跨越知识边界：融合TRIZ与DIKWP模型的方法论探索

段玉聪（Yucong Duan）

DIKWP-AC人工意识实验室

AGI-AIGC-GPT评测DIKWP（全球）实验室

DIKWP research group, 海南大学

duanyucong@hotmail.com

摘要：本研究旨在探讨传统的技术问题解决方法——TRIZ方法论，在现代信息管理的DIKWP模型框架下的新应用。通过深入分析TRIZ与DIKWP各层次的关系，本文提出了一个综合模型，用以指导从数据收集到实现创新目标的全过程。此方法论的新视角不仅提升了TRIZ在信息时代的适应性和应用深度，同时也促进了从理论到实践的转化效率。

关键词：TRIZ、DIKWP模型、方法论融合、系统创新、信息管理

1. 引言在面对日益复杂的技术挑战时，创新与问题解决的方法论成为了引领成功的关键。TRIZ方法论，作为一种经典的创新理论，已被证明在多种工程问题中具有显著的效果。然而，随着信息技术的发展，传统的TRIZ需要与时俱进，适应信息化背景下的问题解决环境。DIKWP模型为信息的层级处理提供了一个全面的理论框架。本文将通过整合TRIZ方法论与DIKWP模型，构建一个新的方法论框架，以适应当前和未来的技术创新需求。

2. TRIZ方法论基础TRIZ方法论是由苏联科学家Genrich Altshuller提出的，其核心思想是将问题解决过程标准化，形成一套系统化的工具和方法。TRIZ中的核心概念，包括矛盾矩阵、40种发明原理、技术系统的演化规律等，旨在指导创新者超越传统思维的局限，找到问题的根源，并提出创新的解决方案。

3. DIKWP模型概述DIKWP模型由数据、信息、知识、智慧和目的五个层次组成，反映了信息从原始形态到最终决策的转化过程。该模型在管理学和信息科学中被广泛应用，尤其是在知识管理和决策支持系统的设计中发挥着重要作用。

4. 传统TRIZ与DIKWP的映射

4.1 数据与TRIZ TRIZ中的技术问题识别阶段与DIKWP中的数据层相映射，关注于收集相关的技术参数、性能数据等基础信息。

4.2 信息与TRIZ 将TRIZ的问题和技术矛盾转换为结构化的信息，这个过程类似于DIKWP中信息层的角色，涉及数据的加工、分类和解释。

4.3 知识与TRIZ TRIZ的解决方案和创新原理构成了知识层，与DIKWP中的知识层相对应，代表了对问题深层次理解和解决方法的知识积累。

4.4 智慧与TRIZ 在TRIZ框架内，选择合适的解决方案需要智慧，这与DIKWP中智慧层的决策制定直接相关。

4.5 目的与TRIZ TRIZ的创新目标与DIKWP模型中的目的层相吻合，强调了整个创新过程的驱动力和终极目标。

5. TRIZ方法论的优化与DIKWP框架的整合

5.1 数据到信息的优化转换 在TRIZ框架下对数据进行精确分析，确保信息层能准确反映问题的实际状态。

5.2 信息到知识的强化转化 通过TRIZ工具加强信息层到知识层的转化，利用DIKWP框架整合不同信息源，提高解决方案的深度。

5.3 知识的智慧化运用 强调知识到智慧层的转化，TRIZ方法论在这一过程中体现了原则和策略选择的重要性。

5.4 目的的明确化和指导作用 明确DIKWP和TRIZ共同强调的目的层，指导创新工具和原则的选择，确保效率和方向性。

6. 应用案例结合案例分析，展示如何通过DIKWP模型中的每个层次来应用TRIZ方法论，解决例如汽车引擎热效率的实际技术问题。

7. 结论本文提出的TRIZ与DIKWP模型的整合方法论，展示了在信息化时代下，如何更高效地处理数据、信息、知识、智慧和目的，并增强技术创新的能力。此方法论的跨学科融合，不仅对技术创新实践具有重要指导意义，也为理论发展和应用提供了新的视角

Altshuller, G. (1984). Creativity as an Exact Science. New York: Gordon & Breach. Rowley, J. (2007). The wisdom hierarchy: representations of the DIKW hierarchy. Journal of Information Science. Savransky, S. D. (2000). Engineering of Creativity: Introduction to TRIZ Methodology of Inventive Problem Solving. Zlotin, B., & Zusman, A. (2001). Directed Evolution: Philosophy, Theory and Practice.

TRIZ 是俄语 "Теория решения изобретательских задач" 的缩写，英文全称为 "Theory of Inventive Problem Solving"。这是一种解决复杂问题和创新设计挑战的方法论，最初由苏联发明家和科学家 Genrich Altshuller 及其同事在 1946 年开发，并且自那时起不断发展和完善。

TRIZ 基于这样的理念：创造性问题解决的规律是普遍适用的，而且这些规律可以通过分析大量的发明专利来识别。TRIZ 的目的是帮助解决问题的人预测技术系统的发展方向，并找到创新解决方案，从而突破传统的思维方式和技术障碍。

TRIZ 方法论包括多种工具和概念，其中包括：

1. 问题分析工具：

• 功能分析：识别系统中的所有组件以及它们之间的关系。

• 问题形式化：将实际问题转换为标准问题。

2. 解决问题的原则和模式：

• 发明原理：用于生成解决问题的创新思路的40种普遍原理。

• 矛盾矩阵：用于解决发明问题中的技术矛盾，通过将问题描述转换为标准参数并使用预先定义的解决方案。

• 物质-场分析：使用物质和场的概念来改进系统或解决问题。

3. 创新过程：

• ARIZ（Algorithm for Inventive Problem Solving）：一种结构化的问题解决过程，旨在系统化地引导用户从问题的描述转向解决方案的创造。

4. 预测工具：

• 技术系统发展的规律：描述了系统随着时间的发展所遵循的一般规律和趋势。

• S-曲线分析：评估技术系统的成熟度和潜在的发展空间。

TRIZ 被广泛应用于产品设计、工程、问题解决等领域。它鼓励创新者超越现有知识的边界，通过新颖的途径解决问题。TRIZ 的一个核心概念是，创新常常涉及解决系统中的矛盾，即所谓的技术矛盾和物理矛盾。技术矛盾是指系统的某些部分需要进行某种改进，但这种改进可能会损害系统的其他部分。物理矛盾是指同一部件或特性在不同条件下需要有不同的状态。

TRIZ 方法论的优势在于它提供了一种系统化的创新过程，这一过程通过分析和应用以前解决类似问题的方法，有助于加速和指导创新活动。尽管它最初是为了解决工程和技术问题而开发的，但TRIZ 的原则和工具已被应用于商业、管理和社会科学等其他领域。

段玉聪，海南大学计算机科学与技术学院教授，博士生导师， 第一批入选海南省南海名家计划、海南省领军人才，2006年毕业于中国科学院软件研究所，先后在清华大学、首都医科大学、韩国浦项工科大学、法国国家科学院、捷克布拉格查理大学、意大利米兰比克卡大学、美国密苏里州立大学等工作与访学。现任海南大学计算机科学与技术学院学术委员会委员、海南大学数据、信息、知识、智慧、意图DIKWP创新团队负责人、兼重庆警察学院特聘研究员、海南省委双百人才团队负责人、海南省发明协会副会长、海南省知识产权协会副会长、海南省低碳经济发展促进会副会长、海南省农产品加工企业协会副会长、美国中密西根大学客座研究员及意大利摩德纳大学的博士指导委员会委员等职务。自2012年作为D类人才引进海南大学以来，累计发表论文260余篇，SCI收录120余次，ESI高被引11篇,引用统计超过4300次。面向多行业、多领域设计了241件（含15件PCT发明专利）系列化中国国家及国际发明专利，已获授权第1发明人中国国家发明专利及国际发明专利共85件。2020年获吴文俊人工智能技术发明三等奖；2021年作为程序委员会主席独立发起首届国际数据、信息、知识与智慧大会-IEEE DIKW 2021；2022年担任IEEE DIKW 2022大会指导委员会主席；2023年担任IEEE DIKW 2023大会主席；2022年获评海南省最美科技工作者（并被推全国）；2022年与2023年连续入选美国斯坦福大学发布的全球前2%顶尖科学家的“终身科学影响力排行榜”榜单。参与研制IEEE金融知识图谱国际标准2项、行业知识图谱标准4项。2023年发起并共同举办首届世界人工意识大会（Artificial Consciousness 2023, AC2023)。

• 数据（Data）可以理解为我们认知的“相同”语义的具象表示。数据通常表示一种具体化的事实或观察结果，其背后蕴含着某种特定的语义。在处理数据时，我们常常会寻找并抽取相同的语义，将其统一视为一个概念。例如，我们看到一群羊，虽然每只羊的体型、颜色、性别等可能有所不同，但我们会把它们归为“羊”的概念，因为它们共享了我们对“羊”这个概念的语义理解。
  

• 
  信息（Information）则是对应认知中的“不同”语义的表达。信息通常指我们通过感官和观察获得的有关环境或某个对象的知识或数据。在处理信息时，我们会根据输入的数据找出其内在的不同之处，并将其分类。例如，在停车场中，尽管所有汽车都可以归类到“汽车”这一概念，但每一辆汽车都有其特殊性，如品牌、型号、颜色等，这些都是信息。
  
  知识（Knowledge）对应于认知中的“完整”语义。知识是我们通过信息获得的对于世界的理解和解释。在处理知识时，我们会通过观察和学习抽象出完整的概念或模式。例如，通过观察我们得知所有的天鹅都是白色，这是我们通过收集大量信息后得出的关于“天鹅”这一概念的一个完整认识。
  
  智慧（Wisdom）对应着伦理、社会道德、人性等方面的信息，是一种对知识和信息的高度理解、综合和应用。在处理智慧时，我们会整合这些信息，并运用它们来指导决策。例如，当面对一个决策问题时，我们会考虑到伦理、道德、可行性等各个方面的因素，而不仅仅是技术或者效率。
  
  意图（Purpose）可以理解为一个二元组（输入，输出），其中输入和输出都是DIKWP内容。意图代表了我们对某一现象或问题的理解（输入）以及我们希望通过处理和解决该现象或问题来达到的目标（输出）。在处理意图时，人工智能系统会根据其预设的目标（输出），处理输入的DIKWP内容，通过学习和适应，使其输出趋近于预设的目标。