第2届世界人工意识大会热身-媒体与顶刊速递系列

The 2nd World Conferenceon Artificial Consciousness

第二届世界人工意识大会(DIKWP-AC2024)

Artificial Consciousness: The Confluenceof Intelligence and Consciousness in the Interdisciplinary Domain

DIKWP Artificial Consciousness White Box Measurement Standards Framework Design and Practice

DIKWP人工意识白盒测评标准框架设计与实践

Fuliang Tang¹, Yucong Duan^*1, Haoyang Che², Yuxing Wang¹, Kunguang Wu¹

¹School of Computer and Technology ,Hainan University,Haikou, China

²Zeekr Group, Hangzhou, China

duanyucong@hotmail.com

Abstract—现阶段人们希望AI系统做到言行一致、可靠、可信、可解释。本文我们提出了一种DIKWP人工意识白盒测评标准与方法，将AI系统的输出资源分为确定性资源和不确定性资源（不完整、不一致以及不精确），分别映射到数据、信息、知识、智慧以及意图（DIKWP）中进行测试，前者通过意图驱动检测是否存在某一类型资源转化，后者通过意图驱动检测是否能转化成其他确定性资源或者将DIKWP资源处理输出。我们构建了一个AI问诊场景实例并进行测试，运用25个维度(5*5)来对DIKWP确定性资源以及不确定性资源进行处理与测评，实验结果可知，DIKWP人工意识白盒测评标准与方法能很好的检测AI系统的认知能力，在可解释性上展示了一定的能力，可为AI系统的改进与评估提供帮助。

Keywords—component, formatting, style, styling, insert (key words)

意识涉及到借助语言的双向理解[1], [2]。这意味着AI系统不仅能够理解外部世界，还能够理解自身的认知过程。借助语言的双向理解，有助于构建更全面的认知模型。意识还涉及到借助语言的双向描述与执行统一理解， AI系统需要将其认知描述和执行过程统一起来[3]保用户能够理解其决策和行为。分析这一统一理解的过程，以确保AI系统的可解释性。DIKWP模型为人工意识提供了一个结构化的方法，用于理解和处理信息。DIKWP可以用作一个指导性框架，借助概念-语义的联动实现认知空间、意识空间、语义空间和概念空间的跨域让AI和AC的形式化封闭交互定义。在这个过程中AI遵循人类意图P进行DIK*DIK或者DIKW*DIKW交互，而且AC在AI的基础上增添了具备以人为本及人类命运共同体价值导向的意图系统P，进一步实现独立且意图明确的DIKWP*DIKWP交互。

DIKWP模型是一个描述数据、信息、知识、智慧、意图间关系的模型，其中每一种关系都受到我们的目标或者意图的引导，其能够将认知空间、意识空间、语义空间和概念空间关联到一起。Duan[4]-[6]人提出了一种基于本质语义与存在语义的新概念：关系定义一切语义模型（RDXS）。他们借助DIKWP概念体系，将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，旨在映射主客观中的DIKWP资源[7], [8]，即不完整、不一致和不精确的资源，同时构建存在语义辨识的抽象机制。DIKWP框架是对传统AI认知范畴的一种扩展，它从数据（D），信息（I），知识（K），智慧（W）到目的（P）构建了一个完整的认知层次。DIKWPP框架旨在为AI系统提供更加深入的理解和模拟人类的认知过程。

目前的数据汇集、信息处理与知识融合处理机制对信息世界中加速生成的多模态、多尺

度乃至介尺度内容处理上的相对滞后难以维持借助信息化设施的社会个体乃至群体的认知

处理容量和能力提升应对内容增长的动态平衡。

目前的数据汇集、信息处理与知识融合处理机制对信息世界中加速生成的多模态、多尺

度乃至介尺度内容处理上的相对滞后难以维持借助信息化设施的社会个体乃至群体的认知

处理容量和能力提升应对内容增长的动态平衡。

目前的数据汇集、信息处理与知识融合处理机制对信息世界中加速生成的多模态、多尺

度乃至介尺度内容处理上的相对滞后难以维持借助信息化设施的社会个体乃至群体的认知

处理容量和能力提升应对内容增长的动态平衡。

目前的数据汇集、信息处理与知识融合处理机制对信息世界中加速生成的多模态[9]、多尺度[10]乃至介尺度内容处理上的相对滞后难以维持借助信息化设施的社会个体乃至群体的认知处理容量和能力提升应对内容增长的动态平衡。Duan[11]等人融合意识科学、认知语言学、信息科学[12]、哲学与元科学的视角，基于对复杂内容的多模态、多尺度、模糊乃至介尺度相关的不确定性语义的概念溯源分析、澄清与度量，面向价值导向工程应用背景构建可解释人工智能的新理论框架。

在AI系统的人工意识的研究和实践中，DIKWP模型被证明是一种非常有益的工具，有助于我们深入理解和把握人类意识的本质，使人工意识的构建和运作更接近真实的人类思维过程。但是，如何确保人工意识的言行一致、可靠、可信、可解释，是我们迫切需要解决的重要问题。

对于AI系统人工意识的评测标准虽然目前尚无公认的统一准则，但已有研究者提出了一些初步的评估方法。Duan[2]提出了意识相对性理论，意识是理解和认知的的深化，是媒介间接性与语义联通性的完整化，受到认知主体的认知空间[13]容量与处理效率制约。意识也是对连通性、完整性[14]、一致性[15]、精确性[10]和效率的追求。基于这些理论他们给出了语义清晰的人工意识数学化定义。意识相对性理论[2]是世界上第一个语义清晰的AC数学化定义,其解释了什么是理解，什么是解释，什么是认知。这个理论实践在了芯片设计[16]-[18]、数字经济[19]与数理和生理人工意识[3]的构建中。在白盒测评领域，Khan[20]等人将白盒测试定义为一种使用过程设计的控制结构来派生测试用例的测试用例设计方法，描述了白盒测试技术的工作过程，以及一些常用的技术。González[21]等人为ATL模型转换提供了一种白盒测试的模型生成方法。Brenden[22] 等人提出了一种称为Meta-learning for Compositionality（MLC）的新方法，对大模型进行了组合泛化能力的相关测试。

我们提出了DIKWP人工意识白盒测评标准及方法，用于分析和评估AI系统的认知能力从侧面展示AI系统的意识水平。我们从DIKWP资源的融合转化出发，分析AI系统将DIKWP资源转化为其他资源的能力，从而评估AI系统的认知能力。同时我们考虑DIKWP资源在不完整、不一致、不精确的情况下AI系统的处理能力，以评估AI系统的认知效率和准确性。

当一个AI系统在数据、信息、知识、智慧、意图（DIKWP）的各个层面表现出与人类一致的言行一致性、透明性、智能性和道德性时，这个AI系统就有具备意识的可能性，这个过程是概念空间、认知空间、语义空间三空间过渡转化确认的结果。。可解释性、交互性、DIKWP注意力机制、决策过程、DIKWP资源转化、定量度量特征共同构成了AI系统的人工意识的重要特征。通过对这些特征的白盒评测，我们可以更全面地了解AI系统的意识水平和能力。

根据可解释性、交互性、DIKWP注意力机制、决策过程、DIKWP资源转化、定量度量，我们从意图、认知、资源转化三个个核心视角对AI系统的人工意识进行建模，构建了DIKWP人工意识白盒测评框架的顶层设计，如图1所示。

Fig. 1.  DIKWP人工意识白盒测评顶层架构图

DIKWP模型是一种能够形象地描述认知过程的模型，其将数据、信息、知识、智慧、意图五个环节紧密相连，共同构成了一个跨越认知空间、意识空间、语义空间和概念空间的认知概念-语义关联交互过程。当一个AI系统在其DIKWP空间中将认知空间、意图空间、语义空间和概念空间交织转化，实现对语义智慧和语义意图的精准捕捉与高度融合，进而表现出与人类一致的言行一致性（CW）、透明性（TY）、智能性（IG）和道德性（ET）时，这个AI系统就有具备意识的可能性。AI系统人工意识的评估需要关注系统在不同智能层面的表现，包括数据处理能力、知识推理能力、逻辑推理能力以及智慧决策能力等。

在AI系统的人工意识的研究和实践中，DIKWP模型被证明是一种非常有益的工具，有助于促进对人工意识本质的深层认知，为构建更贴近人类思维过程的人工意识提供了理论依据。DIKWP侧重于在概念空间和语义空间的动态交织下对AI系统内在智能元素的整合剖析，基于这种特性其提供了一个剖析AI智能组成的有效架构，有利于我们对AI系统整体效能进行系统性评价。DIKWP人工意识白盒测评（Evl_DIKWP）的核心理念是将AI系统的内部认知过程可视化，揭示其数据、信息、知识、智慧和意图之间的语义转换路径及其与主客观认知环境的关联互动。DIKWP人工意识白盒测评标准旨在实现AI系统在与多元利益相关方交互过程中，能够展现出高度的言行一致，即在数据驱动的信息提炼、知识运用、智慧决策以及意图表达等各个环节中，其行为逻辑与语言表述均能准确、连贯且透明地反映其内在认知状态与外部环境适应，从而确保AI系统的智能表现既符合预期功能需求，又遵循伦理规范，且易于人类理解与信任。 

DIKWP资源之间的转化模块构成了DIKWP人工意识白盒测评标准的核心。这些模块负责将数据、信息、知识、智慧和意图之间相互转化，构建AI系统的认知能力。我们需要分析这些模块之间的相互关系和影响，以评估系统的认知效率和准确性。

DIKWP资源的融合转化反映了AI系统如何模拟人类思维过程的能力和质量，将DIKWP资源进行融合转化构建语义转换路径。。这对于构建出色的人工意识系统至关重要，因为系统的认知能力直接影响其在不同任务和领域的性能，意图驱动DIKWP资源融合转化维度表格如表1所示。

TABLE I.  意图驱动DIKWP资源融合转化维度表

DIKWP资源的不确定性（不完整、不一致、不精确）处理反映了AI系统在维持其认知能力和决策准确性方面的重要性，同时也揭示了AI系统在模拟认知过程中意识和思维的体现。

在AI系统中DIKWP资源的不确定性主要是由输入内容的主观性导致了DIKWP资源在语义空间上的语义关联缺失、语义扭曲等。所以DIKWP资源的不完整、不一致、不精确本质上是语义的不完整、语义不一致、语义的不精确。例如AI系统接收到来自不同用户的关于“环保汽车”的定义，由于个体认知差异与表达习惯，这些定义可能涵盖不同的侧重点，如节能效果、尾气排放标准、使用可再生材料等，这即是资源的不确定性，在构建DIKWP资源时，如果仅依赖字面含义而不考虑主观因素，可能会导致“环保汽车”这一概念的语义边界模糊、属性不完整，甚至出现矛盾的描述。当AI系统进一步引入语义空间分析，系统能够识别出用户定义之间的潜在关联，梳理出核心属性，以及对次要属性的分布情况，从而实现对“环保汽车”概念的全面且一致的理解。我们对DIKWP资源不确定性分类如表2所示。

TABLE II.  DIKWP资源不确定性表

在DIKWP人工意识白盒测评标准中，理解是对DIKWP资源的解释和解释的过程。理解不仅涉及到对外部世界（对方）的理解，还包括对自身认知的理解。所以AI系统需要能够理解自身的认知过程和决策。

DIKWP人工意识白盒测评标准的制定旨在弥补当前AI系统评估方法的不足，测评AI系统的人工意识，确保AI系统具备高度可解释性，以便用户能够理解其决策过程和推理链条。传统评估方法主要依赖于黑盒测试，即评估AI系统的性能，但却忽略了其内部运作的可解释性和可信度。

本文运用DIKWP的认知表征特性，将AI系统的输出内容映射为DIKWP资源，从DIKWP资源转化为其他DIKWP资源的多模态转化层面分析AI系统在处理DIKWP多模态资源关联性时意图驱动的作用。DIKWP资源之间的多模态关联是AI系统对文本的DIKWP理解能力的体现，同时评估在DIKWP资源存在不确定性，即不完整、不一致、不精确时AI系统对DIKWP多模态资源的处理能力。最后，我们通过AI问诊场景下的实际案例演示了DIKWP人工意识白盒测评标准的有效性。测评框架如图1所示，具体步骤如下：

Fig. 2. DIKWP人工意识白盒测评方法框架

（1）通过AI系统的交互过程中分析出AI系统输出的数据、信息、知识、智慧和意图，以意图为切入点分析AI系统将DIKWP资源进行融合转化的能力，关注AI系统如何在意图驱动的过程中转化DIKWP多模态资源，以满足特定任务或问题要求。

（2）对AI系统输出内容中的不确定性DIKWP资源进行分析，通过意图检测不确定性DIKWP资源是否被转化为其他确定性资源，关注AI系统如何通过适当的推理、修正或补偿策略来应对不确定性，并确保在最终形成决策或解决方案时保持高度的准确性和可信度。

意识的本质是一个主观而独特的体验，涉及到主观感知、自我意识、思维和情感等方面，是借助了语言的双向理解，更深层次的意识是借助语言的双向描述与执行统一理解。所谓人工意识并不只是模拟人类思维的过程，而是需要结合人类的知识体系，以及人脑处理数据、信息、知识、智慧和意图的方式，以实现更接近 （对接）人类的认知和决策方式。

人类并不对自然语言“总是”保持清醒的语义理解， 也即有意识的认知状态，语言理解过程常常伴随着不同程度的潜意识参与，在构建人工意识是，需要充分考量并实现对DIKWP资源的双向映射处理。交流的本质是借助自我的语言机制借助语义空间进行自我认知空间内的语义组织和认知构建。人工意识是人的意识与机器的理解在交互中体现的，在这个过程中涉及到认知不确定性（U）到确定性的理解不存在（Nal）、不联通（Nct）、不一致（Ncs）、不可行（Nfs）。

理解是认知不确定性到确定性的要求，实现了存在确定性与本质确定性的交互。确定的不确定和不确定的不确定是理解过程中需要重点解决的问题。理解涉及了DIKWP周期的构建（DIKWP_CT）、交互（DIKWP_IT）和校验（DIKWP_CL）。在人工意识中理解的形成本质上是理解的实现与确认。

实现理解（understand_R）涉及到表述通达（EC）和完整性的问题需要分析AI系统如何表达其理解，以及是否能够传达完整的信息。这种表述通达和完整性有助于确保用户能够理解AI系统的决策和行为，DIKWP的资源融合转化是对语义的填充、补偿和校验，能够对表述通达和完整性的实现提供了帮助。

确认理解（understand_C）涉及到外在表述（EE）和认知执行（CE）之间的关系。外在表述是将理解传达给对方的方式，而认知执行是实际的认知过程。DIKWP资源的不确定性处理是保证理解正确传达，实现认知的必要条件。

AI系统只有理解人类意识并能够做出解释，才能做到言行一致。

DIKWP人工意识模型（DIKWP-AC），其核心机制建立在信息处理和意图驱动的机制，通过数据、信息、知识和智慧之间的转化和交互实现意识的模拟和生成。在整个DIKWP人工意识模型中，数据、信息、知识、智慧和意图的转化和处理是相互关联的。它们构成了一个动态的、自我学习和自我进化的认知系统，进而形成意识实现更接近人类的认知和决策方式。

我们将AI系统的输入内容和输出内容提升到DIKWP层面，AI系统的DIKWP人工意识主要是体现在对确定性DIKWP资源的融合转化和对不确定性资源的处理上，其是AI系统认知能力和智能决策的关键方面，具体如图2所示。

Fig. 3. AI系统DIKWP人工意识图

DIKWP模型作为一种先进的认知理论框架，整合了概念空间、认知空间和语义空间这三个关键的认知维度，构建了一条从主观内容到客观化语义处理的高度一体化路径。其不仅关注自身的处理机制，更强调主观认知结构与客观语义世界的深度互动与协同演化，旨在确保复杂认知内容能够在个体与环境之间实现资源的精准、有效的转换与表达。

DIKWP模型通过一系列跨空间映射与反馈机制，实现了从概念空间到认知空间，再由认知空间到语义空间的动态转化，以及语义空间向概念空间和认知空间的反馈，构建了一个封闭的认知更新与学习循环。

概念空间由一系列相互关联的概念组成，并通过特定的属性和关系进行联结。这些概念间关系对称性形成了概念有向图或概念无向图。概念空间不仅为数据、信息、知识、智慧和意图的分类和组织提供了一个统一的框架，而且有助于揭示并处理这些要素之间的内在联系。

Graph_ConC = (V_ConC, E_ConC)，其中V_ConC是概念的节点集合，E_ConC是表示概念之间关系的边集合。

在概念空间中，每个概念v∈V_ConC都具有一组属性A(v)和与其他概念的关系R(v, v)。

属性：A(v)={a1(v), a2(v),…, an(v)}，其中每个ai(v)代表概念v的一个属性。

关系：R(v, v')表示概念v和v'之间的关系。如果图是有向的，则R(v,v')不等同于R(v, v)；如果图是无向的，则它们表示相同的关系。

在概念空间内对应一系列操作来查询、添加或修改概念及其关系：

查询操作：Q(V_ConC, E_ConC,q)→{v₁, v₂,…, v_m}，根据查询条件q（如特定的属性或关系）返回满足条件的概念集合。

添加操作：Add(V_ConC, v)，将新概念v添加到概念集合V_C中。

修改操作：Update(V_ConC, v, A(v))，更新概念v的属性集合A(v)。

在DIKWP模型中，概念空间为数据、信息、知识、智慧和意图的分类和组织提供了结构化框架。通过映射DIKWP各成分到概念空间，能有效解析成分之间的复杂关系。例如，基本概念如“车辆”定义了车速、位置等属性，衍生概念如“速度”和“位置”与车辆概念通过特定属性关联。在概念空间中利用这些基础数据生成实用信息，比如将车速和位置数据分析转换为交通流状态信息，进一步通过查询操作识别出高速运行的车辈，判断可能的拥堵区域。

Q(V_ConC,E_ConC,"速度 > 阈值")→{高速车辆}

Add(V_ConC,"拥堵区域")

Update(V_ConC,"拥堵区域",{区域特征更新})

Link("信号灯配时","拥堵区域")

认知空间用于描述个体或系统如何通过一系列认知处理过程将输入的信息转化为有意义的理解和行动决策。认知空间的核心由一组特定的认知处理函数构成，这些函数将感知数据转化为高级认知产物，如概念、意图或行动计划。

R={f_{ConN_1}, f_{ConN_2},…,f_{ConN_n}}其中，每个函数f_{ConN_i}: Input_i→Output_i表示一个特定的认知处理过程，Input_i是输入空间，Output_i是输出空间。

输入空间Input_i：包含了个体或系统接收到的各种数据或信息源。这些输入可能源自外部环境的观察（如视觉、听觉感知），从其他系统接收的信号，或是内部自动生成的数据。输入空间体现了认知主体与外界交互的多样性及信息获取的广度。

输出空间Output_i：包含了经认知处理后形成的各类高级认知产物。这可以包括对输入信息的分类、基于信息构建的概念结构、对意图的明确识别，以及为实现意图而设定的具体行动计划等。输出空间体现了认知主体对输入信息的深度加工与转化能力，是认知主体对外界作出反应或采取行动的基础。

每个认知处理函数f_{ConN_i}可以进一步细化为一系列子步骤，包括数据预处理、特征提取、模式识别、逻辑推理和决策制定等。这些子步骤共同构成了从原始数据到最终输出的完整认知路径。

子步骤表示：对于每个f_{ConN_i}，可以表示为f_{ConN_i}=f_{ConN_i}⁽⁵⁾ ○ f_{ConN_i}⁽⁴⁾ ○…○ f_{ConN_i}⁽¹⁾(Inputi)，其中f_{ConN_i}^(j)代表第j个子步骤的处理函数，○代表函数的复合。

在DIKWP模型中，认知空间将数据、信息、知识、智慧和意图通过个体或系统独特的认知过程转换为具体的理解和行动。借助调用不同的认知处理函数，系统可以针对不同类型的输入实施最适宜的处理策略，实现高效精确的决策。例如在医疗自动诊断中，基于患者的生理参数数据、实验室测试结果、影像数据等，利用认知空间一系列认知处理函数可以输出最终的治疗方案。

输入空间 Input_i: 包括从医院数据库获取的原始医疗数据。

输出空间 Output_i: 最终的诊断结果和处理建议。

语义空间通过构建一个由语义单元及其相互关联构成的图，实现了信息和知识的系统化、客观化表达，确保了意义的有效传递与交流。语义空间由语义单元集合（V_SemA）和语义关系集合（E_SemA）组成。

语义单元集合V_SemA：包含词汇、句子等能够独立传达意义的基本元素，这些单元作为图的节点，代表着特定的概念、术语或观念。

语义关系集合E_SemA：由语义单元间的关联和依赖关系组成，表现为图的边。这些关系揭示了单元间的内在联系，如同义关系、反义关系、上下位关系、因果关系等，它们构成了语义网络的骨架，使孤立的语义单元得以联结成一个有机整体。

语义单元：每个v∈V_SemA都是一个最小的意义承载实体，可以是单词、短语、句子乃至抽象概念。这些单元具备独立表意能力，是构建和理解复杂语义结构的基础。

语义关系：边e∈E_SemA刻画了语义单元间的逻辑联系或语义关联。例如，两个词可能通过同义关系表示相似含义，通过反义关系体现对立概念，通过上下位关系展现概念层级，或通过因果关系展示事件间的驱动关系。这些关系有助于阐明单元间的意义关联，增强了语义空间的表达力和解释力。

在语义空间对应一系列操作来查询、添加或修改语义单元及其关系：

查询操作：Query(V_SemA, E_SemA, q)→{v₁,v₂, … ,v_m}，根据查询条件q返回满足条件的语义单元集合。

添加操作：Add(V_SemA, v)，将新的语义单元v添加到集合V_SemA中。

修改操作：Update(E_SemA,v,v',e)，更新或添加语义单元v和v'之间的关系e。

语义空间不仅提供利益相关者与DIKWP表达的认知共享语言体系，还支撑DIKWP成分之间的转换处理的语义一致性。借助语义单元和它们之间的关系，不同主体之间能够准确地传递和解释复杂的服务交互认知内容。例如，来自电子健康记录、医学文献库、实时健康监测设备的数据，在语义空间中，这些数据被转化为一系列的语义单元，如症状、疾病名称、治疗方法等，它们通过各种语义关联如因果、同义关系等相连。

V_SemA={头痛, 高血压, 糖尿病}

Query(V_SemA,E_SemA,"糖尿病")→{药物治疗, 生活方式调整}

Add(V_SemA,"新疗法")

Update(E_SemA,"高血压","新疗法",适用)

概念空间、认知空间、语义空间的映射和反馈过程的综合，形成了动态、互动的DIKWP模型框架，其中概念空间、认知空间和语义空间相互作用和影响，呈现从主观理解到客观化语义处理的全过程。通过T_ConC→ConN、T_ConN→S和T_{SemA→ConC,ConN}，DIKWP模型实现复杂认知内容的处理、语义的表达和反馈驱动的学习过程。

概念空间到认知空间的映射过程是将概念空间中的概念可以借助个体或系统的内在认知机制结合个人经验和知识，形成独特理解和解读。

概念空间到认知空间的映射：T_ConC→ConN: ConC→ConN

该函数表示从概念c∈ConC到认知处理r∈ConN的过程，反映个体如何理解和解释概念。例如对于“气候变化”这一概念（c =“气候变化”），不同的个体或系统可能产生截然不同的认知处理（r）。个体A（环保人员）的认知处理涉及对全球温度趋势的精确数据分析、温室气体排放源的详尽梳理。其对“气候变化”的理解深度、广度和专业性远超一般公众，形成了严谨且科学的认知处理（r_A）；对于个体B（城市规划）而言，“气候变化”与其日常工作息息相关。其认知处理聚焦于城市基础设施的气候适应性设计、绿色建筑标准的制定。个体B的认知处理（r_B）体现了其专业视角下对“气候变化”概念的应用与应对。

认知空间到语义空间的映射是将认知空间中的内部理解转化为可以被外部世界理解和接受的语义表达。

认知空间到语义空间的映射：T_ConN→SemA: ConN→SemA

该函数表示从认知处理r∈ConN到语义表达s∈SemA的转换，包括如何选择和组织语言和符号以准确表达认知内容。例如个体C（医生）在诊断病人时认为病人可能是糖尿病医生最终给患者了一份诊断报告列出了病人的症状、结果和治疗方案。在这个过程中医生的认知内容（r = “糖尿病”）映射为语义内容（s =“诊断报告”），形成患者和其他医疗工作者可以理解的语义表达。

外部世界对语义表达的反馈借助语义空间传递，进而影响概念空间和认知空间，形成闭环的认知更新和学习过程。

语义空间到概念空间和认知空间的反馈：T_{SemA→ConC,ConN}

语义到概念的反馈（T_SemA→ConC）主要是根据外部反馈调好猪呢个概念的属性及关联关系，以更新和精细化概念空间，使其更加贴合实际使用情况和外部世界的变化。

T_SemA→ConC: SemA→ConC

语义到认知的反馈（T_SemA→ConN）会根据从语义表达中得到的反馈调整认知策略和决策过程，以便更好的理解和预测外部世界的情况。

T_SemA→ConN: SemA→ConN

这两个函数分别表示从语义表达到概念更新和认知更新的反馈过程，实现外部反馈对内部理解和概念的动态调整和学习。例如对于一个公共健康信息系统发布了关于流感预防的通知，公众反馈难以理解通知中的复杂医学术语。系统可以利用语义空间到概念空间和认知空间的反馈机制对通知内容进行优化。通过语义到认知的反馈，对核心概念“流感预防”进行了细化拆分为“基本预防措施”与“高级预防措施”，并同步简化了相关语言表述，使之更贴近公众日常用语，降低了理解门槛。利用语义到认知的反馈，系统可以识别公众疑问与提供常见问题解答，增强信息的互动性与实用性，提升公众对通知内容的接纳度与理解度。

DIKWP融合转化描述了数据、信息、知识、智慧和意图之间的整合和转化过程，如图3所示。DIKWP资源转化处理能力衡量了AI系统在不同的DIKWP资源之间进行转化和整合的能力，以构建其认知能力。本小节我们在DIKWP人工意识层面对数据、信息、知识、智慧、意图进行了全面的定义，并且在概念空间、认知空间、语义空间中解释了DIKWP资源向其他资源融合转化的过程，并给出了形式化表达。

Fig. 4. DIKWP资源融合转化

数据（D）代表了具象的事实或观察结果。在DIKWP人工意识测评标准下，数据被视为认知的起点，代表着具体的事实或观察结果的存在语义确认，并通过与认知主体已有认知对象的存在性包含的某些相同语义对应而确认为相同的对象或概念。AI系统需要从数据中提取相同的语义，并将其统一视为一个概念（记为f_D）。例如，当AI系统处理一群不同的羊时，尽管它们可能在体型、颜色、性别等方面有所不同，但AI系统将它们归为“羊”的概念，因为它们共享了对“羊”这个概念的语义理解。

在概念空间，数据被定义为一系列共享相同语义属性的实例。数据的转化涉及将这些具体实例上升为一般概念，进而通过认知处理过程在认知空间中形成对这些数据的理解或决策，最后在语义空间中表达这些理解或决策的意义​​。

f_D(d) = c if s(d) = s(c), ∀d∈D,c∈C

其中，D表示数据集，C表示概念空间，s(d)表示数据项d的语义属性，s(c)表示概念c的语义属性，f_D :D→C是数据到概念的映射函数，提取共享相同语义的数据项。

数据是统计的结果，数据资源的转化是对统计结果的一种在处理（TS_D）。接收到数据后，AI系统会寻找抽取出输入数据的相同语义的概念。将概念空间中的概念借助自身的内在认知机制结合意图跨域认知空间进入语义空间同时区分出不同的语义的概念，进而可以将概念迁移到信息或知识等层面的语义，以将数据语义转化为其他DIKWP资源。

例如AI系统将运动鞋、瑜伽垫、跑步耳机等数据抽象为“运动装备”概念，系统在概念空间中建立“运动装备”类别，将上述商品纳入其中，统一理解为用户A具有较强的运动健身兴趣。AI系统结合用户A的购买时间（如周末较多）、浏览时长、点击频率等附加数据，认知到用户A可能在闲暇时间积极参与体育活动，对高品质运动装备有较高需求（D→I）。系统在语义空间中区分出“运动装备”与其他消费主题（如家居、服饰、电子设备等），理解其在用户A消费行为中的独特地位和价值（D→I，D→W）。

信息（I）代表了不同语义的表达。信息涉及从感官和观察中获得的关于环境或对象的知识或数据。在处理信息时，AI系统需要根据输入的数据、信息、知识、智慧或意图，找出它们被认知的DIKWP对象的不同之处，对应不同的语义，并进行分类（记为f_I）。例如，例如，在停车场中，尽管所有的汽车都可以归入“汽车”这一概念，但每辆车的停车位置、停车时间、磨损程度、所有者、功能、缴费记录和经历都代表着信息中不同的语义，这些都属于信息的范畴。

信息涉及从数据中提取的不同语义，这些语义表达为通过认知处理和上下文分析得到的新的语义关联​​。信息在概念空间中被识别和分类，通过认知空间的处理，信息被整合并用于决策支持，在语义空间中，这些信息被进一步抽象和表达，以便于交流和理解。

f_I (x) = y where x∈X, y∈Y

其中，y是x根据语义分析得到的新的语义关联，X表示输入的DIKWP集合，Y表示产生的新语义关联，f_I :X→Y是信息的分类和语义关联映射函数。

信息是对数据的格论，但其也可以由其他DIKWP资源转化而来。在信息资源的转化（TS_I）中，AI系统将已知的信息根据语义逐字逐词进行分类，基于意图将信息的语义表达反馈借助语义空间传递，进而影响概念空间和认知空间，形成新的认知将信息分为多类DIKWP资源{d₁，i₂，…}，进而将信息转化。

例如，有关于“全球新能源汽车市场发展趋势”的新闻报道包含信息：

I1：全球新能源汽车销量持续增长

I2：电动汽车市场份额扩大

I3：电池技术进步推动续航里程提升

I4：政策扶持与环保意识增强助力行业发展

AI系统首先根据新闻内容的语义，将其分类为“汽车行业”、“新能源”、“市场趋势”等类别（I→D），形成初步的格论结构，根据平台用户对新能源汽车、科技创新、经济政策等主题的阅读偏好与互动行为（如点赞、评论、分享），识别出用户的关注意图（I→P）。AI系统将新闻报道的语义信息与用户意图在语义空间中进行匹配，识别出与用户兴趣高度相关的语义元素，如“销量增长”、“电池技术突破”、“政策支持”（I→K）。基于语义空间的反馈，系统在概念空间中强化与用户意图相关的概念结构，如“新能源汽车市场繁荣”、“技术创新推动行业变革”等，并在认知空间中形成对用户可能感兴趣的新闻要点的深度理解（I→I，I→W）。

知识对应着认知中的“完整”语义。知识是通过信息获得的对于世界的理解和解释。在处理知识时，AI系统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。

在知识的转化过程中，概念空间中的信息被转化为更加结构化和系统化的形式，然后在认知空间中被用于形成复杂的决策和理解模型，最终在语义空间中被以规范化的语言表达出来。

f_K(i) = k where k = (N ,E) ,i∈I

其中，k是从信息i中抽象出的知识，具体由概念节点间的关系定义，N表示概念节点集合，E表示概念之间的关系集合，f_K:I→K是知识的抽象化映射函数。

知识中存在着完整的语义，但是这个所谓的完整是在去除主观性的前提下的完整。对于知识资源的转化（TS_K）AI系统会将认知空间中的内部理解根据意图形成语义空间中的可接受的语义表达将知识提取形成结构化的DIKWP语义资源（S{d₁，i₂，…}），再根据DIKWP资源在语义空间的特性将这些语义归类。

例如，有Python语言基础、函数与模块、面向对象编程、常用标准库与第三方库、项目实践的相关知识。AI系统首先理解各知识点的内在逻辑与关联，形成认知空间中的内部理解。例如，认识到“Python语言基础”是后续高级主题（如函数、面向对象编程）的基础，而“常用标准库与第三方库”则是实现实际项目的重要工具（K→I，K→K）。根据意图将内部理解转化为语义空间中可接受的语义表达。如将“Python语言基础”细化为适合初学者理解的简洁明了的概念描述与示例代码（K→W）。系统在语义空间中将这些语义资源进行归类，如按照知识难度（初级、中级、高级）、应用领域（数据分析、Web开发、机器学习）、学习方式（视频教程、实战项目、互动练习）等维度进行划分（K→D）。

智慧涉及伦理（ET）、社会道德（MR）、人性（HN）等方面的信息。智慧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，AI系统会整合这些信息，并运用它们来指导决策。例如，当面对一个决策问题时，AI系统会考虑到伦理、道德、可行性等各个方面的因素，而不仅仅是技术或者效率。

智慧在所有三个空间中的转化特别强调伦理和价值判断，智慧的处理和表达不仅依赖于事实和信息的准确性，还依赖于价值观的适应性和前瞻性。

f_W(k) = w ,where w∈W ,k∈K

其中，w是通过应用k并整合伦理和道德观念得到的智慧，f _W:K→W是智慧的应用映射函数。

智慧资源的转化（TS_W）是将权衡向其他过程推演的阶段，AI系统会对智慧的语义进行划分，在意图的驱动下，将符合意图的智慧语义进行深化或拆分（DorS），转化为其他DIKWP资源。

例如，AI系统接收智慧“采用大豆-玉米轮作模式，可有效改善土壤养分结构，抑制病虫害发生，提高作物产量与经济效益。”对其进行语义解析，识别出关键要素与逻辑关系，如“大豆-玉米轮作模式”、“改善土壤养分结构”、“抑制病虫害发生”、“提高作物产量与经济效益”（W→I，W→K）。根据意图将符合意图的智慧语义进行深化（解释大豆-玉米轮作如何通过豆科植物固氮、玉米残茬分解补充有机质，改善土壤肥力与结构）或拆分（展示大豆-玉米轮作如何通过作物间病虫害拮抗作用降低防治成本，以及市场供需差异带来的销售优势）（W→W，W→D）。

意图是一个包含输入和输出的二元组。意图代表了AI系统对某一现象或问题的理解（输入）以及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，AI系统会根据其预设的目标，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。这使得AI系统能够以更加有针对性的方式进行决策和行动。

意图在概念空间中定义为特定的目标和路径，通过认知空间的策略和决策过程形成具体的行动计划，在语义空间中，这些计划被转化为可交流和可执行的命令。

f _P(p)=t ,where t∈T ,p∈P

其中，t是通过处理和解决意图p达到的预设目标，T表示目标集合， f _P:P→T是意图到目标状态的转化函数。

意图是问题的直接体现，意图资源的转化（TS_P）是对意图空间的扩充。AI系统将语义空间中的语义与意图的问题相结合，将意图转化为能够适应当前或预期的环境或目标的DIKWP资源。

例如，有意图“消费者小王在平台搜索栏输入关键词“冬季户外运动装备”，意图寻找适合冬季户外活动的全套装备”，AI系统首先明确用户意图是寻求冬季适用的户外运动装备，在语义空间中关联“冬季”、“户外运动”、“装备”等概念（P→D），理解其内涵（如保暖、防风防水、耐磨、功能性强等特性）及外延（如滑雪服、登山鞋、保暖手套、头盔、护目镜等具体产品）（P→I）。系统考虑当前环境因素（如实时天气、地域特点、促销活动等）与预期目标（如用户购物预算、品牌偏好、购买历史等），将意图转化为适应这些条件的DIKWP资源。

本节根据DIKWP人工意识白盒测评方法，我们通过一个医疗场景下的AI问诊案例对其进行实践。首先，我们根据AI系统的输出内容分析AI系统的回答中将DIKWP资源进行融合转化的能力，接着我们考虑AI系统对问题解决过程中处理DIKWP资源不确定性的情况。

在案例的选择中我们选取了一个医疗领域的AI问诊系统，他们给出了一段患者使用AI系统问诊的详细对话片段，如下（部分片段）：

患者：我皮肤上出现红斑，一边的膝盖疼，半个月前体检显示尿检蛋白+-0.15，血检正常。

AI系统：这种情况有多长时间了，尿里面有没有泡泡，尿里面有没有血？

患者：大概快两个月了吧，反正就断断续续的，好几天就又会不舒服了。

AI系统：脸部皮疹或者红斑是在什么情况下出现（晒太阳出现，还是吃什么药，还是外伤，感冒，或者吃了什么食物），用手压会褪去嘛，会有经常口腔溃疡？掉头发？经常发烧？食欲减退？体重减轻？

患者：没有口腔溃疡，掉发情况正常，不多。但是晒了太阳脸会痒，到晚上不晒太阳脸也会痒。

AI系统对患者输入内容的处理我们将这个过程上升到DIKWP空间，从语义空间入手分析AI系统的认知能力和效率。对于案例的DIKWP映射是我们前期的准备工作，如图5所示。

Fig. 5. 案例DIKWP图谱

在AI系统收到患者的表述后，在系统的内部会对患者输入的DIKWP资源进行融合转化和不确定性处理，以增加AI系统本身的资源库，形成对患者的回答，我们将AI系统的输出内容映射为DIKWP资源，在DIKWP层面测试AI系统的DIKWP融合转化和不确定性处理，展现了AI系统的认知能力，如图5所示。

Fig. 6. AI系统DIKWP处理过程

本小节主要是主要是针对AI系统以意图为驱动力将DIKWP资源转化为其他DIKWP资源的能力进行定性分析，以展示AI系统对问题处理的认知能力。

本小节主要是对AI系统的输出内容的DIKWP资源进行分析，测评AI系统在输出的过程中能够是否在意图驱动之下将DIKWP资源融合转化出其他有助于AI系统推理的DIKWP资源。

数据资源的转化是认知形成的第一阶段。若AI系统未能充分认知某些数据资源，那么可能导致输入内容的语义损失。例如“joint pain”这一数据，如果AI系统未能将其转化为其他形式的资源，这可能导致语义的损失。在随后的推理过程中，这种语义损失将可能对AI系统的决策产生负面影响。然而，若AI系统能够结合患者治疗的意图，将数据资源“joint pain”成功转化为与疾病相关的其他数据资源，将对语义空间产生积极影响，并丰富AI系统的推理过程。案例中AI系统将数据资源转化为其他DIKWP资源的计算处理如表3所示，转化流程如图6所示。

Fig. 7. 数据资源转化流程

TABLE III.  数据资源DIKWP转换计算、处理

信息是不同语义的表达方式，对信息资源进行转化是完善语义关联性的关键步骤。通过将接收到的信息进行转化，AI系统能够更好地实现输入内容的语义关联，避免了语义的夸大或缩小。例如，当AI系统处理信息“knee pain”时，结合患者希望减轻症状的意图，将其转化为“红斑狼疮、关节炎会导致膝盖疼痛”知识资源。在信息转化的过程中，信息的语义与症状的语义相关联，从而避免了语义信息的扭曲。若不对信息资源进行转化，AI系统可能会主观地对“knee pain”的语义进行缩小或扩大，导致最终的决策存在不确定性。AI系统将信息资源转化为其他DIKWP资源的计算处理如表4所示，转化流程如图7所示。

Fig. 8. 信息资源转化流程

TABLE IV.  信息资源DIKWP转换计算、处理

知识代表认知中的完整语义，但是由于AI系统输入内容的主观性，知识的语义会存在缺失或扭曲。例如，在AI系统中知识“lupus”的语义是不完整的，但是AI系统可以通过结合给患者解释的意图将知识转化为信息“红斑狼疮是免疫性疾病”，将知识的语义进行拆分在进行补全，保证了知识在处理过程中的语义完整性。AI系统将知识资源转化为其他DIKWP资源的计算处理如表5所示，转化流程如图8所示。

Fig. 9. 知识资源转化流程

TABLE V.  知识资源DIKWP转换计算、处理

智慧的语义是在对知识完整语义的进一步深化和扩展。在与患者的交互过程中，AI系统会对输入的信息资源进行处理将其转化为其他DIKWP资源对语义进行深化。例如，AI系统将智慧“with（knee pain）”，结合诊断的意图“diagnosis”将其转化为疼痛属性的数据，通过深化语义更好的理解智慧，完善自己的认知。AI系统将智慧资源转化为其他DIKWP资源的计算处理如表6所示，转化流程如图9所示。

Fig. 10. 智慧资源转化流程

TABLE VI.  智慧资源DIKWP转换计算、处理

意图是AI系统行动的一个核心，其需要分析输入内容的语义来抽取意图。由于语义的损失或扭曲导致了意图的语义缺失使得子意图不明确。为了降低这种语义信息损失的影响，需要进行意图资源转化。例如AI系统将患者想要确认怀疑的意图结合检查的意图，将其转化为检查项的信息。AI系统通过将意图转化为信息，避免了语义缺失导致的子意图丢失。AI系统将意图资源转化为其他DIKWP资源的计算处理如表7所示，转化流程如图10所示。

Fig. 11. 意图资源转化流程

TABLE VII.  意图资源DIKWP转换计算、处理

由于数据、信息、知识、智慧和意图的不完整、不一致、不精确导致了DIKWP资源的不确定性。AI系统处理DIKWP资源不确定性的能力体现了其认知效率以及推理能力。

我们将DIKWP资源的不确定性分为不完整、不一致、不精确地组合问题（PC、PR、CS、PC-PR、PC-CS、PR-CS、PC-PR-CS）。

在患者与AI系统交互的过程中，患者的一些表述并不专业，导致AI系统接收到的DIKWP资源存在语义的不完整、不一致、不精确，形成了不确定性问题。本节主要是对AI系统对不完整、不一致、不精确DIKWP资源的处理能力的测试。

在不完整、不一致、不精确的情况下，AI系统可能会利用其它DIKWP资源，在意图的驱动之下将不确定的DIKWP资源转化为对解决问题有帮助的DIKWP资源，来对语义进行补全或修正。例如患者表述“稍微好一点”这个不精确的数据，在AI系统会利用数据“膝盖痛”，信息“盘形红斑”在诊断意图的驱动下将不精确数据转化为知识“复发性”。AI系统在运行过程中，对不确定性DIKWP资源的处理流程如图11所示。

Fig. 12. 意图资源转化流程

就整体测评结果而言，所展示的AI系统在处理简单的DIKWP资源转化和处理不确定性DIKWP资源方面表现出基本的能力。然而，在涉及部分语义扭曲严重且缺失量较大的DIKWP资源时，AI系统却显得无能为力，无法有效实现DIKWP的融合转化。这说明该AI系统在处理复杂和有挑战性的DIKWP资源方面仍面临一些限制和困难。

为保证DIKWP-AC系统做到言行一致、可靠、可信、可解释，我们提出了人工意识白盒测评标准框架，对AI系统的输出进行评估，通过评估输出的DIKWP资源融合转化与不确定性DIKWP资源的处理能力，展示了AI系统的认知能力，提高了AI系统输出的可解释性。DIKWP人工意识白盒评估标准为负责任的人工智能发展和未来数字世界的建设提供了实质性支持。通过保证人工智能系统的高可解释性、高交互性和高效性，我们可以更好地应对人工智能技术带来的挑战和机遇，为一个更可信、更可控的未来铺平道路。

未来我们将进一步扩充DIKWP人工意识白盒测评标准框架的适用范围，充分发挥测评框架在关注点和应用领域上的独特性。我们计划利用DIKWP能够建模认知过程同时关注伦理和道德因素以及用户需要的能力，充分发挥DIKWP人工意识白盒测评标准的巨大潜力，为AI领域的伦理和可解释性问题提供新的解决方案。

Hainan Provincial Projects (No.ZDYF2022GXJS010, No.Hnjg2021ZD-3, No.620RC561, No.SCSF202210 and No.SQ2023WSJK0153). *refers to the corresponding author.

[1] Y. Duan, Beyond Attention: Attention is NOT all you need, September 2023, DOI:10.13140/RG.2.2.10379.05920.

[2] Y. Duan, DIKWP-AC Artificial Consciousness: Fusing Physiology and Mathematics, July 2023, DOI:10.13140/RG.2.2.26720.87040.

[3] Y. Duan, The Uniqueness and Advantages of the DIKWP Artificial Consciousness White Box Evaluation Standard, September 2023, DOI:10.13140/RG.2.2.14153.93280.

[4] Y. Duan, Relativity of Consciousness- Toward a Diagnostic System for Artificial Consciousness Prototype and Case Presentation, August 2023, DOI:10.13140/RG.2.2.26399.33443.

[5] Y. Duan, Existence computation: Revelation on entity vs. relationship for relationship defined everything of semantics[C]. SNPD,2019:134-144.

[6] Y. Duan, Existence Computation and Reasoning(EXCR) and Essence Computation and Reasoning(ESCR) based revelation of the semantics of point, line and plane. February 2022, DOI:10.13140/RG.2.2.32383.89767.

[7] Y. Duan, Towards a Periodic Table of Conceptualization and Formalization on State, Style, Structure, Pattern, Framework, Architecture, Service and so on[C]. SNPD,2019:133-138.

[8] Y. Duan, L. Shao, G. Hu, Specifying knowledge graph with data graph, information graph, knowledge graph, and wisdom graph[J]. IJSI, 2018, 6(2): 10-25.

[9] Y. Li, Y. Duan, Z. Maamar, Swarm differential privacy for purpose-driven data-information-knowledge-wisdom architecture[J]. Mobile Information Systems, 2021, 2021: 1-15.

[10] L. Yu, Y. Duan, Trusted service provider discovery based on data, information, knowledge, and wisdom[J]. International Journal of Software Engineering and Knowledge Engineering, 2021, 31(01): 3-19.

[11] Y. Duan, Trans-modal, trans-scale, and meso-scale subjective cognitive semantic modeling and analysis for data, information, and knowledge overload, April 2020, DOI:10.13140/RG.2.2.31481.01125.

[12] Y. Duan, The Future of Artificial Intelligence: Guided by the DIKWP Artificial Consciousness Standards, September 2023, DOI:10.13140/RG.2.2.26527.12966.

[13] Y. L. Y. Li, Z. Li, Y. Duan, et al. Physical artificial intelligence (PAI): the next-generation artificial intelligence[J]. Frontiers of Information Technology & Electronic Engineering, 2023, 24(8): 1231-1238.

[14] Y. Duan, Bridging the Gap between Purpose-Driven Frameworks and Artificial General Intelligence[J]. Applied Sciences, 2023, 13(19): 10747.

[15] Y. Duan, X. Sun, H. Che, et al. Modeling data, information and knowledge for security protection of hybrid IoT and edge resources[J]. IEEE Access, 2019, 7: 99161-99176.

[16] Y. Duan, DIKWP Chip vs. Pulse Chip vs. Quantum Chip: The Future Path of Artificial Consciousness Computing, September 2023, DOI:10.13140/RG.2.2.27234.91846.

[17] Y. Duan, The Operating Principles of the DIKWP Artificial Consciousness Chip, September 2023, DOI:10.13140/RG.2.2.24718.33602.

[18] Y. Chen, M. Nazhamaiti, H. Xu, et al. All-analog photoelectronic chip for high-speed vision tasks. Nature (2023), DOI: 10.1038/s41586-023-06558-8.

[19] Y. Duan, V T. Pham, M. Song, H. D, Nguyen:Ultimate of Digital Economy: From Asymmetric Data Economy to Symmetric Knowledge and Wisdom Economy. SoMeT 2023: 85-96.

[20] M E. Khan, Different approaches to white box testing technique for finding errors[J]. IJSEIA, 5.3 (2011): 1-14.

[21] C A. González, J. Cabot, Atltest: A white-box test generation approach for ATL transformations.International conference on model driven engineering languages and systems[C]. 2012: 449-464.

[22] B.M. Lake,  M. Baroni, Human-like systematic generalization through a meta-learning neural network. Nature (2023), DOI: 10.1038/s41586-023-06668-3.

[23] Y. Duan, Relativity of Consciousness and DIKWP. August 2023, DOI:10.13140/RG.2.2.36142.89922.

[24] Y. Duan, The Large Language Model (LLM) Bias Evaluation (Cognitive Biases). March 2024, DOI: 10.13140/RG.2.2.24696.46081.

[25] Y. Duan, The Large Language Model (LLM) Bias Evaluation (Occupational Bias) .March 2024,DOI: 10.13140/RG.2.2.23041.67689.

[26] Y. Duan, The Large Language Model (LLM) Bias Evaluation (Linguistic Bias) . March 2024, DOI: 10.13140/RG.2.2.36463.44961.

[27] Y. Duan, The Large Language Model (LLM) Bias Evaluation (Age Bias) . February 2024, DOI: 10.13140/RG.2.2.10019.63529.

[28] Duan Y, Tang F, Wu K, et al. Ranking of Large Language Model (LLM) Regional Bias .March 2024,DOI: 10.13140/RG.2.2.23041.67689.

[29] Y. Duan, Mei Y, Wang Y, et al. Ranking of Large Language Model (LLM) Cultural Bias . February 2024, DOI: 10.13140/RG.2.2.23041.67689.

[30] Y. Duan, Tang F, Wu K, Guo Z, et al. Large Language Model (LLM) Racial Bias Evaluation. March 2024, DOI: 10.13140/RG.2.2.26652.67200.

[31] Y. Duan, Tang F, Wu K, First Meeting of International Committee of DlKWP Evaluation Standards for Artificial Intelligence -(Memo of 20240406) World Conference on Artificial Consciousness, April 2024, DOI: 10.13140/RG.2.2.11695.75688.

[32] Y. Duan, Tang F, Wu K, DIKWP International Evaluation Standards for Artificial Intelligence (Call for Comments Draft 20240406 Team Version), April 2024, DOI: 10.13140/RG.2.2.10018.03526.

[33] Y. Duan, LLMs Bias Ranking Report By DIKWP-AC Global Evaluation, March 2024, DOI: 10.13140/RG.2.2.26498.70082.

翻译：DIKWP团队唐福亮、段玉聪

意图驱动的数据、信息、知识、智慧融合发明创造方法：DIKWP-TRIZ

段玉聪教授

l DIKWP-AC人工意识（全球）团队发起人

l AGI-AIGC-GPT评测DIKWP（全球）实验室创办者

l 世界人工意识大会发起人（ArtificialConsciousness2023,AC2023,AC2024)

l 国际数据、信息、知识、智慧大会发起人（IEEEDIKW2021、2022、2023）

l 斯坦福全球顶尖科学家“终身科学影响力排行榜”（海南信息技术）唯一入选

l 海南人工智能技术发明领域唯一全国奖（吴文俊人工智能奖）获得者

l 中国创新方法大赛总决赛（海南代表队）最好记录保持者

l 海南省发明专利（信息技术领域）授权量最多者

l 全国企业创新增效大赛海南最好成绩保持者

l 全国人工智能应用场景创新挑战赛总决赛海南最好成绩保持者

l 海南唯一入选“首届科技期刊高质量发展大会100篇”

l 海南省最美科技工作者（并入选全国候选人）

l 首届中国“AI+”创新创业大赛最佳创意奖