第123章 Dynamic World
动态世界
第122章进入 ICAI Engineering Implementation（ICAI 工程实现），解决的是如何把认知模型转换为软件结构。
从第123章开始，第十三部分进入一个更加基础的问题：
ICAI 所面对的现实世界，到底是什么样的世界？
如果把现实世界理解成一个可以提前完整采集、固定保存的数据集合，那么后面的感知、认知、决策和行为计算都会建立在一个错误的前提之上。
现实世界并不是：
Data
↓
Database
↓
Answer而是：
World
↓
Continuous Change
↓
New State
↓
New Situation
↓
New Perception
↓
New Cognition因此，本章首先建立一个基础前提：
机器面对的不是一个静态数据世界，而是一个持续变化的动态世界。
123.1 世界不是数据库
传统数据系统非常适合描述：
固定对象
固定属性
固定记录
固定关系例如：
Egg
Position = (100,200)
Weight = 50g这些数据本身没有问题。
问题在于：
现实中的鸡蛋并不会因为数据库记录了 Position = (100,200)，就永远停留在那里。
现实世界中的对象可能发生：
移动
旋转
滚动
碰撞
遮挡
掉落
变形
破损
消失因此：
Database Record只是某一个时间点上的描述。
而不是整个现实世界。
123.2 World(t)
因此，ICAI 不应该把世界理解为一个固定状态。
更适合建立：
World(t)其中：
t = 当前时间例如某一时刻：
World(t1)可能是：
桌子
+
鸡蛋
+
机械手
+
障碍物经过一段时间以后：
World(t2)可能变成：
桌子
+
鸡蛋新位置
+
机械手新位置
+
障碍物新关系因此：
World(t1)
≠
World(t2)即使其中大部分对象没有改变。
123.3 世界变化不是异常
一个非常重要的认识是：
世界变化不是系统异常，而是现实世界的正常状态。
传统程序经常把变化理解为：
Exception或者：
Unexpected Input但对于现实世界机器人而言：
Change本身就是：
Normal例如：
鸡蛋移动不是异常。
人走动不是异常。
光线变化不是异常。
障碍物出现不是异常。
物体掉落也不一定是异常。
真正需要系统处理的是：
变化以后，当前世界已经变成什么状态？
123.4 World(t) → World(t+1)
因此可以建立最基本的动态世界模型：
World(t)
↓
Change
↓
World(t+1)进一步：
World(t0)
↓
World(t1)
↓
World(t2)
↓
World(t3)
↓
...这意味着机器人面对的不是一个：
World而是：
持续变化的 World State Sequence。
123.5 对象也不是静态的
世界变化首先表现为对象变化。
例如：
Egg不是一个固定数据：
Egg
Position = X而应该理解成：
Egg(t)它具有：
Position(t)
Orientation(t)
Velocity(t)
Contact(t)
Condition(t)于是：
Egg(t1)
≠
Egg(t2)即使它仍然是：
同一个 Egg这里必须区分：
Object Identity与：
Object State对象可以保持同一个身份，而状态不断变化。
123.6 属性也可能动态变化
对象属性不能全部理解为永久固定值。
例如：
Egg可以具有：
Material
Fragility
Shape
Weight这些属性相对稳定。
但同时存在：
Position
Orientation
Velocity
Contact
Pressure
Temperature
Integrity这些属性可能实时变化。
因此可以形成：
Object
├── Stable Attributes
└── Dynamic Attributes进一步：
Object(t)
=
Stable Attributes
+
Dynamic Attributes(t)这为后面的实时认知提供基础。
123.7 关系也会变化
现实世界中的关系同样不是固定的。
例如：
Robot
↔
Egg可能最初是：
Near然后变成：
Approaching随后：
Contact如果抓取失败：
Contact
↓
Lost Contact
↓
Egg Rolling于是关系发生连续变化：
Relation(t1)
≠
Relation(t2)因此：
关系也是动态认知数据，而不是静态数据库字段。
123.8 环境也会变化
如果只关注目标对象，仍然不足以描述现实世界。
例如抓鸡蛋时：
Egg的位置变化可能受到：
Table
Robot Hand
Obstacle
Person
Other Objects影响。
而这些环境对象也可能发生变化。
因此：
Environment(t)同样是动态的。
形成：
Object Change
+
Environment Change
+
Relation Change
↓
Scene Change123.9 状态持续变化
对象状态是多个动态因素共同形成的结果。
例如鸡蛋：
Stable可能变成：
Unstable然后：
Rolling最后：
Stopped状态变化可以表示为：
State(t1)
↓
Transition
↓
State(t2)因此：
State不是一个永久标签。
它是：
对象在特定时间、特定环境和特定关系条件下形成的当前状态。
123.10 场景不是照片
这是本章非常重要的一点。
传统视觉系统很容易把场景理解成：
Image
↓
Recognition但对于 ICAI 而言：
场景不是一张照片，而是一个动态的认知结构。
场景至少包含：
Elements
Objects
Attributes
Relations
States
Environment因此：
Scene(t)应该理解为：
Scene(t)
=
Elements(t)
+
Objects(t)
+
Attributes(t)
+
Relations(t)
+
States(t)
+
Environment(t)123.11 同一个场景不会真正重复
现实世界存在一个非常重要的特征：
世界可以高度相似，但不存在完全相同的连续现实场景。
例如每天同一个房间：
Room A看起来一样。
但是：
人的位置
光线
物体位置
物体姿态
空气
温度
障碍
运动
时间都可能不同。
因此：
Scene A和：
Scene B可以具有大量共同结构，但不应该直接认为：
Scene A == Scene B这正是后面“历史认知如何用于新场景”的理论基础。
123.12 相同元素，不代表相同场景
这一点尤其重要。
例如：
Egg可以在很多场景中出现：
Scene A
Egg + Table
Scene B
Egg + Robot Hand
Scene C
Egg + Floor
Scene D
Egg + Obstacle对象：
Egg是相同类别。
但是：
Position
Relation
State
Environment
Goal都可能不同。
因此：
Same Object
≠
Same Scene进一步：
Same Elements
≠
Same Situation123.13 历史数据为什么仍然有价值
既然现实世界不会完全重复，那么是否意味着历史数据没有价值？
不是。
真正的问题不是：
历史数据有没有价值？
而是：
历史数据应该以什么形式进入新的认知？
例如过去曾经出现：
Egg
Fragile
Rolling这类历史认知仍然有价值。
但是不能简单规定：
以后看到 Egg
↓
执行过去的 Action正确方式应该是：
Historical Cognitive Structure
+
Current Real-Time Data
↓
Current Scene
↓
Current Cognition也就是说：
历史用于认知，新数据用于确定当前现实。
123.14 固定数据与动态数据
因此，ICAI 需要区分两类数据。
第一类：历史认知数据
例如：
Object Type
Attributes
Relations
Past States
Experience
Methods
Results这些数据可以长期保存。
第二类：实时场景数据
例如：
Current Position
Current Distance
Current Orientation
Current Velocity
Current Contact
Current Force
Current Obstacle
Current Machine State这些数据必须随着现实世界变化而更新。
于是：
Historical Cognition
+
Real-Time Scene Data
↓
Current Cognition123.15 多元数据共同描述现实
一个对象的当前状态不能由一个数据决定。
例如鸡蛋：
Position
+
Orientation
+
Distance
+
Velocity
+
Obstacle
+
Contact
+
Force
+
Machine Hand State共同形成：
Current Egg Situation因此：
现实世界的认知不是单变量判断，而是多元实时数据共同形成的状态判断。
这与前面的静态数据模型存在本质区别。
123.16 数据不是行为
还需要进一步区分：
Data与：
Behavior之间不能直接建立：
Data
↓
Fixed Action例如：
Egg Position = X不能直接推出：
Move Hand → X因为还需要考虑：
Egg Orientation
Distance
Obstacle
Velocity
Fragility
Hand Position
Hand State
Goal因此：
Multiple Real-Time Factors
↓
Current Cognitive State
↓
Method Matching
↓
Behavior这正是 ICAI 动态认知计算的基础。
123.17 失误以后世界已经改变
回到最重要的鸡蛋案例。
假设机器人第一次抓取失败：
Robot
↓
Attempt
↓
Failure鸡蛋开始：
Rolling此时最重要的不是：
继续执行原来的抓取程序因为：
World(t1)已经变成：
World(t2)鸡蛋发生了：
Position Change
Orientation Change
Velocity Change
Relation Change所以系统必须：
停止使用旧场景
↓
重新感知
↓
重新形成元素
↓
重新形成对象状态
↓
重新形成场景
↓
重新认知
↓
重新计算行为这正是动态世界理论真正需要解决的问题。
123.18 世界变化驱动认知变化
由此建立：
World Change
↓
Perception Change
↓
Element Change
↓
Object State Change
↓
Relation Change
↓
Scene Change
↓
Cognitive Change进一步：
Cognitive Change
↓
Decision Change
↓
Behavior Change因此：
现实世界变化必须能够驱动机器认知变化。
如果世界已经变化，而机器认知仍然保持旧状态，那么机器的后续行为就可能与现实脱节。
123.19 Dynamic World 的基本工程模型
因此，ICAI 可以建立一个基本运行结构：
Real World
│
▼
Real-Time Data
│
▼
Perception
│
▼
Elements
│
▼
Objects
│
▼
Attributes / Relations
│
▼
State(t)
│
▼
Scene(t)
│
World Changes
│
▼
State(t+1)
│
▼
Scene(t+1)这不是：
Input → Fixed Answer而是：
World(t)
↓
Cognition(t)
↓
Action(t)
↓
World(t+1)
↓
Cognition(t+1)
↓
Action(t+1)
↓
...123.20 Dynamic World 的理论意义
第123章实际上为后面的所有动态认知理论建立了一个最底层前提：
如果现实世界是动态的，那么机器认知就不能建立在“世界已经被完整采集”的假设之上。
机器必须面对：
未知变化
部分变化
连续变化
突发变化
关系变化
状态变化因此：
固定世界模型必须逐步转变为：
动态世界模型最终形成：
World
↓
Real-Time Perception
↓
Dynamic Scene
↓
Current Cognitive State123.21 本章小结
本章并没有讨论机器人应该做什么动作。
因为在进入行为计算之前，必须首先解决一个更加基础的问题：
机器面对的世界究竟是不是固定的？
答案是：
不是。
现实世界是：
持续变化的对象是动态的：
Object(t)属性可能动态变化：
Attribute(t)关系是动态的：
Relation(t)状态是动态的：
State(t)场景也是动态的：
Scene(t)因此整个世界可以表达为：
World(t)
↓
Change
↓
World(t+1)
↓
Change
↓
World(t+2)
↓
...而机器不能依靠：
过去固定数据直接决定：
现在的行为正确的工程逻辑应该是：
历史认知
+
实时感知
↓
当前元素
↓
当前对象
↓
当前属性
↓
当前关系
↓
当前状态
↓
当前场景
↓
当前认知由此，第123章建立第十三部分的第一个核心原则：
机器不是在一个已经被数据化完成的世界中运行，而是在一个持续变化的世界中，通过实时感知不断重新构建当前认知。
下一章因此自然进入：
第124章 Real-Time Perception
如果世界一直在变化，机器究竟如何获得“此时此刻”的现实世界数据？
也就是从：
Dynamic World正式进入：
Real-Time Perception而这一步将进一步解释为什么你提出的位置、姿态、距离、速度、障碍、接触、力度、机械手状态等多元感知数据，必须共同参与当前场景的认知计算。