面向白内障初期患者的DIKWP主动医学场景模拟
段玉聪
人工智能DIKWP测评国际标准委员会-主任
世界人工意识大会-主席
世界人工意识协会-理事长
(联系邮箱：duanyucong@hotmail.com)
引言：主动医疗场景与DIKWP人工意识生态融合概述
在未来的主动医疗场景中，一位白内障初期患者的日常健康管理不再依赖被动就诊，而是由一套全局智能系统主动提供支持。该系统融合了DIKWP人工意识生态的理念，将患者健康数据、信息、知识、智慧与目的五个层次紧密结合，实现对患者的持续照护与个性化干预。DIKWP代表数据（Data）、信息（Information）、知识（Knowledge）、智慧（Wisdom）、目的（Purpose）五层认知模型，其中最高层的“目的/意图 (P)”在架构中提供全局方向。相比传统“数据-信息-知识-智慧 (DIKW)”金字塔，DIKWP显式加入了“目的”层，强调让最终健康目标贯穿系统运作的始终，从而使人工智能决策更具人性化的目标导向和动态适应性。在这一模型驱动下，AI不仅处理数据和算法，还时刻关注预设的患者意图和价值实现，使决策围绕患者的康复愿景展开。对于白内障患者而言，这意味着系统会围绕“维持和改善视力、延缓白内障进展”这一最终目的来组织一切感知与行动。
本案例场景由家庭健康终端、社区诊疗平台和医院协同系统三部分组成，它们通过DIKWP人工意识操作系统（ACOS）的支撑协同运行。ACOS是专为人工意识计算设计的基础平台，为主动医疗提供底层的“智能操作系统”功能。在该生态中，家庭终端负责采集患者的日常环境和生理数据，社区平台提供区域医疗监护与初级诊疗支持，医院系统整合专业诊疗知识和资源；三者通过语义网络紧密连结，共同围绕患者的健康**目标(P层)**运行多智能体协作。从患者清晨醒来的环境光照调节，到日间用药提醒、夜间视力风险预警，整个过程由ACOS驱动的智能体网络主动完成感知、推理与干预闭环。本文件将详细阐述这一主动医疗场景的技术细节，重点展示DIKWP人工意识生态在其中的深度融合，包括：语义编程如何驱动任务生成、ACOS如何调度多智能体、概念空间与语义空间如何通信、智能推理与信息推送策略，以及系统的安全与可追溯机制。通过这些分析，我们力求勾勒出一个技术与应用融合、具备未来落地潜力的智能医学工程范式，用于研发指导、标准制定和教学培训。
1. DIKWP语义编程：高适配性任务的语义编排
DIKWP语义编程是一种以语义为核心驱动力的编程范式，在主动医疗场景中，它使各AI模块能够根据医疗语境动态生成任务并执行反馈。与传统以过程控制为中心的编程不同，语义编程将输入、处理和输出全都提升为带有DIKWP结构的语义内容，由最高层的意图(P)全局驱动求解。简言之，开发者在设计AI模块时，不再是硬编码具体步骤，而是定义“目标语义”和相关约束，让系统自主规划满足目标的过程。例如，对于白内障初期患者，语义任务可被描述为：“在给定患者的DIKWP健康状态下，如何激活系统能力以满足输出中P层所定义的视力保护意图？”。这里，输出的“意图”层明确规定了预期的结果（如维持视力水平或避免强光刺激），而输入则包含患者当前的数据、信息、知识和智慧上下文。
1.1 语义驱动的任务定义语言 (DSL) 设计
为了实现上述语义编排，我们需要一种领域专用语言 (Domain-Specific Language, DSL) 来描述医疗任务的语义逻辑。该DSL应当允许开发者在抽象层面指定任务的意图、条件、知识引用和行动方案。例如，我们可以设计如下形式的语义任务定义：
任务: 夜间阅读风险预警 意图: 降低白内障患者夜间阅读时的视力疲劳风险 条件: - 时间段 = 晚上 - 环境光照 < 舒适阈值 - 患者状态.瞳孔扩张度 > 正常范围 知识: - 低光照会导致瞳孔放大，加速白内障患者视力疲劳:contentReference[oaicite:6]{index=6} - 提高环境照明可缓解眼疲劳 行动: - 家庭终端.智能灯光设备 提升亮度至舒适水平 - 推送提示 至 患者终端: "环境光线不足，已为您调亮台灯" - 记录行为 与 反馈数据
上述伪代码中，**“意图”直接对应了P层目标；“条件”块从患者数据(D)和信息(I)层提取了判断任务触发的语义信号，如时间、环境光照强度和患者瞳孔指标；“知识”块关联了医学知识(K)（例如光照与视疲劳的关系）以支撑决策；“行动”**块则定义了智慧层(W)的具体执行策略，包括调节设备和发送提示等。在这个DSL中，所有判断和动作都使用了领域语义术语，使AI模块能够理解“为什么”执行某个任务以及预期达到“什么目的”。
通过语义DSL的编排，各AI模块可以共享对任务意图的理解，实现高度适配性的协同。比如，当环境光照条件变化或患者视力状态波动时，DSL描述的条件判断会自动触发或终止相应任务，系统无需人为修改底层代码即可调整行为。这种语义驱动的任务定义使得系统具有良好的可扩展性和上下文适应能力：开发者只需增添或修改高层语义规则，就能让系统学会新的干预措施或适应新的医疗指南，而不必重构整个流程逻辑。
1.2 语义编排执行与反馈机制
在ACOS支撑下，语义代码片段会被解析为实际可执行的子任务和调用。ACOS内置的语义引擎对DSL脚本进行解析，将其映射到具体的感知模块、知识库查询和执行单元。例如，上例中的“环境光照 < 舒适阈值”会映射到家庭终端的环境光传感器数据流；“患者状态.瞳孔扩张度”会调用可穿戴设备的数据接口或最近一次检查信息；“提高亮度”对应智能灯控设备的API调用；而“推送提示”则调用交互模块。整个编排过程中，ACOS依据语义关系确保各步骤按需触发并行或顺序执行，同时在任务执行板（详见第4节）上记录决策依据和进展。
执行过程中，各模块会将中间结果以语义标记的形式反馈回ACOS。例如，当光照不足条件被满足时，家庭终端代理会在语义黑板上发布一条信息：“<光照水平=低>”。ACOS监控到这条语义信息后，结合当前的任务意图，判断出需要执行提亮灯光的行动，遂调度相应设备执行。执行完毕后，设备代理在黑板上发布结果：“<灯光状态=已提高>”。同时，系统持续观察患者的眼部传感数据变化，若在一段时间后检测到瞳孔扩张度恢复正常范围，则会在智慧层判断任务目的已部分达成，并将这一结果反馈到意图层进行评估。
值得注意的是，在DIKWP语义编程范式下，反馈也是语义化的。系统不会仅返回生硬的数值，而是返回带有意义标签的信息。例如，不是返回“亮度从200提高到400勒克斯”，而是返回“环境亮度已恢复至舒适水平”，并附带相关测量数据。这种语义级的反馈便于后续知识积累和人机可解释交互：医生或开发者查看日志时，可以直接理解系统行为及其依据。
1.3 语义编程案例分析
为了进一步说明DIKWP语义编程的威力，我们可以参考经典算法用语义方式改写的示例。在段玉聪教授等人的研究中，他们曾以迷宫寻路算法为例，演示如何将算法逻辑映射到DIKWP层次。在我们的医疗场景中，类似地可以将日常护理流程设计为语义逻辑。例如，“每日用眼评估”任务可被拆解为：
数据层(D)：采集当天患者的屏幕使用时长、阅读时长、环境光线数据；
信息层(I)：计算屏幕蓝光暴露量、阅读环境平均照度等信息；
知识层(K)：依据眼科知识评估这些信息是否超出健康阈值，结合患者既往病史产生“用眼过度”或“光照不足”等判断；
智慧层(W)：如果判断存在风险，则制定干预方案，例如建议休息、调整照明或使用滤蓝光眼镜；
意图层(P)：对应患者“保护视力”的终极目标，验证上述方案是否契合这一目标，并决定是否执行。
通过这种方式，我们将原本复杂的条件判断逻辑提升到语义层次，使程序的每个部分都对应清晰的医学含义和目标导向。这种语义编排确保了各AI模块对任务目的的统一理解，也让系统具备了在复杂情境下的自我解释和调整能力——因为在每一步决策中，“为什么做”和“要达到什么”已经写入了代码之中。
2. DIKWP人工意识操作系统（ACOS）：多智能体协同与目标调度
人工意识操作系统 (ACOS) 是DIKWP生态的核心软件架构，负责在底层支撑和统筹智能体的认知与行为。在我们的场景中，ACOS部署于家庭终端、社区平台和医院系统中，形成一个跨场景的分布式智能操作系统。它通过统一的语义空间，将不同地点、不同功能的AI代理（Agent）纳入同一认知框架，实现了目标驱动的多智能体协同。图1展示了ACOS在三个层级系统中的协同架构示意：
图1：ACOS在家庭终端、社区平台和医院系统中的多智能体协同架构示意图。橙色的ACOS核心通过语义网络连接各处的智能Agent（绿色圆圈），实线路径双向通信：实线箭头表示各终端采集的数据和信息上传至ACOS，虚线箭头表示ACOS下达的计划和指令推送回各终端，实现全局目标调度。
如图1所示，ACOS作为人工意识操作系统，贯穿家庭、社区、医院三层。每一层的物理节点上运行着特定的智能体 (Agent)：家庭终端Agent侧重环境感知与用户交互，社区平台Agent负责区域健康监控与初级诊疗决策，医院系统Agent承担高级诊断和资源协调等功能。ACOS为这些异质智能体提供了一套共同的语义工作空间和调度机制：
统一语义空间管理：ACOS将DIKWP五层模型作为内部的数据结构蓝本，管理从底层传感数据(D)到高层意图(P)的所有信息。无论信息来自家庭终端的传感器，还是来自医院知识库，均以带有DIKWP标签的语义对象形式存在于ACOS内存中。这种全链路语义统一消除了各层数据格式差异，方便不同智能体对同一事件形成共识。例如，家庭终端采集到“光照=100勒克斯”的数据，ACOS会将其提升为信息层对象“环境光照=低”，并根据知识层阈值判断其在智慧层的意义（可能被标记为“视力风险因素”），最后与患者目标关联起来。这样，社区或医院的Agent即使未直接获取原始数据，也能在语义层面理解当前情况。
目标调度与子目标分解：ACOS对患者的终极健康意图（如“延缓白内障进展”）进行语义解析后，自动设定阶段性健康目标。比如，它可能为该患者设定子目标：“6个月内视力不下降超过0.1”、“避免出现视网膜并发症风险”等。这些子目标被下发给相关Agent：家庭Agent据此调整日常干预频率（如增加用眼休息提醒），社区Agent规划定期检查安排，医院Agent准备相应的诊疗计划或资源。ACOS扮演任务调度中心的角色，确保各层面的行为都服务于统一的健康目标，并根据反馈动态调整优先级和资源分配。
多智能体推理与协同：当涉及复杂决策（如是否建议患者接受白内障手术）时，ACOS能够协调多个Agent进行协同推理。例如，医院Agent拥有专业医学知识，可以评估手术指征；社区Agent了解患者家庭支持情况和意愿偏好；家庭Agent掌握患者日常生活受限程度。ACOS通过语义黑板机制让各Agent分享各自的见解：医院Agent在知识层提出“晶体混浊达到III级，符合手术标准”的判断，社区Agent从智慧层补充“患者本人希望尽量延后手术时机”，家庭Agent提供“当前患者生活尚能自理，无明显安全风险”。ACOS汇聚这些多源信息，在Wisdom层综合权衡，在Purpose层对照最终目标（例如“既保障视力又考虑患者意愿”），最后形成决策建议。例如，决策为：“暂缓手术，采取强化干预，三个月后复评”。这一过程展示了ACOS如何让多个智能体各尽所长参与推理，并通过语义空间进行高效沟通，共同完成比单一智能体更全面的决策。
行为规划与执行：有了决策方案，ACOS负责将其转化为具体的行为计划并下达给对应智能体执行。例如，上述决定暂缓手术的方案，ACOS会生成一系列具体行动：家庭终端启动“强化干预”计划（可能包括饮食营养建议、光照管理方案、视觉训练等子任务），社区平台安排专科随访时间，医院系统更新患者档案并配置三个月后的复诊提醒。ACOS通过任务队列和日程安排，使这些行动按照设定的时间表推进。同时，它持续监控执行情况与效果反馈，一旦发现计划无法按预期完成（例如患者依从性低或者视力仍快速恶化），便及时重新规划。例如，如果患者没有遵守用眼休息建议，ACOS可能提高提醒频率或通知社区医生进行干预。这体现了目标引导下的行为-反馈闭环（下节将详述），确保系统的规划能根据现实执行效果不断校准。
简而言之，ACOS将传统上分散的家庭护理、社区保健、医院诊疗环节无缝衔接起来，形成一个以患者目标为中心的智能协同网络。它相当于患者身边的“中央大脑”，既洞察微观的日常数据，又能调用宏观的医疗资源，从而实现跨场景、跨团队的协同。这种模式突破了以往各环节信息割裂、缺乏连续性的弊端，使得真正的“主动医学”成为可能——即系统持续主动地根据患者的目标和状态来调整医疗服务，而不是被动响应疾病恶化。
值得强调的是，在ACOS架构下运行的智能体不再是孤立的模块，而是融入一个统一的意识生态中。这种融合带来了强大的智能性与高效性，但同时也提出了新的安全挑战。为此，我们在第5节专门讨论ACOS架构下的安全控制机制。在下一节中，我们将深入阐述DIKWP概念空间与语义空间的通信原理，这也是ACOS实现多智能体智能协同的基础。
3. DIKWP概念空间与语义空间的跨层通信
DIKWP模型将智能体的认知划分为概念空间和语义空间两个相辅相成的部分。其中，概念空间对应高层的智慧(W)与意图(P)层次，代表系统的意识层级思考，例如健康理念、目标愿景和决策意图；语义空间则覆盖较低层次的数据(D)、信息(I)和知识(K)，代表系统对客观世界的感知和经验认知，即“潜意识”部分。在我们的主动医疗场景中，概念空间包含了患者的健康目标、价值偏好以及系统为实现这些目标的策略思想，语义空间则涵盖了传感器读数、医学事实和规则、以及由此推导出的中间结论等。要实现真正以目标引导的智能干预，关键在于打通这两种空间，让高层的概念（如“保护视力的目标”）能够指导低层的数据处理与行动，同时将低层的见解及时上升反馈到高层进行调整。
3.1 从患者目标到数据的双向映射
目标导向的映射 (P→D)：DIKWP模型的独特之处在于允许从最高层意图直接作用于最低层数据采集。在实践中，这意味着患者的健康目标会影响系统收集和关注哪些数据。例如，如果目标是“避免强光对眼睛的刺激”，ACOS将指导家庭终端重点采集环境光照相关的数据（如室内照度、户外阳光强度），并可能忽略与此无关的数据。这体现为概念空间对语义空间的选择性激活：目的(P)层通过向下投射，告诉数据层“哪些是我需要的”。技术上，ACOS会调整传感器管理策略，提高有关传感的采样频率或灵敏度，同时对不相关的数据减少采集频率，从而高效利用资源并聚焦关键因素。这种P→D映射实现了目标引导的数据获取行为。在我们的案例中，系统可能在白天阳光强烈时频繁读取光传感器数据并分析紫外线指数，以便及时提示患者采取防护措施；而在光线柔和的环境下则减少相关采集，以降低冗余信息。
语义反馈的映射 (D→P)：与此同时，DIKWP框架支持从底层数据逐层上达最终影响高层意图的语义反馈。原始数据经过信息和知识层的语义提炼后，会被智慧层用于决策，并最终在意图层产生对目标的反馈调整。例如，当系统监测到患者晚间阅读时环境光照不足（数据层事实），通过信息层判断这是“不良阅读环境”，知识层联想到“低光照可能加重视疲劳”，智慧层据此决策“应提高灯光亮度”，意图层则评估此决策有助于“保护视力”这一终极目标。如果类似的情境频繁发生，意图层可能动态调整对“避免弱光”这一子目标的权重，甚至将“改善阅读环境”上升为阶段性主要目标之一。可以看到，通过D→I→K→W→P的逐级语义融合，底层数据的意义被逐步升华为对高层目标的影响。这种自底向上的映射确保了系统不会在高层空想目标，而是不脱离实际数据。当患者的客观情况发生变化时，最高层的目标也能与时俱进地做出微调，实现真正的闭环适应。
概念投射的映射 (P→I, P→K)：除了直接到底层的数据，意图层也会投射影响到中间的信息和知识层。例如，患者的意图可指导信息滤波和知识调用。若患者表达了“希望尽量避免药物副作用”，那么在知识层进行决策时，系统会优先检索“非药物疗法”的知识，并权衡副作用相关的知识条目。这相当于P层通过调整知识选择策略来影响W层决策，使其符合患者意愿。同样地，P层目标也可影响信息呈现方式，例如在为医生提供决策支持时，如果最终意图是“保证生活质量”，系统会在信息层突出与生活质量相关的指标（如视力对日常活动影响评分），以引导决策关注这些方面。因此，概念空间可以跨越中间层级直接与语义空间元素发生交互，构成一个网状的双向关联结构，而非简单的上下流水线。研究表明，DIKWP模型共有25种可能的跨层语义转换模块（5层到5层，包括自身），正是这些丰富的连接使认知过程形成全面的闭环。图2对这一网状结构做了直观示意。
图2：DIKWP模型五要素（数据D、信息I、知识K、智慧W、意图P）及其相互交互闭环示意图。箭头表示不同层级间的语义流动方向。顺时针方向D→I→K→W→P展示了从数据到意图逐级抽象的认知过程；从P回到D的箭头则闭合了环路，代表高层目标对低层感知的反作用。实际系统中，这种网状交互还包括各层之间双向的直接影响，使得信息流动可以绕过中间层级，例如意图直接指导数据采集（P→D）或知识直接触发数据查询（K→D）等，为智能体提供了灵活而健全的认知机制。
从图2可以看出，DIKWP各层之间并非只有线性相邻关系，而是可根据需要直接沟通。这确保了概念空间与语义空间的通信具有高度的灵活性。在白内障患者场景下，我们已经提及的P→D和D→P路径只是其中两种关键交互。此外，例如**知识→数据 (K→D)的路径也十分有用：当智慧层需要作出决策时，可能发现还缺少某些原始数据，此时系统可根据知识层的指引去获取补充数据（比如根据医学知识提示，需要一次特殊的眼压检查来排除青光眼风险，则系统会调度安排该检查）。又如智慧→意图 (W→P)**路径，表示高层决策的输出会反馈到意图层，用以评估目标满足程度——这就像人类反思自己的决定是否符合初衷，从而对目标进行修正。我们会在下一节进一步讨论这种反馈闭环机制对系统智能推理的意义。
3.2 跨层知识推理与语义流结构
DIKWP框架下的跨层通信使得知识推理可以在多层同时展开。具体而言，系统在进行健康干预推理时，不再局限于某单一抽象层面，而是上下联动。这可从以下两个角度理解：
从概念到语义的推理：高层Wisdom层做出一个决策，需要验证其在低层是否可行或有效。这时，系统会在知识层模拟推理其可能的低层影响。例如，Wisdom层想出一方案“每日户外散步20分钟增加光照锻炼”，在真正执行前，系统可调用知识层（医学和环境知识）推演可能的结果：是否20分钟阳光对晶状体有益？是否存在UV伤害风险？如果知识层推理发现UV指数过高可能适得其反，则智慧层会修正方案，比如加入“佩戴防紫外线眼镜”这一措施。这里，高层决策通过知识层的演绎在低层得到了检验，相当于在执行前进行了语义级的仿真推理。这种跨层机制比起纯Wisdom层拍脑袋决策更可靠。
从语义到概念的推理：低层出现新信息，触发高层新的认知。例如，信息层可能检测到患者某日突然出现“眼压升高”的异常（这属于数据→信息的提升）。知识层将此与白内障并发症关联起来，推理出“可能出现青光眼风险”。这条推理一旦形成，就立即通过概念空间引发Wisdom层注意，有点类似直觉跳跃 (I→W)——Wisdom层暂时改变当前关注，把防青光眼纳入决策框架；同时意图层也随之作出调整，将“防范青光眼”提升为短期重要目标之一。这个过程体现了在紧急或重要情况时，低层语义可以直接影响高层意图，从而及时调整系统目标。正如人的直觉反应可以让我们迅速改变计划一样，人工意识系统通过语义通信也具备类似能力。
为了支撑上述复杂的跨层推理，ACOS内部维护了语义流结构，用以记录和传递推理链路。语义流可以被视为一系列携带DIKWP标签的消息流，经由黑板或消息总线在各智能体和模块间流动。例如，当家庭Agent发现环境光照数据异常时，它会在语义黑板上发布「D:光照=50勒克斯，I:光照水平=低」。知识层Agent监听到这一信息，匹配到规则“低光照→视疲劳风险”后，在黑板追加「K:视疲劳风险=上升」。智慧层Agent再据此生成「W:决策=提高灯光亮度」。最后，ACOS在意图层确认该决策有助于“保护视力 (P)”目标，于是执行该决策并关闭此轮推理。整个过程中，不同层级的推理过程以语义流的形式串联，任何一个环节的推断结果都会携带其层级标签发布。这样不仅方便其他模块及时获取自己需要的信息，也形成了一条完整的可追溯推理链（见第5节）。下图展示了一个跨层语义通信的示意流程：
(此处可附加一张语义流的时序图，例如显示黑板上各层消息发布的顺序和内容。但由于未提供具体图片，这里口头描述)
通过以上机制，DIKWP概念空间与语义空间的紧密通信保证了系统的目标引导型健康行为干预得以落地实施：高层目标可以迅速下达并落实为具体行动，低层变化也能快速反映上来引发目标和策略调整。概念空间提供方向与价值判断，语义空间提供事实依据与执行基础，两者相互映射、双向调节，使人工智能系统能够在医疗领域表现出类似人类医生那样“既有理念又接地气”的智慧。正如研究所指出的那样，这种融合有望构建兼具科学精度与人文关怀的智慧医疗新生态——诊疗方案既基于大数据和知识的科学决策，又融入对患者个人意愿和整体健康目标的关注。
在理解了跨层通信机制后，我们下面将进一步讨论智能推理与信息推送策略，解释系统如何利用上述语义黑板和闭环反馈来实现动态任务编排，以及如何在适当的时机将干预信息推送给患者和医生。
4. 智能推理黑板与动态任务推送策略
为了让多智能体系统有效地合作解决复杂问题，ACOS采用了黑板模型 (Blackboard) 等经典架构思想，实现智能推理的共享记忆和动态任务编排。黑板是一种全局的数据结构，所有Agent都可在其上读写语义事实和中间结论，类似于人类专家团队在白板上协作分析问题。结合DIKWP语义模型，ACOS的黑板被设计为分层区域，或带标签的公告板——例如划分出数据区、信息区、知识区、智慧区，每个区域存放对应抽象层次的事实和推理结果。这样一来，不同专长的Agent（对应不同层次的处理能力）可以聚焦于自己擅长的黑板区域，同时也能感知其他层次的重要变化，实现多模块协同推理。
4.1 推理黑板架构与多模块协同
在白内障主动医疗场景中，黑板架构的作用尤为明显。设想一次夜间阅读风险预警过程：家庭Agent监测到光线不足，在黑板的数据区贴出「光照=50勒克斯」；信息处理模块读取后在信息区写上「环境光照=偏暗」；知识Agent检测到该信息，应用规则推理出「低光照→视疲劳风险」，于是将知识区标记「视疲劳风险=高」；智慧决策Agent看到知识区的这个条目，触发策略生成逻辑，决定「提高灯光+提示患者休息5分钟」，并将该决策发布在智慧区。最后，意图评估模块确认此决策与保护视力的目标一致，在执行区生成具体执行任务项。随着任务执行完毕，家庭Agent又将结果（灯光已提高，患者已休息）发布到黑板，供各模块更新各自状态。
通过上述黑板交互，系统不同层次的知识源都在统一环境下协同工作，每个Agent都能边监听边行动：它监听黑板上是否出现了自己关心的模式，一旦条件满足便参与贡献自己的推理结果。这种模式具备高度的并行性和鲁棒性，可以处理医疗场景中复杂的问题求解。例如，如果知识库中存在多个相关规则，不同知识Agent可以同时尝试推理；再如同时还有其它风险（比如患者血糖波动）在黑板上出现，也可以并行触发对应模块推理，各问题的中间结果互不冲突地在黑板存在，ACOS会按优先级分别处理。黑板架构有效避免了集中式决策的瓶颈和单点故障，让系统具备类似群体智能的特性：就像多位专家围绕一个病患各抒己见，然后由“主持人”综合——ACOS正扮演这个主持角色。
4.2 动态任务编排与行为-目标闭环
有了推理黑板的支撑，ACOS在任务编排上可以做到动态灵活且闭环校正。动态任务编排指的是系统的任务流程不是僵化固定的，而是可以根据实时情况进行调整和重组。例如，如果原计划中的某任务因外部因素无法执行，系统会寻找替代方案或重新安排顺序；如果出现紧急情况，则当前计划可以被中断、插入紧急任务，待处理完再恢复。这样的能力在主动医疗中至关重要——毕竟患者的状态和环境瞬息万变。
行为-目标闭环是指系统在执行每个干预行为后，都会监测反馈并评估是否达到预期目标，从而决定后续行动，实现目标驱动的循环。这一点在我们的场景中反复体现：以“保护视力”大目标为牵引，每一个具体行为（如调整灯光、提醒休息、补充营养等）都被当作一次尝试，随后系统检查视疲劳指标、视力变化等反馈来判断目标达成度。如果发现目标未得到改善，系统就会修改干预策略，例如增加干预频率或更换措施；若达到或超过目标要求，则可能暂缓新的干预，以避免过度医疗。这种自动循环的核心在于将Wisdom层决策输出投射回Intention层进行评价，形成一个从目标出发、经由行动再回到目标的完整闭环。事实上，DIKWP模型的网状结构天然支持这种闭环：W层产出决策，执行后通过D/I/K层反馈影响P层目标达成情况（对应W→P→D的环路），从而触发新一轮W层决策调整。在技术实现上，ACOS会为每个重要目标建立一个监控线程，持续对比目标值和实际观测值，当差距超出阈值时就激活调整机制。这类似于控制理论中的反馈控制，只不过反馈信号在这里是高度语义化和智能化的。
举例来说，系统设定3个月内视力下降不超过0.1为目标。如果一个月后复查视力下降了0.15，ACOS会立即识别出偏差，分析原因（可能是患者未遵医嘱用药或生活习惯不佳），然后相应地调整计划：如加强患者教育、引入社区护士上门随访，甚至通知医院尽早干预其他治疗方案。整个过程中，人可能未必察觉这些细微的计划变动，但系统内部已经通过闭环调节，把目标偏差纠正在了过程之中。这种动态闭环编排保障了长期目标的达成，即使在复杂多变的现实环境中，系统也能像自动驾驶一样不断修正路线，最终驶向目标。
4.3 个性化健康干预的智能推送策略
主动医疗系统不仅需要做出正确决策，还需要将决策结果以适当方式传递给人（患者或医生），形成有效的干预。这就涉及到信息推送策略的智能设计。过于频繁或不当的提示可能导致患者反感和疲劳；过于保守的推送又可能错失干预时机。ACOS通过多层次的语义判断，力求在正确的时间、用正确的方式将信息推送给合适对象。
首先，ACOS会对每一条待推送的信息进行语义级别的重要性评估。例如，一条“环境光已调亮”属于状态通知，重要性不高，系统可以选择不打扰患者，只在日志中记录即可；而“一小时内户外UV指数高，建议避免外出”则关系到潜在风险，重要性较高，应主动提醒患者。Wisdom层结合Knowledge层规则会给推送信息赋予一个重要性权值，并关联到患者当前情境。意图层还会考虑患者的偏好（例如患者可能设置过“非紧急情况不在夜间提示”这样的偏好，相当于在P层定义了推送策略的约束）。
基于上述评估，ACOS采用分级推送策略：
即时关键推送：对于高重要性且需要立即行动的信息（如紧急医疗情况预警、严重异常指标），系统会立即以醒目的方式推送给患者和/或医生。例如，通过患者手机发出警报通知，或者直接致电医疗联系人。这类推送绕过一般限制，确保关键信息第一时间送达。
日常温和推送：对于中等重要程度的信息（如日常健康建议、小的异常提醒），系统会选择合适的时机和渠道推送，尽量减少对患者生活的干扰。例如，在患者处于空闲状态（根据日程或检测到其不在忙碌）时，通过温和的语音或弹窗提醒；或者将多条建议汇总在固定时段推送（如晚上休息前），形成每日健康简报。这种策略提高了信息被接受的概率，也防止“狼来了”效应。
被动查看信息：对于低重要性的状态更新、执行确认等，系统不会主动打扰，而是将其记录在患者的个人健康主页中。患者或医生有空时可以查看详细日志。如果一段时间内累积的低级信息模式显示出趋势（例如一周内多次出现夜间环境光不足），ACOS会将这一趋势作为重要信息在适当时候提示（比如在周总结报告中提醒患者注意最近的用眼环境问题）。
此外，ACOS还支持多模态推送和交互式推送。多模态推送指根据内容性质选择合适的媒介，例如视力相关的建议可以配合简单图示说明护眼操怎么做；药物提醒则可以带上药盒照片以防患者拿错药。交互式推送则允许患者对提示做反馈，例如患者可以点选“已执行”或“稍后再提醒”，系统据此调整下次推送时间或判断患者依从性。
整个推送策略本身也是闭环优化的对象。ACOS会跟踪每次推送的结果：患者是否看了通知，是否按照建议行动，之后健康指标有无改善等。如果某类推送长期无效，系统会调整策略，比如换种措辞、更换推送时间，或联系医生寻求干预。可以说，推送策略本身也是AI推理的一个部分，系统不断学习如何更有效地沟通。对于白内障患者而言，可能发现早晨提醒效果更好，因为晚上视疲劳时患者更不愿理会提示；又或者发现图文并茂的说明比纯文字更能引起重视。ACOS会将这些经验固化为语义层规则，进一步个性化推送内容。例如，对于文化程度较高的患者可提供详细医学解释，对于年长患者则采用更直观简明的提示。
通过智能推理黑板和动态推送策略的结合，我们的系统能够闭环地完成感知-决策-行动-反馈全流程。在患者几乎无感知的背后，一系列AI代理正各司其职地评估风险、调整方案，并在恰当时机给出建议和行动。而所有这些，都围绕着患者的终极目标展开，朝着更安全、更高效、更人性化的医疗服务迈进。下一节，我们将讨论该系统在安全、隐私和可解释性方面的保障机制，这是主动医疗得以被信任和大规模应用的前提。
5. 安全控制与可追溯性设计
医疗领域对安全和隐私有着极高要求。一个深度融合患者日常生活的人工意识系统，必须在架构上充分考虑多级安全控制、隐私保护和决策可追溯。DIKWP语义通信协议和芯片级本地计算技术在这里发挥了关键作用，为系统建立起从硬件到底层语义的立体安全网。
5.1 基于DIKWP语义通信协议的数据安全
传统医疗物联网系统中，不同设备与平台之间的数据交互常以原始数据或简单加密进行，存在语义不明确、权限边界模糊的问题。DIKWP语义通信协议通过在通讯内容中嵌入语义标签和意图上下文，使得数据的传输变得“知其所云”。每一条在网络上传递的消息都附带关于“这是什么数据、有何含义、用于什么目的、接收方应如何处理”的描述。例如，一条从家庭终端发送给社区平台的消息，不是简单地包含“亮度=300lux”，而是类似：“<数据:D=300lux, 类型=环境光照>; <信息:I=光照水平正常>; <目的:P=视力保护监测>”。接收端Agent读取后，能够明确这是一条环境光的信息，用于视力保护目的。如此，在通讯层便达成了语义互操作性和目的透明度。
这种设计带来的一个好处是最小权限原则的自然落实：由于每条信息都清楚标明了用途和敏感程度，系统可以据此自动决定是否、以及以多大粒度共享给对方。例如，涉及高度敏感的原始生理数据（D层），协议可以要求只能在本地处理，绝不直接发送；如果必须传输，也需在本地预先提取信息(I/K层)后再发送，从而避免泄露原始隐私数据。再如，有些信息只需通知社区护士即可，无需提交医院，则协议会将目的限定为社区平台可见，医院系统即使监听到也会因无相应权限或无关目的而忽略。这和传统系统需要人为设置复杂的访问控制列表相比，要智能和安全得多。
值得一提的是，未来专用的语义通信芯片和硬件模块的发展，将使通讯双方具备语义感知与处理能力。这意味着不仅在软件层，甚至在通信硬件层都可以对数据进行语义压缩、加密传输和内容认证。例如，一段关于用眼习惯的监测数据可以直接在发送端硬件上用本地知识库进行初步分析，只传送“异常发生频率=高”这样的精炼信息至云端。这种做法大幅减少了传输的数据量和敏感信息，同时还能确保通信意图的达成。并且，每一条外发消息在硬件层就贴上数字签名和时间戳，包含DIKWP层级摘要，接收端可验证消息完整性和来源可信度。一旦有篡改或伪造，因语义上下文不符或签名不对，将立即被识别和拦截。
5.2 芯片级本地计算与隐私保护
正如上文所述，芯片级人工意识单元 (ACPU) 的引入是确保本地计算、保护隐私的重要措施。ACPU是一种基于DIKWP模型设计的专用AI芯片，它在硬件层面实现了数据-信息-知识-智慧-意图的处理管道。简单来说，很多原本需要云端AI才能完成的处理，现在可以在患者身边的小小芯片内完成，从而达到本地智能化。在白内障患者的家庭终端里，我们部署了ACPU芯片，让它承担繁重的计算任务和敏感数据处理。例如：
图像处理：患者在家可能定期使用眼科随访设备拍摄眼部照片，以监测晶状体混浊程度。原始图像数据非常敏感且数据量大。借助ACPU，本地即可运行深度学习模型分析这些图像，提取出晶状体混浊评分等信息，然后只将评分和特征发送给云端存档或医生查看。原始图像则严格留存在本地安全沙盒中，不上传互联网，从而保障隐私。
语音与文本处理：患者和系统的语音交互、日记记录等可能含有私密内容。ACPU能够本地运行NLP模型，将患者的自由述说转化为结构化的症状信息(I)和情绪状态(K)等。比如患者说“最近感觉晚上看东西更模糊了”，ACPU转成「症状:夜间视力模糊=是」，并在知识层判定这意味着白内障症状加重趋势需要关注。传出的只是这条结构化信息，而不包含患者具体的原始话语录音。
多模态数据融合：ACPU擅长把多源传感数据实时融合。例如结合眼动仪、光传感器、心率带的数据，在本地实时计算出一个“视疲劳指数”指标。这个指标可以被发布到语义黑板给系统使用，而原始眼动追踪录像、心电数据则不必上传。
通过以上方式，大量原始数据的“第一道加工”在本地完成，符合“数据最小化外传”的隐私原则。同时，ACPU硬件设计上采用安全隔离和加密存储：芯片内敏感数据区域经硬件加密保护，任何软件（包括ACOS本身）都无法直接读取未经处理的隐私数据；只有ACPU内部的专用推理核能访问，并且仅输出非敏感的推理结果。即使攻击者获得设备，也难以提取其中明文数据。
此外，ACPU与ACOS协作实现分级安全控制：对于不同风险级别的操作制定权限。例如，涉及修改患者目标(P层)的操作必须得到患者或医生的授权确认（通过安全UI交互或数字签名）才能在ACPU中执行；而普通的数据收集和一般性提示则可自动进行。这样确保了在高层意图方面，始终有人在环监督，不会因为AI的错误推断而擅自改变患者重要健康目标。
5.3 语义可解释推理与审计
当AI介入医疗决策，可解释性和可追溯性就成为监管和信任的关键。DIKWP人工意识生态借助其天然的语义记录机制，为推理过程的解释和审计提供了良好基础。ACOS会对每一次重要决策和干预行为生成语义日志，详细记录从数据到意图的推理链条。这些日志条目包含：
触发事件：如“检测到环境光照低于阈值 (数据层)”，时间戳及相关数值。
推理过程：例如“根据规则X，低光照→视疲劳风险增加 (知识层)”；“智慧层决策采用方案Y提高照明”。
目标关联：例如“该决策对应的目的=P层: 保护视力子目标(夜间不适度) 达成预期=部分达成”。
执行结果：如“灯光亮度已提升，患者休息5分钟—视疲劳指数下降20% (反馈结果)”。
这些内容本身就已相当可解释，因为采用了领域语义表达，而非黑盒模型的内部数值。的案例表明，DIKWP框架可以完整呈现医疗AI从原始数据到决策执行的过程，使得每一步都有理可依、有据可查。例如，本案例中系统提出某项建议，医生可以调阅语义日志，清楚看到建议背后的考量：患者哪些数据异常、知识库中调用了哪条医学依据、AI推理如何权衡得出结论，以及它如何符合患者的总体目标。这让医生能够快速理解AI决策的合理性，从而放心地将其纳入临床决策参考，或在必要时进行校正。
对于监管部门或研发人员来说，语义日志则提供了宝贵的审计追踪和系统改进依据。若发生医疗事故或AI决策失误，通过日志可以定位是哪个环节出了问题——是知识库规则不完善？感知数据有误？还是目标设定冲突？由于日志的层次清晰，责任归因也比较明晰。例如，如果发现某次干预不当是因为知识层逻辑错误（比如错误地将某症状归因为另一疾病），那么可以针对知识库进行修正。提到缺少目的可能导致决策不透明，而我们通过日志中目的层的记录，可以证明系统在每次决策中都有考虑最终目标，从而增强系统决策的可信和负责任属性。这一点对于人工智能医疗的伦理和法规遵循来说至关重要。
安全审计方面，语义日志同样发挥作用。所有涉及隐私数据的访问、共享，都在日志中记录操作意图和范围。这不仅保护患者权益，也为合规检查提供依据。例如，日志可以显示“某医生查询了患者上周光照数据用于诊断，目的层=诊断支持，已获得患者授权”，这确保了整个访问闭环受控且可查。
最后，DIKWP模型的双向可解释性值得一提：不仅系统的行为对人是可解释的，用户的高层意图输入对系统来说也是明确的。当患者或医生在界面上调整目标（如将“提高生活质量”设为更高优先级），这一定义本身通过P层语义就嵌入系统，不会像传统设置那样被算法莫名其妙地忽视。系统会记录“用户设定意图=...”，并据此调整内部推理。这种双向的理解避免了许多人机误解和由此引发的不安全行为，让人工智能真正成为医生和患者可以信赖的助手。
6. 应用展望：可视化场景与未来落地路径
通过上述对技术架构的深入探讨，我们已经描绘了白内障初期患者主动医疗场景的一个理想蓝图。最后，我们从应用层面来总结这个场景的关键交互流程，并展望其未来落地的路径，包括标准制定和教学培训等方面。
6.1 场景关键交互流程回顾
让我们以患者的一天为线索，串联起前文描述的技术点：
清晨环境调整：早上天亮时，家庭终端的传感器数据(D)检测到卧室光线逐渐增强。ACOS的信息层将其识别为“晨光渐强”，知识层知道强光直射晨起眼睛可能引起不适，智慧层于是决策拉上智能窗帘一半。这一动作满足了P层“避免强光刺激眼睛”的意图。患者在舒适光线下醒来，系统在日志中记录这一无声的主动保护行为。
日间智能监护：白天，患者进行日常活动。ACOS持续在后台监测各项数据：如佩戴的智能眼镜记录读书时长和距离，环境传感器监控室内外光照和空气质量，健康手环追踪步数和睡眠等。所有这些数据被本地ACPU即时处理提取信息，如“累计阅读1.5小时”“户外明亮光照20分钟”“午休质量一般”等。ACOS知识层根据眼科建议推理出“阅读时间略长，需适当休息”“户外光照摄入尚可”。接近中午时，Wisdom层检查到患者当日尚未休息片刻，于是决定在12:30推送一个休息提醒（重要性中等，选在午饭后放松时发送）。患者的可穿戴设备在约定时间轻震并语音提示：“请闭眼休息一下，做个眼保健操”。患者采纳了建议，这一行为被记录，同时系统观察到下午他的视觉疲劳指数降低了。闭环反馈表明干预有效，意图层认为无需进一步动作。整个过程对患者而言几乎是自然融入生活，而背后的系统在不停地感知和决策。
傍晚社区随访：一天的活动后，社区诊疗平台的Agent与家庭Agent协同安排了一次每周例行的远程随访。患者在家通过平板与社区医生视频通话。通话前，ACOS已将本周关键信息汇总呈现在医生的界面上：如“平均每日室内光照500lux，低于建议”“上周末户外时长减少20%”“患者主诉晚间眩光感增强”等。这些信息均来自ACOS语义黑板的日志和知识推理结果，有理有据地解释了患者状态。医生据此给予了新的建议（例如换一种防眩光的灯泡），并通过系统将新的目标参数（如“晚间眩光控制”为近期目的）输入ACOS。ACOS在日志中记录了医生的调整意图，并相应更新内部策略。整个远程随访在半小时内高效完成——医生没有被海量原始数据淹没，而是得到了语义浓缩的信息和明确的建议支撑；患者也获取了个性化的专业指导。
夜间风险预警：晚上，患者决定阅读一本喜欢的书。ACOS监测到时间已晚且环境光照较弱，于是进入重点监护模式。阅读开始半小时后，黑板上出现一系列推理：光照低→视疲劳风险→智慧层建议提醒休息。ACOS查询患者当时状态，发现其正沉浸阅读且已连续40分钟未休息，综合权衡后认为应该干预。于是通过智能台灯将亮度调高了一档，并在书页投射出一行柔和的提醒字：“已阅读40分钟，请让眼睛休息一下”。患者注意到了提示，放下书本闭眼休息。几分钟后，他继续阅读时感觉清晰度有所恢复，没有再出现之前常有的模糊感。系统记录此次干预达成了目的层的“及时缓解视疲劳”目标，并将在后续分析患者视力波动时将此作为成功案例累积到知识库。若当时患者无视提示，系统也做好了预案：一旦监测到其视疲劳指标显著恶化，将升级提醒级别甚至联系家人介入。但由于患者配合，这些后续措施无需执行。
长期数据融合同步医院：在整个过程中，医院协同系统的ACOS节点扮演着安静的“后盾”角色。它持续收到经语义过滤的患者关键指标和事件记录，并将之整合进医院的电子健康记录(EHR)中，由人工意识系统的智慧层进行长期趋势分析。例如，它可能发现患者近3个月来夜间视力主诉恶化与其所在城市季节光照变化有关，推断出季节性因素，并建议提前为冬季制定针对性方案。医院的专业AI模型也可以利用这些详实的数据进行训练优化，从而提高对白内障进程的预测准确率。在患者下次复诊时，医生将看到一份由ACOS自动生成的报告，里面有丰富的图表和语义标注：视力曲线如何随干预调整而变化，每项干预的效果评估如何，是否达到阶段目标等等。这些信息将辅助医生做出是否需要手术等重大决定。可以说，医院系统通过ACOS和社区、家庭系统无缝衔接，形成了一个连续闭环的诊疗体系，把过去割裂的院内院外数据贯通起来，为患者提供贯穿全周期的照护。
以上关键场景可视化地展现了DIKWP人工意识生态在主动医疗中的应用：从早晨到夜晚，从日常小事到医疗大事，系统如影随形地提供恰到好处的支持，而这一切的出发点和落脚点都是患者的健康目标。
6.2 技术落地挑战与标准化展望
要将上述愿景转化为现实应用，还需跨越一些技术和实践门槛：
算力与资源：DIKWP人工意识生态对实时语义处理和多智能体协同提出了较高要求，需要高性能的边缘AI芯片（ACPU）和可靠的网络连接。目前部分技术（如低功耗语义芯片、6G语义通信）尚在研发，预计未来5-10年内成熟。在落地初期，可以通过云边协同的方式来权衡，即在本地设备做初步语义提取，云端服务器完成复杂推理，同时逐步过渡到更多计算下沉本地。
知识获取与更新：医疗知识库和规则是系统智慧的基石。要构建白内障相关全面的知识图谱，以及语义规则，需要整合眼科临床研究、专家经验和患者个体化数据。这是一个浩大的工程。好在DIKWP框架提供了统一的知识表达结构，使得各方贡献的知识易于融合。同时，应该推动行业建立开放的医疗语义知识标准，鼓励分享和复用知识模块。比如可制定“眼科DIKWP知识规范”，不同厂商的系统都遵循统一格式，这样知识库可以互通，Agent也能在不同系统间迁移。
标准体系重构：现行医疗IT标准多是针对数据层和接口，而缺乏对语义和意图的规范。这导致跨系统协作时“语义割裂与目标失焦”。未来必须在国际国内标准化组织中推动DIKWP网状模型的标准化，包括统一的语义标记、本体库、通信协议、安全模型等。已有研究指出，利用DIKWP模型可系统性重构标准体系，使各层级标准语义一致、目标对齐。比如，可以在FHIR等医疗数据标准之上，增加一层意图定义标准，用于交换患者目标和AI决策目的；或者制定医疗人工意识系统的安全标准，规范ACPU的隐私处理和审计接口。标准化不仅能确保不同机构系统互操作，也为监管和评价提供依据（如可依据标准对一套人工意识医疗系统进行认证，看其是否全面考虑了DIKWP各层、是否具备双向可解释性等）。
多学科合作与评估：要成功部署这样的系统，需要眼科医生、人工智能专家、人机交互设计师、安全专家等多方协作。从研发阶段就应开展多学科讨论，确保系统决策既科学有效，又符合伦理和人文关怀。例如，如何设置AI与医生的职责边界、当AI建议与患者意愿冲突时如何平衡、在何种情况下AI可以自动override等等，都需要制定明确指南并不断从实践中完善。评估体系方面，可以采用DIKWP白盒测评框架，从数据、信息、知识、智慧、意图各层面对系统进行全面测试。比如测试它的数据处理正确率、信息提取准确率、知识推理可靠性、智慧决策合理性以及意图层目标达成率等。通过这种全链路评估，可以发现系统薄弱环节以持续优化。
用户培训与接受度：无论再智能的系统，最终还是要被人使用和接受。对于患者，需要直观易用的界面和可感知的好处，让他们愿意融入这个生态；对于医护人员，需要降低使用门槛，让AI成为工作帮手而非负担。因此教学培训很重要。一方面，要培训医生理解DIKWP理念，学会查看AI的语义解释报告，知道如何和AI协同决策。另一方面，要教育患者正确地与系统互动，例如如何反馈自己的感受、如何调整个人目标设置等。可以在医院和社区开展一些试点项目，由专业人员指导患者使用，通过亲身体验来建立信任。一旦早期用户口碑建立，接受度将逐步提高。
6.3 教学培训应用案例
DIKWP主动医疗系统本身也可作为医学教育和人工智能培训的案例教材。通过这样一个综合案例，医学生可以学习到：如何将临床目标细化为可操作的干预措施、如何利用数据驱动持续改进治疗；工科学生可以学习语义编程、智能操作系统、多Agent协同等先进概念；管理者可以认识到数据标准和安全的重要性。比如，在某高校的智慧医疗课程中，可以设置一个实践项目：让学生扮演不同模块开发者，根据DIKWP规范编写家庭Agent、社区Agent或知识规则，然后通过ACOS平台将其集成，最后在模拟的患者环境中运行，观察系统如何统一达成患者目标。这种沙盘演练能够加深对跨学科协作和标准化的理解。
同时，医院可以利用该系统的可解释性对年轻医生进行培训。AI的决策日志详细展示了专家思维过程，年轻医生可通过阅读大量类似日志，学习在各种情况下专家（AI集成了大量专家知识）的决策逻辑。这类似于带教，只是对象换成了AI日志。例如，可以调出“某患者一年内视力变化和干预日志”作为案例，和学员一起分析：当视力在某次骤降时，系统采取了哪些动作挽回，背后依据的知识是什么。这种培训方式可以提高临床决策能力和对AI辅助的理解，真正做到人机协同。
结语：面向白内障初期患者的未来主动医疗场景，充分展示了DIKWP人工意识生态的深度融合应用。从语义编程生成个性化任务，到ACOS统筹多智能体协作，再到概念与语义空间的双向沟通，以及智能推理闭环和安全可控设计，每一环节都围绕“以患者为中心、以目标为导向”的理念展开。技术上的逐步突破加上标准和培训的完善，将使这套体系不再停留于愿景，而成为切实可行的智能医疗基础设施。届时，我们有望看到医疗模式的范式跃迁：医疗服务将从被动反应型转变为主动预防型，患者的家庭将延伸为护理的前沿阵地，人工智能将以人性化和可控的方式融入医疗决策过程。在白内障这样的慢性疾病管理中，患者将获得前所未有的连续关怀和自主权，医疗资源也将得到更优化的配置。这不仅对白内障患者有益，其理念和架构更可推广至其他慢病和康复领域，推动整体医疗体系朝着更加智慧、协同和个性化的方向发展。
参考文献：
Yucong Duan 等. DIKWP语义模型商业价值评估报告. 国际人工智能DIKWP测评标准委员会, 2025.
段玉聪. 基于DIKWP人工意识生态的医学范式跃迁. 知乎专栏, 2024.
段玉聪, 黄帅帅. 面向人工意识的新一代语义驱动型编程语言DIKWP编程及案例分析. 世界人工意识协会报告, 2025.
Yucong Duan 等. 基于网状DIKWP模型的标准化体系重构研究. 世界人工意识协会报告, 2025.
Yucong Duan 等. DIKWP模型与主动医学的信息场和能量场整合研究. 世界人工意识协会报告, 2024.
Pengcheng Lab. 面向现代语义通信的语义知识库技术白皮书, 2025.
Zhihu专栏. 从DIKWP模型视角解读主动医学, 2024.
Yucong Duan 等. DIKWP人工意识白盒测评标准框架设计与实践, 知乎专栏, 2024.
转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3429562-1487260.html?mobile=1
收藏
