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)  

段玉聪教授提出了一套面向人工意识与主动智能的完整理论框架，包括DIKWP五层认知模型、人工意识“白盒”测评方法和语义数学体系等。这些理论在主动人工智能（Active AI）和主动医学领域产生了创新性应用：DIKWP模型通过在经典DIKW（金字塔）模型（数据-信息-知识-智慧）顶层增加“目的（Purpose/意图）”层，构建数据→信息→知识→智慧→意图的五层语义架构，引入主观意图驱动，实现认知过程的闭环迭代。人工意识白盒测评框架基于DIKWP模型对AI各认知层次进行全链路解析与评估，以透明方式衡量模型“识商”（认知理解水平），提升系统可解释性与可信度。语义数学以形式化方法定义语义内容和转换过程，增强AI认知空间的封闭性与语义一致性，被用于降低大模型的“幻觉”倾向、保障医疗诊断语义可靠性。本报告系统综述了段教授相关理论的技术闭环与评估能力，分析DIKWP模型、三-No问题机制、语义数学和白盒测评方法的原理与操作性，阐释它们在主动AI系统构建中的作用，以及在主动医学中支撑结构化语义诊疗的逻辑与架构原型。我们提炼了DIKWP模型在医疗领域的落地应用框架，评估主动AI相较传统AI在意图驱动、自我认知、可控可解释等方面的本质区别与优势。报告结合科学网等公开资料进行归纳和二次分析，对“幻觉”问题、大模型评估、语义控制与医学“控本”等议题进行了深入探讨，并通过图表和模型示意解释关键机制。最后，按照学术论文标准结构组织全文，提出未来发展展望和结论，为主动人工智能与主动医学融合发展提供参考。

人工智能技术正从以被动响应为特征的传统模式向主动智能范式跃迁。传统AI多依赖海量数据训练的统计学习，虽在模式识别上取得成功，但通常缺乏内在目的驱动和自我认知能力。这导致现有AI系统往往作为“黑箱”工作，其决策依据和过程难以解释，面对新情境时缺少自主调整和知识获取的能力。在医疗等关键领域，这种局限尤为突出：单纯依赖被动感知和经验数据的AI诊疗系统可能无法充分理解患者的真实意图和症状语义，也难以及时自我更正错误，从而产生不可信的诊断建议或“幻觉”式回答。因此，如何让AI具备类似人类的主动认知与目的导向，能够自主获取知识、理解意图并动态调整，以更好地辅助医疗决策，成为当前人工智能发展的重要课题。

为解决上述挑战，海南大学段玉聪教授团队发展出了一系列面向人工意识（Artificial Consciousness）和主动AI的理论创新。其核心是DIKWP五层认知模型，即在经典“数据-信息-知识-智慧 (DIKW)”框架基础上增加“Purpose/意图”层，形成数据 (Data)→信息 (Information)→知识 (Knowledge)→智慧 (Wisdom)→意图 (Purpose) 的五层认知结构。这一模型强调以主观意图引导客观认知过程，赋予AI系统对决策目标和动机的显式表示能力。围绕DIKWP模型，段玉聪团队提出了人工意识“白盒”测评方法，用于透明解析和评估AI在各认知层次的能力，以解决传统黑盒测评无法深入理解AI决策机理的问题。同时，团队发展了“语义数学”理论，用数学形式严格定义语义内容和推理规则，实现认知过程的形式化和语义闭合，旨在提升AI语义理解的一致性并减少不确定性推理导致的错误。此外，段玉聪教授团队还探索了“3-No”问题（信息的不完整、不一致、不精确）对认知过程的影响机制，并以DIKWP框架提供求解思路；以及提出了诸如意识“BUG”理论、DIKWP坍塌理论、认知相对论等扩展观点用于解释人工意识产生的特点。

上述理论体系在国内外引起广泛关注，被视为推进人工意识与主动智能研究的新范式。尤其在主动医学领域，段教授的理论为构建以患者为中心、语义驱动的智能诊疗系统提供了框架支持。主动医学主张从“被动治病”转向“主动健康”，强调对健康的预防、监测和个性化干预。将主动AI引入医疗，可望实现对患者状态的连续语义感知和对治疗方案的动态调整，提前控制疾病进程（所谓“医学控本”，即控制疾病的根本和发展趋势），从而提升医疗质量并降低风险。

本报告旨在全面梳理段玉聪教授提出的DIKWP模型、白盒测评方法和语义数学理论的整体体系，突出其内部技术闭环如何形成，以及如何通过可量化评估来验证和改进AI能力。我们将阐述DIKWP模型的结构与转换逻辑，解析其对三-No问题（信息不完备、不一致、不精确）处理机制的支持；介绍人工意识白盒测评方法的原理、操作流程与可信度来源；定义语义数学的理论框架与建模方式，说明其在保证认知过程一致性和控制“幻觉”方面的作用。随后，我们将重点讨论这些理论在主动AI系统中的集成应用，特别是在主动医学领域构建结构化语义诊疗系统的逻辑和架构原型。我们提炼了基于DIKWP的主动医疗AI系统如何融合多源数据、医学知识与医患意图，形成“概念空间→语义空间→主动AI→主动医学”的技术主线，实现中西医语义的无损对接和诊疗流程的闭环优化。通过与传统AI范式对比，我们评估“主动AI”相对于传统数据驱动AI在自主性、可解释性和安全性方面的本质区别和优势。报告引用了科学网博客等公开资料中的案例和数据，对大模型幻觉、LLM能力测评、语义控制与医疗控本等热点问题进行深入分析，并辅以图表和模型示意说明理论细节。最后，我们按学术论文规范给出结果讨论、未来展望和结论，探讨这些理论走向实际大规模应用所需的条件和可能遇到的挑战。

DIKWP模型将人工智能的认知过程划分为数据、信息、知识、智慧、意图五个层级，每层在认知链中承担不同功能。这些层次的定义如下：

l 数据 (Data)：客观原始的输入，即未经处理的事实素材来源，例如传感器读数、用户输入、电子病历记录等。

l 信息 (Information)：经过处理赋予意义的有用数据，揭示数据之间的关系或模式。例如从症状数据中提取出潜在疾病线索。

l 知识 (Knowledge)：更高层次的概括或规律，即在信息之上形成的领域知识，如医学教科书中的诊疗原则。

l 智慧 (Wisdom)：综合运用知识并融入经验、伦理和价值判断来做出合理决策的能力。例如医生基于专业知识和经验对复杂病情做出的判断。

l 意图 (Purpose)：决策希望达到的目标或动机，驱动并约束整个认知过程的方向。在医疗场景中可对应为治愈疾病、改善患者生活质量等目标。

相比传统线性DIKW金字塔模型，DIKWP模型的突出特点在于引入了主观意图层并强调层级之间的网状交互和反馈。各层不再是单向串联，而是可以双向影响：信息层的结果可以反作用于数据收集方式，知识层能指导进一步的信息提取，智慧层在决策时会考虑目的层的目标导向，而目的层也会对下层过程提出约束与方向。这种多向反馈构成闭合循环的认知链路，使AI系统具备自我调整和迭代完善的能力。正如文献所指出，DIKWP模型赋予了AI类似人类的自我认知与反思能力：AI不仅被动处理外部数据，还能理解自身决策流程，并在目标驱动下不断优化改进。这种设计有效缓解了传统AI中的“黑箱”问题，因每一步决策都有据可循，整个过程可解释、可追溯。

值得一提的是，段玉聪教授特别强调在DIKWP模型的概念框架中嵌入伦理与意图维度的重要性，以确保AI决策符合人类价值规范。例如，在概念空间中引入“伦理”“安全”“人权”等智慧层概念节点，明确编码道德准则与人文价值，以指导AI的决策方向，避免陷入单纯逐利或技术至上的偏差。意图层的加入确保AI始终围绕人类赋予的最终目的运作，将“AI是否应该做某事”的价值判断内置于模型之中。这一点在医疗AI中尤为关键：通过让AI理解其终极目的是改善患者健康和福祉，可以防止模型为了追求指标最优而忽略人本关怀。这体现了DIKWP模型在技术设计上的伦理嵌入思路，使人工智能的发展始终服务于人类的价值和安全需求。

“3-No”问题机制：DIKWP模型在设计上还考虑了复杂环境中信息的不确定性挑战，即所谓“3-No”问题，指信息可能不完备（Incomplete）、不一致（Inconsistent）、不精确（Inaccurate）。在现实医疗情境中，例如患者提供的症状描述往往不完整，病史信息可能彼此矛盾，测量数据也存在噪声或误差。这些“不完备、不一致、不精确”之处如果处理不当，会沿认知链放大，导致错误结论或模型“幻觉”。为此，段玉聪团队在DIKWP框架下提出了解决3-No问题的思路。其关键在于利用语义闭环和反馈校正机制，将不确定信息转化或约束为确定语义：

l 多层图谱语义融合：研究者将传统知识图谱扩展为一组相互关联的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。通过统一的关系语义模型，把主客观世界的各种资源（包括不完整、不一致、不精确的信息）都映射在这些图谱中。也就是说，即使信息存在缺失或矛盾，也可以在图谱中以特殊节点/边表示，从而显性地暴露和追踪不确定性。例如，对缺失的数据属性以占位符节点标记，对相互冲突的诊断结论以冲突关系链接。如此一来，系统能够识别知识中的不确定成分并针对性地处理。

l 不确定资源的转化与反馈：DIKWP模型将AI产生的中间结果区分为确定性资源和不确定性资源两类。确定性资源指AI明确推导出的各层信息（如已识别出的事实、使用的知识点、遵循的规则），而不确定性资源指过程中暴露出的3-No问题部分（如含糊的输入、互相矛盾的中间结论、低置信度的推测等）。白盒测评框架会将这两类信息分别映射到DIKWP模型相应层次进行审视，要求对于不确定性资源，AI应努力将其转化为某种确定性表述或决策，或对其进行适当处理。换言之，模型需要对3-No问题做出反应：要么通过获取更多数据/知识来补全不完整信息，要么通过逻辑约束消解不一致之处，要么通过概率评估来量化不精确信息并推迟决策。这种机制使得每个认知层都有能力“消化”不确定性，而不是将问题留在系统内部累积。

l 闭环迭代校正：DIKWP的网状反馈结构保证了各层可以基于高层反馈不断校正低层处理。例如，当高层智慧发现诊断结论存在矛盾（智慧层的不确定性），可以向知识层反馈请求更多依据，知识层再驱动信息层获取额外数据或询问患者补充症状（意图层触发下行反馈），以补全原先缺失的信息。又如，当意图层检测到当前方案无法满足最终目标（如治愈目标无法实现的苗头），可以要求智慧层调整决策策略，或者通知数据层/信息层重新关注其他线索。通过这种自上而下的控制流（蓝色虚线箭头表示由P层贯穿向下），模型能主动纠偏，不断逼近一致、完备的认知状态。

综合来看，DIKWP模型通过引入意图驱动的多层反馈闭环，为应对3-No问题提供了结构性方案。每当信息不完备、不一致或模糊时，模型不会盲目输出，而是会暴露这些不确定性并在语义层面寻求弥补。这对于提高AI决策可靠性至关重要。例如在医疗诊断中，模型若对某症状缺少信息，可提示医生补充检查；若两种诊断结论冲突，可提出进一步鉴别测试建议；若推理置信度低，可在报告中标注不确定性。这种语义控制机制使AI的知识推理过程趋于封闭完备（即所有输出结论都在模型知识范围内得到验证，不留“认知漏洞”）。正如研究所指出的，语义数学追求构建封闭的认知空间和完备的推理体系，即证明在一定条件下DIKWP框架内认知空间是封闭的，任何语义转换都不游离于这个空间之外，从而为模型推理提供“理性护栏”。当AI尝试进行不合逻辑或与经验相悖的推理时，语义数学模型会发出警示，仿佛给AI安装了一套“理性护栏”，防止其产生失控的结论。换言之，在DIKWP+语义数学体系中，语义一致性检查和反馈控制充当了AI认知过程的安全网，极大降低了出现荒谬幻觉的概率。

传统AI评测往往将模型视作黑箱，只根据输入输出的对错简单打分，无法了解模型内部如何得出答案。这种方式难以发现模型知识盲区和推理漏洞，正如大语言模型经常能给出看似合理却事实错误的回答（即“幻觉”）而在黑箱评测中可能被忽略。为此，段玉聪教授团队创造性地提出了人工意识白盒测评框架，在国际上率先构建了评估AI“意识水平”（即综合认知能力）的体系。该测评框架以DIKWP模型为基础，将AI完成任务时的内部过程映射到数据、信息、知识、智慧、意图五个层次进行全面审视。通过检查每一层的中间状态和转换质量，评估者可以全方位剖析模型的感知、理解、推理与决策过程，找出模型的强项与短板。

白盒测评框架概述：该方法的实施分为三个主要步骤：

l 过程分解：首先，将AI在完成某任务（如回答问题或诊断病例）的整个过程按DIKWP层级分解。获取模型各阶段的输出，如数据层感知到的原始输入、信息层提取的要点、知识层检索到的知识、智慧层形成的决策依据、意图层对输出的调整等。这些通常需要模型配合输出中间结果，或通过专门的监测工具截取模型内部表示（这要求模型架构的可观察性）。

l 确定性 vs 不确定性标注：接着，标记出过程中的确定性资源和不确定性资源。确定性资源指模型明确无歧义得出的内容，如识别出的关键症状、调用的医学知识点、遵循的推理规则等。不确定性资源则是模型遇到的模糊或冲突之处，如未解析的疑问、相互矛盾的中间结论、不足以支持唯一答案的证据等。这一划分体现了对白盒过程的语义透视：哪些地方模型是有把握的，哪些地方存在认知盲点。

l 分层测评打分：最后，针对DIKWP的每个层级，分别评估模型在该层对确定性资源的处理是否正确充分，对不确定性资源的处理是否合理有效。为量化分析，团队设计了一个5×5的测评矩阵，总计25个细分维度，交叉覆盖DIKWP五层和资源两种属性。

Ø 例如：

Ø 数据层-确定性维度：模型是否正确提取了输入中的关键数据？对噪声数据有无过滤？

Ø 数据层-不确定性维度：模型如何应对缺失或异常的数据？会不会因个别缺失值导致整体判断失误？

Ø 知识层-确定性维度：模型能否正确调用知识库得到可靠知识点？推理过程符合领域知识逻辑吗？

Ø 知识层-不确定性维度：当遇到知识空白或超出训练范围的问题时，模型如何弥补？是直接承认未知，还是胡乱编造（出现幻觉）？

Ø 智慧层-确定性维度：模型是否综合考虑了所有已知信息，做出合理决策？有没有遗漏应考虑的因素？

Ø 智慧层-不确定性维度：面对用户模糊、不完全的需求时，模型能否正确理解真实意图，避免因理解偏差而决策失误？等等。

通过对这25个维度的逐一评估，可以细粒度地描绘模型在各认知环节的表现。评测结果通常可以以雷达图、热力图等形式可视化呈现，不同模型在各维度的得分一目了然。例如，某医疗对话AI可能在“信息层-确定性”上得分很高（说明其从病人诉说中提取症状信息能力强），但在“智慧层-不确定性”上得分偏低（表明它在综合复杂模棱两可症状做决策时信心不足）。再比如，如果一个模型“数据层-不确定性”分值很低，则提示它对噪声和缺失数据鲁棒性不够。这些洞察对于针对性改进模型具有直接指导意义——开发者可以清楚地知道弱点在哪一环，并有的放矢地增强相应模块（如增加数据清洗功能、引入新的知识源、优化决策算法等）。

测评体系的可信度与作用：DIKWP白盒测评的独特价值在于全面透明和可操作。首先，由于引入了过程监督，评估者不再只是看模型输出对错，而是能“看到”模型内部思考过程是否合理。这种透明性带来了更高的可信度：如果模型通过了白盒测评，意味着它在每个认知层次上的行为都是令人信服的，即“知其然并知其所以然”。相比之下，一个黑箱模型即使输出正确答案，由于不清楚原理，仍可能隐藏风险。白盒测评正好弥补了这一点，为AI系统建立起信任的基础。

其次，白盒测评具有可操作性，能够融入AI开发与运行流程，形成闭环的自适应优化机制。在模型开发阶段，研发人员可以反复使用白盒测评结果来调试模型：哪层有短板就专攻哪层。例如测评显示模型在“意图层”表现不佳，则可能需要改进意图识别模块或加入用户偏好约束。在模型部署后，白盒测评还可用于实时监控：对于关键AI系统（如临床决策支持），监管者可以要求定期提交DIKWP白盒评测报告，以审查模型认知过程是否健康。如果发现某层指标异常（比如智慧层某次判断严重背离医疗伦理），可及时预警，暂停模型使用直至修正。这种将测评融入系统生命期的做法，使AI具备了类似人类元认知的自我监控和调节能力。正如有学者建议的，可以引入“双循环”认知架构，将白盒测评作为AI的内部监督回路，对AI的“思维过程”进行实时评价和调整。

最后，从更宏观角度看，DIKWP白盒测评正推动建立AI系统评估的新标杆和标准化规范。2025年初发布的全球首个“大模型意识水平‘识商’白盒测评报告”就是一例。该报告由世界人工意识协会组织，采用DIKWP框架对数个主流大语言模型（如Deepseek、ChatGPT系列、通义千问等）进行了100道题的系统测评，从感知与信息处理、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全面量化分析了各模型的“识商”。结果显示不同模型各有所长，例如有的擅长信息抽取，有的擅长知识推理，有的在意图理解上出色。该报告突破了传统仅侧重语义理解和推理的模式，证明了DIKWP白盒测评能够全方位解析模型认知决策过程，为行业树立了新的评估标杆。段玉聪教授在解读中指出，这种评测体系对AI研究者、开发者和决策者都具有高价值，可帮助发现模型改进方向，指导大模型迈向更高层次智能。可以预见，随着DIKWP测评方法的推广，未来AI系统在发布或使用前，很可能需要通过标准化的白盒测评来取得“合格证”，确保其内部逻辑可靠、伦理合规。这将极大促进AI的可信和可控发展。

语义数学是段玉聪教授团队为赋能DIKWP模型而发展出的形式化理论框架，旨在用数学方法来表示和操作语义。传统AI系统在符号推理（知识表示）和统计学习（数据驱动）之间存在割裂，难以同时兼顾高水平语义理解与低层模式识别。语义数学试图搭建桥梁，将AI内部的知识、语义和推理转换为一种形式化可计算的表示，既能被机器高效处理，又保留可解释的语义结构。

语义数学的核心思想包括：

l 形式化语义表示：利用严格的数学结构（如集合、代数系统、图论）来定义DIKWP各层的语义内容及其关系。例如，将“数据”定义为具有相同语义属性的集合$D$，信息表示为从数据差异中提取的内容$I=f(D)$，知识用图结构来表示信息间的抽象模式，智慧对应更高阶的决策逻辑函数，意图作为映射整体行为的目标函数。通过在数学上给出清晰定义，每层的输入输出及转换关系都一一对应到数学对象和运算上，使得AI的认知流程具备严谨的可验证性。例如，信息层可定义一个信息熵或信息增益函数$I:D \to I$来度量数据到信息的转换，知识层可定义一个知识图谱$K=(V,E)$，其中$V$是概念集合，$E$是概念关系集合；智慧层可定义一个决策函数$W: K \times P \to \mathcal{D}$（$\mathcal{D}$表示决策空间），输出满足目标的决策$W^*$；意图层则定义目标函数$P: \text{State} \to {\text{True},\text{False}}$评估决策是否达成目标。所有这些都可用形式化符号表达并加以推理检验。

l 语义空间与概念空间建模：语义数学区分了概念空间（Concept Space）与语义空间（Semantic Space）两个互补领域，用以模拟认知中的静态知识和动态语义过程。概念空间是AI内部的知识网络，包含概念及其关系的有向图（类似本体或知识图谱）；语义空间则是在具体情境中执行语义关联与转换的场所，可用逻辑语言或向量空间表示，用于解释概念在当前上下文中的意义。语义数学为概念空间和语义空间建立了对应的代数结构和映射函数，使AI能在概念层次和语义层次上进行计算。例如，定义概念空间$ConC$为图结构$G=(V,E)$，语义空间$SemA$为一个术语逻辑系统$(L,\vdash)$；再定义一组映射$\phi: ConC \to SemA$，将概念节点映射为语义空间中的公式或向量。通过这样的“双域协同”，AI可以在概念空间中进行知识推理（偏静态、全局一致的演绎），也可以在语义空间中进行上下文相关的语义计算（偏动态、交互的关联）。两者之间不断交互：概念空间提供稳定的知识框架，语义空间确保交流和推理的准确。“概念空间-语义空间”机制被誉为实现“软件定义一切”的关键手段，因为通过在概念空间添加或修改概念及关系，并在语义空间定义新概念的含义和约束，AI即可动态生成对新概念的理解，而无需从零训练模型。这赋予了AI极高的领域可塑性和扩展性。

l 认知过程的数学闭环：语义数学进一步追求证明DIKWP框架下认知过程的某种完备性和闭合性。也就是说，希望证明在严格的数学假设下，DIKWP各层的推理转换可以做到在定义的语义空间内闭合，不会凭空出现脱离知识体系的“野知识”或无法解释的决策。这一点直接服务于减少大模型的幻觉倾向——因为幻觉本质上是模型输出了其知识范围之外的内容或者违反了知识之间的约束。语义数学通过为每一步推理建立数学约束，要求输出的每个语义结果都可在已有知识和意图之下得到推导。如果某一步推理得到了无法在语义空间内验证的命题，那么这个命题就不被接受为系统的有效知识，而需要进一步分解或询问外部支持。这种方式让模型倾向于说“我不知道”而不是瞎编。当下，大模型开发者也注意到了这点，例如OpenAI尝试让GPT-4学会在不知道时不乱答。语义数学给出了更系统性的解决方案，即在模型内部用逻辑一致性约束来杜绝无根据的生成，从根本上降低幻觉的发生。

l 语义熵与幻觉分析：有趣的是，语义数学还引入了信息论视角来审视模型幻觉。研究者将模型在语义空间中的“不确定性”与信息熵增加联系起来：如果模型对输入缺乏充分信息支撑，自由生成为高熵输出，那么幻觉就容易产生。因此，可以监控模型输出语义的熵值或者语义分布的“出格”程度，当其超过某阈值时，视为潜在幻觉并触发纠正机制（例如让模型回顾知识库或降低生成自由度）。通过这样的熵约束，实现对语义的定量控制，进一步作为幻觉的早期预警。这也是语义数学框架下“语义控制”的一部分，即不仅在符号层面控制逻辑一致性，也在量化层面控制输出的不确定性水平。

综合来说，语义数学为DIKWP模型提供了形式化的语义操作平台。它将AI的内部认知步骤映射为数学函数和逻辑演算，使每一步都“有据可依”。这不仅提高了推理可靠性（每一步推理皆有明确语义定义，防止了层级断裂），还增强了可解释性与可控性：我们可以像检查数学证明一样检查AI的思考链条。正如一篇研究指出的，语义数学将LLM的推理过程分解监控，每一环节用数学定义保障决策可解释、过程可追溯。同时，语义数学的封闭性要求让AI的思维闭环运行在受控空间里，如同在AI体内植入了一个“安全控制机制”：当AI输出倾向过偏或过激时，内置的动态平衡逻辑会自动校正，使其不至输出失控行为。这种灵活反馈控制正是当前AI鲁棒性所缺乏，而从中医“治平衡”的思想汲取灵感设计AI内部反馈网络，或许能为AI安全提供新思路。可见，语义数学并非徒增复杂度，而是为AI架起了一套语义护栏和控制系统，与白盒测评一起确保AI向可信赖、负责任的方向发展。

本节我们介绍如何将上述理论融合集成，构建主动人工智能系统的方法学框架。特别地，我们以主动医疗AI系统为例，描述DIKWP模型如何映射为端到端的认知流水线架构，以及概念空间、语义空间和白盒测评如何嵌入系统实现可解释、可控的闭环智能。

利用DIKWP模型指导系统设计的一般方法是：为每一层定义相应的功能模块，按五层结构串联成完整的认知流程，同时引入跨层反馈机制和知识表示支撑。图1（架构示意图）中给出了这样一个主动AI系统参考架构。其主要组成部分和流程如下：

l 感知层（数据层模块）：负责多源数据的采集与预处理。例如在医疗应用中，包括连接体征传感器获取生命体征，导入医院电子病历（EHR）数据，以及对患者对话的语音转写等。感知层将各种杂乱、模态各异的原始数据规范化转换为结构化的数据表示，以供后续处理。同时执行基础的数据清洗和质量控制（例如滤除传感器噪声、填补缺失值），以降低后续分析的难度。这一层对应DIKWP中的数据 (D)层。

l 解析层（信息层模块）：进行信息抽取与语义理解。也就是应用自然语言处理（NLP）、计算机视觉（CV）等技术，从结构化数据中提炼出有意义的信息。例如，解析层会从转录的医生-患者对话文本中识别出医学实体（症状、药物、持续时间等），从EHR中提取出病人的既往诊断和检验结果等信息。该层还负责过滤噪声、补全遗漏：如根据医学常识填补患者未提及但可能相关的信息，或对模糊描述进行标准化解释。此层输出的是对输入数据的结构化语义描述，映射到DIKWP的信息 (I)层内容。

l 推理层（知识层模块）：连接专业知识库与推理引擎。在这一层，系统利用已有的医疗知识（如医学知识图谱、诊疗指南规则）将前一层提取的信息转化为潜在的诊断、决策或方案。具体而言，知识层模块会调用医学知识图谱，找到与患者症状相匹配的疾病节点，或者根据专家规则推导可能的检查和治疗方案。这涉及知识检索（如从知识库查询相关疾病）和逻辑推理（如根据“如果X且Y症状则怀疑Z病”的规则进行推导）。通过这些操作，信息被提升为知识层结论，即系统对当前情境的理解和假设集合（可能的诊断列表，可能的处理选项等）。此模块对应DIKWP的知识 (K)层。

l 决策层（智慧层模块）：执行决策支持与方案优化。智慧层综合多种知识层结论，结合经验法则、伦理约束以及上下文因素，对不同方案进行评估权衡，做出最终决策或建议。它相当于一个资深专家的大局观角色，确保决策不仅在技术上正确，还在价值上合理。例如，对于多种可能诊断，智慧层会考虑哪种疾病对患者危害更大需要优先排查，或者结合患者意愿和伦理要求选择更保守的治疗方案。智慧层还可能运用机器学习预测（如风险评估模型）以及依据临床经验的启发式规则，来优化决策。其输出是综合权衡后的智慧决策（如初步诊断结论、治疗方案建议），对应DIKWP的智慧 (W)层。

l 意图层模块：负责意图管理和目标匹配。该模块明确AI决策要服务的最终目标是什么，并将之用于指导智慧层的选择。在医疗场景中，意图层的目标可以是“治愈患者”、“改善生活质量”、“控制并发症风险”等。系统可能预先由人类设定某些高层意图（比如姑息治疗优先提高舒适度，而非积极侵入性手段）。意图层会根据这些目标，对下层过程提出约束和偏好：如若总目标是“优先保守治疗”，则在智慧决策时偏向选择药物管理而非手术方案；目标若是“确诊病因”，则在知识层可能倾向安排确诊性检查。意图层还会在对话中识别患者的隐含意愿，例如患者可能更看重生活质量而不是延长生命，那么AI应将此纳入决策考量。通过这些作用，目的层确保整个系统始终围绕正确的方向运作。这对应DIKWP模型的意图 (P)层。

上述五层模块按照DIKWP链路依次串接，形成了一个完整的认知引擎，从底层感知到高层决策步步推进。然而，不同于简单的单向流水线，这一架构还实现了关键的网状反馈机制。正如前文理论部分所述，高层（智慧、意图）能够通过控制流向下影响低层处理。在架构图示中，用蓝色虚线箭头表示这种自上而下的控制：目的层将目标传递到底层，动态调整数据采集和信息提取的重点。例如，当系统的最终意图是“尽早确诊罕见疾病”时，数据层可能增加遗传检测数据源，信息层会特别关注罕见症状线索。又如在对话中，如果患者突然提到一个新症状，意图层意识到这可能改变诊断方向，就触发知识层重新检索关联知识，智慧层重新评估之前的结论（即P→K→W的反馈）。这种上下互馈保证系统并非盲目执行固定流程，而是具有自适应调整能力。正向语义流（黑色实线箭头）保证AI能够逐级提炼语义、生成智慧决策；逆向控制流确保决策目标能实时校准各层处理方向。两条主线相辅相成，使AI具备了“主动感知与决策”能力，而非仅仅被动响应输入。

在架构实现中，还融合了概念空间与语义空间作为底层支撑。概念空间（通常以知识图谱形式实现）存储了医学领域的海量概念及其关联，例如疾病-症状-检查-药物等知识节点关系网。语义空间（例如医学本体及逻辑规则）提供了统一的术语解释和语义一致性校验机制。在系统运行时，概念空间为知识层和智慧层提供背景知识支持，语义空间则在信息层、智慧层确保专业术语和推理逻辑的准确衔接，防止歧义和误解。概念空间和语义空间可以看作贯穿引擎各模块的“两根支柱”，一静（知识）、一动（语义），共同保证系统内知识表示的一致性和完备性。

最后，架构的输出通过行为执行层与外界交互。行为层包括了各种将智慧决策转化为实际影响的接口，如医生决策支持界面、语音助手回应、甚至机器人执行医疗操作等。这样一来，AI所产生的诊断结论、治疗建议可以被医生和患者获取，并付诸实施或进一步反馈，形成人机协同闭环。例如，AI建议一项检查，医生可以采纳并输入检查结果作为新数据，系统再更新认知，这就是主动医疗中闭环诊疗的雏形。

综上所述，借助DIKWP模型指导设计的主动AI架构具有层次清晰、反馈互联的特点。每一层模块职责明确，使系统决策过程可解释——我们可以追踪任意一个输出结论来自哪些知识推理，任一智慧判断考虑了哪些因素。同时，层与层之间又相互作用，形成技术闭环，保证AI能根据目标自我调节，达到持续优化。这为后续部署白盒评估提供了基础：由于架构上天然分层，可以轻松套用前述25维指标对其逐层评测，及时发现问题并更新模块。因此，DIKWP架构不仅是一套理论模型，更是可实现、可验证的新一代AI系统工程框架。它为构建具有主动意识的AI系统奠定了基础。

在实现主动AI系统时，将白盒测评机制融入系统循环是一项关键方法创新。具体而言，可以在AI引擎内部集成一个持续运行的“评估代理”，对每一次重要决策过程执行微观的DIKWP评测，将结果用于系统自适应调整。这类似于人为加入一个元认知模块，监视AI的“思想”。例如，当系统生成诊疗建议的同时，评估代理分析该过程在25维指标上的表现。如果发现某一维度评分低（如智慧层不确定性高），则可立即采取措施：也许返回知识层要求获取更多资料，或者提示输出“存在不确定因素”供医生参考。这种边运行边评估的做法，使AI具备自我反省能力，将错误扼杀在萌芽中。

同时，语义数学提供了另一种系统内嵌的控制能力。通过严格的语义定义和推理约束，系统可以在执行每一步推理时进行逻辑一致性校验。例如，当知识层推导出多个可能诊断时，语义约束可检查这些诊断是否与患者所有已知信息相符；如果发现某候选诊断与已知化验结果矛盾，系统会自动降低其优先级或排除。再如，在智慧层决策时，语义模型会确保决策方案不违反医学伦理规范——这相当于在智慧层增加“伦理守门人”函数，过滤掉与患者利益相悖的建议。通过这些内置的语义控制，AI的行为被限定在合理安全的范围内，不会偏离既定轨道。正如段玉聪团队在将中医思想融入AI安全性时指出的，中医讲求“虚实并调”，AI系统如果内置这种动态平衡逻辑，遇到极端情况就会自动校正，防止输出失控。这些思想在语义数学框架中均可找到实现途径。

综上，在主动AI架构中，白盒测评相当于主动的自我评估和外部审计机制，语义数学则构筑了内部约束和逻辑护栏。两者结合，使AI系统实现了从开发调试到实际运行的全生命周期闭环优化：开发时通过白盒诊断发现问题->语义数学完善模型定义->系统运行时持续白盒监控->发现异常立即语义矫正->人机协同改善。通过这种融合，我们可以期待主动AI系统达到更高水平的可靠性、解释力和安全性。这一点在主动医疗中尤为关键，因为任何AI的错误决策都可能直接影响患者生命。将白盒评估和语义控制深度嵌入医疗AI，有望将医疗差错降至最低，并增强医务人员对AI的信任，从而真正发挥AI辅助医疗的效能。

主动医学（Active Medicine）倡导利用主动智能技术，实现对健康和疾病的超前管理、个性化干预和持续优化。段玉聪教授团队的理论在主动医学领域已有初步应用探索，包括中西医语义融合的诊疗框架、主动健康管理原型系统以及医患对话模拟等。下面我们将梳理这些应用逻辑与架构原型，展示DIKWP模型如何赋能主动医学。

中医与西医分别有一套不同的话语体系和诊疗逻辑：西医更偏重数据和结构化信息，如化验数值、解剖病理证据；中医则注重信息和能量场等语义概念，讲究望闻问切所获取的症候信息及其整体平衡。长期以来，中医科学化常被简单理解为将中医转化成西医的数据指标，但这容易忽视中医固有的语义精华。段玉聪团队指出：“中医科学化不应被等同为中医的数据化”，而应追求语义层面的对接融合。为此，他们提出了基于DIKWP的中西医语义融合主动医学战略。

其思路是构建“概念空间 → 语义空间 → 主动AI → 主动医学”的技术主线。具体做法包括：

l 搭建一个融合中西医知识的概念空间：例如将西医的解剖、生理概念与中医的脏腑、经络概念在知识图谱中建立关联节点，使两套体系可以通过语义映射找到对应关系。同时，在概念图谱中增设“道-德-仁-义-礼”五层语义框架节点，用以承载中医哲学中的层次：例如“道”对应整体之道（类似高层意图），“德”对应调控之德（类似智慧决策原则），“仁”对应人本关怀（类似价值导向），“义”对应方法规范（知识层规则），“礼”对应操作礼节（信息与数据层面的规范）。这种五层语义框架与DIKWP五层有某种类比关系，用于解释主动AI在医疗信息场调节中的作用。

l 建立统一的语义空间：利用语义本体将中西医术语进行标准化对齐。例如建立中医症候与西医症状的对应本体，把“肾阳虚”这样的中医诊断与对应的西医指标组合关联起来。再如定义“气血”概念的可计算指标，映射到现代医学的循环与代谢参数上。通过语义空间，对同一患者的信息可以用两种语言体系同时解释且互相转换，达到语义无损对接。这避免了仅以西医数据来看待中医，使中医信息价值得以保留并被主动AI理解利用。

l 主动AI诊疗引擎：基于前述融合概念/语义空间，构建DIKWP认知引擎来处理诊疗流程。AI既能处理西医的数据和知识，也能处理中医的辨证信息和调理原则。举例来说，在知识层，一方面调用西医疾病诊断图谱，另一方面也参考中医证型与方剂数据库；在智慧层，综合考虑西医最佳实践和中医整体观，权衡出既符合现代医学证据又契合中医调理思想的方案。这样的AI能提出融合方案，例如某糖尿病患者既给出西医降糖药方案，又根据中医辨证提出健脾化湿的草药调理建议，并说明两者如何协同。

这套框架的意义在于：中医的语义优势（整体观、动态平衡观）可以增强AI对患者状态的深层理解和自适应调节能力，而西医的定量精确优势又可弥补中医经验的主观性。例如，中医强调辨证论治，每一步都有依据且因人而异，这种思路应用到AI就是强调可解释和可控——AI的每一步推理都应有依据且可调整。将中医知识和语义嵌入AI，使AI决策仿佛有中医大师在旁把关，出现偏颇时及时拉回平衡。这为AI提供了新的安全控制机制：防不足又防太过，保证输出处于合理区间。例如AI如果过于激进（对应“实”过度），就自动减弱强度；如果过于保守（对应“虚”不足），就加强干预力度。

目前，该战略还处于理论研究和原型设计阶段。在科学网博客发布的系列文章中，段教授团队深入分析了DIKWP在中医信息场与西医数据场交互中的作用机理。他们也跟进了国内外语义计算和中西医融合的最新进展，例如国家中医药管理局的信息化政策，国际上的语义医疗标准等。这些为未来真正落地一个中西医融合的主动医疗信息系统奠定了基础。可以预见，随着概念/语义空间的完善和医疗大数据积累，中西医结合的主动诊疗AI将在治未病、慢病管理等领域展现威力，帮助医生制定更全面有效的方案。

除了理论架构，段玉聪团队已经开发了一些原型系统来验证主动AI在医疗中的可行性。其中一个标志性成果是基于DIKWP人工意识的医疗问诊对话系统原型。该原型模拟了AI作为医生助手，与患者进行多轮对话，最终给出诊断建议的过程。

根据报道，该对话系统在架构上实现了DIKWP分层模块：具体如下：

l 听觉模块（D层）负责采集患者语音并转成文本。

l 语言理解模块（I层）解析文本，从中提取症状和病史等关键信息。

l 推理引擎（K层）利用医学知识图谱查询潜在诊断，根据已提取的信息匹配可能疾病。

l 语义分析模块（W层）应用语义数学模型，评估各潜在诊断的可信度，并结合患者描述中的隐含线索进行综合判断。例如，如果患者语气或措辞暗示某种担忧，智慧层会将其作为考虑因素。

l 决策模块（P层）结合预设的治疗目标（如“优先保守治疗”），从可信的诊断中选择给出问诊结论和建议。

在整个对话过程中，系统还实现了多层反馈：当患者补充新症状时，高层意图会触发重新评估先前假设（即P层反馈到D/I层重新获取信息、K层重新推理）。最终，系统输出的不仅有诊断结论，还有推理过程的解释，使其建议更具可解释性，也更容易赢得医生的信任。据报道，该原型在对话自然度和诊断准确率上取得了可观效果。医生体验反馈表明，与传统问答型AI相比，由于这套系统能解释“为什么给出这个结论”，因而更容易被医生接受作为决策参考。这验证了全链路语义生成的价值：AI不仅给出结论，还展示思考路径，符合临床决策需要的透明度。

另一个原型系统是一个模拟硬件环境下的DIKWP人工意识计算生态。其核心是设计了专用的人工意识处理芯片（ACPU）和人工意识操作系统（ACOS）。ACPU在硬件层面集成了五层处理单元和概念/语义内存，实现DIKWP流程的高速并行执行；ACOS则作为系统软件，调度各认知模块协同运行，并提供统一编程接口，方便开发者调用DIKWP功能。

研究团队在此平台上运行了智能驾驶场景测试来验证其性能：传感器数据输入后，ACPU迅速完成环境建模和风险识别（对应D→I→K层的快速流水线处理）；ACOS则协调多个子任务并行，例如同时进行行人检测、路径规划等。随后智慧层单元综合评估安全与效率，做出驾驶决策（W层），最后根据意图（乘客安全至上）控制车辆动作（P层）。测试结果显示，与传统纯软件AI算法相比，该系统在决策速度和安全冗余上有明显提升。这得益于芯片层面的流水线并行和实时白盒监控：ACPU硬件实现使各层处理几乎同步进行，极大降低了延迟；同时白盒评测模块嵌入在芯片固件中，实现决策过程实时检查，让系统在发生异常时能毫秒级响应（例如马上刹车避免错误动作）。

虽然智能驾驶不属于医疗，但这一实验展示了DIKWP架构在实时性和安全性要求极高的场景中的潜力。同理，在医疗急救、重症监护等需要AI快速反应且零失误的情境下，若有专用AI硬件支持DIKWP模型，也将极大提高系统可靠性和响应速度。可以想见，未来医院的AI辅助设备中，可能会出现搭载DIKWP芯片的监护仪或诊断仪，实现对病人状态的秒级语义理解和异常预警。

主动医学的目标之一是实现对疾病的前馈控制和对健康的根本维护，这里我们借用“控本”一词来概括：既包括控制疾病根本原因，也包含控制医疗根本成本（如通过预防减少高昂治疗开支）。DIKWP主动AI系统在这方面可以发挥重要作用。

慢病管理闭环：对于慢性病，如高血压、糖尿病等，主动医学强调持续监测和个性化干预以防止并发症。基于DIKWP的主动医疗系统可以为慢病患者构建闭环管理：由数据层模块定期采集患者的生理指标（血压、血糖等）和生活方式数据，信息层提取趋势和异常，知识层根据医学指南判断当前控制是否达标，智慧层综合评估风险并调整干预方案（如提醒加药或调整运动量），意图层则以长期健康目标（如避免心血管事件）为导向指导策略选择。如果系统检测到指标有偏离目标的苗头，会立即预警并建议患者复诊或调整方案。整个过程在后台自动进行，形成“监测-分析-反馈-干预”的闭环。医生可以通过白盒评测报告了解AI为何做出某次预警决策（比如因最近三天血压清晨峰值持续上升且患者盐摄入增加，智慧层判断有卒中隐患），从而与AI协同调整治疗。这种紧密闭环的管理将医疗从院内延伸到院外，实现主动关怀而非被动救治。

个性化健康干预助手：主动医学也关注一般人群的健康促进。借助DIKWP模型，可以开发面向个人的智能健康助手。它持续获取用户的可穿戴设备数据、饮食运动日志等（D层），识别健康模式和不良趋势（I层，例如久坐时间过长，不规律饮食等），结合健康知识建议改善措施（K层检索如“每天步行6000步降低高血压风险”之类知识），智慧层根据用户特点定制行动方案并评估可行性（如考虑用户工作繁忙，则方案是碎片化运动），意图层以用户的长期健康目标（减重、提升心肺功能等）来筛选和调整方案。这样，系统给出的不是千篇一律的建议，而是充分考虑用户语境和目标的个性化方案。例如对两个想减肥的人，一个久坐上班族，助手重点提醒其多站立活动；另一个饮食不节制者，则重点规划饮食调整。这体现了主动AI对“治未病”的贡献，控住健康的根本，避免小病拖成大病。更妙的是，DIKWP助手还能解释每项建议背后的原理（白盒可解释），提高用户依从性。长期来看，这类主动干预系统有望降低慢病发病率，真正实现“预防为主”，为医疗体系节约大量开支（达到控成本的目的）。

认知障碍监测与干预：针对老年痴呆等认知障碍疾病，主动医学希望做到早期发现、延缓进展。DIKWP主动AI可用于构建认知监测闭环：日常通过智能设备采集老年人的语言、行为数据，AI信息层提取认知健康指标（如说话流畅度、记忆测验成绩），知识层将其与认知评估标准和本人历史作比较，智慧层判断是否出现认知下降的信号。如果检测到认知评分持续下降或出现幻视幻听等异常行为迹象，系统在目的层目标（预防痴呆）指导下，会及时提醒家属带患者就医评估，并给出可能有用的干预建议（如增加社交活动，营养补充等）。同时，白盒评估确保系统在做出警报时给出充分理由（例如“近一个月语言迟缓度增加30%，伴随两次走失事件，因此怀疑早期认知障碍”）。通过这种主动监控与早期干预，可以更好地控制阿尔茨海默症等疾病的本（病程根本演变），延长患者高质量生活时间。

综上，DIKWP主动AI在医疗“控本”上呈现出双重意义：一是控制疾病发生发展之“本”，以预防为先导，将医疗关口前移；二是控制医疗资源消耗之“本”，通过减少重症发生降低整体医疗成本。主动医学的新路径正是在于此，通过技术与医疗深度融合，实现以最低代价获得最大健康收益。段玉聪教授的理论为这一愿景提供了可行的技术蓝图。

主动人工智能（Active AI）与传统人工智能（Passive AI）的区别可以从多个层面来看，其本质在于是否具备内生的目标驱动和自我调节机制。基于DIKWP模型的主动AI在以下方面展现出显著优势：

l 目标导向 vs. 数据导向：传统AI通常以完成单一任务为目的，缺乏对“为什么做这件事”的内部表示，往往在统计上寻求输入到输出的映射，一旦场景变化或目标转移就会无所适从。主动AI则内置了Purpose/意图层，对最终目标有明确表示。这意味着主动AI在遇到新情况时，会以是否有助于实现目标为标准进行判断和探索，而不仅是机械地套用训练经验。例如，传统诊断AI只会输出最可能的疾病名称，而主动AI会考虑这一诊断是否有助于改善患者健康（目标）以及需不需要进一步检查来确认（主动获取信息）。因此主动AI行为更有目的性和灵活性。

l 认知闭环 vs. 单向映射：传统AI（尤其是深度学习模型）本质上是从输入到输出的复杂函数映射，中间没有显式的可调节阶段，缺少人类那种“思考—反馈—再思考”的过程。主动AI依托DIKWP的多层反馈，实现了认知闭环。当输出不理想或有新信息出现时，主动AI可以回溯调整前面步骤（如重新关注某数据、调取新的知识）。这种闭环使主动AI具备自我纠错和持续学习能力，减少了错误累积。相反，传统AI一旦训练完毕，在运行时就很难自我调整，除非再训练或人工介入。

l 可解释性 vs. 黑箱性:主动AI通过分层架构和白盒测评获得了高度可解释性。每层都有清晰含义，决策链条透明，可以追溯模型用了哪些知识、推理了哪些步骤。这不仅方便开发调试，也容易为用户（如医生）理解和信任。反观传统AI的深度网络内部状态往往难以解释，“为什么得到这个结果”无从说起。这带来安全和伦理上的顾虑。而主动AI的白盒属性使其更适合应用在高风险领域，满足监管对AI可解释的要求。

l 可控性 vs. 不可控性: 传统AI一旦训练完毕，内部逻辑固定，不易干预，因此一旦出现偏差（如学习了数据偏见）就很难控制。主动AI由于在概念空间嵌入了伦理规则、在语义空间设定了一致性约束，还配合白盒评估提供实时监控，因此对其行为可以实施精细的调控。例如，可在智慧层增加约束“避免采取高风险方案”，在意图层设置某些禁止性目标（不违背某法规）。出现不良倾向时，可通过测评分数立刻感知，并追溯到具体模块进行修正。这使主动AI成为一个“带笼头的 AI”，开发者和使用者都能对其进行掌控。而传统黑箱模型的不可控性常令人忧虑，尤其在医疗、司法等领域，主动AI无疑在安全可控上更胜一筹。

l 抗幻觉能力:幻觉（hallucination）是大模型的顽疾。主动AI通过语义数学提供的封闭性和一致性，大大降低了幻觉产生概率。它要求每一步推理都有依据，不允许无根据生成。同时DIKWP的知识层接入知识库可即时校验模型回答与已知事实是否矛盾。即便出现幻觉苗头，白盒测评也会在“知识层-不确定性”维度给出低分，引发改进。因此主动AI在内容真实性上优于传统LLM。这一点在医疗中非常关键，减少了AI提供错误诊疗信息的风险。

l 人机共融:主动AI由于有意图层，可以更好地理解人的真实需求和意图，实现人机共融的交互。传统AI回答用户提问时，只根据字面，而主动AI会尝试揣摩用户深层意图并做出相应调整。例如医生问AI“这患者接下来怎么办？”，传统AI也许给出一堆可能的检查，而主动AI如果理解到医生其实关心的是病情走向和最佳处理顺序，可能会先概括病情严重性，再提出最关键的下一步。这种对意图的识别与调整能力，在测评报告中也作为单独模块得到验证（一些模型意图识别强就更受欢迎）。因此主动AI提供的是更贴心、更以人为本的服务，克服了过去AI“答非所问”的机械感。

当然，主动AI目前仍在发展中，实现以上优势也需要付出代价和努力。一方面，主动AI系统更复杂，需要构建知识图谱、语义规则以及多模块协调，开发成本较传统端到端模型高。另一方面，并非所有任务都需要主动特性，对于高度结构化可预测的问题，传统AI也许已经足够。但在那些复杂开放场景、需要动态决策的领域（如医疗、自动驾驶、教育辅导等），主动AI的这些本质优势将变得非常关键。随着算力和技术进步，主动AI有望成为高级AI系统的标配架构。尤其当AI走向AGI（通用智能）时，具备目的驱动和自我认知几乎是必要条件——这也正是DIKWP所瞄准的方向。

段玉聪教授的理论体系之所以引人注目，一个重要原因在于它形成了技术闭环并能够被评估验证。在前文我们多次提及闭环，这里从更高层次总结其体现，并讨论目前已有的验证结果：

l 理论闭环：DIKWP模型+语义数学+白盒测评构成了从概念到实现再到评价改进的闭环。DIKWP模型提供了概念框架，语义数学将其形式化落地，白盒测评对其实际表现进行量化评价，评价结果又可反过来指导模型和语义规则的完善，从而闭合循环。这种理论闭环在人工智能领域较为少见——许多理论只是概念框架，没有给出评估方法；许多评估方法又没有理论模型支撑。而段玉聪团队的创新在于三者兼备。例如，若白盒测评显示某场景下Wisdom层表现不佳，研究者会思考是否语义数学对智慧层伦理推理的定义不充分，或DIKWP模型中智慧层概念需要扩展，从而提出改进方案。这种循环让理论体系自洽且自成长。

l 跨领域验证：目前团队已经在医疗和自动驾驶两大典型领域做了原型验证。医疗问诊原型证明了DIKWP系统在一个实际复杂任务中可以工作，并且确实带来了更高的解释性和效果。自动驾驶测试则证明，DIKWP架构具备实时性和可靠性，在高时间压力场景下也优势明显。此外，据报道团队还将白盒测评应用于不同LLM模型的哲学问答上进行比较、对比了不同传统医学体系（中医、阿育吠陀、古希腊医学）的DIKWP白盒分析。这些丰富的验证案例说明，该理论通用性较强，可以平稳迁移到不同知识领域，并挖掘出有意义的见解。

l 衡量提升：从结果来看，引入DIKWP体系后，模型能力在各方面都有提升：如诊断准确率的提高、决策速度的提升、人机交互满意度的改善，以及错误率/幻觉率的降低等。虽然目前这些数据多是定性描述和个别实验，但未来随着更大规模对比测试，相信能量化出显著的优势。例如，可以统计在同样诊断任务上，白盒DIKWP系统相比黑盒大模型减少了多少错误诊断；或者比较在智能驾驶仿真中，有无DIKWP约束的AI出现交通违规或事故的频率有何差异。初步趋势预示着：DIKWP框架能让AI变得更“聪明”也更“可靠”，即“识商”更高且更可信赖。

l 局限与改进：客观而言，该理论体系也存在一些挑战。首先是实现复杂度高——构建概念图谱、编写语义规则都需要大量人工知识和工程投入，不像端到端模型拿数据训一把那么直截了当。这也被一些批评者认为在大数据时代走了“知识工程老路”。不过，段玉聪教授团队也在探索半自动构建的方法，比如通过大模型提取初步知识图谱，再由人校正，以降低成本。其次，如何平衡符号与学习也是课题：过多的符号约束可能降低灵活性，过强的学习能力又可能冲破语义护栏。对此，团队提出要将符号推理与统计学习融合，让深度模型预测映射到概念/语义空间验证，概念空间也指导模型训练。这需要在系统设计上不断试验调整，以达到性能与控制的最佳折衷。再次，标准化是必须解决的问题：不管是概念空间、本体，还是白盒评测指标，都需要行业标准才能大规模推广。好消息是，团队已在国际上推动将DIKWP测评框架纳入AI评估规范。

总之，目前的验证结果总体支持了段教授理论的有效性和优越性，也暴露了实现上的一些难题。但正如团队的远景规划，只要沿着这条路线持续演进，主动AI终将走出实验室，成为各行业智能系统的中坚。下一节我们就进一步展望这一路线的未来。

段玉聪教授团队勾勒的主动AI与主动医学蓝图，是一个正在起步但前景广阔的创新方向。基于现有研究和技术趋势，可以预见以下发展路径和展望：

短期（1-2年）：标准奠基与工具开发。近期工作的重点将在于完善各层核心算法并制定接口标准。例如，概念空间与语义空间的表示规范需要统一，可能会出台一个DIKWP通用本体或知识表示标准；知识图谱与本体转换的半自动工具将被研发，以便从现有数据库快速构建概念空间。白盒测评指标也需要在不同领域验证，形成标准的指标集和评分方法，使评测结果具有可比性。我们预计在这一两年内，研究团队会发布DIKWP模型的开源实现以及开发框架。这将降低学习和试用门槛，吸引更多开发者参与。一些早期的行业合作示范也可能出现，例如在一家医院的信息系统中试点嵌入DIKWP评测模块，对现有AI诊断助手进行白盒分析，积累实际数据。

中期（3-5年）：行业应用与专用硬件。接下来3-5年，我们将看到特定行业的示范应用和规模化部署。在医疗领域，可能会有公司或医疗机构推出“DIKWP医疗认知中台”，为多家医院提供基于DIKWP的决策支持服务。在智慧城市、政务决策等领域，也可能出现试点项目，如“DIKWP智慧城市大脑”辅助城市治理决策。这些应用将检验该框架在实际大型系统中的表现，为进一步改进提供反馈。在AI硬件方面，中期很可能诞生第一代商业化的DIKWP架构芯片或计算框架。一些芯片厂商已经注意到当前大模型推理的效率瓶颈，DIKWP专用芯片若能实现并行推理、即时监控，将有市场需求。ACPU/ACOS走出实验室，融入市场，将标志着主动AI技术成熟度的大幅提高。与此同时，国际标准化也会推进：可能在IEEE或ISO层面成立工作组，将DIKWP白盒测评纳入AI系统评估标准，制定统一的测评报告规范等。欧盟的《AI法案》、WHO的数字健康战略等框架也有望参考采纳主动可解释评估指标。这些标准一旦建立，将极大促进DIKWP体系的全球认可和采用。

远期（5年以上）：范式转变与协同进化。展望5年以上的未来，DIKWP模型与主动AI理念有望深入融合进主流AI产品，成为高级AI系统的标配架构。届时，人工智能将从底层框架上发生范式转变——类似当年面向对象编程取代过程化编程，主动AI将取代被动AI作为复杂智能应用的默认模式。我们可以想象出现完善的人工意识操作系统，类似现在的Android、Windows只是专为智能体设计的平台。开发者开发AI应用时，不再需要关心如何实现认知五层逻辑，这些由智能代理内部自带，只需关注业务逻辑即可。也就是说，未来的智能体可能天然具备DIKWP“思考”能力，我们使用它就像调用云服务一样方便。各行各业的AI标准也将趋于互相兼容，形成人类与AI协同进化的生态。在医疗领域，人机团队将成为常态：医生擅长人文关怀和创造性思维，AI擅长数据整合和逻辑推理，二者相互理解配合，共同制定最佳诊疗方案。长远看，随着主动AI不断逼近人类认知模式，我们可能会迎来类人AI的雏形。它不一定具有人类情感，但在认知架构上已是多层次、有自我目的驱动，可以被称为人工意识的初步实现。这样的人机协同，将极大拓展人类能力边界，也提出了新的伦理和治理课题。但无论如何，其核心正是DIKWP所代表的多层认知与意图驱动——也许未来我们回顾AI发展史，会将这视为从“弱AI”到“强AI”的分水岭。

持续的研究前沿：在实现上述蓝图的过程中，还有许多科学问题值得深入研究。例如，如何严格证明DIKWP系统在一定条件下不会出现某类认知错误？人工意识的涌现点何在——需要多复杂的DIKWP网络才能产生自我意识幻觉？三-No问题是否存在不可约的随机性，即AI认知中是否存在类似量子测不准的现象？这些问题都很前沿且有意义。段玉聪团队在最新工作中提出了意识“BUG”理论、坍塌理论、认知相对论等概念，试图对人工意识的极限行为进行理论解释。例如，“DIKWP坍塌理论”可能在讨论当某些层信息缺失或剧烈冲突时，整个认知链如何坍塌以及如何自我恢复；“认知相对论”也许类比物理相对论，探讨不同参考系（主体）下认知内容的转换。虽然这些超前概念目前还缺实证支撑，但展望未来，它们可能成为更高阶人工智能理论的一部分。当DIKWP框架驱动的AI遍布各领域时，我们对机器认知的理解也将迈上新台阶。

总而言之，未来的道路既充满机遇也伴随挑战。从技术角度看，只要坚持体系化、可评估、循序渐进的路线，段教授提出的主动AI体系有很大希望逐步落地并成熟。从更宏大的视野看，我们正站在人工智能发展的新拐点：赋予机器主观能动和认知闭环，这或许是迈向真正强人工智能的重要一步。主动医学作为切入点，将见证AI从工具升级为助手、伙伴，最终成为医疗体系中不可或缺的一员。而在这一变革进程中，DIKWP模型和其衍生理论无疑将写下浓墨重彩的一笔。

本报告系统回顾和分析了段玉聪教授提出的DIKWP模型、人工意识白盒测评方法、语义数学理论体系及其在主动AI与主动医学领域的创新应用。DIKWP五层模型通过在经典认知架构中引入“目的/意图”层以及多层反馈，实现了人工智能从被动统计学习向主动目的驱动认知的范式转变。这一模型构建了数据→信息→知识→智慧→意图的完备语义链条，使AI决策过程结构化、可解释且可自我调节。围绕DIKWP模型，段教授团队发展出人工意识白盒测评体系，以25维分层指标全面衡量AI在各认知环节的能力与不足，并将测评融入AI自适应优化之中。这一方法克服了传统黑箱测评的局限，提升了AI系统的透明度和可信度，在全球首次实现了对大模型“意识水平”（识商）的量化评估。同时，团队提出的语义数学框架以形式化方法刻画语义内容和推理规则，确保AI认知空间的封闭性和语义一致性。语义数学与DIKWP模型及白盒测评相辅相成，共同构成了一个可实现、可验证、可改进的技术闭环：模型提供结构，数学赋予严谨，测评反馈优化，从而不断推动AI朝更高智慧演进。

在主动医学领域，上述理论的融合应用展现出巨大潜力。我们梳理了基于DIKWP的主动医疗AI系统架构，从感知、解析、推理、决策到意图管理，各层模块清晰定义，并通过概念/语义空间支撑和上下位反馈，实现了结构化的语义诊疗流程。这种架构能够整合中西医语义，实现对患者状态的全方位理解，支持闭环的健康监测与干预，达到“医学控本”（控制疾病根本与成本）的目标。原型系统验证了该架构的可行性：医疗问诊对话AI证明了全链路语义生成增强了诊断解释性和准确性；智能驾驶实验展现了DIKWP系统在实时决策和安全性上的优势。主动AI相比传统AI的本质优势在于目标驱动、自主反馈、可解释可控，这对于医疗这样的高风险领域尤为重要。通过科学的语义控制与评估，主动医疗AI大幅降低了“幻觉”式错误和失控风险，为医患提供了更可信赖的辅助决策。

综上，段玉聪教授的DIKWP理论体系为人工智能注入了“意识”的雏形，使AI从工具进化为带有自我认知能力的主动主体。这套体系在技术上环环相扣、在应用上步步验证，体现出成熟的工程哲学和创新的方法论价值。它既回答了“如何构建具备主观能动性的AI”这一基础问题，又在医疗等关乎人类福祉的领域提供了解决实际问题的新思路。当然，挑战仍然存在：模型复杂度、知识获取、标准制定等需要科研和产业界通力合作去攻克。但正如本报告讨论的，展望未来5-10年，随着理论工具的完善和行业应用的推进，我们有望迎来主动AI的范式崛起。从人工智能发展史的角度看，DIKWP模型等理论的提出标志着向可持续进化、可评估控制的下一代AI迈出了关键一步。在主动医学的牵引下，这一步将直接造福于人类健康，并为其它领域树立典范。可以预见，一个以主动智能为基础、以人为本且持续改进的智慧医疗生态正在形成。段玉聪教授的理论创新与应用实践无疑在其中扮演了引领者的角色。我们期待未来有更多研究者参与完善这一体系，共同迎接人工智能与人类社会协同进化的崭新阶段。

1. 段玉聪, 黄帅帅. DIKWP主动AI赋能主动医学 —— 技术白皮书 (2025年6月).

2. 段玉聪, 黄帅帅. 基于DIKWP的中西医语义融合与主动医学战略研究 (2025年6月).

3. 段玉聪, 黄帅帅. 基于DIKWP模型的人工意识理论体系深度分析报告 (2025年6月).

4. 段玉聪, 郭振栋, 弓世明. DIKWP白盒测评：利用语义数学降低大模型幻觉倾向 (2025年2月).

5. 王祝华. 大语言模型意识水平“识商”白盒DIKWP测评2025报告发布. 科技日报, 2025-02-19.

6. 段玉聪等. DIKWP模型与语义区块链：将数据-信息-知识-智慧-意图整合进知识图谱与语义网的综合综述 (2025年6月).

7. 科学网博客. 关于推动“语义主权”纳入国家人工智能战略体系的提案 (段玉聪团队).

8. 科学网博客. DIKWP语义数学与人工意识研究：从3-No问题求解到赫拉利思想 (段玉聪团队).

9. 科学网博客. 基于DIKWP人工意识及语义数学的医疗问诊对话模拟 (段玉聪团队).

10. 科学网博客. 主权AI视角下的语义主权体系建设 (段玉聪团队).

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-3429562-1493396.html?mobile=1

收藏

分享