第六章 DIKW 金字塔模型

第一章 道法术器

第二章 道天地将法

第三章 工具和方法

第四章 抽象的力量

第五章 结构与系统

第六章 DIKW金字塔模型

目录

前言

一、信息

二、知识

 三、智慧

总结

前言

全文2000字，预计阅读时长：8分钟

读者：程序员、架构师、管理者
 

本文根据DIKW金字塔模型，主要讲述了数据、信息、知识、智慧本质、意义、区别和联系。

一、概述

DIKW金字塔模型由托马斯·斯特尔那斯·艾略特提出的体系

DIKW体系就是关于数据、信息、知识及智慧的体系，其中每一层比下一层赋予某些特质，数据层是最基本的，信息层加入内容，知识层加入“如何去使用”，智慧层加入“什么时候才用”。

二、主要内容

1.数据

数据，是原始素材；

数据，是

2.信息

信息，是加工处理后有逻辑的数据；

信息，是

3、知识

定义：信息整理组合；

知识结构：基础知识、专业知识、工具知识（方法论）、综合知识

知识，是有组织的信息；

知识，是

4、智慧

智慧，是知识的应用；

智慧，是

三、应用

DIKW体系透过以下的步骤来协助研究及分析：

原始观察及量度获得了资料。

分析资料间的关系获得了资讯。这些资讯可以回答简单问题，譬如：谁？什么？哪里？什么时候？为什么？资讯是信息，意味著有听众及目的。

在行动上应用资讯产生了知识。知识可以回答“如何？”的问题。知识是一些可行的关系及习惯工作方式。

透过智者间的沟通及自我反省而利用知识会产生了智慧。我们可以利用智慧解答关于行动的为什么及什么时候的问题。智慧是关心未来。它含有暗示及滞后影响的意味

参考

《岩石》、《未来主义者》

DIKW模型 - MBA智库百科 (mbalib.com)

DIKW模型（Data-to-Information-to-Knowledge-to-Wisdom Model）DIKW模型是一个可以很好的帮助我们理解数据（Data）、信息（Information）、知识（Knowledge）和智慧（Wisdom）之间的关系的模型，这个模型还向我们展现了数据是如何一步步转化为信息、知识、乃至智慧的方式。

DIKW金字塔，AI爬到第几层了？ (baidu.com)

你可能没听说过DIKW金字塔，但你一定曾被按在这座塔的鄙视链上摩擦过。

曾有某个游戏主播形容自己的预判：观众只看到了第二层，想到了第一层，实际上我在第五层。于是，网友们形容一些让人意想不到的操作，“这波啊，这波是在大气层”。

这种说法虽然有些戏谑，但还真有点科学道理。

DIKW金字塔，是一个关于人类理解、推理和解释的层次结构，分别是：数据（原始的事实集合）、信息（可被分析测量的结构化数据）、知识（需要洞察力和理解力进行学习）、智慧（指导行动）。

站在DIKW金字塔尖的人，相当于全部通关的顶级选手，掌握了数据、整理成信息、理解为知识、转化成智慧，才能让行动如有神助。足智多谋如诸葛亮，锦囊妙计用的那叫一个信手拈来，绝对是“站在大气层的男人”。

DIKW金字塔适用于人，也适用于AI吗？答案是肯定的。

如果AI也有鄙视链，那么基于数据的AI，一定会被基于知识的AI碾压。

这是因为，AI Is A Knowledge Technology，AI就是一种由知识驱动的技术。因此，从初级人工智能向高级人工智能、通用人工智能发展的过程，也是一个攀爬DIKW金字塔的过程。

近年来，AI领域的诸多学术力量、产业力量，从强调“数据出奇迹”的蛮力计算，向着“知识金字塔”的更高层级进发，推动知识计算引领AI应用的未来潮流。

可以说，我们正处于一个向基于知识的AI过渡的关键阶段。AI已经影响着你我生活的方方面面，所以有必要来聊一聊，AI沿着DIKW金字塔向上攀爬，将会带来怎样的变化？

回归的钟摆：理性主义的复兴

将知识运用在机器智能当中，并不是什么新鲜事。早在上个世纪，人类就开始了探索知识计算的步伐，并广泛应用到工作和生活当中。

AI诞生的那一刻起，就是理性主义和经验主义两大流派的交相辉映、此消彼长。它们的共同之处，都认为机器智能首先要拥有知识，知识是智能的核心；分歧在于，对于知识的理解和获取途径不同。

而伴随着这两大流派的发展，知识与AI的结合，也就表现为两种方式。

一种是理性主义的结合，人提供知识，机器负责计算。

理性主义认为人的智能是先天遗传的，要实现机器智能，就要理解人脑的运行机制，将这个东西总结成知识，再由人来告诉机器怎么做。

典型应用就是专家系统。

人类专家总结出知识，计算机根据专家系统知识库进行学习，这种方式可解释性非常高。从1968年世界上第一个专家系统——化学专家系统DENDRAL研制成功之后，针对某个单一领域、模仿专家进行推理分析的早期专家系统开始流行起来，广泛应用于工农业、医疗、气象、交通、军事等众多产业计算场景之中。

不过，专家机只能在一些特定领域发挥作用，建构成本非常高。并且，受限于专家的认知上限，如果人都没有找到那个知识，或者表述不出来的话，机器就更不可能学会了。

于是从九十年代到现在，另一种AI与知识的结合模式就占据了主流，那就是经验主义。

由人手工打造一个分类器，开发人员不必提前知道答案，机器可以不依赖那些人类专家描述不出来、“只可意会不可言传”的知识，按照自己的运作机制，从数据中来挖掘知识，通过大规模数据训练出模型参数，表现出超过人类的智能。

最具代表性的就是深度学习。

依靠强大的数据、算力和神经网络，谷歌大脑可以不需要人类的帮助，在不知道“猫”这个词的前提下，通过训练将数据转化为知识，看过数百万张图片后，自己提炼出猫的基本特性，知道猫是一种毛茸茸的（此处省略一堆形容词）生物，然后成功在一堆照片中识别出猫。

总结