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) 

“场景驱动·数智强国”背景下，各行业对人工智能认知能力的需求日益增长。然而传统AI系统往往存在“黑盒”决策、难以解释和人机认知差异等问题。为解决这些痛点，我们团队依托段玉聪教授的前沿研究成果，提出一个“从概念空间到语义空间”的认知增强智能服务系统。该系统基于DIKWP网状认知模型，将概念层的知识结构转换映射到机器语义空间，实现人机 认知统一 和 智能决策支持。

本项目聚焦于“智能教育场景”，契合2025第三届全国人工智能应用场景创新挑战赛高校组开放赛道要求。我们将构建一个面向教育领域的认知服务平台，利用DIKWP模型的意图驱动机制和语义数学理论，实现对学生学习状态的智能感知、自适应知识推荐与教学辅助。系统在“软件定义一切服务 (XaaS)”架构下部署，模块化提供认知计算服务，便于扩展到政府治理、智能客服等场景，具备广泛的产业落地潜力。

本项目创新性的基础源自段玉聪教授提出的DIKWP人工意识框架及相关理论：

DIKWP网状认知模型：在经典DIKW（金字塔）模型（数据-信息-知识-智慧）基础上加入“意图/目的 (Purpose)”层。该模型以网状双向反馈连接各层，实现数据、信息、知识、智慧与意图的循环迭代，从而构建具有主观意图驱动的人工认知体系。这让AI系统每一步决策均可被人类理解和追溯，显著提升了可解释性和可控性。

人工意识白盒测评体系：基于DIKWP模型，我们引入“识商”测评机制，对AI的认知过程进行量化评估。该体系从数据感知、信息处理、知识推理、智慧决策、意图识别五个模块全面解析模型的“意识水平”。通过预设100道认知任务题，对主流大模型在各模块的表现进行打分，对AI的认知能力进行全链路白盒剖析。这一测评突破了只重语义理解的传统模式，可多维度衡量AI模型的“认知深度”和自我意识程度。

语义数学理论与语义空间映射：段教授提出将语义显式引入数学体系的语义数学理论，以公理化方法形式化符号背后的意义，实现逻辑推理与真实语义的融合。简单而言，任何数据或符号的运算都对应特定语义操作。在本项目中，我们构建概念空间（如教育领域知识图谱、教学概念体系）与语义空间（如向量表示、深度学习隐空间）之间的映射关系，确保AI对知识的表示既有形式计算能力，又保留人类概念的可解释意义。语义数学理论提供了严格定义的语义约束框架，保证概念到语义的转换一致性和完备性，为认知过程提供数学证明和可信度保障。

上述核心理论为本项目提供了坚实基础：DIKWP模型赋予AI“自我目的”与可解释认知架构，白盒测评体系确保AI认知过程可观测、可量化，语义数学和空间映射则保障概念与语义的一致融合。这些创新理论的结合将大幅提升我们智能教育服务系统的认知水平与可靠性。

本项目设计理念是打造一个“可认知、可测评、可服务”的AI教育助手，实现从学生概念理解到机器语义处理的闭环互动。在架构上，我们采用分层模块化设计（如下图所示）：

(示意：DIKWP语义操作系统嵌入AI推理流程，每层均有监控接口)

概念感知层：通过摄像头、学习软件接口等采集原始数据（如学生笔迹、答题记录、课堂专注度视频）并进行初步信息处理（格式转换、特征提取）。DIKWP框架的数据层在此发挥作用，将感知到的底层数据赋予初步语义标签。

知识语义层：将处理后的信息映射到教育知识图谱与语义向量空间中。一方面利用语义数学理论对关键信息进行语义符号标记，定位到相应概念节点；另一方面调用预训练大模型将内容编码为向量表征，实现概念空间与语义空间双向链接。例如，学生的一道错题对应知识图谱上的概念“二次函数”，系统据此在语义空间中召回相关习题和讲解资源。

智慧决策层：根据知识层提取的结构化知识与语义embedding，进行认知推理与教学决策。这里引入DIKWP模型的智慧层，综合各知识点、学生当前掌握程度（信息层输出）与教学目标（意图层输入），通过规则推理+深度学习推荐生成个性化教学方案。比如系统判断学生对“二次函数”概念掌握不足，智慧层将决策推荐相应难度的补充练习和讲解视频。

意图引擎层：这是DIKWP框架的核心特色。我们设计教师/学生意图接口，实时获取教学目标和学生学习意愿，注入AI决策流程。意图层确保系统的所有决策以教育目的为导向，如“夯实学生薄弱知识点”或“培养自主学习能力”。该层还监控AI行为是否偏离预期目的，一旦检测到异常输出（例如与教学无关的内容），可触发语义防火墙进行纠正。意图引擎使AI的行为始终符合人类教师的教学意图和价值观。

交互反馈层：系统将决策层产出的教学方案通过自然语言或多媒体形式反馈给学生和教师，实现人机互动。学生的疑问、反馈再次作为数据输入，闭环循环。在这个过程中，我们利用人工意识白盒测评机制，对AI每轮交互的认知表现进行评估记录（如是否正确理解问题、推理步骤是否合理等），以可视化仪表盘形式呈现给教师。这相当于一个AI认知体检报告，帮助人类了解AI助教的思考过程和可靠性。

整个架构遵循XaaS（Everything as a Service）理念，各模块通过标准接口提供服务。例如，“知识语义层”作为知识图谱服务和语义检索服务供其它应用调用；“智慧决策层”可以作为教育推荐引擎服务独立部署。这种设计方便我们在教育之外，将部分服务快速迁移到政务咨询、智能客服等领域，实现“一套架构，多场景复用”。

(架构图：由于文本限制，此处应有系统架构示意图，包括数据输入、概念/语义处理、DIKWP五层模块、白盒监测接口、人机交互等。)

本项目的主要应用场景是智慧教育。具体服务形态包括：

智能辅导教师：系统可作为教师的AI助手，对学生学习过程进行认知分析。例如自动批改作业并诊断知识薄弱点、提供针对性的辅导建议。通过概念-语义映射，AI能够理解学生错误答案背后的概念误解，而非仅判断对错，从而给出有针对性的讲解，提升辅导效果。

个性化学习助手：面向学生，提供全天候的智能答疑与学习规划服务。学生可用自然语言向系统提问，AI经过DIKWP认知推理后，以人性化对话形式解答难题，并能根据学生历史学习数据，推荐定制化的练习和资料，构建因材施教的自适应学习路径。例如系统发现学生偏好图形化讲解，则优先推送AR/VR交互课件，增强学习体验。

教学管理决策支持：针对学校和教育管理者，平台可汇总分析群体学生的认知测评数据，形成教学质量报告。通过人工意识白盒评估的结果，我们可以客观量化AI助教在不同班级、不同知识模块上的有效性。这为教育主管部门优化教学方案提供科学依据。例如某AI题库在“函数应用”模块测评得分偏低，则提示需改进相应算法或内容。

服务价值体现在多个方面：

提高学习效率：AI助手可以24小时响应学生提问，个性化推荐学习资源，帮助学生用更少时间掌握知识要点。教师也可节省批改和备课时间，将精力投入更高价值的教学创设。

认知增强：系统独特的概念语义交互让学生在学习中获得“元认知”引导——不仅知道对错，还能理解背后的思维过程。这样的反馈有助于培养学生的高阶思维和自我反思能力。

因材施教和教育公平：通过对白盒评测数据的分析，AI可针对不同学习背景的学生调整教学策略，实现真正的个性化教育。同时，偏远或师资薄弱地区的学生也能通过本系统享受优质智能教育资源，缩小教育鸿沟。

可解释可信：与传统黑箱AI不同，我们的平台可实时监测AI决策逻辑，产生可解释的建议。家长和教师能够看到AI助教的“思路”，增强对其决策的信任。这种透明度在政府决策和医疗等关乎人命的场景同样具有价值，可提高AI应用的社会接受度。

总之，在智能教育场景下，本项目实现了概念理解、更精准服务和结果可控的有机统一，预期将显著提升教学质量和学习体验。同时，其成功经验还能推广到其它公共服务领域，实现更大的社会价值。

本项目融合多项自主创新，具有明显的技术差异化优势：

1. 概念空间-语义空间交互模式：不同于传统教育AI仅依赖神经网络隐层表示，我们引入显式的概念空间（知识图谱、本体语义）与隐式语义空间（深度模型向量）协同工作。这种交互模式使AI既有符号推理能力又有感知学习能力，兼顾准确性与灵活性。概念空间提供了人类可理解的知识脉络，语义空间则带来对复杂模式的泛化能力，两者交互能相互校验，降低幻觉和错误。

2. DIKWP意图驱动架构：将“目的”层显式融入AI决策流是重大突破。我们的系统能够围绕预定教学目标不断自我调整，使AI真正成为“以人为师”的助手而非偏离教学意图的工具。例如，当检测到学生提问超出课程范围时，意图层会驱动AI将回答引导回学习目标上，确保教学聚焦。这一架构还使AI系统具备初步的自我反思能力，可以监控自身输出是否符合人类期望，实现闭环的元认知。

3. 人工意识白盒可测评机制：我们率先在教育AI中引入白盒测评标准，为AI的认知过程建立可量化的评价体系。通过细分的五大模块测评，系统可以发现自身在哪些环节存在薄弱（如知识推理不足或意图识别不准确），从而有针对性地优化模型。这种类似“认知CT扫描”的能力是市面上其他教学产品所不具备的，将AI系统的调优从经验驱动转向数据驱动。此外，白盒评估报告也增加了用户对AI行为的理解度和信心，形成正向反馈：AI变得更透明、可信，其建议更容易被教师接受。

4. XaaS模块化架构：我们的平台采用云原生设计，核心功能通过微服务/API对外提供。这意味着系统的可扩展性和复用性极强。教育场景中验证成功的认知问答服务、知识图谱服务、意图监控服务等，都可直接作为模块迁移到例如政府智能决策（提供政策咨询问答）、医疗问诊（辅助医生诊断）或者企业客服（智能客服机器人）等场景，形成一套技术，多元应用的格局。在比赛之外，这也有利于商业拓展，降低开发成本并加速落地。

5. 数据隐私与安全：在创新的同时，我们非常注重安全合规。系统内置了数据脱敏、访问控制机制，并利用语义数学方法实现对模型生成内容的语义过滤和对抗攻击防护。尤其针对教育场景涉及未成年人隐私，我们采用本地部署+联邦学习方案，在学校本地服务器运行主要服务，敏感学生数据不出校区，仅模型更新参数在云端聚合，确保符合相关法律法规。我们的核心技术也都有自主知识产权（部分已申请国家发明专利），为后续大规模部署提供了合法合规保障。

综上，本项目在理论和工程上都有显著创新，解决了当前智能教育产品中知识孤岛、决策不透明、难以规模适配等瓶颈问题。其技术优势将帮助我们在本次挑战赛中脱颖而出。

目前，项目已经完成核心算法原型和初步验证，具备良好的落地可行性：

原型系统开发：我们构建了一个教学问答原型系统。在世界人工意识协会支持下，团队拟利用小型对话大模型（约20亿参数）微调教育问答语料，并结合自研知识图谱，实现基本的概念语义双通道问答功能。原型系统可以针对高中数学课程内容进行提问回答，并给出解题思路解析。经初步测试，其回答正确率和可解释性较普通聊天模型有明显提升，印证了DIKWP概念语义交互模式的有效性。

白盒测评实验：我们设计了50道DIKWP评测题对原型系统进行测试，包括数据理解、知识推理、意图对齐等方面。结果显示，AI在数据->信息和知识->推理维度得分较高，对学生问题理解精准，但在智慧决策和意图调整维度还有提升空间（如有时给出的学习建议不够贴合个体需求）。这些测评为下一步改进提供了明确指引，也是我们验证可测评机制的重要里程碑。

示范课程试点：团队与中学合作，选取了一个高一数学班作为试点场景。在征得师生同意和数据安全保障下，我们部署了原型系统的局域网版本，辅助教师出题和批改作业。经过两周试运行，系统自动批改选择题的准确率达到92%，解答主观题时提供的解析步骤获得数学老师的认可。多名学生反馈，使用AI助手讲解错题后对概念的理解“更加透彻”。这说明我们的方案在真实教学环境中具有实用价值。

多源数据集成：除了文本问答，我们已着手整合多模态教育数据。目前实现了对课堂视频的简单分析（识别学生打瞌睡等行为）以及对手写作业的图像识别录入。这为后续扩充“学习认知状态感知”功能奠定基础。一旦多模态数据融入，系统将更全面地了解学习者状态，提供更精准的服务。

凭借上述进展，我们对项目落地充满信心。接下来，通过挑战赛平台的资源支持与业界专家指导，我们计划进一步打磨模型和系统性能，逐步扩大试点范围，朝着产品化迈进。

本项目由海南大学段玉聪教授指导的学生团队承担，团队成员结构合理、分工明确：

段玉聪 – 指导教授：项目总顾问及架构师。【角色】提供DIKWP模型、语义数学等理论指导，把关项目方向与技术路线。段教授还负责对接校方资源、联系教育场景试点和项目宣讲推广。

项目负责人（学生A，硕士研究生） – 团队长兼算法工程师。【角色】统筹项目开发进度，负责DIKWP模型在系统中的实现和白盒评测方案设计。具备机器学习和知识图谱开发经验，带领算法小组攻克核心技术难点。

学生B（本科生） – 自然语言处理工程师。【角色】负责语义空间构建，包括大语言模型微调、问答对话系统开发等。在原型问答系统研发中做出了主要贡献。

学生C（博士研究生） – 知识工程师。【角色】构建教育领域本体和知识图谱，实现概念空间建模，设计概念与语义映射算法。负责保证AI推荐与教学大纲、知识点严格对齐。

学生D（硕士研究生） – 全栈开发工程师。【角色】负责平台的前后端集成开发，包括教师端监控界面、学生端APP的界面设计和交互功能开发。保障系统易用性和美观度。

学生E（本科生） – 数据与运维工程师。【角色】负责收集清洗教学数据、维护训练数据集，并搭建模型训练及部署的服务器环境。确保系统在试点学校稳定运行，数据安全可靠。

学生F（本科生） – 市场与应用调研。【角色】非技术岗，主要进行教育市场需求调研、竞品分析，整理用户反馈，协助打磨应用模式和宣传材料。在本次大赛的路演答辩环节也将负责阐述项目应用价值。

团队各司其职又紧密协作。我们定期召开协调会，由负责人汇总进展，教授答疑指导，保证研发与应用节奏一致推进。此外，我们还邀请教育学专业的研究生作为顾问参与需求讨论，确保技术方案符合教学规律。这样的团队配置为项目成功实施提供了有力支撑。

展望未来，我们制定了清晰的迭代路线图和商业化设想：

短期计划（赛后6个月）：完善核心功能并拓展至更多试点。根据大赛评审反馈和试点学校意见，优化算法参数，提升问答准确率与测评稳定性。完成多模态学习状态感知模块开发，让系统对学生专注度、情绪有初步识别能力。我们计划在3所不同类型学校部署试用，包括一所城市重点中学和一所偏远地区中学，以检验系统在不同教学环境的效果。在技术层面，将与教育主管部门和高校心理研究团队合作，引入更多专业知识完善AI的教学策略。

中期计划（1~2年）：推出商业化产品“EduCognize”（暂定名）。在积累足够试用数据和案例后，我们将优化系统易用性，开发教师培训教程，通过学校合作或教育软件渠道正式推广产品。商业模式上，可采取SaaS订阅与私有部署并行：普通学校按年订阅云端服务使用，数据安全要求高的单位选择本地化部署版本。与此同时，我们将寻求教育领域投资，组建初创公司，专职推进产品落地与市场拓展。

长期设想（3~5年）：构建“软件定义教育”生态。我们的愿景是基于本项目的技术架构，形成一套面向各行业的智能服务解决方案库。例如扩展出“智能政务认知平台”（辅助政策解读与公众咨询）、“医疗语义助手”（协助医生病情分析，提供白盒诊断建议）等，逐步实现XaaS架构下万物智能互联。商业上，将通过与教育集团合作、政府采购等方式，深入教学场景; 并积极申请参与国家新一代AI示范项目，争取政策与资金支持。我们也考虑开放部分非敏感接口，吸引第三方开发者共建生态，以平台化运营扩大影响力。

在盈利模式上，除了软件订阅，我们会探索增值服务：例如为学校提供定制知识图谱构建、教师培训；为政府提供专项数据分析报告等。另外，经过实际验证成熟的白盒测评标准，还可推广成为行业标准，为AI系统测试认证服务收费。

总而言之，本项目融合认知增强与服务支撑能力，结合人工意识白盒可测评机制，在智能教育场景中打造出创新应用范式。我们相信，在挑战赛的平台上展示这一成果，不仅能争取优异成绩，更将推动人工智能与教育深度融合，示范“从概念空间到语义空间”赋能智慧社会的无限可能！

参考来源：

全国人工智能应用场景创新挑战赛组委会，《“开放场景”专项赛名录》，2025

凤凰网，《段玉聪教授：DIKWP人工意识模型引领AI未来…》，2025

科技日报，《大语言模型意识水平“识商”白盒DIKWP测评2025报告发布》，2025