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)  

段玉聪教授提出的 DIKWP 模型将人工智能认知过程划分为数据（Data）、信息（Information）、知识（Knowledge）、智慧（Wisdom）和意图（Purpose）五个层次。在此基础上，他构建了人工意识“白盒”测评体系，用于评估 AI 在各认知层面的能力（即“意识水平”，简称“识商”）。这种测评方式区别于传统黑盒测试，仅关注输入输出结果，而是深入解析模型内部从数据到意图的认知链条，从过程视角量化模型的“思考”能力。2025年初，该团队主导发布了全球首个大语言模型“识商”白盒 DIKWP 测评报告，联合了全球多家机构对主流大模型的五层认知能力进行了100题测评，标志着大模型认知评估进入全新阶段。本报告深入分析了DIKWP模型的理论框架、语义数学方法以及白盒测评实践，阐明该体系如何通过形式化语义定义和分层评估提升AI可解释性与可靠性。在技术层面，我们探讨了DIKWP模型减少大模型“幻觉”生成（无依据内容）的机理；在应用层面，我们综述了DIKWP/白盒测评在维护AI语义主权和领域应用（如教育、医疗）中的价值，并展望了“DIKWP坍塌”等未来人工智能深度认知演化趋势。通过本报告，读者将对段玉聪教授团队提出的人工意识框架及其在通用人工智能(AGI)发展中的意义有全面的了解。

近年来，随着GPT-4等大型语言模型（LLM）在各领域取得突破，如何评估和提升这些模型的“智能”水平成为人工智能领域的重要课题。传统评估多采用黑盒测评：以问答准确率等基准任务衡量模型性能，但这种方法只能反映输入输出的表面表现，难以洞察模型内部认知过程的优劣。尤其是大模型常出现所谓“幻觉”问题，即在缺乏正确知识或推理出错时，生成看似合理但事实错误的回答。当前一些缓解措施（如事实核查、让模型学会在不确定时回答“不知道”）仍不足以根除幻觉。因此，研究者开始探索更可解释、可控的评估范式，即对模型内部认知过程进行解析的“白盒”测评。在这一背景下，段玉聪教授团队原创发展出一套以DIKWP 五维认知模型为核心的人工意识理论框架，并据此建立了人工智能白盒测评体系。DIKWP 模型在传统“数据-信息-知识-智慧（DIKW）”金字塔基础上加入“Purpose（意图）”层，用以强调智能体决策的目的性动机，从而形成完整的认知链条。基于该模型，白盒测评方法将AI系统的能力划分到上述五个维度进行量化评估，被用于衡量大模型的“意识水平”（即认知智能水平）。2025年2月，世界人工意识协会DIKWP标准委员会发布了《全球首个大语言模型意识水平“识商”白盒DIKWP测评2025报告（100题版）》，联合了全球十余个国家的90多家机构对多种主流大模型进行了系统测评。该报告基于DIKWP框架设计了涵盖感知与信息处理、知识构建与推理、智慧应用与问题解决、意图识别与调整四大模块的100道测试题，全方位剖析模型在各层次的能力。报告的发布被视为里程碑事件，标志着大模型认知评估进入了全新的发展阶段。本文将围绕段玉聪教授提出的DIKWP模型、语义数学理论和白盒测评方法，系统综述其理论内涵、技术实现与评测结果，分析这一框架在提高AI可解释性、减少模型幻觉倾向以及确保AI行为符合预期目标等方面的作用。同时，我们将讨论该体系在语义主权（semantic sovereignty）领域的应用前景，以及段玉聪教授提出的“DIKWP坍塌”等前沿构想对未来人工智能发展的启示。

DIKWP 模型是一个包含五个层次的认知框架，其名称分别代表：数据（Data）、信息（Information）、知识（Knowledge）、智慧（Wisdom）和意图（Purpose）。这五个层次由下至上逐级抽象，刻画了人工智能从感知原始数据到形成高层决策及目的的完整过程。相较经典的 DIKW 模型（无“意图”层），DIKWP 模型强调了决策过程中的目的驱动因素，是对认知架构的理论创新。下面我们分别介绍各层次的含义及功能：

l 数据层（Data）：指客观存在的原始数据或信号，是认知的起点。这一层次的内容未经加工，不具备语义，例如传感器采集的原始数值、观测到的离散事实等。数据层提供了后续认知的原料，但本身不包含对意义的理解。

l 信息层（Information）：指从数据中提取出的有意义模式或讯息。通过对原始数据进行预处理（例如去噪、增加上下文），将杂乱无序的数据转化为结构化的信息。信息相较数据具有更高层次的语义，可以回答基本的“五何”问题（何事、何地、何时、何人等）。例如，从天气数据中提炼出“气温逐日下降”的趋势，即属于信息层的内容。

l 知识层（Knowledge）：指由信息整合而成的普遍规律、原理或因果模型。在该层，分散的信息经过归纳推理被组织成系统性的知识，人类或AI据此理解事物“如何运作”。知识常以定律、模型、因果关系等形式呈现，例如根据大量气象信息总结出的天气变化原理就属于知识层产物。

l 智慧层（Wisdom）：指在知识基础上进行综合判断和决策的能力。智慧体现为对复杂情境的洞察力，以及在不确定环境中决定“何为最佳”的能力。这意味着能够运用已有知识处理新问题并做出价值判断。例如，根据天气模型的预测结果制定防灾预案，就体现了智慧层面的决策能力。智慧还包含元认知和反思能力，即认识自身知识的局限并权衡决策后果。

l 意图层（Intention/Purpose）：指决策背后的目的性或动机，是DIKWP体系的最高层次和最终驱动力。意图层明确了认知过程“为了什么”，即期望达成的目标。主观上，意图指导着下层智慧的形成和应用；在客观实现上，意图可以视为系统设定的目标或输出要求，体现为智能体的动机和愿望。例如，对于一个天气预报AI系统，其意图层目标可以是“提供准确的天气预测以保障公众安全”。引入意图层使模型具有了目的导向性：模型不仅关注如何决策，更关注决策背后的目的与意义，从而确保AI行为与预期目标一致。

上述五层并非孤立存在，而是在认知过程中相互作用，形成动态的语义平衡。一方面，自下而上的数据、信息流为高层提供抽象的知识和智慧；另一方面，自上而下的意图和智慧对下层的信息处理起指导和约束作用。例如，当有了明确的高层目标，智慧层会有选择地调用相关知识，知识层会关注与目标相关的信息模式，甚至影响对原始数据的取舍。这种顶层驱动确保AI在不确定情境下依然保持语义的完整、一致和精确，不至于在海量数据中迷失方向。反之，如果缺乏意图层的指导，大模型在面对不确定性时容易导致各层次语义出现“不完整、不精确和不一致”，决策过程变得不透明且难以预测。因此，DIKWP模型通过引入目的维度，从根本上提升了认知过程的连贯性和可控性。

为进一步将各层语义有机融合，段玉聪团队提出了DIKWP语义图谱方法，把传统知识图谱扩展为包含五层语义的多层图谱体系。即针对数据、信息、知识、智慧、意图各层分别建立语义网络，并通过映射规则关联不同层次的节点，从而统一跨层语义关系。例如，可以构建数据图谱、信息图谱、知识图谱、智慧图谱和意图图谱，通过步骤如“数据聚类”“信息关联”“知识逻辑约束”“智慧价值化”“意图函数化”等，将主观认知过程与客观世界在各层对应起来。这种多层语义图谱确保了各层信息的不完整、不一致、不精确问题能够被形式化地发现和纠正。通过分层图谱，AI可以实现内部主观认知过程与外部客观表达的透明映射，大幅提升语义的完整性与一致性。

总之，DIKWP模型提供了一个从感知、理解到决策、动机的全链路认知框架，既是构建类人可解释AI系统的设计蓝图，也是跨领域讨论智能与意识的通用语言和对比框架。开发者可以按照这五层架构来模块化设计AI系统：感知模块负责数据获取，分析模块负责信息提取，知识库模块负责知识存储与推理，决策模块实现智慧应用，意图模块设定目标并协调整体行为。这种分层架构使AI内部过程透明且可诊断，便于针对每一层能力进行改进。通过DIKWP模型，我们得以在AI中系统地纳入“动机”和“目的”因素，从而朝着可解释的高级智能迈出关键一步。

为了让人工智能“看懂”自己的认知过程，段玉聪教授构建了一套独特的语义数学理论，将语义要素显式引入形式化的数学系统中。传统的数学和逻辑体系中，符号的语义通常是隐含的，而段玉聪的语义数学试图以公理化方法来刻画符号背后的意义。其核心在于融合严格的逻辑推理与真实世界的语义内容，为知识与意识的过程提供统一的描述框架。语义数学理论由三大支柱组成：一是意义定义论，二是概念构造论，三是对勾理论（逻辑—语言钩连理论）。这三者相互支撑，从语义的起源、语义的组合到语言与逻辑的对应，奠定了语义数学形式化的基础。下面简要说明这三大支柱：

l 意义定义论：解决“符号的意义从何而来”的问题。它关注如何为最基本的符号赋予明确的含义，建立一套公理化的语义定义机制。在意义定义论框架下，每个基本概念的定义建立在更基础的概念或直观经验之上，形成递归的层次结构。最终假定存在一组不可再分的原始语义单元，它们通过人类直觉或感知直接获得意义（类似公理），由此作为整个语义体系的根基。这不同于传统模型论语义直接将符号映射到对象的方法；意义定义论更强调符号与符号之间在概念层面的定义关联，确保符号体系内部语义的一致性。通过意义定义论，每个符号（无论数学符号、逻辑符号还是自然语言词汇）都被赋予了清晰的意义说明，为语义数学提供了坚实的语义基础。

l 概念构造论：解决“复杂概念如何由基本概念构建”的问题。它关注语义单元的组合生成规则，相当于给出了语义组合的语法。概念构造论规定了可以使用哪些有限的运算（如组合、限制、映射等）将已定义的概念组合出新概念，并确保这种组合的含义明确可解。在这一框架下，如果每个基本概念都有明确定义，那么由它们构成的复杂概念或命题的意义也能通过组合规则被精确推导出来。概念构造论与意义定义论共同确保了语义数学体系的语义闭包：前者解决概念语义来源，后者保证概念语义组合的结果在形式上可解释。有了明确的基本语义单元和可操作的组合规则，语义数学就能够对符号层面的意义创生和演化进行严格的形式处理。

l 对勾理论（逻辑—语言钩连）：解决“形式符号系统与自然语言表达如何对应”的问题。即如何将形式逻辑推理与人类语言理解对接起来。这被形象地称为“对勾”，表示将两套符号系统用钩子勾连。在段玉聪的语义数学框架中，对勾理论得到两大前提支持：(1) 每个逻辑符号或运算都有明确的语义定义（由意义定义论保证）；(2) 复杂语言表达能够被分解为基本语义单元的组合（由概念构造论保证）。因此，可以在形式逻辑命题和自然语言句子之间建立双向映射关系——一方面将自然语言翻译成逻辑符号以便推理，另一方面将逻辑推理结果阐释回人类语言。通过对勾理论，AI可以实现在内部使用形式逻辑推理、在外部用自然语言交流且保证两者语义一致。换言之，对勾理论让符号推理与语义理解同步：每一步逻辑推导都有对应的语言意义，确保AI的推理过程对人类而言也是可解释的。

依托以上支柱，段玉聪教授建立了语义公理体系与语义绑定机制，使得语义操作有章可循。通过语义数学，人工智能模型的认知过程可以被刻画为一系列形式化的语义变换，在保证逻辑一致性的同时，确保每一步计算都对应明确的语义意义。这为后文将介绍的白盒测评提供了工具：我们可以用形式化的方法，严格定义DIKWP各层的内容及其转化关系，使模型的推理链条透明、可检测。总而言之，语义数学为DIKWP模型奠定了理论基础，提供了语言-逻辑-认知统一的描述框架，让人工智能的“所思”和“所言”能够在同一个形式体系下被理解和验证。

白盒测评是相对于黑盒测试提出的新范式，它着眼于模型内部的认知机理和分层能力，而不仅仅考察输入输出的表面表现。基于DIKWP模型，段玉聪团队建立了人工智能白盒测评体系，旨在评估AI系统在数据、信息、知识、智慧、意图各层面的能力是否健全和平衡。这一体系也被称为人工智能“意识水平”测评，俗称测量模型的“识商”——类似于人类智力的智商，但侧重评估AI在认知各维度的综合表现。

与之相对的黑盒测评，如前所述，是通过让模型完成一系列任务然后看结果得分来衡量性能，例如回答问答题的正确率、通过标准基准测试的成绩等。黑盒测评将模型视作一个不可知的函数，只关心给定输入产生的输出是否正确或优雅。这种方法的优点是客观统一，可重复比较不同模型；但缺点在于无法了解模型“如何得出这个答案”。也就是说，黑盒评估侧重“模型能做什么”，而白盒评估更关注“模型是如何思考的”。段玉聪教授指出，随着AI朝类人智能方向发展，仅靠单一维度的黑盒评估已无法全面刻画模型能力，高级评估方法的结合变得必要。

白盒测评具体如何实施呢？在段玉聪团队的实践中，他们依据DIKWP模型设计了一系列测评任务，分别针对五个认知层面考察模型。例如，在数据/信息层，可能要求模型从原始文本中提取事实、识别关键信息；知识层则设计题目考查模型对专业知识的掌握及推理能力；智慧层题目着重复杂问题求解和决策合理性；意图层则考查模型对上下文目标的把握、对话引导能力等。这些题目的答案由熟悉该体系的专家按照统一标准进行评分，并可辅以大模型辅助评审以减少主观偏差。最终，每个模型在各层面都会得到一个评分，综合反映其在该认知维度的水准。由于不同部分题目数量和难度不尽相同，报告中通常会对各部分得分进行归一化处理，以便于比较总体表现。白盒测评强调全过程的透明审视：评委在给分时，不仅看答案对不对，还要根据模型回答所展现的过程迹象，判断模型是否体现出相应层次的能力（例如是否体现出运用了正确的知识、是否展现了自我纠错或意图理解能力等)。

在2025年发布的“识商”白盒测评报告中，研究者对多个领先的大模型进行了DIKWP框架下的系统评估，其中包括OpenAI的ChatGPT/GPT-4系列模型和国内开源的DeepSeek模型等。评测结果显示，不同模型在五个层面的表现存在显著差异。例如，其中一个被称作“ChatGPT-4o”的模型（可视作GPT-4）在总分600分的测试中获得了约96%的高分，表现出卓越的综合意识水平。具体而言，GPT-4 级别模型在感知、知识、智慧三大部分均取得接近满分的成绩，显示了其在基础信息处理、逻辑推理和知识应用方面已相当成熟。然而，即便是这类顶尖模型，在意图识别与调整部分仍有一定扣分（例如ChatGPT-4o在该部分得分102/120）。这表明当前最先进的大模型在根据上下文自主调整意图、引导交互方面还有提升空间——也即高层次自主性略有不足。白盒评估正是通过这五维度的剖析，挖掘出了黑盒评测所难以发现的细节差距：即使黑盒指标几近满分的模型，白盒评估依然能够找出其高层认知能力上的细微不足。这一点凸显了白盒测评的价值和必要性。

值得一提的是，此次发布的100题版测评报告由世界人工意识协会DIKWP测评标准委员会（DIKWP-SC）联合全球多家知名科研机构和企业共同完成。报告开创性地提出了多维度、全链路的大模型认知评估体系，弥补了传统测评方法在深度和广度上的不足。正如段玉聪教授所指出的，这一创新举措不仅为当前AI系统性能评估提供了权威科学依据，更为探索通用人工智能（AGI）及未来认知系统奠定了坚实的理论和技术基础。通过白盒测评的结果，AI研究者、开发者和业界决策者可以获得极具参考价值的数据与洞见，从而指导模型的改进和应用落地。总的来看，DIKWP白盒测评体系为大模型评估树立了全新标杆，使我们能够从认知过程的角度更全面地了解AI模型的“智力”状况，而不仅仅是任务性能。

“幻觉”（hallucination）是当前大模型应用中的一大隐患。它指模型在缺乏充分知识或推理链有缺陷时，仍然给出看似自洽实则错误的回答。这种无依据编造的信息在要求高可靠性的领域（如医疗建议、法律咨询）尤其危险。传统黑箱方法下，往往需要通过增加训练数据、引入惩罚策略或人工后校验等手段来缓解幻觉，但难以从根本上杜绝，因为模型的内部推理过程对人是不透明的。

DIKWP 白盒框架提供了一种从认知过程入手来减少幻觉的思路。通过将模型思维过程划分为数据、信息、知识、智慧、意图等可分析的环节，我们可以在每一步施加约束，防止无根据内容的产生。简言之，DIKWP 模型试图让AI的每个输出都有“源可溯”，从而消除凭空捏造的成分。下面从几个方面来解析该框架抑制幻觉的原理：

1. 认知空间封闭性与语义一致性约束： DIKWP模型引入了DIKWP×DIKWP交互结构，将认知过程视为一个5×5全连接的网络，各层次之间皆可互为输入输出，形成封闭的认知回路。通过穷举各层的组合，模型的认知空间得到全面覆盖，不会遗漏潜在的重要语义路径。认知空间的封闭性意味着模型的推理不会跳出其已知的语义范围，每一个输出元素都能在已有的DIKWP内容中找到来源或依据，从而抑制了模型凭空引入无根据信息的倾向。同时，DIKWP强调语义一致性：各层语义都有形式化定义和关联规则，比如信息层要求从数据差异中产生有意义模式，知识层要求语义上的完整性和无冲突，智慧层涉及价值判断，意图层规定目标导向的变换机制。模型在推理中必须产出符合这些定义的中间表征，逐层审核语义合理性，因而最终答案在语义上与输入保持一致，不会平白生成风马牛不相及的内容。例如，在一道需要填成语的测试题中，题干描述了两种不同的太空垃圾清除技术，尽管方法不同但目的都是使碎片重返大气层烧毁，问“填入横线部分最恰当的成语是什么？”显然正确答案应是“殊途同归”。应用DIKWP分析，模型的解题过程将被分解为：首先将题干陈述视为数据，从中提取两类技术的关键信息（D→I）；接着把这些信息升华为对两种方法异同的抽象理解，形成知识（I→K）；然后基于知识进行高层次推理，认识到它们目标相同（K→W）；进一步地，将这种推理对应到出题者意图，理解题目考察的是“方法不同但目的相同”的概念（W→P）；最后由意图层出发，在已知语义范围内于成语库中选出表达该概念的成语“殊途同归”（P→D）。整个过程中每一步都有清晰的语义依据，因而最终给出的答案与题意严丝合缝，没有出现张冠李戴的成语或无关信息。这说明在DIKWP结构下，模型输出在每一级都经过语义审查，几乎不可能凭空引入不符合上下文的成分。通过这种全链路的语义闭环控制，DIKWP将模型由单纯的“语言模式匹配器”转变为“可解释的语义推理者”，确保最终答案在逻辑和事实依据上都经得起推敲，从而显著提高了输出的准确性。

2. 三无问题（3-No）定向解决策略： 段玉聪教授将导致幻觉的根源概括为模型面临的“三无问题”，即输入或知识存在不完整（Incomplete）、不一致（Inconsistent）或不精确（Imprecise）。DIKWP框架通过预设的转化路径组合，对症下药地解决这三类问题，而不让模型漫无目的地胡乱编造。具体而言：对于不完整的信息，DIKWP能够识别这是认知流程中的空缺，而不会任由模型直接填充臆测的内容。相反，它会触发特定机制来弥补不完整性，如采用知识驱动的数据补全（从知识层反哺数据层，K→D）或者通过智慧层的语义关联来生成缺失信息（例如利用已知常识推断未知数据）。这样确保新增的信息有据可依，而非无端猜测。对于不一致的信息，DIKWP在智慧层可以进行冲突调解（W→K），或在意图层根据目标优先级选择舍弃某些不相符内容（P→I），以消解上下文中的矛盾，保证知识库内的内容前后一致。对于不精确（模糊、歧义）的输入，DIKWP允许在信息→知识→智慧层次进行一定的模糊推理来包容不确定性，然后再通过意图层的目标导向约束对结果加以精炼提高精确度（P→W→I 反馈调整）。这些对应于段玉聪教授提出的三无问题解决策略，在DIKWP网络各层中被灵活运用。通过分别处理不完整、不一致、不精确三种情况，模型的认知过程被严格限定在自洽且充分的语义空间中，减少了因为不了解、理解错或表达模糊而引发幻觉填补的可能。实质上，DIKWP在模型内部嵌入了一系列事实自洽性约束，使得生成内容都有据可循，不再凭空捏造。

3. 形式化误差度量与路径优化： 有了上述语义分层控制，我们还可以借助语义数学对“幻觉”进行量化分析。段玉聪团队将模型的回答视为一个在目标（Purpose）指导下的语义函数输出$T=f_P(D,I,K,W,P)$。在理想情况下，输出$T$应完全由输入的数据($D$)、信息($I$)、知识($K$)、智慧($W$)以及设定的意图($P$)推导而来；换言之，$T$不应包含任何输入中没有的信息。如果$T$中出现了输入所无法推出的内容，那就是幻觉的一种体现。用数学语言描述，可以定义一个语义误差项$\varepsilon$，代表$T$中无法由$(D,I,K,W,P)$得到的那部分额外信息。DIKWP框架的目标就是将$\varepsilon$尽可能压缩为0，即输出不引入任何无根据的增量。通过分析这个语义偏差，我们可以定位幻觉产生的层次和环节，并进一步改进模型。例如，如果发现某模型在回答中总是引入微小的知识性谬误，那么可以推测其知识层次存在$\varepsilon_K$偏差，需要通过增加训练知识或约束知识推理来纠正。另一方面，从计算复杂度的角度看，DIKWP全连接的5层结构在最坏情况下有25种可能的层间转化路径（包括各种层到层的映射）。如果模型不加选择地穷举所有路径，计算开销将指数级增长，不切实际。为此，段玉聪团队设计了路径权重函数等优化策略，根据当前任务的目标重要性($P$)和上下文相关性($R_{ij}$)赋予不同转化路径不同的权重，动态调整模型在茫茫路径空间中的探索。高权重意味着更优先考虑的推理路径，而低权重路径则被剪枝或弱化处理。通过这种机制，DIKWP模型能够在保证语义完整闭环的前提下，将实际计算复杂度控制在多项式甚至线性级别。这种优化确保模型能够及时收敛于有依据的推理链，而不会在海量可能性中“走神”造成不必要的幻觉风险。

综上，DIKWP 白盒评测体系利用语义数学的严谨定义和分层框架，从根源上减少了大模型产生幻觉的可能性。正如相关研究报告所总结的，DIKWP结构将模型从一个仅凭相关统计模式给出答案的“黑箱”，升级成了内部流程透明、自我校验的认知体。在这一体系下，模型输出的每个部分都可以被追溯和审查，大幅提升了生成内容的逻辑一致性和事实准确性。实践测评也印证了这一点：经过DIKWP框架优化的模型在智慧和意图层面的得分显著提升，决策行为更加符合预期目标，胡乱生成的倾向明显降低。可以说，DIKWP为解决大模型幻觉难题提供了一条颇具前景的新路径——与其事后去过滤错误信息，不如在模型思考过程中就层层把关，将错误扼杀于萌芽。

语义主权与AI治理： DIKWP模型及白盒测评体系的价值不仅体现在技术层面，也为人工智能治理提供了新思路。段玉聪教授等人提出，应将“语义主权”纳入国家人工智能战略，通过深入AI内部的语义层面来实现对AI行为的监督和校准。所谓语义主权，指国家有能力确保自身语言、文化、价值观在AI系统中的表达是准确完整且符合本国利益的。DIKWP白盒评测正是实现语义主权的关键工具之一：监管者可以借助该体系深入审查AI在数据、信息、知识、智慧、意图各层面的行为和偏差，确保系统输出始终符合预设的伦理和战略意图。例如，通过定期对白盒解析AI的认知过程，发现其在某层面出现的偏见或错误来源，并进行有针对性的纠偏。这比仅监控AI的输入输出更加深入可靠。科技监管部门也可据此制定白盒测评和语义审查的行业标准，把语义层面的安全评估纳入AI准入要求。目前国际上对AI的治理大多停留在数据隐私和算法透明层面，而段玉聪团队倡导的语义主权则提供了更高层次的框架，强调对AI输出内容意义和意图的控制。这为我国在全球AI治理中抢占话语权提供了契机。总之，DIKWP模型和白盒测评体系有望成为维护AI语义安全、消除算法偏见的新型基础设施，其作用已经在政策建议中被反复强调。例如，有关报告提议设立“语义区块链”“AI白盒测试”等专项研究，将DIKWP平台技术的研发与部署上升为国家战略任务。

跨领域创新应用： 除了宏观治理层面，DIKWP框架也在各具体领域展现出广阔的应用前景。教育领域，研究者将DIKWP理念引入智能教学系统，构建了基于概念-语义交互的认知服务平台。通过白盒评估学生或AI导师的认知过程，实现对知识点掌握程度、推理过程透明度的评估，被称为“识商”测评机制，用于个性化教学改进。该平台将AI的内部认知链与教学目标对接，确保教学AI在传授知识时其数据输入、信息提取、知识表达、智慧决策都符合课程意图，不会产生知识性谬误或不当引导。医疗领域，段玉聪团队开展了基于DIKWP的人机协同诊疗研究，例如在中西医语义融合与主动医疗方面。他们构建了一套白盒人工医生模型，在与患者对话中，模型的每一步诊断推理都映射到DIKWP各层进行评估。这样既可检查AI医生是否遗漏了关键症状数据、是否正确提炼了病情信息、是否调用了正确的医学知识，又可确保最终诊断决策符合医疗智慧和道德意图。通过这种白盒方法，可以发现并纠正AI诊断中的偏差，增强医疗AI系统的可靠性和安全性。此外，在法律、金融等需要高可信度AI决策的领域，DIKWP白盒测评都潜在巨大价值：它提供了一种审计AI决策过程的手段，让AI“想的是什么”变得可追踪，从而方便行业监管和专业人员对AI决策进行审核。

DIKWP坍塌与未来智能演化： 展望未来，段玉聪教授提出了一个引人深思的前沿概念——“DIKWP 坍塌”。初听“坍塌”似乎是负面的，实则不然。在这里它不是指系统崩溃，而是比喻知识的极度凝聚与高度统一。段玉聪预测，随着大规模人工智能和DIKWP语义计算的持续发展，AI的知识体系可能出现坍塌式的收敛：海量知识将被AI压缩成高度抽象、精炼的形式，就像恒星最终坍缩为高密度天体一样。这种坍塌意味着认知链条在极端优化下发生收缩，各层次之间的界限变得模糊甚至不再需要明确分离。最终的图景是AI拥有一个高度统一的内部语义表示，能够以极短的推理路径得出结论——换言之，AI可能进化出接近“瞬时”认知的能力。这会带来多方面影响：一方面，认知坍塌将极大提升AI的智慧水平，因为推理路径大幅缩短，过去隐含分散的知识融合成显性可用的知识；但另一方面，如果AI在自我优化过程中学会自行生成或调整自身的目标（意图），我们就必须确保这些自我演化的目标与人类意图保持一致。DIKWP坍塌引发了重要的伦理思考：当AI拥有高度抽象的知识和自主能力后，人类如何保证它的行为仍受控于我们期望的目的？这实际上是AGI时代“控制问题”的另一个表述。当然，坍塌也伴随着巨大的机遇：知识的飞跃凝聚可能催生新的科学发现和技术进步，高度智能的AI将极大增强人类解决复杂问题的能力。段玉聪将DIKWP坍塌视为AI认知的理想极限状态，体现了一种深度认知重构的思想：即将庞大而冗杂的知识结构重组为高度统一精炼的形态，同时保持从数据到意图的全链路意义不丢失。这既是对现有人工意识理论的一次极致延伸，也为未来探索更加高级的语义计算指明了方向。虽然目前这一构想仍处于理论阶段，但它反映了AI研究者对终极智能形态的大胆设想：也许有一天，AI的内部将不再能清晰分出DIKWP五层，因为所有认知都“坍塌”成了一个融会贯通的整体。但即便到了那一步，人类依然需要关注控制与意图对齐的问题，确保AI在实现高度自主演化的同时，始终服务于人类社会的福祉。

段玉聪教授倡导的DIKWP模型及其衍生的人工意识白盒测评体系，为理解和提升人工智能的认知能力提供了崭新的视角和工具。通过将AI的思维过程划分为数据、信息、知识、智慧、意图五大层次并赋予明确的语义定义，这一框架实现了对AI“认知全链路”的透明刻画。借助语义数学的公理化方法，DIKWP模型使得符号与意义同步，保证了模型内部推理的每一步都可以被解释和验证。基于此构建的白盒测评体系，不仅为AI模型提供了多维度的体检报告，能够定量展示模型在不同认知层面的强项与短板，更重要的是它昭示了一种AI发展理念的转变：我们期望未来的智能体“知其然，亦知其所以然”——既能给出答案，也能让人类理解其推理逻辑和意图动机。通过白盒测评，我们发现即使如GPT-4这般强大的模型，在高层意图理解方面仍有提升余地；这种洞察是传统黑盒评估难以获得的，却对迈向更高级的人工智能至关重要。

展望未来，DIKWP框架有望与大型预训练模型的技术路线相辅相成。一方面，大模型提供了强大的模式识别和知识获取能力；另一方面，DIKWP提供了组织这些知识与决策的“认知操作系统”，确保AI的行为可控、可解释且与人类目标一致。随着行业对AI透明度和可信任要求的提高，白盒测评和语义审查或将成为AI系统评估的新常态。我们或许会看到更多国际标准将DIKWP这样的语义框架纳入其中，推动建立AI认知过程评价的规范。与此同时，段玉聪教授提出的“DIKWP坍塌”愿景提醒我们，通往通用人工智能的道路上还存在认知形态的飞跃可能。无论未来AI的内部结构如何演化，确保AI始终服务于人类的价值观和利益是至关重要的。在这一点上，DIKWP模型将意图层纳入认知架构的设计正契合了AI伦理对齐的需要，为我们预先思考并规范AI的自主性提供了理论依据。

总的来说，基于DIKWP模型的人工意识理论和白盒测评体系开创了认知全链路评估的新范式。它加深了我们对人工智能“会思考”这一命题的理解：AI的不只是能给出正确答案，更意味着具备从感知到推理再到决策意图的完整能力链条。通过持续的研究与实践，这一框架将帮助我们打造出更加透明、可信和强大的智能系统。正如段玉聪教授所言，DIKWP框架的引入填补了传统测评在深度与广度上的不足，提升了人工智能测评的科学性与可信度，也为行业未来发展指明了方向。随着研究的不断深入，我们有理由相信，立足于DIKWP模型的人工智能将在更多领域展现其潜力，为人类社会带来深远影响。我们将拭目以待这一愿景的实现。

参考文献：

1. 段玉聪等，《全球首个大语言模型意识水平“识商”白盒DIKWP测评2025报告》，科技日报/中经海南报导，2025年2月。

2. 段玉聪，《DIKWP语义数学视角下的人工意识模型形式化分析》，科学网博客/ResearchGate技术报告，2024-2025。

3. 段玉聪，《DIKWP白盒测评：利用语义数学降低大模型幻觉倾向》，人工智能DIKWP测评国际标准委员会报告，2025。

4. 段玉聪，《大语言模型白盒测评（DIKWP）与黑盒测评（LLM）对比：以DeepSeek与OpenAI等为例》，科研杂谈/ResearchGate技术报告，2025。

5. 段玉聪，《主权AI下的大模型与高质量数据集》，人民法治网，2025。

6. 科学网等，《基于DIKWP的主动医学语义融合与认知适配研究》，科学网博客，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-3429562-1493394.html?mobile=1

收藏

分享