下面是段玉聪教授的技术合作倡议，围绕其DIKWP模型与人工意识理论，聚焦“基于具身智能的神经机制及类脑计算与推理融合”。申请书将系统阐述DIKWP在具身认知、自我与环境模型构建、感知-运动整合、信息压缩编码及类脑智能系统实时更新等方面的创新价值与具体实现路径。

研究内容将涵盖感知—运动循环中分层认知建模、神经机制解析、行为图谱构建及类脑计算策略设计。成果指标将扩展包括DIKWP模型在感知压缩、个体与空间建模、类脑实时感知系统中的应用验证。报告将满足国家级战略要求，面向“脑认知-体感知-环境交互”融合智能系统构建提出系统解决方案。

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) 

 人工通用智能（AGI）的发展正逐步走向“具身智能”阶段，即让智能体具备与身体和环境交互的能力。大量研究指出，具身智能是实现类人智能的关键途径：智能体只有嵌入物理世界，通过感知反馈和动作响应形成闭环，才能真正获取人类水平的认知和适应能力。当前，在机器人、自主代理等领域的实践表明，仅依赖虚拟数据训练的“脱身智能”难以应对复杂多变的现实环境，因此学界普遍认为具身智能要么是迈向AGI的必由之路，要么应当被视作AGI定义的一部分。

 然而，实现具身智能仍面临巨大挑战。首先，生物感知-运动整合机制的复杂性使得人工系统难以重现生物体那样高效的传感-行动协同。生物大脑中感知与运动密切耦合，感知会实时引导运动，运动反馈又更新感知，两者形成动态闭环。但现有人工智能往往将感知、认知、行为割裂开来，难以达到生物体系的统合效率。其次，空间理解与建模仍是难点：人工智能缺乏类似哺乳动物海马体“认知地图”的内在表示，难以像生物一样自动构建对环境的空间认知和物理规则的理解。目前的机器人在物理世界理解上仍存在模型泛化差、多模态融合难、实时性不足等瓶颈。例如，不同传感器数据时间和空间对齐困难、模拟环境与真实环境差异导致模型迁移受阻、需要大量数据才能覆盖环境变化等。这些问题严重限制了具身智能系统的鲁棒性和通用性。

 针对上述挑战，本项目以DIKWP模型（数据-信息-知识-智慧-意图）及其人工意识理论为核心支撑，探索全新的具身智能实现路径。DIKWP模型是段玉聪教授团队原创的人工意识框架，在经典DIKW（金字塔）模型基础上新增了最高层的“Purpose”（意图/目的）层。这一扩展将主观意图融入客观认知过程，形成了从数据感知到目标导向决策的五层认知体系，被视为人工智能领域的一项重要理论创新。DIKWP框架全面覆盖了从原始数据获取到智慧决策再到行动意图的完整链条，使我们能够系统地将动机和意图纳入智能体认知过程的考量。相比传统仅关注感知与推理的架构，DIKWP模型突出“意图驱动”，强调认知过程背后的目标和意义。这使得人工智能系统在执行任务时，不仅关注“如何做”，更关注“为何做”，从而朝自主智能和类意识方向迈进。

 DIKWP模型和人工意识理论在感知建构、自我状态认知和意图驱动行为方面展现出独特优势和学术贡献。首先，DIKWP的分层结构对应了从低级感觉到高级认知再到目的导向行动的人类认知过程，可用于逐级构建人工智能的感知层次结构。例如，利用该模型，可将传感器采集的数据提炼成有意义的信息模式，进一步形成环境知识和智慧决策，最终由意图层统领行为方向。这种层次化的感知建构有望解决当前多模态感知融合难的问题，使AI逐步积累对环境的理解。其次，DIKWP框架引入元认知和自我模型的要素：其“智慧”层包含反思与认知自省能力，而“意图”层赋予系统以内部驱动力，可看作一种初步的自我意识表达。因此，该模型有助于人工智能进行自我状态认知，例如了解自身知识的局限、对所处环境和自身目标有整体认知等，这些都是实现自主性的关键。再次，DIKWP的“意图”层让智能体的行为选择由内部目标引导，具备意图驱动行为特征。这对于强化学习等领域意义重大：通过在智能体内部显式表示“意图”，可提升决策的连贯性和目的性，让AI行为更加自主合理。最后，DIKWP模型极大增强了AI系统的可解释性和透明度。由于该框架将智能体内部处理过程模块化为五个层面，开发者和评估者可以跟踪每一层的信息处理，从而使过去难以理解的“黑箱”决策过程转变为有迹可循的“白箱”流程。这在安全敏感领域（如医疗、自动驾驶）中特别重要，DIKWP保证AI每一步推理均有据可依、可审查，显著提高了决策的可信度。基于上述优势，DIKWP人工意识模型被认为是迈向可解释、高级智能的重要一步，为破解当前大模型“黑箱”难题、提升AI系统的可控性提供了创新途径。

 综上所述，本项目立足于国家重大需求，以具身智能的神经机制与类脑计算为研究主题，引入DIKWP人工意识框架，试图突破传统智能体设计的瓶颈。从理论上，DIKWP模型将为具身智能提供统一的认知架构，使系统同时具备数据驱动的感知学习能力和目的驱动的自主意识特征。在应用上，该理论有望解决当前生物感知-运动整合和空间认知建模中的难点，推动机器人和自主体朝更加智能自律的方向发展。段玉聪教授团队大量专利技术成果（涵盖人工意识构建、认知操作系统等前沿方向）已被视为未来安全可控、可解释AI的重要底层支撑。因此，将DIKWP模型融入具身智能研究，不仅具有重要的科学意义，还有望为我国在AGI领域取得战略领先提供核心技术储备。

 研究目标：本项目旨在构建一套融合DIKWP模型的类脑智能系统，使人工智能体能够像生物一样通过具身交互形成认知与意识雏形。在理论上，揭示具身智能的神经机制（包括感知-运动耦合、空间认知、自我意图等）并用DIKWP模型加以解释；在方法上，设计类脑计算框架，实现从感知获取、知识抽取到意图决策的端到端智能体模型；在应用上，开发具身智能原型系统，验证该模型在自主机器人、虚拟智能体以及大模型认知增强等场景中的有效性。项目的长期目标是探索一条从生物智能机理出发，融合人工意识理论，实现自主可控、可解释的类脑AGI的新路径。

 总体技术路线：本项目将结合DIKWP模型的五层认知结构和人工意识框架，采用“生物实验分析→机理建模→算法研制→系统集成”的路线，逐步达成研究目标。具体划分为以下五个阶段：

阶段1：自由行为数据采集。通过对自由活动动物的多模态数据采集和行为记录，建立涵盖感知输入（视觉、听觉、位姿等）与运动输出（行为动作）的大型数据集和行为图谱，为后续建模提供基础。【目标】获取海量高生态效价的数据，初步刻画生物体感知-行动循环规律。

阶段2：神经机制建模。结合神经科学实验结果和机器学习方法，对阶段1的数据进行分析建模，提炼生物自我状态感知与环境表征的关键神经机制。例如，解析动物定位导航的神经活动模式，提取空间认知的表征方法。【目标】建立DIKWP框架中“数据-信息-知识”层对应的网状交互计算与推理模型，揭示感知信息如何转化为知识表征的过程，并为更高层智慧、意图建模奠定基础。

阶段3：具身表征学习。基于阶段2的机制模型，研发能够在交互中自主学习环境物理规则和世界模型的算法。让人工智能体通过感知-运动闭环试验，学会预测动作后果、形成对环境的因果认知。【目标】构建DIKWP框架中“智慧”层的核心模型，实现智能体对所处环境的可解释世界模型和策略推理能力，使其能够在模拟环境中产生合理的决策和行为。

阶段4：类脑计算模型构建。综合前述各模块，设计完整的DIKWP类脑计算框架。引入高效感知编码机制，对多模态感知进行压缩表示；实现快速更新模块，使模型能够在线学习、持续自适应；增加意图调控模块，用于注入人工意识的目标导向调节。【目标】研制具备数据到意图全链路处理能力的脑启发模型，模块化实现DIKWP的各层功能，并在通用计算平台或类脑芯片上高效运行，为系统级应用做好准备。

阶段5：系统应用验证。将阶段4的类脑模型集成到实际具身智能系统中（如自主机器人或仿生代理），搭建应用示范原型。针对典型场景进行测试验证，包括自主导航、交互操作、复杂环境中的目标识别与决策等。【目标】验证DIKWP具身智能系统在真实任务中的性能，达到或优于指南要求的指标水平，并构建DIKWP具身智能开放平台，为后续推广奠定基础。

上述路线涵盖了从生物数据获取、机理提炼到人工系统实现、场景验证的完整链条，各阶段紧密衔接、逐步递进：前一阶段的产出（数据、模型）作为接口输入，支撑下一阶段开发，实现数据驱动与理论指导相结合。通过这种分阶段实施与集成验证并行的策略，确保研究目标的达成和成果的积累。

针对总体技术路线，各阶段的研究内容与关键技术方案细分如下：

 研究内容：本模块对应阶段1，旨在获取和分析生物具身行为的数据基础。一方面，我们将选择典型自由行为范式的动物（例如啮齿类在开放场景中的自主探索行为），利用多模态传感技术对其感知-运动过程进行长时序追踪。采集的数据包括：视觉影像（第三人称摄像及动物视角视野）、听觉信号、位置信息（GPS/定位系统）、身体运动学数据（加速度计、陀螺仪）以及神经活动记录（如条件允许，可同步记录神经元放电或脑电）。通过机器学习的方法，对多源数据进行时间同步和融合，重构动物在环境中的运动轨迹和感知流。

 另一方面，本模块将引入行为图谱（Behavior Atlas）概念，对动物行为序列和感知输入进行图结构建模。具体做法是：将动物的关键行为状态（如觅食、探索、避障等）作为图谱的节点，将感知刺激-行动响应的关联作为边，形成个体-环境交互行为图谱。这种图谱可视为对动物在自由情境下“感知-行动链”的刻画，体现出某种因果链条。例如，当环境出现特定视觉信号时，动物接着发生某种动作的概率关联等。通过统计分析和模式挖掘，我们将提取主要的感知链（即从感知到行为的序列模式），揭示生物体在不同情境下感知驱动行为的规律。

 技术路线：首先，构建多模态数据采集系统，包括高清摄像机阵列、微型可穿戴传感器等，实现对实验动物无拘束状态下的同步数据采集。其次，开发数据预处理与标注管线，利用计算机视觉和信号处理技术，对原始数据进行降噪、特征提取和行为事件自动标注。例如，应用深度学习检测视频中的动物姿态和动作类别，使用模式识别识别神经信号与行为的相关片段。然后，采用图谱构建算法（如时序关联规则挖掘、因果发现算法）将处理后的序列数据构建为有向图或时序网络。每个节点代表环境感知到的信息模式或动物的行为状态，边表示从感知到动作的转移概率或因果关系。最后，结合DIKWP模型的数据层和信息层理念，对行为图谱进行语义解释：将原始传感数据视为“数据”，而从中提取出的环境线索、行为事件则上升为“信息”。通过DIKWP感知层建模，我们可初步验证智能体在低层次数据-信息转换中的规律，为后续知识层建模奠定基础。

 预期成果：本模块将产出一个自由行为多模态数据集和对应的行为图谱模型。数据集规模预计数十小时以上行为记录，包含丰富的感知-运动实例。行为图谱将定量展示动物典型行为链，例如“听到声音→转头定位→移动接近”等序列及其概率。通过分析图谱结构，我们预期发现若干重要规律，如感知刺激与运动反应的时滞分布、多模态刺激对行为选择的协同作用等。这不仅为生物神经机制建模提供指导，也验证了DIKWP模型中感知层对个体-环境交互建模的适用性。

 研究内容：本模块对应阶段2，聚焦于解析动物自我状态感知和空间环境建模的神经机制，并用DIKWP框架加以分层解释。我们将借助行为数据和已有神经科学知识，建立两个层次的模型：一是个体层模型，描述动物对自身状态（如位置、朝向、运动意图）的感知和表征机制；二是环境层模型，描述动物对外部空间（包括地形布局、目标物位置等）的感知表示与内部建模过程。

 在个体模型方面，我们关注动物定位自身于环境的能力（即本体定位）和内部状态认知机制。例如，哺乳动物大脑中的前庭系统、本体感觉和运动副本信号共同作用，使动物能够意识到自身在空间中的位置和运动速度。还有如海马体-内嗅皮层系统中的位置细胞和网格细胞，被认为分别编码当前位置和网格状空间坐标，从而提供内在的定位框架。我们将综合利用阶段1获得的位置轨迹数据和文献中关于相关神经活动的报告，尝试重建一个自主体位置感知模型：输入可以是模拟的前庭加速度信号和视觉流，模型通过积分和模式识别输出估计的自身坐标和朝向。这一过程对应DIKWP的“数据→信息→知识”逐层递进：原始感觉数据经过处理提取出对自身运动的有意义信息（如速度、转向事件），进而整合成对自身状态的知识表征（如推断出“我目前在空间中的某一位置”）。

 在环境模型方面，我们研究动物构建环境认知地图的神经机制。生物能够通过探索逐步建立对环境的内部模型，例如记住所遇地点的距离方向关系、障碍物的位置、重要目标的位置等。神经科学研究表明，海马体不仅定位自身，也在编码环境的拓扑关系；大脑皮层视觉和顶叶区域对空间中的物体和地形特征进行抽象。为建模这种能力，我们将采用分层空间表示学习方法：低层使用深度神经网络从视觉/雷达数据中提取环境特征（对应DIKWP的信息层）；中层采用图结构或网格表示整合多次探索得到的地点关系，形成环境拓扑图或认知地图（对应知识层）；高层结合强化学习或规划算法，使模型能够基于内部地图进行路径推理和目标搜索（对应智慧层）。我们将参考SLAM（同步定位与地图构建）算法思想，但加入生物启发的成分，如类脑海马体网络用于高效更新地图、网格细胞编码用于生成连续空间坐标等。

 技术路线：首先，通过分析阶段1行为数据的空间轨迹，选取代表性的环境场景（如迷宫、开放场地）进行模拟和建模。然后，建立仿真环境以重复动物的探索过程，并记录虚拟传感数据和运动决策。接着，针对个体模型，设计融合多源感觉的定位算法：如卡尔曼滤波融合加速度计和视觉里程计，实现对自身位置的连续估计；或利用递归神经网络记忆移动序列，以预测当前位置。针对环境模型，开发认知地图学习算法：使用拓扑图（节点表示环境中的地点，边表示可达性）和度量图（连续的坐标系表示空间）。我们将引入DIKWP中的信息层-知识层概念，对此过程进行诠释——信息层提炼环境感知中的有用信息（如地标、障碍的位置），知识层则形成关于环境的规则和模型（如“房间布局图”或“导航网络”）。最后，通过比较模型输出与真实动物行为表现，验证我们对神经机制的假设：例如模型是否复现了生物的路径积分能力、是否能够像动物一样在遮挡或部分线索缺失时仍保持定位等。

 预期成果：本模块将产生一个具身智能个体-环境认知模型，能够在模拟环境中表现出类似动物的定位导航能力。具体成果包括：（1）个体状态感知模块：实现自主体基于多感官输入的自身位置/姿态估计，其精度接近高配传感器融合算法，但结构更贴近生物机制。（2）环境认知地图模块：能够通过探索学习环境拓扑，最终用图或地图形式表示环境，支持后续的路径规划。（3）理论层面，用DIKWP的层级结构解释了空间感知的建模过程，阐明“信息-知识-智慧”在空间理解中的递进关系。此部分成果将为后续的世界模型构建提供核心算法，也为将来的机器人导航系统提供类脑的新思路。

 研究内容：本模块对应阶段3，核心是在仿生模型上实现感知-运动耦合的循环机制，使智能体通过持续交互学习世界模型。所谓世界模型，是指智能体内部对外部物理环境及其动力学规律的表征和模拟装置。生物大脑被认为具备内部的“仿真器”，能够预测动作的结果，并据此调整行为策略。这种能力源于感知与运动间大量反复试验中隐含的因果关系学习，例如婴儿通过不断尝试物体操作来习得物理规则。我们的目标是让人工智能体经过交互，逐步获得对环境可解释的规则认知，形成可内化推演的世界模型，并利用该模型进行意图驱动的决策。

 技术路线：我们将采用“感知-行动环”训练范式。在前述仿真环境中，让智能体基于自身感知进行决策动作，再从环境获得反馈感知，如此循环。为了让智能体高效地学到环境规律，需在模型中植入合理的结构和训练目标：(1) 预测模型：设计一个模型接受当前状态表示和候选行动，输出预测的下一状态或感知结果。这可以用神经网络实现，其训练目标是最小化与实际环境反馈的误差。通过持续训练，此模型将捕捉环境的因果规律（如物体动力学、碰撞效果等）。(2) 解释规则提取：为确保模型的物理规则可解释，我们考虑引入符号学习或因果发现方法，从预测模型中提炼出人类可理解的规则。例如，通过决策树或逻辑回归近似神经网络的决策边界，提取“If-Then”形式的规则（如“如果未受到支撑则物体下落”）。(3) 强化学习与意图引导：同时进行强化学习训练智能体的策略网络，使其利用预测模型进行规划决策，而不仅是反射式反应。这里引入DIKWP模型的高层：智慧层相当于智能体利用世界模型进行推理评估多个行动方案的能力，意图层则提供策略选择的指导方针，即以实现目标为导向选择行为。具体实现时，我们将在智能体决策过程中加入基于意图的奖励函数或目标条件：例如，定义智能体的内在目标（来自意图层，如导航到特定地点、保持自身安全等），让强化学习算法在考虑预测模型输出的前提下，选择满足意图的最优动作。

 在此过程中，我们还研究感知-运动耦合如何提高模型泛化能力。一个假设是，通过在认知过程中统一感知和行动表示，模型可以更好地理解“物理因果”，从而较少依赖特定感官，从一类环境推广到新环境。因此，我们将尝试让世界模型的中间表示同时接受感知和运动的输入，以学习一个融合空间-动力的隐变量表示。这种表示力求对应现实中的某些物理量（例如动量、力），以增强模型对环境变化的鲁棒性。

 预期成果：通过本模块，预期获得：（1）一个可自我进化的世界模型：智能体能够在模拟环境中通过自身探索，建立对环境动力学的内部模拟，其预测准确率达到一定标准（如在复杂环境中预测下一状态的误差低于指南要求的阈值）。更重要的是，我们将提取到若干明确的物理规则，验证智能体确实学到了环境规律，例如碰撞守恒、重力影响等，并以可解释形式表述。（2）一个意图驱动的决策系统：在世界模型基础上，实现智能体根据目标意图进行推理式决策。度量指标包括：在给定新任务目标时，智能体能够通过内部模型模拟出一系列行动方案，并选取最优方案执行，成功率和效率显著优于不使用世界模型的策略。（3）理论上，证明DIKWP模型中智慧层+意图层对智能体行为选择的价值：即具备内部模拟和目标指引的系统，在未知场景下的适应性、决策合理性方面明显提升。这将成为构建类脑自主体的关键支撑。

 研究内容：本模块对应阶段4，旨在基于上述机制和模型，整合开发出具身智能类脑计算框架。这个框架以DIKWP模型为指导，实现各层功能模块的有机组合，并注重在工程上达到高效、实时、自适应。我们重点攻克三项关键技术：压缩感知编码、快速更新学习和意图调控机制，以全面提升系统性能。

 压缩感知编码机制：生物大脑的感知系统具有惊人的数据压缩与提取能力，例如人眼将庞大的视觉数据提炼成稀疏的关键特征传递到大脑。受此启发，我们将在框架中设计高效的感知编码模块。具体做法包括：采用事件驱动感知或注意力机制，只关注变化或与当前任务相关的感知信息，降低无效数据传输；利用稀疏表示和压缩感知算法，在保证关键信息不丢失的前提下大幅减少数据维度。例如，可基于DIKWP的信息层语义，对原始传感数据进行符号化或特征图谱化表示，使后续层直接处理高层语义而非海量原始数据。压缩感知模块将嵌入至框架的低层，实现边缘侧预处理，确保系统整体的数据吞吐在实时范围内，提高感知编码效率（拟以压缩比和信息保持率作为指标）。

 快速更新学习模块：具身智能面临的环境是动态多变的，因而要求模型具有持续学习与在线更新能力。我们将在框架中引入类脑的突触可塑性和记忆单元设计，使系统能快速适应新知识、新情境。例如，借鉴大脑海马-新皮层记忆系统，构建双通路学习：一条快速通路用于即时记忆（短期记忆，如工作记忆模块），另一条慢通路用于巩固知识（长期记忆，如通过离线批量更新）。算法上，可采用元学习（Meta-learning）或小样本学习技术，让模型在少量新数据或少次交互后即可调整内部参数。我们还将实现模块化更新机制：当环境变化局部化时，仅更新相关模块的参数，其余模块保持稳定，从而加快收敛。例如，环境光照改变主要影响视觉感知模块，则只需更新感知编码子模块的模型。通过这些手段，DIKWP框架中的各层将具备一定程度的自主进化能力，特别是知识层和智慧层能够随环境变化实时刷新认知。我们将用适应时间常数、迁移学习性能等指标评估快速更新效果。

 意图调控模块：这是DIKWP框架区别于传统架构的核心创新之一，旨在模拟大脑额叶对各认知模块的统一调控作用。我们将开发一个集中式的意图管理单元，存储和维护当前系统的目标、动机等高层状态。该模块一方面向下对各层次施加引导信号：例如，根据当前意图调整感知模块的注意焦点（类似选择性注意），调整知识检索的优先级，以及影响智慧层决策评估的偏好函数；另一方面，它也向上整合来自各模块的反馈，用于自我监控和意图更新。技术实现上，我们可能采用强化学习代理或逻辑规则来实现意图单元。例如，当系统检测到当前策略与目标偏离时，意图模块可以发出信号促使智慧层重新规划路径；或者在长期目标发生改变时，触发对知识库的重构以适应新目标。意图调控模块还将负责与人类用户或高层指令接口，确保系统行为始终在道德、安全约束下（这也对应人工意识对AI行为伦理的调节）。

 框架集成与类脑实现：在实现各子模块后，我们将进行框架级集成。采用分布式并行计算架构以模拟大脑多区域并行的信息处理，尽量减少各模块间通信延迟。同时关注类脑芯片适配：选择合适的异构计算硬件（如GPU加速、FPGA、类神经形态芯片等）部署关键算法模块，以提升能效比。例如，感知编码和部分神经网络推理可移植到专用加速芯片上，复杂决策和存储在CPU或云端执行。通过软硬件协同优化，使整个系统在满足实时性的同时降低功耗，具备长时间自主运行能力。

 预期成果：本模块最终将产出完整的DIKWP具身智能类脑计算框架实现，包括软件架构和硬件部署方案。具体标志性成果有：（1）模块化原型系统：实现数据、信息、知识、智慧、意图五层模块的集成运行，内部接口和信息流明确，各模块功能通过单元测试验证。（2）关键技术指标达标：如感知数据压缩比达到预期目标（提高若干倍效率）、模型更新在秒级完成、决策频率达到实时要求（例如≥Hz级别）等。（3）在实验环境下验证类脑特性：系统表现出一定的容错性和鲁棒性，局部模块故障时整体仍能降级运行（类似大脑损伤后的功能代偿）；在测试任务中体现出良好的解释能力和目标驱动行为。例如，对一次完整决策过程，我们能够追溯每层的处理结果，让系统解释“为什么采取该行为”，证明其人工意识模块发挥作用。该框架将作为下一阶段系统应用的基础，为构建可用的具身智能平台做好准备。

 研究基础：本项目依托于段玉聪教授及其团队在人工意识、神经计算和类脑系统方面的深厚积累。段玉聪教授团队率先提出DIKWP人工意识模型，并在该领域取得了系列成果。在理论研究上，团队早在2010年代即开始DIKW体系扩展研究，发展了知识图谱和认知语义方面的方法，并于2020年凭借“DIKW知识体系的图形扩展与建模”研究获得中国人工智能最高奖吴文俊科学技术奖三等奖。此后团队持续深化DIKWP理论，在知识表示、语义计算、人工意识评测等方向发表多篇高水平论文，并申请了大量相关发明专利。据报道，截至2025年初段玉聪教授作为第一发明人已获授权发明专利114件（含PCT国际专利15件），涵盖大模型训练、人工意识构建、认知操作系统、AI治理等广泛领域。这些成果被视为未来可解释、安全AI的重要基础，为迈向AGI提供了坚实技术支撑。

 人才与团队：团队拥有多学科融合的研究队伍，核心成员包括人工智能、计算神经科学、机器人学、认知心理学等领域的专家。段玉聪教授现任美国国家人工智能科学院通信院士、塞尔维亚国家科学院外籍院士、国际先进技术与工程院院士、世界人工意识协会理事长等职务，在国内外学术界具备影响力。团队中既有资深研究人员负责算法和理论攻关，也有工程技术人员负责系统开发，实现科学研究与工程落地并重。这种跨领域的人才结构确保了项目从神经机制研究到软硬件实现的各环节都有专业支撑。

 研究条件：团队建设了专门的DIKWP人工意识实验室，配备先进的软硬件资源。硬件方面，实验室拥有GPU集群、高性能计算服务器，用于大规模模型训练和类脑模拟运算；配置多种机器人和传感设备，可开展具身智能实物实验；并计划引入国内先进的类脑芯片试验板用于新架构验证。软件方面，团队开发了DIKWP白盒测评框架等工具，可对AI的认知过程进行分层测试。此外，团队与国内知名科研机构（如神经科学研究所、机器人技术重点实验室等）建立了合作关系，在生物实验数据、仿生算法开发等方面可获得协助。良好的多学科合作基础，将为项目顺利实施提供保障。

 风险控制：本项目具有一定挑战性，但团队已有的研究基础降低了主要技术风险。例如，DIKWP模型的理论完善度和前期验证将减少框架设计走弯路的可能；自由行为数据采集可能遇到的数据噪声和不确定性问题，可通过团队专利中的白盒评测和数据清洗技术来控制。各子课题均有相应的预研成果或技术储备，一旦出现技术难点，团队也有能力通过国内外合作和自身经验迅速调整方案。因此，项目具有很高的可行性。

本项目周期计划为五年，按年度划分阶段目标和里程碑成果如下：

第一年（2025年）：完成自由行为多模态数据集的构建和初步分析。成功获取至少100小时动物自由行为的数据；建立行为图谱模型并发布开放数据集论文1篇。里程碑：得到涵盖主要感知-运动模式的行为图谱，为后续建模提供定量依据。

第二年（2026年）：完成个体与环境认知模型的开发。搭建仿真实验环境，再现第一年实验场景；实现自主体定位和环境地图构建算法各1套，其性能达到经典SLAM方法80%以上效率。发表神经机制模型论文1~2篇。里程碑：开发出DIKWP框架中信息层/知识层的关键算法，验证模型可模拟生物空间认知功能。

第三年（2027年）：完成世界模型与决策系统集成。训练智能体在模拟环境中形成物理世界模型，预测精度达到90%以上；集成意图驱动的决策模块，智能体在两种新任务中成功率超过baseline模型20%。发表强化学习和世界模型相关论文1篇，申请发明专利1项。里程碑：DIKWP框架中智慧层和意图层功能得到实现，出现初步具备自我推演与目标导向行为的智能体原型。

第四年（2028年）：完成类脑计算框架的研制和优化。在实验室环境部署DIKWP类脑系统原型，实现各模块软硬件协同运作；系统实时性能达标（决策延迟<100ms），感知数据压缩率提升5倍以上；完善快速学习和意图调控机制，系统可在环境变化后1分钟内重新适应。申请软著或发明专利2项。里程碑：推出具备实用价值的类脑智能系统雏形，在受控环境下展示出稳定、自适应和可解释的智能行为。

第五年（2029年）：完成应用验证与开放平台搭建。将系统迁移到真实场景的具身智能平台（如服务机器人），完成至少两个应用场景测试（例如自主导航和人机交互任务），达到预定性能指标（如导航定位误差<0.5m，交互指令响应成功率>95%）。构建在线开放平台，发布DIKWP具身智能开发工具包和典型应用示范，供科研和产业界试用。形成高水平论文2篇以上，凝练技术标准或指南1份。里程碑：DIKWP具身智能系统通过真实场景考核，核心技术成熟度提高，并开始在更广范围推广应用。

上述里程碑节点均量化了成果指标，确保每年都有明确的评估依据。这些阶段性成果将逐步积累，最终实现项目总目标。

为客观评价本项目成效，我们制定了技术指标和成果形式两个层面的考核体系：

技术考核指标：

感知编码效率：衡量感知层对原始数据的压缩与提取能力。例如，以压缩后数据占原数据比例和信息保持率计算，目标是在保证95%有效信息的前提下，将数据量压缩到原来的20%以下。该指标反映系统在实时处理多模态感知信息时的高效性。

预测精度与实时性：衡量智慧层世界模型对环境状态预测的准确性和决策的时效性。具体包括：在标准物理测试中，模型对下一时刻状态的预测误差MSE低于指定阈值；在动态决策任务中，每次决策计算延迟不超过某一毫秒级上限。此指标确保系统具备高质量的环境模型和快速响应能力。

建模通用性：评估系统适应新环境、新任务的能力。以模型在变化场景下性能下降幅度和恢复时间为量化。例如，更换环境后导航成功率初期下降不超过30%，并在学习调整后恢复到原性能90%以上；对新任务训练收敛速度比传统模型提高X倍等。该指标反映DIKWP框架在不同应用中的普适性和可迁移性。

DIKWP模块功能实现及验证：确认系统内五层模块均得到实现，并通过测试验证其独立功能和协作效果。这包括：数据/信息层能正确提取环境关键特征，知识层能存储推理规则，智慧层在复杂情境下做出合理决策，意图层有效引导行为选择。我们将采用团队已有的DIKWP白盒测评体系，对白盒暴露的每一层进行定性定量评估。指标形式如各层输出的准确率、系统对干预（如手动修改某层输出）的敏感性等，以验证整个DIKWP链条的有效闭合。

人工意识与解释力：评估系统决策过程的可解释程度以及是否体现人工意识特征。具体方法是在实时预测和行为选择中，检查系统能否输出人类可理解的决策依据。例如，对于每个行动决策，系统能够给出基于其知识和意图的解释（用自然语言或逻辑规则表示），并与实际效果相符。我们将引入“意识水准测试”，参考团队提出的白盒认知测评指标，评估系统在感知、知识、智慧、意图各方面的能力是否健全。目标是在项目末期系统的意识测评得分达到预定等级，证明其在自主性、目的性上的显著提升。

成果形式：本项目预期产出丰富的研究成果和实际产品，包括但不限于：

论文著作：在人工智能、神经科学等顶级期刊会议发表论文不少于5篇，系统阐述DIKWP具身智能模型的理论方法和实验结果。同时整理撰写专著或研究报告，凝练本项目的学术思想，形成对外发布的技术白皮书。

知识产权：在研究过程中产生的新算法、新装置将积极申请国内外发明专利，预计不少于3件授权专利，以巩固技术创新成果的自主知识产权。

软件硬件系统：交付DIKWP具身智能开放平台（详见下一节）作为项目的重要成果形式。该平台包含一套软件工具包，如类脑认知框架的源代码库、数据集与模型库、白盒评测工具，以及示范应用程序接口(API)。硬件方面，完成类脑计算系统原型（可在实验室环境运行的机器人或嵌入式设备），并在开放平台上提供仿真接口供用户试用。

标准规范：结合项目经验，参与制定相关领域的技术标准或指南。例如，推动人工意识测评标准、具身智能接口规范等的研讨制定，以成果反哺产业监管和学术共同体。

人才培养：通过项目实施，培养一批跨领域复合型人才，包括博士后、博士生和工程师等。预期培养人才不少于10人，进一步壮大我国类脑智能与人工意识研究队伍。

 本项目的研究成果将面向多个应用领域，推动具身智能技术的落地和扩展：

（1）具身智能机器人：在服务机器人、工业机器人等领域应用本项目的DIKWP类脑模型，显著提升其自主性和适应性。例如，将本系统部署于家庭服务机器人，使其能够通过持续学习掌握家庭环境的布局和主人偏好，实现更灵活的家务协助；在工业移动机器人上应用，可令其在动态生产车间中自主规划路径、避开新出现的障碍并优化搬运效率。由于DIKWP架构具有模块透明性，机器人出现决策失误时可追溯原因、及时纠正，提高了可靠性和安全性。这将在智能制造、医疗护理、应急救援等需要高度自主性的机器人场景产生直接效益。本项目团队将与机器人厂商合作，构建试点示范，推动技术转移。

（2）自主智能体与无人系统：本项目成果同样适用于无人车、无人机等自主系统以及智能游戏代理等。通过融合DIKWP模型，这些自主体将获得更强的环境理解和决策能力。例如，无人驾驶汽车可借助本框架实现对交通环境的分层认知——从传感器原始数据到交通知识，再到驾驶意图决策，提升感知可靠性和决策解释力，符合自动驾驶对安全可控性的要求。无人机集群则可利用意图层进行任务分配与协同飞行，确保整体任务目标达成。在电子游戏和虚拟环境中，引入具身智能代理可以营造更真实的AI行为，对游戏角色赋予“意识”和“目的”，增强交互体验和训练价值。团队计划在仿真平台上测试多智能体协作任务，验证框架在多智能体系统中的推广潜力。

（3）大模型认知能力扩展：DIKWP人工意识框架还可用于提升当前大型预训练模型（如大语言模型、视觉-语言模型）的认知能力和可解释性。当前的大模型在缺乏环境交互和自主体感的情况下，存在理解局限和决策不可解释的“黑箱”问题。我们的方案是在大模型周边集成DIKWP的认知链：通过“模型服务化”方式，将大模型的输出作为DIKWP框架的数据/信息输入，再经过知识和智慧层加工，由意图层进行结果筛选和调整。这相当于为大模型配备一个“思考大脑”，对其给出的回答进行反思、验证和目的引导。例如，在问答系统中，大语言模型生成初步答案后，DIKWP智慧层可以根据知识库验证答案正确性，意图层根据用户意图调整回答风格或深度，最终输出更准确且符合用户需求的答复。此外，我们可利用团队研发的“识商”（人工意识水平）白盒测评体系对大模型进行评估，找出其在知识、智慧、意图层面的短板，再通过DIKWP模型加以弥补。这样的AI系统集成有望让现有AI变得“更聪明且更可靠”，在智能客服、辅助决策等应用中发挥更大效用。

（4）模型服务化与平台开放：为促进产学研用，本项目将在DIKWP具身智能开放平台上提供模型服务和开发接口。一方面，通过微服务架构部署各功能模块，例如感知编码服务、世界模型推理服务、意图决策服务等，供不同应用按需调用。这种模型服务化便于开发者将我们的类脑智能功能集成到各自产品中，而无需从零开始构建具身智能体系。另一方面，开放平台将提供标准化的数据接口和评测基准，降低外部团队接入成本。平台还计划开放部分源代码和示范应用，鼓励二次开发和模块替换，使之成为具身智能领域的共享试验场。通过举办开发者竞赛、工作坊等形式，我们将逐步扩大DIKWP开放平台的影响力，吸引高校和企业共同参与，形成生态循环，加速技术演进。

（5）类脑芯片适配与产业转化：本项目前瞻性地布局类脑芯片等新型硬件，以确保成果的长期竞争力。在研究后期，我们将与国内相关企业合作，尝试将DIKWP框架移植到专用的脑启发计算硬件上，例如类脉冲神经网络芯片、异构融合芯片等。这将验证我们算法在低功耗、高并行硬件上的表现，并针对性调整算法以发挥芯片优势（如利用脉冲神经网络实现意图模块的事件驱动）。一旦验证成功，我们将积极推进与芯片厂商及整机企业的合作，促成软硬件一体化的解决方案，在机器人控制器、无人系统导航设备等产品中实现应用。这些转化工作预计通过横向课题或成果孵化方式展开，并在项目结束后持续推进，最终实现技术的产业落地。

综上，本项目在完成科研任务的同时，将通过多渠道推动成果应用，从学术影响到产业价值层层递进。通过构建开放平台和生态体系，我们有信心使DIKWP模型成为具身智能与人工意识领域的重要基础框架，被更广泛的研究者和工程师采用，从而不断迭代完善，助力我国在未来智能科技竞争中占据主动。

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-3429562-1487375.html?mobile=1

收藏

分享