首页 理论 架构 工程 规划 文档 白皮书 著作 研究 规范 下载 博客 关于 联系 开始使用 →

结构化知识、认知匹配与外部行动技术体系研究

结构化知识、认知匹配与外部行动技术体系

——WSaiOS / SAI / ICAI阶段性技术资料

一、技术背景

本技术体系以结构型人工智能(Structural AI,SAI)为理论基础,以个体认知人工智能(Individual Cognitive AI,ICAI)作为认知实现方向。

其基本思想不是首先从语言生成出发,而是从元素结构出发建立人工智能系统。

系统首先通过人工定义对象、字段、属性、状态、关系、场景、知识、能力和方法等结构,使现实世界中的信息能够形成明确的元素结构。

在此基础上,再由认知系统根据个体的状态、需求和场景进行元素匹配、关系分析、方法调用、计算、判断和决策,最终向外部系统或设备提供行动结果。

因此形成:

结构 → 关系 → 匹配 → 组合 → 行动

这一基本技术路线。


二、核心技术思想

2.1 结构是人工智能形成的基础

本体系中的“结构”不是简单地把已有数据存成表格,也不是单纯使用结构化数据。

这里的结构是对现实对象及其内部组成关系进行明确描述。

基本结构可以包括:

对象
├── 属性
├── 状态
├── 关系
├── 场景
├── 知识
├── 能力
└── 方法

在具体系统中,还可以继续扩展:

条件
参数
行为
行动
反馈
结果

因此,人工智能处理的基本单位不是单纯的文字,而是具有结构关系的元素。


三、人工定义元素结构

3.1 人工定义是结构形成的起点

系统并不首先自行决定“什么是对象”“对象有哪些字段”。

这些基础结构首先由人进行定义。

例如人工可以定义:

对象:信任

字段:
├── 主体
├── 客体
├── 信任程度
├── 信任依据
├── 信任条件
├── 信任状态
├── 历史行为
├── 风险
├── 关系
└── 验证结果

同样,也可以人工定义:

对象:情感

字段:
├── 主体
├── 对象
├── 情感类型
├── 情感强度
├── 当前状态
├── 触发因素
├── 持续时间
├── 场景
├── 需求
├── 行为倾向
└── 行为结果

“意识”“信仰”“信用”等,也可以按照具体应用需求建立相应的对象结构。

这里的关键不是给概念贴标签,而是把概念转化为可以继续描述、关联、判断和计算的元素结构。


四、针对不同个体状态和需求定义结构

本体系进一步提出:

元素结构不必对所有个体、所有场景固定不变,而可以根据不同个体、不同状态、不同需求进行人工定义。

基本过程:

个体
 ↓
当前状态
 ↓
当前需求
 ↓
相关场景
 ↓
确定需要处理的对象
 ↓
人工定义对象字段
 ↓
建立元素结构
 ↓
建立元素之间的关系

因此可以形成:

基础元素结构

个体化元素结构

场景化元素结构

状态化元素结构

需求化元素结构

这使系统能够针对不同对象和不同情况建立不同的认知基础。


五、结构化知识的形成

人工定义结构以后,学习系统负责将外部资料逐步转换成结构化知识。

基本过程:

资料
 ↓
元素提取
 ↓
对象识别
 ↓
字段对应
 ↓
属性形成
 ↓
状态形成
 ↓
关系形成
 ↓
场景形成
 ↓
知识形成
 ↓
方法关联

因此,知识不再只是文章、段落或文本集合。

在本体系中:

知识是由对象、属性、状态、关系、场景以及相关方法形成的结构化信息。

也可以进一步理解为:

知识 = 对象—属性—方法映射结构化信息


六、学习系统与认知系统的分工

今天进一步明确了一个重要的系统边界:

学习系统不是直接控制外部设备的系统。

正确的系统关系是:

学习系统
    ↓
结构化知识与方法
    ↓
认知系统
    ↓
认知匹配、计算、判断、决策
    ↓
外部系统 / 外部设备

因此三个层次具有不同职责。

6.1 学习系统

主要负责:

资料
 ↓
元素
 ↓
结构
 ↓
关系
 ↓
知识
 ↓
方法

最终形成可供认知系统调用的结构化知识基础。

6.2 认知系统

主要负责:

个体状态
+
需求
+
场景
+
结构化知识
+
能力
+
方法
+
条件
+
参数
 ↓
元素匹配
 ↓
关系匹配
 ↓
方法组合
 ↓
计算
 ↓
判断
 ↓
决策

认知系统不是简单搜索知识,而是根据当前状态和需求,对结构化元素进行匹配、组合和计算。

6.3 外部系统和设备

认知系统产生决策和行动结果后,才提供给外部设备或其他执行系统。

认知结果
 ↓
行动方案 / 行动参数
 ↓
外部设备
 ↓
实际执行
 ↓
执行状态
 ↓
执行结果

七、标准方法与基本计算

本体系中的方法不需要为每一个业务场景都重新创造一种“AI函数”。

基础方法可以建立在普通计算机语言的基本运算和逻辑基础上。

例如:

+
-
*
/
%

比较:

==
!=
>
<
>=
<=

逻辑:

AND
OR
NOT

条件:

IF
ELSE

在此基础上形成通用方法:

比较()
计算()
判断()
匹配()
概率()
排序()
验证()

这些方法可以调用对象、属性、状态、关系、条件和参数。

进一步通过方法组合形成更加复杂的处理过程。

因此:

复杂能力可以由基础方法、结构化元素、条件和参数组合形成。


八、概率在体系中的位置

本体系可以使用概率计算,但概率不是整个认知体系的基础。

概率属于方法中的一种计算机制。

例如:

候选结果
 ↓
条件计算
 ↓
概率计算
 ↓
结果排序
 ↓
验证
 ↓
判断

这里的概率用于对已经形成结构的候选结果进行计算和比较,而不是把整个系统建立在连续预测信息序列的基础上。

因此:

概率是计算工具之一,而不是认知结构本身。


九、认知匹配不是单纯的语言匹配

今天进一步明确:

认知匹配不能简单理解为“语言匹配”或“语义相似”。

语言只是信息进入系统的一种形式。

真正进入认知过程的是经过结构化后的元素。

认知匹配可以涉及:

对象匹配
属性匹配
状态匹配
关系匹配
场景匹配
知识匹配
能力匹配
方法匹配
行为匹配
行动匹配
条件匹配
参数匹配

因此,认知系统真正处理的是:

多维元素结构之间的关系与匹配。


十、状态是元素结构的重要组成部分

状态不是结构之外额外增加的一层。

一个对象本身就可以具有状态。

例如:

对象
├── 属性
├── 状态
├── 关系
├── 场景
└── 方法

状态还可以随着时间、行为、关系和外部条件发生变化。

因此:

对象
 ↓
状态变化
 ↓
关系变化
 ↓
需求变化
 ↓
匹配变化
 ↓
判断变化
 ↓
决策变化
 ↓
行为变化

这为处理动态个体、动态环境和动态需求提供了结构基础。


十一、情感、意识、信仰、信任、信用的结构化处理

本体系并不需要把这些概念排除在人工智能结构之外。

它们都可以由人工根据具体应用场景定义为元素对象。

例如:

情感
意识
信仰
信任
信用

都可以继续定义:

对象
属性
状态
关系
场景
条件
参数
行为
结果
方法

因此系统可以对这些对象进行结构化描述、关系建立、状态计算和行为判断。

需要明确的是:

系统对情感、意识等对象进行结构化建模和计算,并不等同于宣称机器本身产生了人类主观体验。

这里研究的是:

可结构化描述的状态、关系、需求、行为和行动逻辑。


十二、从个体状态到认知决策

由前面的结构可以形成更加完整的个体认知过程:

个体
 ↓
个体当前状态
 ↓
个体需求
 ↓
场景
 ↓
相关元素
 ↓
结构化知识
 ↓
元素匹配
 ↓
关系匹配
 ↓
能力匹配
 ↓
方法匹配
 ↓
方法组合
 ↓
计算
 ↓
判断
 ↓
决策
 ↓
行为
 ↓
行动

这个过程并不是单纯回答一个语言问题,而是针对具体个体状态和需求形成行动逻辑。


十三、认知系统与外部设备形成闭环

完整的工程体系可以进一步形成:

                 ┌──────────────┐
                 │   学习系统   │
                 └──────┬───────┘
                        │
                 结构化知识 / 方法
                        ↓
                 ┌──────────────┐
                 │   认知系统   │
                 └──────┬───────┘
                        │
              匹配 / 计算 / 判断 / 决策
                        ↓
                 ┌──────────────┐
                 │ 外部系统/设备 │
                 └──────┬───────┘
                        │
                   执行 / 行动
                        ↓
                    状态反馈
                        │
                        └──────────→ 认知系统
                                      │
                                      ↓
                                   学习系统

因此形成:

学习 → 认知 → 决策 → 行动 → 反馈 → 再学习

这是一个完整的闭环结构。


十四、技术体系的核心分层

经过今天的讨论,可以暂时形成以下三层:

第一层:结构化知识层

解决:

“系统知道什么,以及这些知识由什么元素构成。”

核心:

对象
属性
状态
关系
场景
知识
能力
方法

第二层:认知计算层

解决:

“面对当前个体、状态、需求和场景,如何进行匹配、计算、判断和决策。”

核心:

匹配
组合
计算
概率
判断
验证
决策

第三层:行动执行层

解决:

“认知结果如何进入现实环境并产生实际行动。”

核心:

行动
参数
控制
执行
状态
反馈

十五、技术闭环的总体表达

可以将目前形成的技术路线概括为:

人工定义
 ↓
元素结构
 ↓
结构化学习
 ↓
结构化知识
 ↓
个体状态 / 需求 / 场景
 ↓
认知匹配
 ↓
方法组合
 ↓
计算
 ↓
判断
 ↓
决策
 ↓
行为 / 行动
 ↓
外部设备执行
 ↓
结果反馈
 ↓
学习更新

进一步浓缩为:

结构 → 学习 → 知识 → 认知 → 决策 → 行动 → 反馈 → 学习


十六、与传统语言生成路线的根本区别

本技术体系不以语言生成作为人工智能的核心形成机制。

语言可以作为输入或输出形式,但系统核心处理对象是:

元素结构、状态、关系、条件、参数、知识、能力和方法。

因此,本体系的技术核心是:

从结构化元素出发,通过关系、匹配、方法和计算形成认知,再由认知形成决策和行动。

而不是把人工智能的核心建立在语言序列生成之上。

任何外部技术是否值得借鉴,都应当经过独立分析和技术判断,不能因为某种技术流行而改变本体系的基本结构路线。


十七、现阶段技术价值

今天形成的一个重要认识是:

结构化知识本身不是最终目标。

结构化知识的真正作用,是成为认知系统进行认知匹配和方法计算的基础。

因此:

学习系统
= 建立结构化知识基础

认知系统
= 使用结构化知识进行认知

外部设备
= 执行认知产生的行动

反馈
= 重新进入认知和学习

这样,学习系统、认知系统和外部设备不再是三个孤立系统,而形成一个具有明确职责边界的整体技术体系。


十八、阶段性结论

目前形成的技术路线可以概括为:

人工定义元素结构,根据不同个体、状态、需求和场景建立相应的结构化知识;认知系统基于这些结构进行元素、关系、能力、方法、条件和参数的匹配与计算,形成判断和决策;认知结果进一步提供给外部系统或设备执行,并将实际状态和执行结果反馈回来,形成学习—认知—行动—反馈闭环。

其核心不是让系统“像人一样说话”,而是让系统能够:

有结构地认识对象,有关系地组织知识,有方法地进行计算,有条件地进行判断,有依据地形成决策,并能够把决策转化为行动。

这构成了当前 SAI / ICAI 工程体系进一步发展的一个重要技术基础。

Leave a Reply

Your email address will not be published. Required fields are marked *

客服咨询
● 欢迎咨询与合作
您好!欢迎咨询。 我可以帮助您了解人工智能技术研发、智能软件系统开发、网站建设、搜索优化及项目定制等相关信息。 请问有什么可以帮您?
免费申请
请填写以下信息,方便我们进一步沟通。
欢迎咨询 AI 系统开发、网站建设、搜索优化、项目定制合作
电话:15089196448
邮箱:1602401899@qq.com
地址:陕西省渭南市
服务时间:周一至周五 09:00 - 18:00 | 7×24小时技术值守