往存在不精确、不完整、不一致的问题；下半部分展示了基于DIKWP的五类图谱（数据、信息、知识、智慧、意图图谱）如何对应这些资源进行映射聚合，以实现语义上的统一和关联。)

建立统一术语本体后，在数据层（D）就可以制定标准时引用这一统一本体中的概念，实现数据语义标准化。也就是说，数据标准不仅规定格式和类型，更要规定每个数据项在全局概念体系中的对应。例如，将电子病历中的“血钾值”数据元明确对应到统一本体的“血清钾浓度”概念，并注明计量单位标准。这使得不同系统的数据含义一致，为信息交换和知识应用打下基础。

2. 信息和数据标准联动

信息层标准主要规范数据的交换、流程和语境。在DIKWP统一模型下，信息标准的制定可以直接调用数据标准定义的元素，并按照满足意图的需要来组织消息结构。例如，为了实现跨医院的病例共享（服务于提升诊疗连续性的意图），信息标准可规定病历摘要消息应包含哪些统一定义的数据字段、采用何种编码和格式（引用数据层标准），以及发送接收的流程协议。由于所有字段来自全局统一的数据本体，不同医院遵循该信息标准即可做到术语一致、格式兼容。如果未来根据意图调整需要增加某字段（如加入一个新的预后指标），因为数据本体是统一的，只需在本体和相应数据标准中添加该概念，信息标准沿用即可，不会与其他部分冲突。通过这种数据-信息标准协同建模，一个变动可以沿链路轻松传播，大幅提高标准的一致性和演化效率。

3. 知识标准与信息模型结合

知识层标准涉及领域知识的结构化表示和推理规则。在统一模型中，知识标准应与下层的信息、数据保持一致。例如，可制定行业知识模型标准，规定如何使用统一概念为对象建立属性、关联和规则。这类似于制定统一的知识图谱或本体格式标准，让所有单位在表达专业知识时遵循同样的模式。以工业为例，可以有一个“智能制造知识表示规范”，里面规定如何描述工艺流程知识、设备知识等（可能采用OWL本体、规则语言等标准形式），其中使用的术语都源自统一概念库。有了这个规范，不同企业的知识库之间就有了可互操作的基础，上层智慧应用才能跨越单位边界综合各方知识进行决策。关键是保证知识模型中的实体、关系直接关联到信息和数据层的标准元素（通过引用统一概念ID等方式），这样知识与信息形成上下贯通：信息系统采集到的数据可直接映射到知识模型中相应的知识实体上，知识推理所得结论也能通过信息层标准下发到执行系统中。这实现了DIKW各层标准的语义联通。

4. 智慧标准嵌入意图约束

智慧层标准通常体现为业务流程规范、决策算法要求等。在DIKWP框架下，智慧标准的制定需要充分考虑意图(P)的约束。也就是说，在定义“如何决策/行动”的标准时，要以实现顶层目标为准绳。例如，在医疗领域制定一个临床路径标准时，要确保该路径有助于改善预后等最终意图；在制造领域制定质量控制流程标准时，要看其是否符合提高全局效率的战略意图。这实际上引入了一种意图校验机制：每一项智慧层标准都应该能在模型中追溯到其服务的意图指标。如果找不到对应，那么该标准的价值就值得怀疑。在实践中，可以形成一种模板，要求所有智慧层标准文件都明确列出其意图依据（例如引用某项上位目标或策略）。与此同时，智慧层标准应引用知识层的规则和数据/信息标准，使其成为前几层标准的应用展现。比如某制造过程标准可以引用知识标准定义的流程模型、信息标准定义的事件接口等，使该过程规范与之前各层标准无缝衔接。这确保智慧标准不会游离于体系之外。

通过上述方式，我们在DIKWP框架下形成了一个跨层统一的标准模型：数据标准、信息标准、知识标准、智慧标准都依托同一个概念本体，各层标准文件通过共享术语和引用关系严密关联。在此基础上，标准体系具备了语义统一、结构完整的特点，避免了传统体系中不同标准各说各话的问题。

采用DIKWP统一模型后，一个显著的优势是语义上的透明和统一。所有标准的内容都可以投射到共同的概念语义空间中去理解和分析。这使得许多过去难以发现的标准冲突将自动显现。例如，如果两个标准对同一概念有不同要求，放在共同本体下就会直接看到定义矛盾，可以及时调整协调。而在传统做法中，不同委员会制定的标准可能各用各的词，冲突埋藏其中不易察觉，直到实施阶段才暴露。DIKWP模型提供了一个系统论视角来审视标准集合，通过语义网的关联来检查一致性。

另外，由于我们建立了意图引领的多层映射，标准体系还具备了动态适配能力。当外界条件变化或意图调整时，可以系统性地评估变化对各层标准的影响，并作出协同更新。举例来说，假如在医疗领域顶层意图新增一项“应对公共卫生紧急事件”的要求，那么根据DIKWP模型，我们会识别出需要在数据层增加传染病相关数据标准，在信息层制定疫情上报接口标准，在知识层扩充传染病诊疗知识库，在智慧层完善相应应急流程标准。这些变更因为有统一模型为依托，可以在短时间内协调推进，而不会顾此失彼。同样地，如果底层实践中发现某标准难以执行反馈上来，也可沿模型往上找原因：也许是知识层假设不合理或某意图权重需调整，找准后及时修改相应标准，再向下推送更新，实现闭环改进。

这种反馈联通的演进闭环机制在传统标准体系中是缺失的。过去标准一旦发布，执行中出了问题往往要等到下次修订周期由制定部门自行修改，而很少有跨层级的反馈调整。而DIKWP统一模型为反馈提供了路径：执行层的问题可以通过模型定位涉及哪些标准元素，从而关联到相关标准及更高层目标，然后相关方协同调整模型和标准，再由模型生成更新方案。可以预见，未来借助信息化手段，可以实现标准体系的数字孪生：将所有标准及其关联以知识图谱/本体的形式管理起来，对运行数据进行监测比对，发现不符合模型预期的，就提示需要修订哪些标准。这实际上就是标准体系的智能化治理，是DIKWP模型所倡导的方向。

值得一提的是，DIKWP模型还有助于提高标准体系的自描述和可理解性。当所有标准集成在一套概念网络中，我们可以方便地为标准添加元数据。例如，能够回答“这项行业标准涉及哪些数据项、与哪些知识库条目相关、旨在实现什么意图”等问题。这对标准使用者来说非常友好，因为他们可以从全局视角理解某项标准的定位。同时也方便培训新人和制定战略：管理者可直观看到实现某目标已有哪类标准支撑、哪类缺失，从而规划标准研制。可以说，DIKWP统一建模让庞杂的标准体系变得有结构、有逻辑、易导航，改变了以往标准条文孤立、查询困难的状况。

综上，通过基于DIKWP模型的统一建模，我们能够构建语义上集成、目标上对齐、演化上闭环的标准体系。这一新型标准机制尤其适用于智能化、高维复杂系统，因为这些系统中的元素和关系远比传统领域复杂，单靠人工直觉已难以管理，需要借助模型将各部分有机结合。DIKWP模型提供了框架，使我们能够在复杂系统中实现标准的意图驱动（purpose-driven）、反馈联动（feedback-connected）和自适应演进（evolutionary loop）。下一节我们将进一步讨论如何在实践中推行这一思想，并提出相应的路线和政策建议。

要将基于DIKWP模型的标准重构思想付诸实践，需要从方法、组织、技术等多方面协同推进。以下提出若干实践路线建议：

1. 制定标准体系顶层设计纲要

由政府主管部门或权威标准化组织牵头，联合各主要利益相关方，编制某领域的标准体系顶层设计文件，以DIKWP模型为指导框架。在纲要中明确该领域标准体系的总体意图(P)和发展目标，以及实现目标所需的关键标准类别（对应DIKW各层）。例如，可以制定“医疗健康信息标准体系框架指南”或“智能制造标准体系架构白皮书”，其中阐述以目标X为引领的数据标准、信息标准、知识标准、智慧标准之间的关系和演进路线。这相当于绘制一张标准体系的知识结构图，使各相关方对全局有共同认知。此前一些行业也有标准体系框架图的做法，比如《全国医院信息化建设标准与规范》指标体系图、《健康医疗大数据标准体系框架研究》中的框架图等，都提供了一定借鉴。但DIKWP指导下的框架设计将更强调跨层联动和意图导向，在编制方法上有所创新。

2. 建立跨层级的标准协调机制

传统标准制定往往按领域或专业分委员会进行。建议改革现有标准化工作机制，设立跨层协调工作组或委员会。例如，可以成立“医疗数据-知识标准联动工作组”、“智能制造标准语义协调组”等，由不同层面的专家共同参与。这些工作组的任务是在制定或修订标准时，对其与其它层标准的一致性进行把关，促进标准间联动。特别是在国家重点标准项目中，应引入DIKWP模型的评估流程，即在标准草案阶段就审核其是否符合统一术语体系，是否与相关标准语义兼容，是否服务于顶层目标。这类似于增加体系一致性审查环节。国标委等机构可以将这种审查要求写入标准制定指南中，从流程上保证DIKWP思想的贯彻。

3. 开发标准知识图谱平台

利用信息化技术，构建一个支撑DIKWP模型的标准知识图谱/数据库。将该领域所有现行标准的核心内容（例如定义的术语、涉及的实体关系、提出的要求等）以知识图谱形式录入，并依据DIKWP层级进行标注和关联。这样的平台可以作为标准制定者和使用者的公共工具：制定者可以查询已有标准中的概念定义避免重复或冲突，使用者可以输入某概念检索相关标准要求实现“一站式”获取。更重要的是，该平台可实现自动语义分析：当有新标准提案时，系统可与图谱比对，提示潜在矛盾或一致性问题。例如，某提案新引入一个术语，系统发现图谱中已有类似概念，则提醒采用已有概念或说明差异。这样的智能辅助可以极大提高标准联动性。一些前沿研究和工具（如段玉聪团队提出的DIKWP语义数学框架）已在探索如何形式化DIKWP语义，这可为平台开发提供理论支撑。逐步地，这个平台本身还能演化为数字化的标准体系模型，实现对标准体系的模拟和评估。

4. 分阶段试点与推广

考虑到不同领域标准化基础和需求差异，应选择试点领域先行实施DIKWP模型方法。可以优先选择迫切需要解决标准碎片化问题且具备一定工作基础的领域，如医疗健康信息、工业互联网、智慧城市等。在试点中，挑选若干重点标准项目，应用DIKWP统一建模的方法，从顶层目标分析入手，跨部门联合制定标准。在标准发布后，跟踪其实施效果，看是否明显改善了跨系统协同。成功经验可以写成案例报告，对细节方法加以总结，为其他领域提供模板。一旦试点验证了DIKWP模型的价值，可在相关行业标准委员会中培训推广这种方法，并逐步扩展试点范围。最终，再上升为通用的方法论，嵌入到国家标准化工作规范之中，成为所有标准制定的参考框架。

5. 引入新角色和能力

传统标准化队伍主要由技术专家和行业代表组成。为了实施DIKWP式的体系重构，需要增加一些新的角色和能力配置。例如，首席数据官、首席知识官等跨域角色在企业界已被提出。类似地，在标准治理中可设立“标准体系架构师”，专门负责维护标准知识图谱、统筹各层标准协同。这类人员需要懂专业又通盘考虑全局，具备复合型知识背景。另外，可能需要借助人工智能和大数据分析人才来运营上述标准图谱平台，实现智能分析和反馈。可以与高校、科研机构合作开展相关人才培训和课题研究，逐步建立起一支既懂标准化又掌握DIKWP模型思想的专业队伍。

6. 强调反馈评价和持续改进

实践路线中应当建立标准体系绩效评价机制，以确保闭环。建议定期对标准体系的整体运行效果进行评估。例如针对医疗数据标准统一后，检查跨机构数据共享率是否提高；工业接口标准统一后，评估企业接入新平台的成本是否下降等。更高层次，还可以设定一些衡量标准体系发挥作用的指标，如标准对产业效益的贡献度。这些评价应与标准体系的顶层意图直接对应。如果发现某些意图指标未见改善甚至恶化，则说明标准体系需要调整。通过数据监测和调查收集反馈，召集相关标准制定机构协商改进方案。这一过程类似于PDCA（计划-执行-检查-行动）循环在标准治理上的应用，使标准体系常管常新。国际上的标准化组织（ISO等）也有定期评审标准有效性的要求，但在DIKWP框架下，我们更加强调跨标准的系统性评估，看的是体系协同效果而非单个标准好坏。这种整体评估理念需体现在实践流程中，确保演进闭环真正落地。

通过以上措施，有望逐步将DIKWP模型从理论转化为标准治理的实践工具，在重点领域先行取得突破，再推广开来。当然，这一过程也需要克服惯性和阻力，例如不同部门利益协调、短期投入增加等问题。但只要顶层有坚定决心，循序渐进推进，长期来看其收益将远超成本。一旦建立起意图驱动的标准协调机制，我国产业将在很多方面受益：减少标准重复浪费、加快标准响应创新的速度、提升我国标准在国际上的一致形象等等。

政府在标准化体系重构中起着关键引导作用。根据上述分析，提出以下政策层面的建议：

1. 将DIKWP理念纳入国家标准化战略

在制定新的国家标准化发展规划时，应明确提出“推进标准体系协同统一”的目标，并将DIKWP模型等新理念列为指导原则之一。比如在“十四五”或“十五五”标准化规划中，加入关于意图驱动的标准体系建设的表述。这将为各部门、各行业采用该理念提供政策依据和方向指引。

2. 加强统筹协调，避免标准碎片化

借鉴统一大市场建设的精神，“进一步统一不同监管部门之间的数据采集标准、格式、字段”等要求应扩展到更广范围。建议由国务院标准化主管部门牵头，建立跨部门标准协调机制，清理和整合重复冲突标准。对已有标准进行梳理，凡是名称相同、内容相近的进行归并或作出关联说明；凡技术指标冲突的，责成相关部门协商修订。在出台新标准之前，要征求相关部门意见，确保不与现行标准体系矛盾。这实际上是在行政层面构建一个“标准意图统一”的氛围：即所有部门都以服务国家整体利益为标准工作的最终意图，而非各管一摊。

3. 支持关键领域标准知识体系建设

政府应资助和组织标准知识图谱、本体等基础性工作。这类工作往往投入大、见效慢，但却是标准长远统一的基石。可以设立专项科研计划，例如“行业标准语义资源库建设项目”，支持专家利用DIKWP框架梳理该行业知识体系，产出高质量的术语数据库、概念模型。成果应开放共享，供国内所有标准制定参考，甚至推动成为国际标准。这类似于构建“公共标准元数据平台”。国家卫生健康委、工信部等可分别在医疗、制造等重点领域牵头实施。在学术界的配合下，几年内形成若干领域标准本体和标准知识图谱作为国家标准体系的底座。

4. 推动试点和示范应用

政策上鼓励行业龙头企业、国家试点示范项目采用DIKWP统一标准模式。例如，在智慧医院示范建设中，把数据标准统一、知识协同作为评估指标；在智能制造试点城市中，要求参与企业遵循统一的数据/接口标准和知识模型，并给予资金或税收激励。这些试点成功经验应及时总结，上升为行业标准/国家标准。同时，通过标准化示范奖项或荣誉，表彰在标准协同创新方面表现突出的组织，以形成正向激励。

5. 深化国际标准合作，输出我国方案

DIKWP模型作为一种新的标准体系理论，其影响力不仅限于国内。建议我国在ISO、IEC等国际标准组织中积极提出系统化标准治理的建议，推动设立相关议题或工作组。如可倡议成立“语义一致性与协同标准”特别工作组，与各国分享DIKWP的理念和实践成果。例如上文提到的大语言模型DIKWP测评体系，就是我国率先主导的创新标准机制，这类探索完全可以输出国际，为全球标准碎片化问题提供中国智慧。又如在人工智能治理、智慧城市等新兴领域，我国可牵头制定一系列体现意图驱动、反馈闭环思想的国际标准，既提高我国标准话语权，也有助于全球范围内避免各行其是的碎片化局面，为人类共同面对的复杂系统治理贡献方案。

6. 法规与标准联动

政府应当完善法律法规，为标准体系统一提供保障。例如，在《标准化法》的实施细则中加入条款，要求强制性标准不得互相矛盾冲突，对于同一事项已有国家标准的不再制定部门标准等，以法律效力杜绝“各立山头”。再比如数据和信息标准的统一还涉及《数据安全法》《网络安全法》的执行协调，需要明确不同部门在数据标准上的权限边界，避免多头管理导致标准冲突。只有法规层面理顺，各层标准才能在实践中真正服从统一意图。政府还可以借助行政手段推进统一，例如卫生健康委要求各省医院信息化必须兼容国家数据标准，否则项目不予立项等。这种硬性措施在标准统一初期可能需要，用以打破既得利益格局，为新机制铺平道路。

展望未来，随着DIKWP模型引领的标准化体系重构逐步推进，我们有理由相信标准工作将进入一个崭新的阶段，呈现出一些值得期待的图景：

首先，标准之间的矛盾冲突将大为减少，取而代之的是各标准环环相扣、相互支持的良性关系。人们检索标准时，不再需要在众多重复标准中分辨哪个更权威，也很少遇到两个标准要求冲突无所适从的情形。标准体系变得前后一贯，任何新增标准都是对体系的完善而非添乱。这将极大降低企业遵从标准的成本，让标准真正成为生产力而非负担。

其次，标准体系将表现出前所未有的敏捷性和适应性。面对新技术、新业态的涌现，标准能够快速调整和补充，以闭环方式演进。标准更新周期将从过去的几年缩短为按需的持续改进。就像软件进入DevOps敏捷开发时代一样，标准也将进入“敏捷时代”。某种意义上，标准体系本身会“学习”和“进化”：通过不断的反馈，它对环境变化做出响应。这在高度动态的AI、数字经济领域尤为重要。例如，当新的AI模型出现安全隐患，相关标准可以很快修改测试方法加以规范，而不必等待漫长的流程。这种快反能力有助于降低技术风险、提高治理效率。

再次，标准工作将更加智能化和知识化。借助DIKWP数字平台和知识图谱，未来标准制定和实施中，AI助手将发挥重要作用。我们可以想象，一个标准制定者在编写标准草案时，智能助手实时提示哪些术语应引用统一定义、哪里与其他标准存在潜在冲突，并自动生成与本体挂钩的结构化版本。标准使用者也可以让AI帮忙解析标准条文背后的逻辑，通过问答形式获取标准要求。这使得标准的理解和执行更加准确。同时，大数据分析还能帮助洞察标准实施的效果，从而指导下一步改进。标准体系本身将变成一个数据驱动、知识驱动的系统，而不只是文本文档的集合。

更为深远的影响在于，标准体系将更紧密地服务于全局意图和价值观。通过意图层的引领，我们可以确保技术标准和社会、伦理目标保持一致。例如，若社会把可持续发展作为重要意图，那么标准体系会自然倾向支持节能环保，在各层标准中体现绿色指标。DIKWP模型提供了把人类意图融入技术标准的机制，避免技术发展脱离人本初衷。未来随着人工智能的发展，这一点尤为关键——标准将是平衡AI自主决策与人类意志的手段之一。通过意图驱动的标准治理，我们有望实现负责任的创新，既发挥新技术效益又守护人类共同目标。

最后，展望标准化的国际环境，采用统一认知框架有助于全球标准的兼容融合。如果主要国家都接受了DIKWP这类系统观念，那么各自制定标准时就有更多共同语言，可减少各行其是的做法，增强互认互通。从这个意义上说，中国若率先实践DIKWP标准体系并取得成功，将为全球标准治理提供宝贵经验，引领新型标准化运动的发展方向。

当然，标准体系重构是一项庞大的系统工程，不可能一蹴而就。在实际推动过程中，需要不断总结、调整策略，并做好长期投入的准备。但无论如何，大势所趋是明确的：标准化必须走出碎片化困境，向系统化、智能化转型，方能适应21世纪的挑战。DIKWP模型给予了我们认识和改造标准体系的新思路。可以预见，在不远的将来，我们将看到标准和标准体系本身成为具有自我组织和适应能力的“智慧体”，在背后默默驱动着技术进步和组织协同高效运转。届时，标准将不再被视作繁琐的合规要求，而是被视为创新和治理的重要使能工具。

人类社会的发展史表明，标准化水平往往决定了协作规模和文明程度。从度量衡之统一到互联网协议之标准，皆如是。当下，我们正站在新一轮标准化变革的起点。通过基于网状DIKWP模型的体系重构，我们有望打破传统标准壁垒，建立起面向未来的标准治理新机制，释放技术与组织更大的生产力，助力社会迈向更高水平的互联与智能。让我们以此为愿景，继续深入探索和实践，让标准化工作在新的认知框架下焕发出更大的生机与活力。

[1] Targowski A. The architecture and planning of enterprise-wide information management systems[M]. IGI Global, 1990.

[2] Ackoff R L. From data to wisdom[J]. Journal of applied systems analysis, 1989, 16(1): 3-9.

[3] Mei Y, Duan Y. Bidirectional Semantic Communication Between Humans and Machines Based on Data, Information, Knowledge, Wisdom, and Purpose Artificial Consciousness[J]. Applied Sciences (2076-3417), 2025, 15(3).

[4] Duan Y. Mapping Philosophical Problems onto the DIKWP Semantic Mathematics[J].

[5] 国务院办公厅. 国务院关于印发深化标准化工作改革方案的通知[EB/OL]. 2015-03. https://www.gov.cn/gongbao/content/2015/content_2843769.htm

[6] Rahman H, Hussain M I. A comprehensive survey on semantic interoperability for Internet of Things: State‐of‐the‐art and research challenges[J]. Transactions on Emerging Telecommunications Technologies, 2020, 31(12): e3902.

[7] Yeow A, Soh C, Hansen R. Aligning with new digital strategy: A dynamic capabilities approach[J]. The Journal of Strategic Information Systems, 2018, 27(1): 43-58.

[8] Mandl K D, Kohane I S. No small change for the health information economy[J]. The New England journal of medicine, 2009, 360(13): 1278.

[9] Dolin R H, Alschuler L, Beebe C, et al. The HL7 clinical document architecture[J]. Journal of the American Medical Informatics Association, 2001, 8(6): 552-569.

[10] 梅映天，段玉聪. 透视人机融合：DIKWP模型的多领域应用探索 | 科技导报, 2025-01-20. https://mp.weixin.qq.com/s/eguA82MGrSyk7-YatnX0UA

Yucong Duan ¹

(1. School of Computer Science and Technology, Hainan University, Haikou 570228, China)

Abstract: Traditional standardization systems, characterized by fragmented standard-setting processes, have led to semantic fragmentation and objective misalignment among standards, severely hampering system collaboration and innovation development in the era of data-driven intelligence. This paper proposes the systematic reconstruction of standardization systems using the networked DIKWP model (Data-Information-Knowledge-Wisdom-Purpose). Initially, we analyze issues inherent in the decentralized standard-setting practices across the data, information, knowledge, wisdom, and purpose layers, identifying semantic conflicts, systemic fragmentation, and objective misalignment. Subsequently, the paper elaborates on the theoretical underpinnings of the DIKWP model, highlighting its capability for semantic unification and consistent objective orientation across standards through its comprehensive cognitive framework from data to purpose. By analyzing two typical cases—medical information systems and industrial intelligent manufacturing—the paper further illustrates the unified modeling mechanism based on the DIKWP model, presenting practical routes and policy recommendations for achieving dynamic adaptation and efficient evolution of the standard system. The findings offer both theoretical foundations and practical pathways toward constructing novel standardization systems suitable for future complex and high-dimensional system requirements.

Keywords: Standardization System; DIKWP Model; Semantic Unification; Dynamic Adaptation; Network Structure

（责任编辑：XXX）