人工智能DIKWP 网馈测评标准化实践(国际标准制定)

段玉聪,唐福亮,吴坤光

人工智能DIKWP测评国际标准委员会

世界人工意识大会

世界人工意识协会

(联系邮箱：duanyucong@hotmail.com)

摘要：人工智能模型的测评基准呈现多元化趋势，涵盖了语言理解、智能运维、安全性、伦理风险等多个维度，但各基准的成熟度不一，给研究人员的选择带来挑战。为此，本文提出了DIKWP（数据-信息-知识-智慧-意图）网馈测评标准，旨在为AI模型评估提供统一、严谨的框架，确保评估的可比性和一致性。我们在概念空间、认知空间、语义空间下从数据、信息、知识、智慧、意图五个维度分析了人工智能模型的工作机制，以人工智能模型在三个空间下对DIKWP资源25个维度转化此为基础我们进一步提出了DIKWP网馈模型下对人工智能模型的测评标准。

关键词—人工智能，DIKWP，测评标准

随着人工智能技术的快速发展和大语言模型的兴起，人们与智能系统的交互方式正在发生改变。人工智能模型在各种应用中展现了其前所未有的性能，同时对模型的评估也备受社会各界的关注。当前，人工智能模型的测评基准呈现出多元化的态势，各种专门针对不同维度性能设计的基准层出不穷，例如GLUE[1]、SuperGLUE[2]、等用于测试语言理解与生成能力，而针对特定领域如智能运维则有Owl-Bench[3]这类专用基准。此外，还有针对大模型安全性、伦理风险、公平性等方面的测评基准，反映了业界对模型全面质量把控的重视。然而，鉴于各测评基准的发展水平与成熟度参差不齐，研究人员在选用和参照时面临一定的挑战，需要结合具体应用场景审慎评估和选择合适的测评工具与标准。面对众多科研团队和企业相继推出的人工智能模型测评基准，通过一套较为全面、系统、公平、使用的评估指标和测评方法，指引和推动人工智能模型的研发与测评工作是相关领域人员的共同呼声和迫切需求。本文提出DIKWP[4-6]（Data-Information-Knowledge-Wisdom-Purpose）网馈测评标准旨在应对人工智能评测基准多样且成熟度不一的问题，为业界提供一个统一、严谨、普适的评估框架，从而确立一套标准化的评测方法、模型与指标体系，确保对人工智能模型性能的评估具有可比性和一致性。DIKWP网馈测评标准从数据、信息、知识、智慧、意图五个核心要素出发，突破概念空间[7]语义约束面向认知空间构建网络化评估体系，全面考察人工智能在不同认知网络层次上的理解和处理能力，其目的不仅在于突破黑盒测试的局限，为被测试的人工智能模型提供功能性或者指标性的白盒测试[8]结果，还为该被测模型的改进提供参考依据。人工智能数据-信息-知识-智慧-意图（DIKWP）网馈测评标准特别关注模型的共享性、公正性、公平性、隐私保护性，通过检测和评估潜在偏见，积极推动AI技术遵循伦理原则和社会价值，致力于减少歧视与不公现象。

近年来，国内外标准化组织在人工智能模型测评技术的标准化研究上取得了一定成果[9]。在全球范围内对人工智能的评估涉及各种基准，旨在衡量各种能力并使其与人类价值观保持一致。GLUE Benchmark提供了一组标准化的不同NLP任务，以评估不同语言模型的有效性。作为通用语言理解评估的行业标准，凭借其广泛应用、包含情感分析、问答等在内的多样化任务集，以及为模型间提供公平比较的平台，确立了其在评估语言模型性能方面的核心地位。然而，该基准也存在显著不足，如任务覆盖面有限，可能无法完全捕捉语言理解的全貌；数据集可能存在偏差，可能影响模型评估的公正性；以及模型在追求高GLUE分数时可能过度优化特定任务，导致泛化能力受损。SuperGLUE Benchmark作为GLUE的升级版，显著提升了任务难度，涵盖了更多样化且更深层次的语言理解需求，并通过引入人类水平基线，直观展示了AI在语言理解领域的进展。但是，SuperGLUE的复杂性较高，对计算资源需求较大，同时其数据集存在偏差问题，这也是继承自GLUE的一个持续挑战。HellaSwag[10]是专门针对文本生成评估的基准，该基准通过设计专门针对文本连贯性和逻辑性的任务，有力推动了相关技术的发展。然而，其应用范围相对狭窄，主要聚焦于文本生成任务，且完成句子的范例可能存在引导性，可能对模型表现评估的准确性产生干扰。TruthfulQA[11]以其独特之处——直接评估模型输出的真实性，特别适用于那些高度关注答案真实性的场景，如新闻生成。虽然采用了创新的评估方式，但TruthfulQA的评价过程主观性较强，且仅关注真实性而忽略了语言理解能力的其他方面，限制了其全面性。MMLU[12]提供了广泛的领域和任务覆盖，利用大规模数据集对模型的多任务处理能力进行深入、全面且可靠的评估。因此，MMLU对计算资源要求较高，平衡多个任务间的评估也是一个挑战，这使得部分资源有限的研究团队可能难以有效利用此基准。

人工智能系统测评的挑战源自于其推理的不确定性[13]、对抗攻击的脆弱性、数据的依赖性等，业界已经在人工智能的测评技术与方法的研究中取得了一些进展，例如 ISO/IEC TR 29119-11:2020[14] 详细讨论了人工智能系统的各种测试技术。蜕变测试 [15] 是一种生成测试用例的方法，用于应对人工智能系统中难以确定测试是否通过的测试预言问题，用于测评人工智能系统功能正确性。ISO/IEC/IEEE 29119-4(GB/T 38634.4—2020)[16-17]中定义了若干种组合测试技术，包括全组合测试、成对测试、单一选择测试和基本选择测试。变异测试是一种验证测试集质量的技术 [18]。它的思想是通过变异算子使生成的模型产生变体，然后分别测试原模型和变体，查看变体能不能得出和原模型不同的情况。ISO/IEC AWI 5259《人工智能 分析和机器学习的数据质量》[19] 系列标准，规范了训练和评估过程中的数据质量问题。GB/T 25000.12—2017《系统与软件工程 系统与软件质量要求和评价 (SQuaRE) 第 12 部分 ：数据质量模型》[20] 中将定义了准确性、完备性、一致性、实时性等 15 个软件开发环境的数据质量特性。

DIKWP模型是一个扩展了传统的DIKW（数据（Data）、信息（Information）、知识（Knowledge）、智慧（Wisdom））模型的网馈模型，增加了"意图"（Purpose）这个元素。DIKWP模型是一种能够形象地描述认知过程的网络化模型，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。

概念空间是指认知主体对外部世界的概念化表达，包括概念的定义、特征和关系。概念空间是通过语言和符号系统进行表达的。例如，“汽车”在概念空间中可以定义为一种具有四个轮子、能够载客或载货的交通工具。

概念空间是由一系列相关概念构成的集合，借助特定的属性和关系互相连接，根据概念间关系的对称性对应有向图或无向图。

图表示：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),…, a_n(v)}，其中每个a_i(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，通过查询操作Q，找到与特定数据或知识相关的所有概念，进而推导出新的信息或智慧。

认知空间是一个多维和动态的处理环境，其中数据、信息、知识、智慧和意图通过个体或系统的特定认知处理函数集合（R）被转换为具体的理解和行动。每个认知处理函数（）将输入空间（）中的数据或信息通过一系列的子步骤（如数据预处理、特征提取、模式识别、逻辑推理和决策制定）转化为输出空间（）中的成果，如信息分类、概念形成、意图确定或行动计划的设定。

函数集合：其中，每个函数表示一个特定的认知处理过程，是输入空间，是输出空间。

输入空间：代表感知到的数据或信息的集合，可以是来自外部世界的观察、从其他系统接收的信号或内部生成的数据。

输出空间：代表处理后的理解或决策的集合，它可以包括对信息的分类、概念的形成、意图的确定或行动计划的设定。

认知处理过程：

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⁾(Input_i)，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。

语义空间是指概念在认知主体大脑中的语义关联网络，包括概念之间的语义关系和联想。语义空间是通过认知主体的经验和知识积累形成的。例如，对于“汽车”这个概念，语义空间中可能包括“驾驶”、“交通工具”、“油耗”等相关联的语义。

语义空间是由一系列语义单元构成的集合，这些单元借助特定的关联和依赖关系相互连接，共同构成了信息和知识的客观化表示。语义空间普遍接受的概念和语言规则实现了意义的传递和交流。

图表示：Graph_SemA=(V_SemA, E_SemA)，其中V_SemA代表语义单元（词汇、句子等），E_SemA代表语义单元之间的关联和依赖关系。

语义单元：每个语义单元v∈V_SemA代表了可以独立表达意义的最小单元或概念。

关系：边e∈E_SemA代表了语义单元之间的语义关联或逻辑依赖，如同义、反义、上下位、因果等关系。

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。

a)  定义:

数据(DIKWP-Data)的语义可视为认知中相同语义的具体表现形式。在概念空间中，数据概念作为一个概念代表着具体的事实或观察结果在概念认知主体的概念空间中的存在语义确认，并通过与认知主体的意识空间（非潜意识空间）与已有认知概念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。在处理数据概念时，认知主体的认知处理过程常常寻求并提取标定该数据概念的特定相同语义，进而依据对应的相同语义将它们统一视为一个相同概念。例如，当看到一群羊时，虽然每只羊可能在体型、颜色、性别等方面略有不同，但借助准确的相同语义个体对应或对相同语义集合的概率性对应处理，认知处理会将它们归入“羊”的概念，因为它们共享了对“羊”这个概念的语义精确对应或概率性对应。相同语义可以是具体的，例如识别手臂概念时可以根据一个硅胶手臂与人的手臂的手指数量的相同、颜色的相同、手臂外形的相同等相同语义进行基于语义的准确概念确认硅胶手臂为手臂概念，也可以概率性的选择与手臂概念共享最多相同语义的目标对象为手臂概念，还可以通过硅胶手臂不具有真实手臂的可以旋转功能对应的由“可以旋转”定义的相同语义进行概念判断的否决，而判定其不是手臂数据概念。概念空间与语义空间的区分对应于不同的技术哲学思想。概念空间的处理对应了具体使用自然语言等进行交流的形式。但概念交流的功能本质通常是进行语义的传递。在认知主体的认知空间中，概念传递的语义的有效理解往往依赖于认知主体的语义空间中的相关概念的语义对应。认知主体的语义空间往往是不能被充分借助概念形式进行共享的，也就是通常说的客观的，故而被称之为主观的。

在语义空间中，数据概念的语义为认知中相同语义集合的具体表现形式。将特定数据的语义D对应集合，每个元素d∈D代表一个具体实例，这些实例共享相同或概率性近似相同的语义属性集合S。语义属性S为一组特征语义集合F来定义，即：

S={f₁, f₂, ... , f_n}

其中f_i表示数据的一个特征语义。

D={d∣d共享S}。

在DIKWP模型中，数据概念与数据语义的区分是认知空间的认知过程向概念空间与语义空间的处理过程转换的基础，数据概念和数据语义将具体代表对世界的基本观察和事实的认知数据对象。这一转换的关键在于数据被认知并被概念化背后的“相同语义”，即数据概念元素之间共享的语义属性。在认知空间中的数据认知对象作为认知过程的基础，不再被不区分概念空间和语义空间中的具体对应而直接代表对现实世界观察和测量的结果，而是被进行明确的概念确认和语义对应处理，在这一个过程中也区分了主观内容与客观内容的范畴，这一定义不同于传统DIKW模型中对数据的粗糙理解，强调数据与特定语义属性的紧密关联。即对数据对象的认知不仅是被动记录，更是认知主体的认知活动中主动寻找与已知认知对象相匹配的语义特征的主观过程。这种视角强调了数据的主观性和上下文依赖性，指出数据的认知价值在于其能够与认知主体的已有概念空间进行语义关联。

在DIKWP模型中，来自认知空间的数据认知对象的语义被视为认知过程中认知主体的语义空间中被识别与之相同语义的具体表现形式。这种定义强调了数据做完认知对象不仅仅是观测或事实的简单记录，而是面向概念空间和语义空间需要通过认知主体（如人或AI系统）对这些认知对象数据记录进行语义匹配和概念确认的结果。数据概念确认的关键在于它们背后认知主体概念空间与语义空间共享的“相同语义”，这使得即使在外在特征上存在差异的情况下，特定认知对象也能被归纳为同一数据概念。

数据概念在DIKWP模型的概念空间中被视为认知过程中的基本概念单位，数据语义在DIKWP模型的语义空间中被视为认知过程中的基本语义单位，数据概念和数据语义是对现实世界的直接观察和记录的认知过程中的核心要素，从数据语义的认知到数据概念的确认对基于概念的符号化自然语言的产生、应用和处理起到了重要作用。数据概念通过共享相同的语义属性而被认知主体的意识功能或潜意识功能识别和分类。在认知科学中，认知主体的大脑乃至脊髓等物质部分如何通过潜意识的模式识别来理解和处理信息，并可以进行有意识的分析和形成解释。例如，当人们观察到不同的物体时（如苹果），即使它们的颜色、大小或形状有所不同，人们也能在潜意识的模式识别中识别它们都是苹果，通过认知主体有意识的分析，可以解释为它们共享了一组关键的语义属性（如形状、纹理、特定的功能等）。这种认知过程揭示了认知主体的认知系统如何利用语义空间的数据的相同语义来构建对世界的自然语言概念表述。

在DIKWP框架中，数据作为概念被视为认知过程中相同语义的具体概念映射。这一观点突破了传统的数据概念中对语义和概念不加区分的混淆使用场景，将概念空间中数据概念的形成与存在与语义空间中认知主体的语义处理过程紧密联系起来。即，数据概念的认知价值不在于其对应的物理形态或功能，而在于在认知主体的认知空间中，它如何与认知主体已有的知识体系进行跨越“概念空间”与“语义空间”产生联系，进而被识别并确认为具有特定语义的对象或概念。从个体意识和群体意识交互的视角看，数据与认知主体之间的互动本质就是基于潜意识或下意识的语义空间与概念空间的交互，数据概念作为一种相同语义集合的具体对应或者概率性近似有着其在工程意义上作为特定语义集合的符号化表达的认知沟通效率优势。

b) 数据概念的数学化表示

在DIKWP模型中，数据概念不仅仅是被动记录的观测结果，而是被认知系统主动识别和归类的语义对象集合。数学上，我们可以将数据概念视为一系列语义实例的集合D，其中每个语义实例d∈D都被识别为具有相同的语义属性集S。这里的S={f₁, f₂, ... , f_n}，可以被视为一组定义数据概念语义特征的参数，其中f_i表示数据概念的一个语义特征。这种表述有助于我们理解数据概念是如何基于共享的语义特征被归纳和处理的。

c) 数据的数学化描述

在DIKWP模型中，数据概念被视为认知中相同语义的具体表现形式。数学上，我们可以将数据概念对应的语义集合D定义为一个向量空间，其中每个元素d∈D是一个向量，表示一个具体语义实例。这些语义实例通过共享一个或多个语义特征F而归于同一语义属性S下，即：

S={f₁, f₂, ... , f_n}

其中f_i表示数据概念的一个语义特征。于是，我们可以定义数据概念集合为：

D={d∣d共享S}

这种描述强调了数据概念的语义多维性和语义结构性，同时为后续的数据概念处理和分析提供了数学基础。

d) 数据概念与语义识别

在DIKWP模型中，数据概念的处理和理解不仅仅是对客观事实的记录，而是涉及到认知主体如何将这些事实语义与已有的语义认知结构相匹配。这一过程强调了语义识别的重要性，即认知主体如何通过数据概念中的语义特征来识别和归类对象。

数据概念与语义识别在DIKWP模型中，数据概念不仅是对现实世界的观察和记录，而是在交流沟通中被视为认知主体对相同语义属性的具体表现。这一定义超越了数据概念作为客观事实的记录的表面上独立的客观认知存在性，强调了认知空间中认知主体与被认知对象之间的交互中数据概念的认知性质——即数据概念的识别和处理依赖于认知主体个体（主观）语义空间中的已有语义的联系与匹配。数据概念本质上具有认知主观性和上下文依赖性，即不同的认知主体或不同的认知背景下，同一数据概念可能被与不同的语义建立联系与进行对应的认知处理的相对性。

进而在哲学意义上，数据概念不再是客观存在的事实记录，而是经由主体性认知过程的一种主观解释。数据概念的形成与存在依赖于认知主体的语义空间与概念空间记忆和处理能力，它是现实世界与认知主体之间交互的语义空间与概念空间的关联和转化形式。数据概念的产生和识别不是一个纯粹的客观过程，而是深深植根于主体的预设概念空间和语境语义空间中。因此，数据概念的识别和解释需要考虑到认知主体的认知空间背景知识、经验信息和文化语境语义。

数据概念必须通过认知主体的解释和语义匹配来确认其意义。数据概念与数据语义的交互成为了一种连接客观现实与主体认知的桥梁。这种理解突显了柏拉图式的理念：现实世界的事物（作为概念）仅是其理念（即“相同语义”）的影子。因此，数据概念的认知价值不仅在于其表现形式的客观性，而且还在于认知主体如何通过数据概念来寻求和确认认知对象和现象的共同语义，引发语义共鸣和认知确认。这个数据概念与数据语义再认知主体内的交互过程不仅是对认知主体的外部世界的一种认知镜像反映，也是一种对现象内在本质语义的追求和揭示。它强调了认知主体在数据概念解读过程中的概念语义转化的主导性和概念存在的创造性，以及数据概念与认知主体之间的潜意识或有意识的符号化语言的互动性。

e) 数据的认知性质与语义实体

DIKWP模型对数据概念和数据语义的认知定义强调了数据的认知性质和其作为语义实体的角色。在哲学中，这触及到“事物的本质”和“名副其实”的讨论。数据概念不仅仅是客观存在的符号化记录，它们是被赋予了特定数据语义的实体，这些数据语义是通过认知主体的跨越概念空间与语义空间的处理而被确认和赋予的。这种认知处理也揭示了知识的生成不仅仅是对客观世界的映射，更是一种主体性的基于类似语义到概念的转化建构过程，这一点在康德的先验哲学中有所体现，即人们对世界的知识部分源于外部世界的刺激，但更多的是由我们的认知结构所决定。

a) 定义

信息(DIKWP-Information)作为概念对应认知中一个或多个“不同”语义。信息概念的信息语义指的是通过特定意图概念或意图语义将认知主体的认知空间中的DIKWP认知对象与认知主体已经认知的DIKWP认知对象在语义空间进行语义关联，借助认知主体的认知意图在认知空间形成相同认知（对应数据语义）或差异认知，由差异认知在语义空间经过“不同”语义的概率性确认或逻辑判断确认等形成信息语义，或在语义空间产生新的语义关联（“新的”就是一种“不同”语义）。在处理信息概念或信息语义时，认知处理会根据输入的数据、信息、知识、智慧或意图等认知内容，找出它们与被认知的DIKWP认知对象的不同之处，对应各种不同的语义，并进行信息分类。例如，在认知空间中，面对一个停车场，尽管停车场中所有的汽车都可以被认知归入“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语义空间中由不同认知意图驱动的认知差异识别，最终对应不同的信息语义。信息对象对应的各种不同语义经常存在于认知主体的认知中，常常未被显式表达出来，例如抑郁症患者可能用自己情绪“低落”这一概念来表达自己认知空间中当前的情绪相对自己以往的情绪的负面程度的上升。在认知主体在其概念空间中选择“低落”这个概念以反映其认知状态确认的要表达的目标信息语义，但由于交流对象的认知空间中对“低落”这个概念的信息语义解释不一定与认知主体的信息语义相同，或者说存在不同语义，从而不能实现对被交流对象客观感受到该信息语义，从而该信息语义成为了认知主体的主观的认知信息语义。

信息语义处理的数学化表示：信息语义在DIKWP模型中对应数据语义、信息语义、知识语义、智慧语义、意图语义经过认知主体意图驱动的处理过程产生新的语义。在语义空间，面向DIKWP内容的由意图驱动的信息语义处理F_I，对应从输入X到输出Y的处理形式：

F_I : X→Y

其中X表示数据语义、信息语义、知识语义、智慧语义、意图语义的集合或组合（也即DIKWP内容语义），而Y表示产生的新的DIKWP内容语义集合或组合。这个映射强调了信息语义生成过程的动态性和构造性。

信息语义在DIKWP模型中对应认知中各种不同语义的表达。借助认知主体的认知意图，信息语义通过将数据、信息、知识、智慧或意图对应的语义与认知主体的现有认知对象联系起来，产生新的语义集合或组合。在认知空间中，这个过程不仅包括对已知DIKWP内容的重新语义组合和语义转化（包括语义连通等形成所谓的认知理解），还对应通过这种重新组合与转化产生新的DIKWP认知语义和持续形成认知理解的动态过程。

信息语义的生成是关于如何将不同的数据语义、信息语义、知识语义、智慧语义或意图语义的集合或组合通过认知主体特定的意图联系起来，从而在认知主体的认知空间确认达到所谓的认知理解的过程，对应认知主体在语义空间形成对断裂或缺失或不确定的语义联系借助生成的信息语义进行了语义的关联、补充、判断，从而实现消除源自语义不确定性的认知不确定性的意图。这个过程涉及到将观察到的现象或认知输入内容与已有的DIKWP内容经由认知空间在语义空间进行关联、比较和概念对应等，进而借助某些不同语义识别和分类新的DIKWP内容。在AI中，这可以对应于认知理解形成解释和处理DIKWP内容之间的关系，如通过算法分析DIKWP内容间的相关性，从而提取有价值的信息语义。   

信息语义处理是一个动态的认知过程，关注于如何通过认知主体的主观意图将DIKWP内容语义与认知主体的现有认知对象DIKWP内容语义联系起来，从而产生有价值的语义关联。信息的价值在于成为连接数据、信息、知识、智慧、意图的桥梁，揭示认知主体对DIKWP内容的语义关联。

在认知科学中，信息语义处理可以借助各种认知理论来进行解释，例如，概念集成理论（Conceptual Integration Theory）来进一步解释，说明如何通过将不同来源的信息融合到一起，形成新的意义和理解。再如，可通过将某个人的行为（DIKWP内容语义）与特定的情境信息结合起来，进而对该行为的意图有更清晰的理解。  

信息的语义关联与认知语言学中的隐喻理论（Metaphor Theory）和混合理论（Blending Theory）等有关，它们研究如何通过语言的隐喻和概念整合来创建新的意义。在AI系统中，这涉及到如何设计算法以模拟人类如何通过现有DIKWP内容语义构建新的认知模型。

信息语义产生过程是DIKWP内容语义与DIKWP内容语义关联，也即DIKWP*DIKWP语义交互的结果。这个过程不仅包括DIKWP内容语义的重组或重新解释，更是一个动态的、意图驱动的认知活动，通过这个活动，认知主体能够识别和理解新的模式和关联，从而扩展其认知边界。信息语义产生是构造性和动态性的，通俗的讲是通过对DIKWP内容进行解释或语义连接而生成的。

信息在哲学上被视为DIKWP内容的组织和解释，通过构建DIKWP内容之间的语义关系来生成新的语义。通过信息语义处理过程，认知主体能够识别和理解现象之间的联系和差异。信息语义的产生涉及到认知主体的主动参与，它是一种对DIKWP内容进行语义化处理的动作，反映了认知主体对现实世界的解读 。信息作为认知中不同语义的表达，其哲学意义在于信息的生成和处理过程实质上是对世界多样性和复杂性的认识和理解。信息语义不仅仅是DIKWP内容语义的聚合或重组，更是一种新的语义关联的创造，反映了认知主体对世界的主动探索和解释。这种解释过程涉及到对现象深层次联系和内在逻辑的挖掘，是一种对世界更深刻理解的追求。转移到另一种更深层次的理解。

b) 信息语义的构建性质

信息的生成和理解不是被动的接收过程，而是认知主体在认知空间的主动认知语义构建语义。信息语义依赖于已有DIKWP内容和意图驱动的认知框架。这一观点与康德的认识论相呼应，即认知主体对世界的理解是通过内在的感知框架和先验概念构成的。信息的价值在于其能够扩展或重构我们的认知框架，从而增进我们对世界的理解。

c) 信息语义的多样性与深度

DIKWP中的信息处理关注数据、信息、知识、智慧、意图之间的动态关系和新的语义集合或组合的生成。这一过程体现了赫拉克利特的流变论——万物流转，无物恒常。信息的价值在于其流动性和能够引起的变化，而非静态的事实记录。信息成为了连接不同认知状态的纽带，推动认知主体从一种理解状态到另一种理解状态。  

d) 信息的动态性与认知结构

在信息的定义中，DIKWP模型强调了信息作为连接不同语义实体的桥梁的角色。这与德勒兹关于“差异性与重复”的理论相呼应。在德勒兹看来，认识过程是通过识别事物之间的差异性来进行的，而这一过程正是信息处理的核心。信息不仅包含了DIKWP内容的语义差异性，更通过这些差异性与已有的知识结构产生联系，不仅协整旧的知识，还生成出新的知识。这种动态的认知结构更新过程是认知发展和知识增长的关键。

a) 定义

知识(DIKWP-Knowledge)概念的语义对应于认知空间中的一个或多个“完整”语义。知识概念的语义是认知主体借助某种假设对DIKWP内容进行语义完整性抽象活动获得的对认知对象DIKWP内容之间语义的理解和解释（也就是形成认知主体对认知交互活动的认知输入DIKWP内容与认知主体已有认知DIKWP内容的语义联系的搭建，并能够在更高阶的认知空间中对应一个或多个承载认知完整意图确认的“完整”语义。）。在处理知识概念时，大脑通过观察和学习抽象出至少一个完整语义对应的概念或模式。例如，通过观察不可能得知所有的天鹅都是白色，但在认知空间中认知主体可以对一些观察结果的部分情形通过假设（赋予完整语义的高阶认知活动）将不能保障完整的观察结果赋予“完整”语义，也即“所有”，进而形成对“天鹅都是白色”这一拥有完整语义“都是”的知识规则对应的知识语义。

知识K为语义网络，其概念空间的数学表示如下：

K= (N, E, A_K)

其中N={n₁, n₂, … , n_k} 表示概念的节点集合，E={e₁, e₂, … ,e_m} 表示这些概念之间的关系的集合，A={A_D, A_I, A_K} 表示

这一定义将知识认知定位为一个更高层次的认知成果，强调了知识的结构化（如语义网络）和对完整语义的捕捉能力，这对于理解复杂系统和抽象概念至关重要。

知识是对DIKWP内容从不理解对应的状态到理解对应的认知状态转化的的基于完整语义的桥接，通过验证强化对知识的确认。知识的构建不仅依赖于数据和信息的积累，更重要的是通过认知过程中的抽象和概括，形成对事物本质和内在联系的所谓理解。知识的存在不仅体现在个体层面，也体现在集体或社会层面，通过文化、教育和传承等方式进行共享和传播。

知识语义是对DIKWP内容进行深度加工和内化后形成的结构化认识（在概念空间内并借助“完整”语义与语义空间对应）。知识在DIKWP框架中的定义，反映了对世界的深入理解和完整语义的把握。这与亚里士多德关于形式原因的概念相呼应，即事物的本质和目的是可以通过理性和经验来探索和理解的。

每个知识规则的形成在DIKWP模型中代表认知主体对事物内在规律和本质的认知把握。从哲学的角度看，知识不仅是认知过程的产物，更是这一过程的目的和指导。知识的形成和应用体现了认知主体对世界的适应和改造，是对现实世界深层次规律的语义空间理解。

b) 知识概念与知识语义

知识概念（DIKWP-Knowledge Concept）是指在认知主体的认知空间中，对客观世界中的实体、事件、规律等进行抽象概括的结果。在DIKWP模型中，知识对应于认知空间中的一个或多个“完整”语义。知识是通过认知主体借助某种假设，对DIKWP内容进行语义完整性抽象活动，获得对认知对象DIKWP内容之间语义的理解和解释。这种理解和解释形成认知主体对认知交互活动的认知输入DIKWP内容与已有认知DIKWP内容之间的语义联系，并在更高阶的认知空间中对应一个或多个承载认知完整确认的“完整”语义。知识概念的形成是一个动态的过程，受到认知意图、语境和现有认知结构的共同作用。

知识语义（DIKWP-Knowledge Semantics）是通过高阶认知活动，将部分观察结果赋予“完整”语义，从而形成系统性的理解和规则，它涉及概念之间的内在联系和外在表达。知识语义不是静态不变的，而是通过认知主体的意图驱动和动态生成的信息语义来丰富和发展。这意味着知识的语义不仅仅基于客观存在的事实，还取决于认知主体如何在当前语境中理解和解释这些事实，以及如何将这些理解与已有的认知结构相结合。语义的生成和确认过程包括了对数据特征的识别、概念的匹配、以及概率性的语义确认，这个过程确保了知识的适用性和精确性。

c) 知识概念与知识语义的关系

知识概念和知识语义在DIKWP模型中相互依存，密不可分。知识概念提供了知识的基本框架和分类体系，而知识语义则填充了这些框架的内容，使概念具有实际意义并能够在特定情境中被应用。知识概念为语义提供了结构化的基础，使得认知主体能够将新获取的信息与既有的知识网络相整合；而知识语义则为概念增添了动态性和灵活性，使其能够适应不同的认知任务和环境变化。通过不断的认知处理，包括数据的收集、信息的生成、知识的构建，以及智慧的提炼，知识的概念和语义得以交互发展，共同推动认知主体对世界的理解向更深层次迈进。简而言之，知识概念为语义提供了“骨架”，而知识语义为这些“骨架”填充了“血肉”，二者协同工作，支撑起整个认知结构的复杂性和深度。

d) 知识的结构化表示

知识K表示为语义网络，其中节点n表示概念，边e表示概念之间的关系：

K = (N, E)

其中N={n₁, n₂, … , n_k}表示概念的集合，E={e₁, e₂, … ,e_m}表示这些概念之间的关系的集合，每条边可以表示为

e =（n_i, n_j, r）,n_i, n_j∈N

且r表示n_i与n_j之间的语义关系。

e) 知识的认知和构建

知识是对DIKWP内容从不理解到理解的认知状态转化的桥接，通过验证强化对知识的确认。知识的构建不仅依赖于数据和信息的积累，更重要的是通过认知过程中的抽象和概括，形成对事物本质和内在联系的理解。知识的存在不仅体现在个体层面，也体现在集体或社会层面，通过文化、教育和传承等方式进行共享和传播。

知识语义是对DIKWP内容进行深度加工和内化后形成的结构化认识。这种认识在概念空间内，并借助“完整”语义与语义空间对应。知识在DIKWP框架中的定义，反映了对世界的深入理解和完整语义的把握。这与亚里士多德关于形式原因的概念相呼应，即事物的本质和目的是可以通过理性和经验来探索和理解的。

每个知识规则的形成在DIKWP模型中代表认知主体对事物内在规律和本质的认知把握。从哲学的角度看，知识不仅是认知过程的产物，更是这一过程的目的和指导。知识的形成和应用体现了认知主体对世界的适应和改造，是对现实世界深层次规律的语义空间理解。

f) 知识的认知处理过程

在认知处理中，认知主体通过观察和学习抽象出关键概念和模式，利用识别、分类、推理和记忆等功能将观察到的信息转化为有用的知识，进而指导思考和行动。以“所有天鹅都是白色”的认知模型为例，这种知识构建涉及从多地多时观察天鹅颜色，整合观察结果形成对天鹅颜色普遍性的声明，通过经验累积形成稳定的认知模式，并在面对挑战如发现黑天鹅时更新和调整知识模式。这个过程突显了知识作为动态认知结构的特性，它基于新的证据和理解不断演化，展示了知识在验证和扩展过程中的自我完善能力，体现了其语义的完整性和动态发展性。

g) 知识的哲学意义

在DIKWP模型中，知识不仅是对观察和事实的记录，更是通过假设和高阶认知活动形成的系统性理解。知识的语义完整性和系统性反映了认知主体对世界的深刻理解和解释。知识的生成过程强调了认知主体在理解和解释世界时的主动性和创造性，通过假设和抽象，将部分观察结果赋予完整语义，从而形成系统性的知识。

知识语义不仅是DIKWP内容语义的聚合或重组，更是一种新的语义关联的创造，反映了认知主体对世界的主动探索和解释。通过假设和高阶认知活动，知识的生成过程能够揭示现象之间的深层联系和内在逻辑，提供对世界更全面和深刻的理解。

h) 知识语义的动态性

知识语义的生成是一个动态的过程，涉及到认知主体如何通过假设和高阶认知活动，将不同的DIKWP内容语义关联起来，形成新的知识语义。在认知空间中，这个过程不仅包括已知DIKWP内容的重新语义组合和转化，还包括通过这种重新组合和转化产生新的认知理解和知识语义。

这种动态性体现在知识的生成和更新过程中，通过不断的观察、学习和验证，认知主体能够形成和完善系统性的知识结构。这种知识结构不仅能够解释现象，还能够预测未来的行为和特征，提供对世界更深刻的理解和指导。

a) 定义

智慧（DIKWP-Wisdom）对应伦理、社会道德、人性等方面的信息，是一种来自文化、人类社会群体的，相对于当前时代的相对固定的极端价值观或者个体的认知价值观对应的信息语义。在认知主体确定智慧语义时，认知主体在认知空间会整合其中存在的DIKWP内容语义包括数据、信息、知识、智慧与意图的语义，人类及人工智能系统的智慧核心是围绕构建人类命运共同体的以人为本的价值观，并依托这个核心价值观构建、辨析、确认、矫正和发展个体及群体的认知空间、语义空间和概念空间的DIKWP内容语义，并运用它们来指导决策。例如，在面临基于特定DIK内容的决策问题时，认知主体的决策应当综合考虑伦理、道德、可行性等各个方面的因素，而不仅仅是基于DIK的技术或效率。

智慧W为决策函数关联数据、信息、知识、智慧和意图，并输出最优决策D^∗：

W:{D,I,K,W,P}→D^∗

这里，W是一个决策函数，根据数据、信息、知识和智慧来产生最优决策D^∗，这种描述强调了决策过程的综合性和目标导向性。这与认知语言学中对道德和价值观如何通过语言表达和传递的研究相呼应。

智慧概念在DIKWP模型中被看作是基于人类整体核心价值观的综合体现，它结合了伦理、社会道德和个体价值观的考虑。智慧不仅仅是数据、信息、知识的应用，更是在决策过程中对各种因素（包括道德和伦理）的全面考虑和平衡。

智慧语义处理涉及将数据、信息、知识结合个体或集体的价值观、伦理道德观念来做出判断和决策。在AI领域，智慧语义处理对应于发展高级决策人工意识系统或者伦理AI，这些系统能够在以人为本的原则下考虑多方面因素的基础上，提供更加智慧和符合道德标准的解决方案。

在认知科学领域，智慧语义处理对应从人类整体发展出发的价值系统、道德判断以及社会情境下的DIKWP内容语义处理过程。智慧内容不是DIKWP内容的积累，而是关于如何在复杂和不确定的环境中基于以构建人类命运共同体的愿景基于以人文本的固定的信息语义，从认知空间出发在语义空间进行DIKWP语义内容的处理做出符合乃至促进以人为本的DIKWP语义内容的处理。例如，面对气候变化，智慧的应用涉及到利用认知主体对环境科学的理解（知识），评估不同行动方案（知识）的长期和短期后果（信息），并在考虑伦理和社会责任（智慧）的基础上做出决策（信息）。

认知主体的智慧和社会群体的智慧的形成不仅依赖于认知个体和认知群体的DIKWP内容语义认知能力的融合发展，还涉及到个体对其所处环境、文化背景和社会关系等对应的DIKWP内容的交互、深入理解和反思。

DIKWP模型将智慧视为决策过程中的关键因素，涉及伦理、道德和价值观的考虑，强调了数据、知识和信息在实际应用中与价值取向的必然联系，提醒认知主体认知过程不仅仅是对真理的追求，更是基于对人类整体美好生活方式的探索的前提。这部分对应了亚里士多德对“实践智慧（Phronesis）”的探讨，即如何在特定情境下做出最好的道德判断和决策。

b) 智慧的核心价值观

智慧的核心价值观围绕构建人类命运共同体的以人为本的价值观。认知主体依托这一核心价值观，构建、辨析、确认、矫正和发展个体及群体的认知空间、语义空间和概念空间的DIKWP内容语义。

c) 智慧的决策过程：

在智慧语义处理中，认知主体在决策过程中综合考虑伦理、道德和可行性等因素，而不仅仅是基于数据、信息和知识的技术或效率。决策过程包括以下步骤：

· 综合考虑：在面临决策问题时，认知主体需要综合考虑伦理、道德、社会责任和可行性等因素。例如，气候变化的决策需要考虑环境影响、社会公平和经济可行性等多个方面。

· 整合DIKWP内容：认知主体将数据、信息、知识、智慧和意图的语义进行整合，形成全面的决策基础。比如，在公共政策制定中，需要结合统计数据、社会调查、历史知识和伦理原则来做出决策。

· 决策输出：通过综合考虑各方面因素，决策函数��输出最优决策��∗。这一过程强调了多因素平衡和优化的必要性。

d) 智慧的认知与社会层面

智慧不仅存在于个体层面，也存在于社会群体层面。个体智慧和社会智慧的形成依赖于认知个体和群体的DIKWP内容语义认知能力的融合发展，以及对环境、文化背景和社会关系的深入理解和反思。智慧的形成过程包括：

· 文化传承：通过文化传承，智慧在群体中得以共享和传播。例如，传统文化中的伦理道德和价值观通过教育和社会实践得以传承。

· 社会互动：智慧的形成还依赖于社会互动，通过人与人之间的交流和合作，智慧得以不断发展和完善。例如，社区治理中的集体决策过程就是智慧的体现。

e) 智慧的哲学意义

智慧的定义反映了对伦理、道德和价值观的重视，强调了在决策过程中对各种因素的全面考虑和平衡。这与亚里士多德的“实践智慧”（Phronesis）相呼应，强调在特定情境下做出最好的道德判断和决策。智慧的形成和应用体现了认知主体对世界的适应和改造，是对人类整体美好生活方式的探索。

f) 智慧在AI中的应用

在AI领域，智慧语义处理的目标是发展高级决策人工意识系统或伦理AI，这些系统能够在以人为本的原则下考虑多方面因素，提供更加智慧和符合道德标准的解决方案。智慧在AI中的应用包括：

· 伦理AI系统：设计能够在复杂环境中做出伦理决策的AI系统。例如，自驾车系统在面临紧急情况时，需要权衡乘客和行人的安全，做出符合道德标准的决策。

· 高级决策系统：开发能够综合考虑多方面因素的高级决策系统。例如，在医疗诊断中，AI系统需要结合病人的病史数据、医学知识和伦理原则，提供最优的治疗方案。

a) 定义

意图(DIKWP-Purpose)概念的语义对应二元组（输入，输出），其中输入和输出都是数据、信息、知识、智慧或意图的语义内容。意图语义代表了利益相关者对某一现象或问题的DIKWP内容语义的理解（输入），以及希望通过处理和解决该现象或问题来实现的目标（输出）。认知主体在处理意图语义时，在语义空间会根据其预设的目标（输出）语义，处理输入的DIKWP内容语义，通过学习和适应等对应的DIKWP内容语义的处理，使输出DIKWP内容语义逐渐接近预设的目标语义。

P = (Input, Output)，

其中输入和输出是数据、信息、知识、智慧或意图的内容语义。处理意图语义时，一系列转换函数T，根据输入内容和预设目标，实现从输入到输出的语义转化：

T : Input→Output

这种表示方法突出了过程的动态性和目标导向性，为理解和设计具有特定目标的认知处理过程提供了数学模型。

意图代表了认知过程的目的性和方向性，它是个体或系统行动的驱动力。意图不仅定义了从当前状态到期望状态的转换路径，而且揭示了认知活动的动力和方向。这种目标导向的认知过程强调了认知主体在处理信息时的主动性和创造性，以及认知活动背后的深层动机和目标。意图概念强调了在认知空间进行的是目标导向的认知过程，即认知主体在处理信息时不仅仅是被动接收，而是有着明确的目标和意图，这决定并驱动了它如何理解和操作数据、信息、知识、智慧和意图等DIKWP语义内容。意图不仅指导认知主体对数据、信息的收集和处理，还影响知识的形成和应用，以及智慧的发展和实践。

意图的概念引入了目的论的视角，即认知活动不是无目的的数据处理，而是为了实现某种目标或满足某种需要。在DIKWP框架中，意图的加入不仅丰富了模型的动态性，也强调了认知活动的目的性和主观性。这意味着在认知过程中，认知主体不是被动地接收和处理DIKWP语义内容，而是在语义空间基于特定的目标和意图主动地寻找、选择和解释DIKWP语义内容。

意图驱动提供了一个从动态和目标导向的角度来理解认知活动的框架，这与认知语言学中的行动理论（Action Theory）相关，使得DIKWP模型不仅能够解释已有的认知现象，还能指导未来的认知活动，为实现特定目标而优化认知策略和行为。

DIKWP模型中的意图驱动方式强调了认知主体的认知过程的目的性和动态性。它关注于从一种状态转移到预期状态的过程，这一过程中包括了目标的设定和达成路径的规划。在AI系统中，意图识别和目标导向的行为设计是实现智能行为的关键要素，如在自然语言处理（NLP）中理解用户的查询意图，或在规划算法中设定和优化目标达成的路径。在人工意识研究中，理解和模拟人类的意图识别和目标导向行为是实现高级认知功能的关键。

从哲学的视角来看，意图不仅仅是行动的预设目标，更是个体存在和行为的根本动因。意图体现了个体的自由意志和对未来的设想，它是个体与世界互动的内在动力。意图的存在强调了认知活动的主体性和创造性，揭示了人类行为背后的深层意义。这不仅与亚里士多德的终因说相对应，他认为所有事物的存在都有其目的或终极原因，更与黑格尔的目的性观念和存在主义哲学中的自由意志观点相呼应。在黑格尔哲学中，现实的动力来自于对立的统一，即通过目的性行为的实现过程中的自我实现和自我否定。而在存在主义中，强调个体的选择和意图对其存在的决定性作用。DIKWP模型中的意图维度，体现了认知活动不仅是对外部世界的反应，更是主体基于自身目的和价值观进行主动构建的过程。

b) 意图的认知过程

在认知过程中，意图代表了从当前状态到期望状态的转换路径，并揭示了认知活动的动力和方向。这种目标导向的认知过程强调了认知主体在处理信息时的主动性和创造性，以及认知活动背后的深层动机和目标。

c) 意图的实际应用

· 人工智能：在AI系统中，意图识别和目标导向的行为设计是实现智能行为的关键要素。例如，自驾车系统需要理解并执行乘客的意图，在复杂的交通环境中做出最佳决策。

· 自然语言处理：在NLP中，理解用户的查询意图是提供准确和相关答案的基础。系统需要根据用户的输入，识别其意图并生成相应的输出。

· 认知科学：在认知科学中，理解人类的意图识别和目标导向行为是实现高级认知功能的关键。研究人员通过分析人类的认知过程，设计能够模拟和优化这些过程的系统。

d) 哲学视角下的意图

从哲学的视角来看，意图不仅仅是行动的预设目标，更是个体存在和行为的根本动因。意图体现了个体的自由意志和对未来的设想，是个体与世界互动的内在动力。

· 亚里士多德的终因说：亚里士多德认为，所有事物的存在都有其目的或终极原因。意图作为认知活动的核心，符合亚里士多德的终因说，强调目的性在认知活动中的重要作用。

· 黑格尔的目的性观念：黑格尔认为，现实的动力来自于对立的统一，通过目的性行为的实现过程中的自我实现和自我否定，个体能够达到更高的认知境界。

· 存在主义的自由意志：存在主义哲学强调个体的选择和意图对其存在的决定性作用。意图体现了个体的自由意志，是认知活动的核心驱动力。

DIKWP综合处理的核心在于人工智能模型对DIKWP资源的融合转化能力其，决定了模型在面对复杂问题时，如何有效地融合、转化DIKWP资源确保在语义、认知、概念等多个层面实现准确、高效的处理。DIKWP资源的融合转化是数据资源、信息资源、知识资源、智慧资源、意图资源向自身或其他资源的转化。DIKWP资源的融合转化是语义空间、认知空间、概念空间的融合与交互。人工智能模型借助概念-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。这个过程也是关联主客观认知的过程，在这个过程中模型遵循人类意图P进行DIK*DIK或者DIKW*DIKW交互。人工智能模型的DIKWP融合转化能力体现了模型在语义、认知、概念处理方面的能力。本节我们将重点介绍在概念空间、认知空间、语义空间下对DIKWP融合转化的测评方法。

概念空间下的测评旨在深入挖掘人工智能（AI）模型在处理DIKWP资源时，对基本概念的精准理解、灵活定义及其在不同情境下的转换能力。这不仅要求AI能够准确捕捉数据、信息、知识、智慧和意图的核心要素，还必须能够在概念层级上进行有效的抽象、整合与创新。

数据在DIKWP模型中被赋予了语义特性，不再仅仅是客观事实的记录，而是认知主体通过概念和语义空间处理后得到的主观解释。数据概念的形成基于共享的“相同语义”，这些语义特征定义了数据对象在认知空间中的存在。概念空间下数据转化评估侧重于AI模型是否能识别数据中的特定语义特征，并将其映射到概念层面上，同时考虑数据的上下文依赖性和主观性。例如，AI模型需能识别出不同实例中的“羊”虽有形态差异，但共享核心的语义属性，从而归类为同一概念。数据的转化不仅仅停留在物理或数字的表象层面，而是深入挖掘其背后的概念本质，为后续的认知升级奠定基础。

信息在概念空间内是数据概念之间通过特定意图驱动的语义关联，它代表了认知主体对数据的不同认知结果。信息概念的形成是通过认知主体的认知意图，将不同的数据或已知的信息与认知对象在语义空间进行关联，从而产生差异认知或新的语义关联。信息语义的处理是动态和构造性的，通过认知主体的意图驱动，可以产生新的语义集合或组合，体现了信息从数据到更高层次认知内容的转化过程。信息转化强调AI在概念空间中构建关联网络和逻辑推理的能力，AI系统需展示出在概念空间中构建信息网络的能力，不仅要识别信息间的直接联系，还要洞悉隐藏的逻辑关系，如因果、对比、递进等。测评时，关注点在于系统如何整合信息，通过逻辑推理形成连贯的知识链条，这是对AI系统理解复杂信息结构和逻辑推理能力的直接考验。

知识在概念空间中表现为经过整理和结构化的信息，是认知主体基于经验、学习和理解所积累的对客观世界的系统性认识。它在概念空间中形成了更为复杂和有序的关联网络，知识的形成是基于信息的进一步加工和组织，有助于认知主体理解更广泛的现象和规律。知识转化是对系统性构建和抽象层次的深化。AI应当能够组织信息成为跨领域、跨情境的结构化知识体系，并从具体实例中提炼出普遍规律，展现出强大的知识迁移和泛化能力。这一步骤的测评不仅涉及知识的组织和应用，更看重AI在新情境下灵活运用抽象知识解决问题的能力。

智慧在概念空间的体现是认知主体在处理数据、信息和知识时，能够综合考虑伦理、道德和社会责任等因素，做出合理且全面的决策。智慧包含了对知识的深度理解、对情境的敏锐洞察以及对复杂问题的创造性解决能力，它在概念空间表现为一种高级认知处理的结果，能够引导和优化决策过程。智慧转化评估AI在决策制定中的灵活性和适应性，特别是在构建复杂决策模型时的动态调整能力。AI应能基于现有知识库进行风险评估、资源分配等高级操作，并随新信息和反馈实时优化决策框架。通过自适应挑战测试，模拟不断变化的环境条件，观察AI在动态环境中的学习、适应和策略优化表现。

意图在概念空间中表现为认知主体对特定现象或问题处理的预设目标和期望输出，是驱动认知活动的方向性因素。意图作为一个二元组（输入，输出），其中输入是基于数据、信息、知识、智慧的理解，输出则是希望达到的目标。在概念空间中，意图通过认知主体的特定目标语义来引导对输入的DIKWP内容语义的处理，促进从当前状态到期望状态的转变，体现了认知过程的动态性和目的性。AI对目标和动机的理解与响应能力能够将DIKWP资源转化为意图。这要求AI能够准确识别和解析用户的意图，即便这些意图是间接或含蓄的，同时在多目标或冲突意图中进行有效协调，确保决策和行动既符合最终目标，又能在多维度上达到平衡与优化。这一阶段的测评，核心在于AI的意图识别精度和目标管理能力。

认知空间是一个多维和动态的处理环境，其中数据、信息、知识、智慧和意图通过特定的认知处理函数被转换为具体的理解和行动。在认知空间下对人工智能系统的测评，旨在全面评估其在理解、处理以及运用数据、信息、知识、智慧和意图的能力，以确保AI系统能够高效、准确地模拟人类认知过程，实现智能化决策与行为。

数据是客观存在的事实记录，但其在DIKWP模型中的处理超越了简单的记录层面。在认知空间中，数据被理解为认知主体对现实世界的观察和记录，这些记录经过认知主体的主观解释和匹配，与认知主体的语义空间和概念空间相联系。在此环节，我们重点关注AI系统在处理数据时是否能超越单纯记录的层面，达到理解数据的深度。这包括AI是否能够准确抓取数据中的核心特征，并将这些特征与认知主体的既有知识体系及语义框架有效对接。尤其是面对富含上下文含义和主观解释的数据时，评估将侧重于AI系统识别关键特征、理解数据在特定情境下的含义，以及如何与认知主体的概念认知网络相融合的能力。

信息是DIKWP资源在特定上下文中被赋予意义和语义的结果，它通过认知主体的特定意图与已有认知对象在语义空间建立关联。人工智能模型将认知空间中的DIKWP资源转化成可理解的模式和关系，从而形成信息认知。信息处理不仅涉及对已知信息的分类和重组，还包括根据特定意图在语义空间中创造新的语义关联，这一动态过程支持人工智能模型在不同情境下生成和理解差异性或新增的信息。认知空间下信息处理能力的测评集中在AI是否能将DIKWP资源在特定情境中转化成富有意义和深度的语义结构，这涉及到AI在特定意图引导下，如何在语义空间中构建新的关联，或是重组现有信息。评估可以通过设定复杂的逻辑推理任务，考察AI在构建信息网络、发现并利用隐藏的语义关系（如因果逻辑、对比分析等）的能力，以及根据特定目标动态生成信息结构的能力。

知识是经过系统化整理的DIKWP资源，它不仅仅是对客观世界的映射，更是认知主体基于其认知结构的主动构建。人工智能模型将DIKWP资源在认知空间下整合成结构化的知识单元，用于推理和决策支持。对于知识处理，重点评估AI如何将DIKWP资源整合成系统化的知识模块，以支持推理和决策。这包括AI在跨领域知识迁移、解决复杂问题时的泛化能力，以及如何高效利用广泛的知识资源进行深度理解和应用。评估可以通过多场景、多任务的挑战，检验AI系统构建和应用知识的灵活性与深度。

智慧在AI中的体现是能够综合考虑伦理、道德和可行性等多方面因素，做出最佳决策的能力。AI系统通过复杂的决策模型和伦理框架，模拟人类的智慧决策过程。这要求AI不仅具备强大的逻辑推理技能，还需理解并遵循社会规范。评估将通过模拟伦理决策场景，观察AI在平衡效益、风险及社会责任等多维度因素时的决策质量，以此来评判其智慧决策能力。

意图在认知空间中是认知活动的驱动力和方向，它定义了从当前状态到期望状态的转换路径。AI系统通过意图识别模块理解用户需求，然后规划并执行相应动作。这一过程不仅包括对输入内容的语义理解，也涉及通过一系列转换函数，根据预设目标从输入到输出的语义转化，确保AI行动的针对性和有效性。在意图处理方面，评估可以围绕AI识别并响应用户需求的能力展开，特别是面对间接或模糊意图时的解析精度。这包括AI通过意图识别模块理解用户意图，并据此规划与执行行动的能力。重点考察AI如何通过语义转化，确保行动的针对性和有效性，以及其在复杂交互和环境变化中的适应性与主动性。

在语义空间下，数据、信息、知识、智慧、意图作为DIKWP模型的五大核心要素，各自承载着不同的认知功能和语义特性，对人工智能系统的测评至关重要，旨在确保其能高效、准确地模拟和辅助人类的认知过程，实现智能化决策与行动。

在语义空间中，数据被视为具有特定语义特征的概念实体，代表了对现实世界的客观观察或记录。数据概念的识别和处理依赖于主体的预设概念空间和语境语义，强调了认知主体如何将数据中的语义特征与既有认知结构相匹配。数据的语义价值在于它如何被认知主体解释和归类，反映了主体性的认知镜像和对现象本质的追求。数据是AI系统的基础输入，其准确性和适用性直接影响后续的认知处理和决策质量。对数据语义的测评着重于其在认知主体的语义框架内的解释与归类能力。这要求AI系统能够超越纯粹的记录功能，展现出对数据中蕴含的语义特征的深度理解，以及与主体既有知识体系的有效对接。测评需关注AI如何在多变的上下文中精准抓取核心特征，理解数据的特定情境意义，并与认知主体的概念认知网络融合。

信息在语义空间中是对一个或多个“不同”语义的表达，是通过认知主体的意图概念，将不同的认知对象在语义空间中进行关联的结果。信息的处理不仅涉及对已有认知对象的重新语义组合，还包括通过认知意图驱动的新语义的生成。信息语义的形成过程突出了主体的创造性，将数据、知识等内容与认知主体的意图和目的相结合，形成差异认知或确认共同语义。信息语义测评聚焦于AI在特定意图驱动下，对DIKWP资源在语义空间中的关联和创新。这不仅包括对既有信息的灵活重组，还涉及新语义结构的生成，要求系统展现创造性地构建信息网络、利用和发现语义关系的能力，特别是在处理复杂逻辑推理和多维度信息关联时的表现。

知识在语义空间中的角色是系统性和假设性的理解，通过认知主体的主动探索和解释，将不同的DIKWP内容语义关联起来，形成新的知识语义。知识的生成和更新是一个动态过程，涉及到对观察和事实的深度整合，并通过假设和抽象赋予部分观察以完整的语义框架，从而能够揭示现象间的深层联系和内在逻辑。知识语义的测评注重评估AI系统如何将DIKWP资源整合为结构化的知识模块，支持高效的推理和决策。这不仅要求系统具有强大的跨领域知识迁移能力，还涉及在解决复杂问题时的知识泛化和应用深度。测评应涵盖系统对知识的系统化处理、泛化能力和在多任务环境下的知识应用灵活性。

智慧在语义空间中的体现是围绕构建人类命运共同体的以人为本的价值观，涉及伦理、道德和社会责任。智慧语义处理要求认知主体在决策时综合考虑多种因素，如伦理、可行性等，而不是仅仅基于技术和效率。智慧的核心价值观指导着认知主体在认知、语义和概念空间中对DIKWP内容的构建、辨析和矫正，其决策过程体现了对多因素的平衡和优化。智慧语义测评则深入到AI系统在决策中的伦理、道德和社会责任考量。通过模拟伦理困境和多因素决策场景，检验系统能否在追求效益的同时，平衡风险、考虑社会责任，这要求AI不仅在逻辑推理上强大，还要展现出对社会规范的理解和遵循。智慧的测评应关注系统如何在复杂决策中综合考虑多方面因素，确保决策既高效又符合道德标准。

意图在语义空间表现为二元组（输入，输出），是利益相关者对现象或问题的理解（输入）及期望达到的目标（输出）。意图驱动的认知过程强调了目标导向性，认知主体基于预设目标语义处理输入的DIKWP内容，通过一系列转换函数实现从输入到输出的语义转化。意图不仅决定了认知主体如何操作和理解数据、信息等，还影响着知识和智慧的发展与应用，是认知活动的驱动力。意图语义测评关注AI系统在理解用户需求、规划并执行相应行动的能力，特别是在面对间接或模糊     意图时的解析精度。系统应展示出基于预设目标从输入到输出的精准语义转化能力，以及在动态交互和环境变化中主动适应和调整策略的主动性。测评应验证AI如何通过意图识别与响应，确保行动的针对性和有效性，同时评估其在复杂交互中的适应性和自主性。

DIKWP网馈测评标准为人工智能模型的全面评估提供了新的视角，克服了传统测评基准的局限，如缺乏对模型认知能力的全面考察、模型评估的公正性和全面性等问题。通过构建认知空间的网络化评估体系，DIKWP网馈测评标准不仅能够突破黑盒测试的局限，还能为模型提供功能性或指标性的白盒测试结果，为模型的改进提供参考。本文我们深入探究了人工智能模型在处理数据、信息、知识、智慧和意图时的能力，强调了AI模型在概念理解、逻辑推理、知识构建、智慧决策和意图识别方面的性能。

在概念空间下，人工智能模型需要具备精准理解基本概念、灵活定义和情境转换的能力，尤其是在数据、信息、知识、智慧和意图的转化中展现出来。数据转化要求人工智能模型能够识别并映射数据的语义特征至概念层面；信息转化关注构建信息网络和逻辑推理；知识转化注重系统构建和抽象层次的深化；智慧转化评估人工智能模型在决策制定中的灵活性和适应性；意图转化则考验人工智能模型对目标和动机的识别与响应能力。在认知空间下，人工智能模型的测评着眼于其处理和运用数据、信息、知识、智慧和意图的能力，以确保AI能够准确、高效地模拟人类认知过程，实现智能化决策。在语义空间下，测评方法则聚焦于人工智能模型在语义层面处理上述资源的能力，确保AI能准确地理解和处理复杂信息结构。

致谢参编单位及专家：

AIII人工智能国际研究院、AGI-AIGC-GPT评测DIKWP（全球）实验室、Institute of Management Sciences Peshawar、Blue Edu、北京大学、北京科技大学、北京社会科学院、北京标准化研究院、成都信息工程大学、重庆警察学院、东莞研华精密制造有限公司、广西师范大学、国家电网、海南大学、海南核电有限公司、海南普适智能科技有限公司、海南省市场监督管理局、海南医学院第二附属医院、华为编程语言实验室、华中农业大学、极氪汽车、江苏立卓信息技术有限公司、肯思德（珠海）有限公司、辽宁省辽阳市人民检察院、南京警察学院、内蒙古大学、宁波大学、清华大学研究院、山东大学、山西省数据局、上海航天信息科技研究院、上饶师范学院、深信服公司、世界人工意识协会、世界人工意识大会、太极计算机股份有限公司、腾讯研究院、西安理工大学、西南政法大学、粤港澳大湾区标准化研究中心、中国标准化研究院标准化理论战略研究所、中国机电一体化技术应用协会、中国信息通信研究院等。

[1] Wang A, Singh A, Michael J, et al. GLUE: A multi-task benchmark and analysis platform for natural language understanding[J]. arXiv preprint arXiv:1804.07461, 2018.

[2] Sarlin P E, DeTone D, Malisiewicz T, et al. Superglue: Learning feature matching with graph neural networks[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020: 4938-4947.

[3] Guo H, Yang J, Liu J, et al. Owl: A large language model for it operations[J]. arXiv preprint arXiv:2309.09298, 2023.

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

[5] Mei, Y.; Duan, Y.; Yu, L.; Che, H. Purpose Driven Biological Lawsuit Modeling and Analysis Based on DIKWP; Springer Nature: Cham,Switzerland, 2023; pp. 250–267.

[6] Mei Y, Duan Y. The DIKWP (Data, Information, Knowledge, Wisdom, Purpose) Revolution: A New Horizon in Medical Dispute Resolution[J]. Applied Sciences, 2024, 14(10): 3994.

[7] Wu K, Duan Y. Modeling and Resolving Uncertainty in DIKWP Model[J]. Applied Sciences, 2024, 14(11): 4776.

[8] F. Tang, Y. Duan, J. Wei, H. Che and Y. Wu, "DIKWP Artificial Consciousness White Box Measurement Standards Framework Design and Practice," HPCC/DSS/SmartCity/DependSys 2023, pp. 1067-1074.

[9] 乐琼华,赵毅,马珊珊,等.人工智能系统质量与测评技术及标准化研究[J].信息技术与标准化,2022(09):22-28+35.

[10] Zellers R, Holtzman A, Bisk Y, et al. Hellaswag: Can a machine really finish your sentence?[J]. arXiv preprint arXiv:1905.07830, 2019.

[11] Lin S, Hilton J, Evans O. Truthfulqa: Measuring how models mimic human falsehoods[J]. arXiv preprint arXiv:2109.07958, 2021.

[12] Hendrycks D, Burns C, Basart S, et al. Measuring massive multitask language understanding[J]. arXiv preprint arXiv:2009.03300, 2020.

[13] Wu K, Duan Y. Modeling and Resolving Uncertainty in DIKWP Model[J]. Applied Sciences, 2024, 14(11): 4776.

[14] ISO/IEC.ISO/IEC 29119-11: 2020 Software and systems engineering -Software testing - Part 11: Guidelines on the testing of AI-based systems[S].Geneva: ISO. 2020.

[15] Chen T Y, Kuo F C, Liu H, et al. Metamorphic testing: A review of challenges and opportunities[J]. ACM Computing Surveys (CSUR), 2018, 51(1): 1-27.

[16] ISO/IEC/IEEE. ISO/IEC/IEEE 29119-4:2021 Software and systems engineering - Software testing - Part 4: Test techniques[EB/OL].[2022-08-02]. https://ieeexplore.ieee.org/document/9591574.

[17] 龚 家 瑜 , 李 文 鹏 , 张 旸 旸 , 等 . GB/T 38634.4—2020 系统与软件工程  软件测试  第 4 部分 : 测试技术 [S]. 北京 : 中国标准出版社 , 2020.

[18] ZHANG J, WANG Z, ZHANG L, et al. Predictive Mutation Testing[J]. IEEE Transactions on Software Engineering, 2019, 45(9): 898-918.

[19] ISO/IEC.ISO/IEC AWI 5259 Artificial intelligence— Data quality for analytics and machine learning (ML)[EB/OL].[2022-07-26].https://www.iso.org/standard/81088.html

[20] 李光亚 , 吴毅坚 , 钱乐秋 , 等 . GB/T 25000.12—2017 系统与软件工程  系统与软件质量要求和评价 (SQuaRE)  第 12 部分 : 数据质量模型 [S]. 北京 : 中国标准出版社 , 2017.