第15章　动态属性：Attribute(t)

上一章解决了一个基础问题：

属性不是静态值，而是随时间变化的动态信息。

我们已经从：

Object
 ↓
Attribute
 ↓
Value

扩展到了：

Object
 ↓
Attribute
 ├── Value
 ├── State
 ├── Change
 ├── Rate
 └── Trend

但是，如果理论工程要真正描述现实世界，仅仅把属性拆成几个字段仍然不够。

因为现实中的属性并不是“偶尔变化一次”。

它们是在持续变化。

温度在变化，压力在变化，位置在变化，速度在变化，摩擦在变化，接触面积在变化，物体形变也在变化。

因此，认知系统面对的不是：

Pressure = 3N

而是：

Pressure(t)

也就是：

压力在时间 t 上的状态。

这就是动态属性的正式表达。

15.1 从 Attribute 到 Attribute(t)

传统属性可以表示：

Attribute = Value

例如：

Egg.Weight = 50g

这种表示方式默认属性是一个确定值。

但现实世界中的对象属性通常具有时间性。

例如机器人抓取鸡蛋时：

t1：压力 = 0N
t2：压力 = 0.5N
t3：压力 = 1.0N
t4：压力 = 1.5N
t5：压力 = 1.8N

因此，压力不应该被表示为：

Pressure = 1.8N

而应该表示为：

$$Pressure(t)$$

于是：

$$Attribute(t)$$

成为动态属性的基本理论表达。

它表示：

某个对象的某个属性，在某一个时间状态下所表现出来的值及其相关动态信息。

15.2 Attribute(t) 的基本含义

可以把：

$$A(t)$$

理解为：

属性 A 在时间 t 上的状态。

例如：

$$Pressure(t)$$

表示压力随时间变化的状态。

同样：

$$Position(t)$$

表示位置随时间变化。

$$Temperature(t)$$

表示温度随时间变化。

$$Velocity(t)$$

表示速度随时间变化。

因此：

Weight

和：

Pressure(t)

具有不同的认知性质。

重量在某些场景下可以近似看作稳定属性。

而压力通常是：

Pressure(t1)
Pressure(t2)
Pressure(t3)
...

持续变化的。

15.3 动态属性的核心不是“时间戳”

这里需要特别区分一个问题。

动态属性并不是简单地：

Value + Timestamp

例如：

Pressure = 2.8N
Time = 12:31:20

这种数据只是：

带有时间标签的数据。

而：

$$Attribute(t)$$

表达的是更深层的理论关系：

属性的值本身是时间的函数。

即：

$$A=f(t)$$

因此：

Pressure(t)

不是简单记录“某个时间的压力”。

而是在描述：

压力这一属性本身具有时间变化结构。

这一区别非常重要。

15.4 属性序列

在工程系统中，我们通常无法连续获得无限精度的：

$$A(t)$$

而是通过采样获得：

A(t1)
A(t2)
A(t3)
A(t4)
...

例如：

Time       Pressure

t1         0.2N
t2         0.5N
t3         0.9N
t4         1.4N
t5         1.8N

这就是一个属性时间序列。

可以表示为：

A(t1​),A(t2​),A(t3​),…,A(tn​)

于是，动态属性实际上形成：

Attribute
 ↓
Time Series
 ↓
Dynamic State

15.5 当前值只是动态属性的一个截面

这一点非常重要。

如果系统当前读取：

Pressure(t5)=1.8N

那么 1.8N 只是整个动态属性过程中的一个截面。

完整信息实际上是：

t1 = 0.2N
t2 = 0.5N
t3 = 0.9N
t4 = 1.4N
t5 = 1.8N

因此：

当前值不能代替动态属性。

当前值只能告诉系统：

现在是什么。

历史变化才能告诉系统：

怎么到达现在。

而未来预测则进一步需要：

按照当前变化可能走向哪里。

所以动态认知至少包含三个时间方向：

过去
 ↓
现在
 ↓
未来

15.6 动态属性的过去、现在与趋势

对于：

$$A(t)$$

认知系统可以观察：

过去

A(t-3)
A(t-2)
A(t-1)

当前

A(t)

趋势

A(t-3)
 ↓
A(t-2)
 ↓
A(t-1)
 ↓
A(t)

从而判断：

Increasing
Decreasing
Stable
Fluctuating

所以：

$$A(t)$$

实际上为认知系统打开了一个时间窗口。

15.7 滑动时间窗口

现实世界中的动态属性通常不能无限依赖历史数据。

因此需要一个有限的观察窗口：

[t-k, t]

例如机器人最近观察 1 秒钟的压力变化：

t-1.0
t-0.8
t-0.6
t-0.4
t-0.2
t

系统根据这个窗口计算：

当前值
变化量
变化率
趋势
稳定性

这可以表示为：

WA​(t)={A(t−k),…,A(t)}

其中：

• $A$ 是属性；
• $t$ 是当前时间；
• $k$ 是观察窗口。

于是：

动态属性不是只观察一个点，而是在观察一个持续变化的局部过程。

15.8 动态属性的状态形成

假设压力数据：

1.0
1.1
1.2
1.3
1.4

系统可以判断：

Value = 1.4
Change = +0.4
Rate > 0
Trend = Increasing

进一步可以形成：

Pressure State = Increasing

因此：

$$State(t)=f(A(t),A(t-1),\dots )$$

也就是说：

属性状态不是一定由当前值直接决定，而可以由属性的动态历史计算得到。

这是从数据走向认知的重要一步。

15.9 动态属性与对象状态

上一章我们已经知道：

Object
 ↓
Attribute

现在进一步：

Object(t)
 ↓
Attribute(t)
 ↓
State(t)

例如鸡蛋：

Egg(t)

其属性可能包括：

Pressure(t)
Friction(t)
Position(t)
Velocity(t)
Deformation(t)
ContactArea(t)

这些属性共同决定对象当前的状态。

例如：

Pressure(t) ↑
Deformation(t) ↑
Velocity(t) ≈ 0

系统可能形成一个新的对象状态：

Egg State = Being Compressed

所以：

对象状态可以由多个动态属性共同形成。

15.10 动态属性之间不是独立的

这是本章进一步需要建立的重要概念。

现实对象中的属性通常相互影响。

例如抓取鸡蛋：

Grip Force ↑
      ↓
Contact Pressure ↑
      ↓
Deformation ↑

同时：

Contact Pressure
      +
Surface Friction
      ↓
Slip Risk

因此：

Pressure(t)
Friction(t)
Deformation(t)
Slip(t)

并不是四个孤立的数据。

它们形成了动态关系。

可以表示为：

Ai​(t)↔Aj​(t)

例如：

$$Pressure(t)\to Deformation(t)$$

表示压力变化可能影响形变。

这就进入了下一层：

属性之间的动态关系。

15.11 动态属性与因果不能混淆

这里必须保持理论上的严谨。

如果我们观察到：

Pressure ↑
Deformation ↑

只能说明：

两个属性同时发生变化，或者存在关联。

不能直接断言：

压力一定导致形变。

因此：

Correlation

和：

Causality

需要区分。

认知系统可以先建立：

Pressure
 ↕
Deformation

然后通过重复经验建立更稳定的关系：

Pressure ↑
 → Deformation ↑

这为后面的经验、学习和个体认知提供基础。

15.12 动态属性与环境变化

对象属性的变化并不一定来自对象自身。

例如：

Temperature(t)

可能受到环境温度影响。

又例如：

Friction(t)

可能受到：

• 表面状态；
• 湿度；
• 接触压力；
• 接触材料；
• 运动速度

等因素影响。

因此：

$$Attribute(t)$$

实际上处于一个环境系统之中：

对象
 +
环境
 +
行为
 +
时间
 ↓
属性变化

这意味着动态属性是：

对象与环境交互的结果之一。

15.13 动态属性与行为

机器人执行一个行为：

Grip

行为发生以后：

Pressure(t) ↑
ContactArea(t) ↑
Deformation(t) ↑

因此行为改变属性。

反过来：

Pressure(t) ↑
Deformation(t) ↑

又会影响下一步行为。

于是：

Behavior
 ↓
Attribute Change
 ↓
Object State
 ↓
Cognition
 ↓
Next Behavior

这已经开始形成认知闭环。

但这里暂时不展开决策与行为理论，因为这些内容将在后面的章节中系统建立。

15.14 Attribute(t) 的工程表达

理论工程最终必须能够落入数据结构。

一个动态属性可以抽象为：

Attribute
{
    name,
    value,
    state,
    change,
    rate,
    trend,
    timestamp
}

例如：

Pressure
{
    value: 2.8,
    state: increasing,
    change: 0.3,
    rate: 0.2,
    trend: increasing,
    timestamp: t
}

这里需要注意：

工程数据结构不是理论本身。

理论是：

$$Attribute(t)$$

数据结构只是理论的一种实现形式。

因此不能因为系统里有：

value
state
change
rate
trend

就认为已经完成了动态认知。

真正重要的是：

数据
 ↓
动态结构
 ↓
关系
 ↓
状态
 ↓
认知

15.15 从单个属性到属性集合

一个对象通常拥有多个动态属性：

Object(t)={A1​(t),A2​(t),…,An​(t)}

例如：

Egg(t)
│
├── Weight(t)
├── Pressure(t)
├── Friction(t)
├── Position(t)
├── Velocity(t)
├── Deformation(t)
└── ContactArea(t)

于是对象的动态状态不再由单个属性决定。

可以表示为：

Stateobject​(t)=F(A1​(t),A2​(t),…,An​(t))

这意味着：

对象状态是多个动态属性协同作用后的结果。

15.16 从属性集合到认知输入

当多个属性同时进入系统：

Pressure(t)
Friction(t)
Deformation(t)
Velocity(t)
Position(t)

系统不能简单地：

Pressure + Friction + Deformation

进行数学相加。

因为它们的意义、量纲、时间变化以及相互关系都不同。

真正需要处理的是：

属性
 ↓
属性状态
 ↓
属性变化
 ↓
属性关系
 ↓
协同状态
 ↓
匹配

这就是后面认知匹配理论的基础。

15.17 动态属性解决了什么问题

到目前为止，我们已经解决了静态属性模型中的几个核心局限。

第一，解决“只有当前值”的问题

从：

Pressure = 3N

变成：

Pressure(t)

第二，解决“无法描述变化”的问题

加入：

Change

第三，解决“无法描述变化速度”的问题

加入：

Rate

第四，解决“无法描述长期方向”的问题

加入：

Trend

第五，解决“无法描述当前动态状态”的问题

加入：

State

因此：

Attribute

从静态属性：

$$A=V$$

逐步变成：

$$A(t)=\{V,S,\Delta ,R,T\}$$

15.18 一个重要结论：认知对象必须具有时间维度

如果认知系统只认识：

Object
Attribute
Value

那么它更接近一个数据库。

数据库可以告诉我们：

鸡蛋重量是 50g。

但认知系统需要进一步回答：

鸡蛋当前是否正在移动？

压力是否正在增加？

增加速度是否过快？

形变是否正在扩大？

当前状态是否正在接近危险状态？

这些问题全部依赖时间。

因此：

动态属性是认知系统从“数据记录”走向“过程认知”的关键。

15.19 本章核心模型

本章可以最终形成以下模型：

                         Object
                            │
                            ↓
                       Attribute(t)
                            │
              ┌─────────────┼─────────────┐
              ↓             ↓             ↓
            Value         State         Change
                                          │
                                          ↓
                                         Rate
                                          │
                                          ↓
                                        Trend

进一步：

Attribute(t)
     │
     ├── t-2
     ├── t-1
     ├── t
     │
     ↓
动态变化
     ↓
状态
     ↓
对象动态状态

多个属性进一步形成：

A1(t) ─────┐
A2(t) ─────┤
A3(t) ─────┼──→ Object State(t)
A4(t) ─────┤
A5(t) ─────┘

而对象动态状态最终成为后续认知匹配的输入。

15.20 本章结论

本章真正建立的不是一个程序字段，而是一条理论原则：

任何需要描述现实过程的对象属性，都不能仅以静态 Value 进行表达。

属性必须具有时间维度。

因此：

$$Attribute\to Attribute(t)$$

意味着属性从：

“它是什么值”

进入：

“它在什么时候是什么状态、发生了什么变化、变化速度如何，以及这种变化正在形成什么趋势”。

而当多个动态属性同时存在时，认知系统面对的就不再是单个属性，而是：

{A1​(t),A2​(t),…,An​(t)}

这些动态属性之间又会产生相互影响和协同关系。

因此下一步必须解决的问题是：

当多个属性同时动态变化时，它们之间究竟如何形成关系？

这就是下一章的核心。

第16章　属性之间的动态关系

下一章将建立：

属性
 ↓
属性变化
 ↓
属性之间的变化关系
 ↓
协同变化
 ↓
关联
 ↓
影响
 ↓
对象动态状态

并进一步说明为什么机器人抓取鸡蛋时，压力、摩擦、滑移、形变等数据不能分别独立判断，而必须作为动态协同数据进行认知。