第111章　完整数据流

第110章解决了 SAI 的完整类关系：

Application
→ Kernel
→ Container
→ Individual
→ Central
→ Component

第111章进一步解决一个更加核心的问题：

数据进入 SAI 以后，究竟经过哪些结构、发生什么变化、最终如何回到外部世界，并再次形成新的数据？

因此，本章建立 SAI 的完整数据生命周期。

核心不是简单的“输入→输出”，而是：

外部世界
 ↓
场景采集
 ↓
信息接收
 ↓
感知
 ↓
元素
 ↓
对象
 ↓
关系
 ↓
认知
 ↓
记忆
 ↓
推理
 ↓
决策
 ↓
行为
 ↓
行动
 ↓
表现
 ↓
执行
 ↓
反馈
 ↓
经验
 ↓
学习
 ↓
更新
 ↓
再次接收新信息

这构成 SAI 的数据闭环。

1. 外部世界

1.1 外部世界定义

外部世界是 SAI 所面对的实际环境。

例如：

机器人
车辆
机器
人员
道路
建筑
设备
传感器
网络系统
文件
用户

外部世界不是 SAI 内部对象。

例如：

真实 Robot_A

属于外部世界。

而：

RobotObject

是 SAI 对这个真实机器人建立的内部结构表示。

因此：

外部实体 ≠ SAI Object

1.2 外部世界产生变化

例如机器人前方出现障碍物：

t1
Obstacle_A = 2.0m

t2
Obstacle_A = 1.5m

t3
Obstacle_A = 0.8m

这些变化通过 Sensor、Device、Camera、External System 等进入 SAI。

2. 场景采集

SceneCollector 将不同来源、不同时间的信息组织起来。

External World
      ↓
Sensor
      ↓
Information
      ↓
SceneCollector
      ↓
Scene

例如：

Scene_A
│
├── Robot_A
│   ├── speed = 1.2
│   └── state = MOVING
│
├── Obstacle_A
│   ├── distance = 0.8
│   └── state = ACTIVE
│
└── Relation
    └── Robot_A FRONT_OF Obstacle_A

2.1 SceneCollector 的重要作用

SceneCollector 不负责：

Reasoning
Decision
Learning

它主要负责：

采集
整理
合并
排序
比较时间
更新场景

例如：

t1 distance = 2.0
t2 distance = 1.5
t3 distance = 0.8

SceneCollector 可以形成：

distance:
2.0 → 1.5 → 0.8

变化：
DECREASING

这为后面的 Cognition 和 Reasoning 提供结构化数据。

3. 信息接收

场景数据最终进入 Individual。

Scene
 ↓
InformationReceiver
 ↓
Individual

Information 可以来自：

Sensor
Camera
Device
RobotAdapter
VehicleAdapter
Web
API
Operator
External System
Feedback
Internal State

3.1 Information 结构

Information
├── id
├── source
├── type
├── target
├── data
├── timestamp
└── state

例如：

Information_001

source = DistanceSensor_A
type = SENSOR_DATA
target = Robot_A

data:
distance = 0.8
direction = FRONT

3.2 信息接收不等于感知

这是重要边界：

InformationReceiver
=
接收信息

Perception
=
处理并结构化信息

所以：

InformationReceiver ≠ Perception

4. 感知

Perception 将 Information 转换为可处理的结构。

Information
     ↓
Perception

输入：

distance = 0.8
direction = FRONT

感知结果：

Element
├── distance = 0.8
└── direction = FRONT

然后进一步形成：

Object
Obstacle_A

4.1 感知过程

Information
 ↓
Validation
 ↓
Element Extraction
 ↓
Object Recognition
 ↓
Property Recognition
 ↓
State Recognition
 ↓
Relation Recognition
 ↓
Perception Result

Perception 的核心：

把获得的信息转化为 SAI 可以组织的离散结构。

5. 元素

Element 是数据流中的基础结构单元。

例如：

Robot_A
Obstacle_A
0.8
FRONT
MOVING
ACTIVE

都可以成为 Element。

可以表示为：

Element
├── ObjectElement
├── PropertyElement
├── StateElement
├── RelationElement
├── ValueElement
├── TimeElement
├── LocationElement
└── EventElement

5.1 Element 的作用

Element 是从：

Information

到：

Object / Property / State / Relation

之间的中间结构。

即：

Information
 ↓
Element
 ↓
Structured World Representation

6. 对象

Element 进一步组织成 Object。

例如：

Robot_A

形成：

Robot_A
│
├── speed = 1.2
├── battery = 76
├── state = MOVING
└── position = P1

另一个：

Obstacle_A
│
├── distance = 0.8
├── direction = FRONT
└── state = ACTIVE

6.1 Object 是结构化实体

Object：

Identity
+
Property
+
Method
+
Relation
+
State

例如：

Robot_A

不是简单的字符串，而是：

Object {
    id,
    properties,
    methods,
    relations,
    state
}

7. 关系

多个 Object 之间通过 Relation 建立联系。

例如：

Robot_A
    │
    │ FRONT_OF
    ↓
Obstacle_A

以及：

Robot_A
    │
    │ LOCATED_ON
    ↓
Road_A

7.1 Relation 进入认知

单独知道：

Robot_A
Obstacle_A
distance = 0.8

还不够。

还需要：

Robot_A FRONT_OF Obstacle_A

于是形成：

Object
+
Property
+
Relation
+
State

这才成为完整的场景结构。

8. 认知

Cognition 对感知得到的结构进行理解。

输入：

Robot_A
speed = 1.2

Obstacle_A
distance = 0.8

Relation:
Robot_A FRONT_OF Obstacle_A

Cognition 可以形成：

Robot_A 正在运动

Obstacle_A 位于 Robot_A 前方

Obstacle_A 距离 Robot_A 0.8m

当前存在前方障碍物

这里的结果是结构化理解。

8.1 Cognition 数据结构

可以形成：

CognitionResult
├── objects
├── properties
├── relations
├── states
├── conditions
├── context
├── matching
├── understanding
└── state

例如：

state = UNDERSTOOD

9. 记忆

认知结果需要进入 Memory。

Cognition
     ↓
Memory

Memory 同时还可以向 Cognition、Reasoning、Decision 提供历史数据：

             Memory
             ↙ ↓ ↘
      Cognition Reasoning Decision

9.1 写入 Memory

例如当前事实：

Robot_A
state = MOVING

可以形成：

FactMemory

当前经历：

Obstacle_A
distance = 0.8
Decision = STOP
Result = SUCCESS

可以形成：

ExperienceMemory

9.2 Memory 不改变事实

Memory 的基本职责是：

保存
读取
更新
验证
组织

它不应该为了让系统“更智能”而任意改变输入事实。

10. 推理

Reasoning 使用：

Current Understanding
+
Memory
+
Facts
+
Relations
+
Rules
+
Experience

形成 Conclusion。

例如：

distance = 0.8

规则：

IF
distance < 1.0

THEN
risk = HIGH

推理：

0.8 < 1.0
      ↓
TRUE
      ↓
risk = HIGH

形成：

Conclusion:
Robot_A.risk = HIGH

10.1 推理数据流

Cognition
    ↓
Current Conditions
    ↓
Memory
    ↓
Facts + Rules + Experience
    ↓
Reasoning
    ↓
Conclusion

11. 决策

Decision 使用推理结果。

输入：

risk = HIGH

候选：

CONTINUE
SLOW_DOWN
STOP
TURN_LEFT
TURN_RIGHT

Decision 进一步检查：

Condition
Risk
Priority
Conflict
Capability
State
Experience

最终：

Decision = STOP

11.1 Decision 不等于 Action

此时系统只是：

决定：
STOP

还没有真正执行。

所以：

Decision ≠ Action

12. 行为

Behavior 将 Decision 组织成执行过程。

Decision
   ↓
Behavior

例如：

Decision = STOP

形成：

Behavior = SAFE_STOP

Behavior：

SAFE_STOP
│
├── CHECK_STATE
├── REDUCE_SPEED
├── STOP
└── VERIFY

因此：

Decision = 选择方案
Behavior = 组织执行过程

13. 行动

Action 是实际的具体操作。

例如：

Action:
SET_SPEED
value = 0

或者：

Action:
STOP

完整：

Decision
 ↓
Behavior
 ↓
Action

13.1 Action 是离执行最近的内部操作

例如：

Action
{
    type: SET_SPEED,
    target: Robot_A,
    value: 0
}

此时仍然没有直接改变真实机器人。

还需要：

Adapter

或：

DeviceAdapter

连接外部环境。

14. 表现

Expression 将内部结果形成可向外传递的结构。

例如：

Action:
STOP

可以形成：

Expression
{
    type: ACTION,
    target: Robot_A,
    action: STOP
}

表现层：

Action
 ↓
Expression
 ↓
Template
 ↓
Renderer

14.1 Expression 不等于生成

Expression 只是：

将已经存在的结构化结果按照外部接口要求进行表达。

它不会：

创造不存在的信息
改变 Decision
重新 Reasoning

15. 执行

执行阶段将 SAI 的 Action 真正连接到外部环境。

例如：

Action
 ↓
RobotAdapter
 ↓
Robot Controller
 ↓
Physical Robot

具体：

Action
SET_SPEED = 0
      ↓
RobotAdapter
      ↓
DeviceCommand
      ↓
Robot Controller
      ↓
Physical Robot

机器人实际发生：

speed:
1.2 → 0

状态：

MOVING → STOPPED

15.1 表现与执行不一定完全相同

对于 Web：

Expression
 ↓
Template
 ↓
WebRenderer
 ↓
WebAdapter
 ↓
Browser

对于设备：

Action
 ↓
DeviceAdapter
 ↓
Device

因此：

Expression / Renderer

主要解决表现。

而：

Adapter

主要解决外部连接和执行。

16. 反馈

外部世界实际发生变化后产生 Feedback。

例如：

Command:
STOP

设备返回：

state = STOPPED
speed = 0

形成：

Feedback
{
    source: Robot_A,
    action: STOP,
    state: STOPPED,
    changes: {
        speed: 1.2 → 0
    }
}

16.1 Feedback 回到 Information

最重要的一点：

Feedback
   ↓
Information
   ↓
Perception

因为 SAI 不应该只相信：

“我发出了 STOP”

而应该确认：

“机器人实际上已经 STOPPED”

因此形成：

Action
 ↓
Execution
 ↓
Feedback
 ↓
Information
 ↓
Perception
 ↓
Verification

17. 经验

Feedback 和整个执行过程可以形成 Experience。

Condition
+
Decision
+
Behavior
+
Action
+
Result
+
Feedback

例如：

Condition:
Obstacle distance = 0.8m

Decision:
STOP

Behavior:
SAFE_STOP

Action:
STOP

Result:
SUCCESS

Feedback:
Robot speed 1.2 → 0

Outcome:
SAFE

形成：

Experience_001

17.1 Experience 是历史过程

Experience 不是当前状态。

例如：

当前：
Robot_A = STOPPED

这是 State。

而：

曾经因为 Obstacle_A 距离 0.8m，
执行 STOP，
最终安全停止。

这是 Experience。

18. 学习

Learning 使用 Experience、Feedback、Information 和 Memory 获取知识。

Experience
     ↓
Learning
     ↓
Knowledge

例如历史经历：

distance < 1.0
+
front obstacle
+
STOP
+
SUCCESS

经过验证后形成知识资源：

Knowledge:
前方障碍物距离小于安全阈值时，
STOP 是一个可用的安全处理方案。

在系统内部更适合保存成结构：

Knowledge
{
    condition: {
        relation: FRONT_OF,
        distance: < 1.0
    },

    applicable_action: STOP,

    result: SAFE,

    source: Experience_001,

    state: VERIFIED
}

19. 更新

Learning 形成新的知识资源后，需要更新系统。

可能更新：

Memory
Knowledge
Experience
Rule
Ability Resource
History

例如：

Experience
 ↓
Learning
 ↓
Knowledge
 ↓
Memory Update

如果经过验证后形成新规则：

Knowledge
 ↓
Rule Update

如果形成新的能力资源：

Knowledge
 ↓
Ability Resource Update

20. 更新后的下一轮数据流

Update 并不是整个系统结束。

更新完成以后，SAI 再次接收新信息：

Update
 ↓
New Information
 ↓
Scene
 ↓
Perception
 ↓
Cognition
 ↓
...

因此：

学习不是终点。

而是：

为下一轮运行提供新的资源。

21. 完整数据流实例

现在把整个过程串起来。

假设：

Robot_A
speed = 1.2m/s

Obstacle_A
distance = 0.8m

第一阶段：外部世界

Physical World
│
├── Robot_A
└── Obstacle_A

第二阶段：场景采集

Sensor 获取：

distance = 0.8m

SceneCollector：

Scene_A
├── Robot_A
└── Obstacle_A

第三阶段：信息接收

Information_001
source = DistanceSensor_A
data = distance: 0.8

第四阶段：感知

Perception
 ↓
Element

得到：

distance = 0.8
direction = FRONT

第五阶段：对象

形成：

Robot_A
Obstacle_A

第六阶段：关系

形成：

Robot_A
   │
   │ FRONT_OF
   ↓
Obstacle_A

第七阶段：认知

Cognition：

Obstacle_A is in front of Robot_A

distance = 0.8m

Robot_A is MOVING

第八阶段：记忆

读取：

FactMemory
RuleMemory
ExperienceMemory

例如：

Rule:
distance < 1.0 → HIGH_RISK

第九阶段：推理

0.8 < 1.0

得到：

Conclusion:
risk = HIGH

第十阶段：决策

候选：

CONTINUE
SLOW_DOWN
STOP
TURN

风险：

HIGH

最终：

Decision = STOP

第十一阶段：行为

Behavior = SAFE_STOP

第十二阶段：行动

Action:
STOP Robot_A

第十三阶段：表现

Expression:
{
    type: ACTION,
    target: Robot_A,
    action: STOP
}

如果需要向设备控制接口发送：

Template
 ↓
Renderer

形成设备命令结构。

第十四阶段：执行

RobotAdapter
 ↓
DeviceCommand
 ↓
Robot Controller
 ↓
Robot_A

真实变化：

speed:
1.2 → 0

第十五阶段：反馈

机器人返回：

DeviceResponse:
state = STOPPED
speed = 0

形成：

Feedback

第十六阶段：经验

形成：

Experience
{
    condition: distance < 1.0,
    decision: STOP,
    behavior: SAFE_STOP,
    action: STOP,
    result: SUCCESS,
    feedback: STOPPED,
    outcome: SAFE
}

第十七阶段：学习

Experience
 ↓
Learning
 ↓
Knowledge

例如：

Knowledge:
当前条件下 STOP 是有效处理方式。

第十八阶段：更新

Knowledge
 ↓
Memory Update

历史记录保留：

t1:
Robot speed = 1.2

t2:
STOP command

t3:
Robot speed = 0

下一次收到新信息后重新计算。

22. 完整数据流总图

                         外部世界
                            │
                            ↓
                         场景采集
                            │
                            ↓
                         信息接收
                            │
                            ↓
                           感知
                            │
                            ↓
                           元素
                            │
                            ↓
                           对象
                            │
                            ↓
                           关系
                            │
                            ↓
                           认知
                            │
                            ↓
                           记忆
                            │
                            ↓
                           推理
                            │
                            ↓
                           决策
                            │
                            ↓
                           行为
                            │
                            ↓
                           行动
                            │
                            ↓
                           表现
                            │
                            ↓
                           执行
                            │
                            ↓
                         外部世界
                            │
                            ↓
                           反馈
                            │
                 ┌──────────┼──────────┐
                 ↓          ↓          ↓
                经验       记忆       信息
                 │                     │
                 ↓                     ↓
                学习                   感知
                 │
                 ↓
                更新
                 │
        ┌────────┴────────┐
        ↓                 ↓
      Memory          Knowledge
        │
        └────────→ 下一轮运行

23. 数据在不同阶段的变化

这是本章最重要的地方之一。

同一现实事件在不同阶段并不是同一种数据。

外部世界
↓
物理状态

例如：

障碍物距离 0.8m

经过场景采集：

Scene

经过信息接收：

Information

经过感知：

Element

经过对象化：

Object

经过关系组织：

Relation

经过认知：

Understanding

经过推理：

Conclusion

经过决策：

Decision

经过行为：

Behavior

经过行动：

Action

经过执行：

DeviceCommand

外部世界发生变化：

Robot speed 1.2 → 0

再经过反馈：

Feedback

形成：

Experience

最终：

Knowledge

所以：

数据在 SAI 中不是简单地被传递，而是在不同阶段被逐步结构化、理解、计算、选择、执行和验证。

24. 三条主要数据路径

整个 SAI 实际上可以看成三条相互连接的路径。

第一条：认知路径

Information
 ↓
Perception
 ↓
Element
 ↓
Object
 ↓
Relation
 ↓
Cognition
 ↓
Memory
 ↓
Reasoning
 ↓
Decision

解决：

现在发生了什么？为什么？应该怎么做？

第二条：执行路径

Decision
 ↓
Behavior
 ↓
Action
 ↓
Expression
 ↓
Template
 ↓
Renderer
 ↓
Adapter
 ↓
External Execution

解决：

决定以后如何形成并执行实际操作。

设备直接控制时：

Decision
 ↓
Behavior
 ↓
Action
 ↓
DeviceAdapter
 ↓
Device

第三条：学习闭环

Execution
 ↓
Feedback
 ↓
Experience
 ↓
Learning
 ↓
Knowledge
 ↓
Memory Update
 ↓
Next Runtime

解决：

过去发生的事情如何成为未来可以使用的知识资源。

25. 完整闭环

最终三条路径合并：

                ┌──────────── 外部世界 ────────────┐
                │                                  │
                ↓                                  ↑
             场景采集                              │
                ↓                                  │
             信息接收                              │
                ↓                                  │
               感知                                │
                ↓                                  │
               元素                                │
                ↓                                  │
               对象                                │
                ↓                                  │
               关系                                │
                ↓                                  │
               认知                                │
                ↓                                  │
               记忆                                │
                ↓                                  │
               推理                                │
                ↓                                  │
               决策                                │
                ↓                                  │
               行为                                │
                ↓                                  │
               行动                                │
                ↓                                  │
               表现                                │
                ↓                                  │
               执行 ──────────────────────────────┘
                │
                ↓
               反馈
                │
        ┌───────┴────────┐
        ↓                ↓
       经验             记忆
        ↓
       学习
        ↓
      知识
        ↓
       更新
        ↓
    Memory / Rule /
    Ability Resource

26. 本章核心区别

阶段	核心问题
外部世界	实际发生了什么
场景采集	当前环境有什么
信息接收	收到了什么
感知	信息中有什么结构
元素	基本信息单元是什么
对象	哪些实体存在
关系	实体之间是什么关系
认知	这些结构代表什么
记忆	过去保存了什么
推理	根据已知条件可以得到什么
决策	选择什么方案
行为	如何组织执行过程
行动	当前具体执行什么
表现	如何形成外部表达结构
执行	外部环境实际发生什么
反馈	实际执行结果是什么
经验	这次经历是什么
学习	从经历中获取什么知识
更新	哪些内部资源需要更新

第111章最终数据流

可以将本章最终模型定义为：

外部世界
   ↓
场景采集
   ↓
信息接收
   ↓
感知
   ↓
元素
   ↓
对象
   ↓
关系
   ↓
认知
   ↓
记忆
   ↓
推理
   ↓
决策
   ↓
行为
   ↓
行动
   ↓
表现
   ↓
执行
   ↓
反馈
   ↓
经验
   ↓
学习
   ↓
更新
   ↓
新的信息
   ↓
再次运行

压缩成 SAI 的完整闭环：

Information
→ Perception
→ Element
→ Object
→ Relation
→ Cognition
→ Memory
→ Reasoning
→ Decision
→ Behavior
→ Action
→ Expression
→ Execution
→ Feedback
→ Experience
→ Learning
→ Update
→ Information

因此，第111章建立的是 SAI 的完整数据生命周期：

数据从外部世界进入 SAI，经由场景、信息、感知、元素、对象、关系形成认知结构；再经过记忆、推理、决策形成行为和行动；行动作用于外部世界产生反馈；反馈形成经验，经验经过学习形成知识，并更新 Memory、Rule、Ability Resource 等内部资源，最终进入下一轮数据处理。

这也使前面第36章到第110章建立的各个组件第一次真正形成了一条连续、可追踪的运行数据链。

第111章 完整数据流

第111章 完整数据流

1. 外部世界

1.1 外部世界定义

1.2 外部世界产生变化

2. 场景采集

2.1 SceneCollector 的重要作用

3. 信息接收

3.1 Information 结构

3.2 信息接收不等于感知

4. 感知

4.1 感知过程

5. 元素

5.1 Element 的作用

6. 对象

6.1 Object 是结构化实体

7. 关系

7.1 Relation 进入认知

8. 认知

8.1 Cognition 数据结构

9. 记忆

9.1 写入 Memory

9.2 Memory 不改变事实

10. 推理

10.1 推理数据流

11. 决策

11.1 Decision 不等于 Action

12. 行为

13. 行动

13.1 Action 是离执行最近的内部操作

14. 表现

14.1 Expression 不等于生成

15. 执行

15.1 表现与执行不一定完全相同

16. 反馈

16.1 Feedback 回到 Information

17. 经验

17.1 Experience 是历史过程

18. 学习

19. 更新

20. 更新后的下一轮数据流

21. 完整数据流实例

第一阶段：外部世界

第二阶段：场景采集

第三阶段：信息接收

第四阶段：感知

第五阶段：对象

第六阶段：关系

第七阶段：认知

第八阶段：记忆

第九阶段：推理

第十阶段：决策

第十一阶段：行为

第十二阶段：行动

第十三阶段：表现

第十四阶段：执行

第十五阶段：反馈

第十六阶段：经验

第十七阶段：学习

第十八阶段：更新

22. 完整数据流总图

23. 数据在不同阶段的变化

24. 三条主要数据路径

第一条：认知路径

第二条：执行路径

第三条：学习闭环

25. 完整闭环

26. 本章核心区别

第111章最终数据流