开放科学(资源服务)标识码(OSID)：
Accordingly, this paper innovatively puts forward the concept connotation of the KESSN based on the DSSN, and defines the KESSN as a knowledge eco-service system network in the era of wisdom economy with knowledge demand as the core, knowledge beacons as the guide,and knowledge image as the carrier, and it operates from the origin of knowledge to the realization of personalized and intelligent knowledge value. It constructs the two-dimensional internal architecture of the KESSN Ecosystem from the perspective of knowledge evolution and hierarchical structure. The horizontal dynamic process of the KESSN Ecosystem architecture is like the material cycle network of the natural ecosystem, which undergoes the production, consumption and decomposition of knowledge to realize the efficient flow and internalization of knowledge, and the vertical static layers of the KESSN Ecosystem architecture are divided into the foundation layer, platform layer and service layer, which provide stable support for the transformation of the data elements into intelligent services. Support. In contrast to the DSSN, which emphasizes the application of data technology and the digital management of physical assets, the KESSN Ecosystem focuses more on user cognition and needs. It achieves intelligent perception of the physical world and intelligent decision-making through knowledge processing in the virtual space, leveraging the dual spiral of knowledge twin and parallel cognition technologies. On this basis, this paper proposes three scenarios of empowering smart healthcare, smart education, and smart community with knowledge image representation, and further explains the mechanisms of crossing the knowledge boundary, parallel cognitive empowerment, and adaptive synergy in the KESSN ecosystem, the organic combination of which embodies the characteristics of openness, synergy, intelligence, and adaptability of the KESSN ecosystem, and is the key to further development of the KESSN ecosystem. It is an important embodiment of the further development of the KESSN, and also provides a theoretical basis for the practical application and value realization of the KESSN. In addition, the paper discusses in detail the potential security and ethical challenges that the Internet of Knowledge may face and proposes response strategies. These discussions provide valuable insights for the future development of the Internet of Knowledge.
This paper extends the DSSN concept by integrating KESSN with knowledge ecosystem theory,and enhances research with innovative internet integration. It introduces multi-modal empathetic knowledge imagery into the dynamic knowledge transformation process, offering a fresh theoretical view on data mining and value conversion in KESSN. Unlike DSSN, KESSN leverages modern AI to restructure knowledge production and consumption in a virtual environment, broadening ecosystem research. It also embeds internet connectivity, enabling real-time knowledge exchange and guiding interdisciplinary and open communication research within KESSN.
开放科学(资源服务)标识码(OSID)：
数智化时代,大数据、云计算、人工智能等信息技术解构多模态数据的方式日趋多样化,同时,数据意涵也呈现出网络化与开放性特征(郑荣等,2024)。用户需求的动态性与复杂性促进数据网络计算形式升级,数联网(Data Switching Service Network, DSSN)的出现为解决数据开放共享与数据隐私矛盾、数据主权与数据割据的平衡提供了有效的信息服务体系(Sivasankar G A,2022)。数联网是以数据计算为中心,以连接、算力、拓扑能力为组合形式的网络模式,是继物联网、车联网后的一种全新网络。在能源治理方面,通过构建水资源数联网有助于解决数据孤岛、数据缺失问题,提升数据数字化程度与数据利用率,推进水资源保护治理与协同调度(许正中等,2020)。在数据要素方面,面向数据要素市场构建全国统一数联网平台,有助于为社会提供安全稳定的公共服务,促进数据要素跨领域、跨平台融合发展(窦悦等,2022)。然而,现有的数联网研究侧重于数据要素的高效流通与数据资源的开放共享,忽视了人们智能化、智慧化与多元化的知识需求,在知识需求挖掘与行为推理、知识社会化与价值化等方面存在研究不足。因此,为充分挖掘数据背后的人文内涵与深层次知识需求[1],完整体现用户感知与价值认知,本文依据从数据到知识的价值进阶逻辑提出知联网概念并开展相关研究,创新性将知识生态系统与实时交互网络概念融合,通过揭示知联网生态系统内部知识流变与推理的动态过程,从而对拓展数联网研究以及知联网生态系统理论具有重要价值。
本文将数据要素流通服务网络(简称数联网)理念扩展至知识生态服务系统网络(简称知联网),提出知联网生态系统架构及其运行机制,以解释知识资本如何在知识孪生空间与并行认知空间的双螺旋虚拟空间中交互衍生。知联网(Knowledge Ecosystem Service System Network,KESSN)是一种以知识需求为核心,经过知识生产、消费与分解环节,并以知识画像进行知识存储与推理的生态系统网络。知识画像是一种生动、深入、具有通感的多维立体画像,用以描绘知识全生命周期,增强用户需求感知体验,大幅提升知联网知识交互效率。从数联网到知联网的演变亦是数据驱动向知识驱动的转变,实现以数据计算为中心向以知识推理为中心的拓展。知联网作为云端知识处理网络,为用户知识行为、需求与决策提供智慧化、个性化支持,通过虚拟空间与现实空间的交互及融合,促进知识流转与创新衍化。知联网以关联知识画像方式具象化解构知识生命周期及其相关行为构因,为人类知识获取与感知处理提供了理论支撑以及实践参考。
2023年4月中国移动通信研究院等发布《数联网(DSSN)白皮书》,提出数据要素流通服务网络理念,简称数联网。数据要素已成为国家基础性与战略性资源,推动各行业产业升级与知识创新,并催生出新场景、新模式与新业态[2]。数实融合发展是新一轮科技革命与产业变革的主要方向,是数字处理技术与实体经济的深度融合。数联网是数实融合背景下信息技术发展的重要产物,是由大数据时代向动态性、关联性数实融合时代发展的重要标志。数联网是以互联网为基础与核心,多层次、多维度解构数据结构要素,通过数据缺口与数据关联,将数据与数据链接而形成的服务网络(姚伟等,2023)。
数联网依托互联网平台并结合算法、算力与算据,形成具有多样化网络能力的信息服务体系,通过识别数据协议规范与数据框架,为满足用户瞬时需求提供便捷途径。在国外工业数联网方面,有学者提出创建产业合作、相互供应和投资的工业数联网(张宁等,2024),利用数字孪生技术对不同生命周期阶段产品或设备工程数据进行监管、处理与解析(Sisinni等,2018)。在国内政务数联网方面,广域政务数联网应用示范平台等在实际人机物环境中实现跨地区、跨部门、跨业务的政务数据互通,提高了数据流通效率与共享程度(窦悦等,2022)。在国内外数联网技术方面,数联网技术包含多源异构数据融合、数字孪生(Wu等,2021)等技术,能够解析数联网中多模态数据,实现全网数据融合下的数据价值,通过创建物理系统的数字副本[3],链接物理实体与虚拟数字并保持二者关联性及同步性[4]。然而,数联网在关注数据要素流通与监管的同时,忽视了数据流通背后以“人”为本的知识价值挖掘与个性化知识服务需求。因此,结合知识动态性、多维性和实践性构建高效的知联网是应对数据复杂性与异质性的有效策略。
有学者从不同角度探究科技服务生态系统、创新生态系统、知识服务网络体系。如在科技服务生态系统方面,以新一代信息技术为基础,综合运用科技服务云,以多方支持体系构建科技服务生态链,为实体经济、产业发展提供数字化网络支撑[5]。在创新生态系统方面,通过跨学科,以共享共建思想促进社会知识资本整合,缩小社会群体知识鸿沟[6]。在知识服务网络体系方面,有研究结合欧洲未来互联网大会要旨(居德华,2014),将内容与知识互联网、人员互联网、服务互联网融合,充分调动知识整合能力、智力资源优势和价值集成优势。然而,鲜有研究系统、明确地提出知联网概念、架构与机制等。因此,本研究从数联网角度出发,创新性地将知联网与知识生态系统相结合并提出知联网概念,以弥补数联网在知识价值与需求感知方面的不足。知联网关注虚拟网络知识连接下的知识挖掘、知识表达与推理,赋能各行业与系统智能化升级,相比物联网与数联网,其具备更高层级的认知能力与感知水平[7]。
网络信标以图形交换格式检测用户行为,从网络信标到知识信标,见证了由基于数联网追踪数字痕迹到基于知联网连接知识服务的演化历程。从知识经济到智慧经济,滞后性的知识需求挖掘已经不能满足智慧化知识服务的即时需求[8]。为此,亟待构建一种全新知识网络,从而能够智能化、智慧化洞悉用户深层次潜在需求。基于上述分析,本文将知联网定义为智慧经济时代以知识需求为核心,知识信标为指引,知识画像为载体,践行从知识本源到个性化、智能化知识价值实现的知识生态服务系统网络。知识需求是知联网生态系统运转的价值驱力,知识信标是引领知联网知识价值实现的作用方向[9]。知联网概念的提出与发展吻合从工业经济时代到知识经济时代再到智慧经济时代的演变趋势,体现数字经济发展由效率驱动到经验推动的转变,促进智慧经济从部分知识密集型产业拓展至更广泛的产业和社会生活领域。相比数联网,知联网在知识演化传播与用户感知内化方面具备显著优势,作为注重需求定制化满足的知识挖掘与推理性网络可以在智慧医疗、智慧教育、智慧社区等领域广泛应用,洞悉知识需求变化并释放知识价值,结合知识生态环境与实体社会环境形成符合用户需求的立体知识画像。
数据画像从数据本体出发,通过混合方法分析数据多维属性背后的潜在规律与价值(姚伟等,2020)。数据画像侧重于数据结构与内涵,难以展现个人或组织的知识需求以及知识全生命周期[10]。随着大语言模型、人工智能技术不断发展,协同知识孪生技术与并行认知技术构建多模态的全息知识画像成为现实可能。在教育领域,有学者依据知识颗粒度表征学生在不同知识概念上的交互水平(王士进等,2023),并使用双向长短时记忆网络模式构建动态的学生知识画像,以实时追踪学生隐性知识需求,进行差异化辅导教育(Chen等,2019)。在医疗领域,知识画像为计算机系统提供认知能力,通过知识归一[11]、知识融合[1]、知识补全[12]与知识表示[13]等方式在大规模异构医疗数据中提高知识获取和推理功能,成为智慧医疗的发展基础[14]。然而,现有的知识画像内涵、特征、维度、应用等研究仍然存在不足。因此,将知识画像应用于知联网不仅能够加速知识主客体之间的知识流转,以动态性、关联性和启发性知识画像刻画知识生命周期与需求变化过程,而且扩展了知识画像概念内涵,丰富了知识画像的立体感知维度与差异化特征。
知识画像是为知识需求者刻画的多维度立体通感(视觉、听觉、触觉、嗅觉、味觉)3D画像[15],在保证知识隐私安全的前提下记录并共享知识、行为需求、状态、周期等,从而促进知识交互主体的价值感知与知识共创。区别于数据画像,知识画像以更直观、适用且蕴含语义、语用、情感的知识表示弥补数据画像的不足(姚伟等,2022)。知识画像具备3个差异化特征[9]:第一,知识画像规范人类知识行为,其在知联网生态系统中通过信息流、知识流构建虚拟知识表达,描绘人类思维的数字化过程,在知联网端映射人类知识行为演化取向;第二,知识画像承载多维文化内涵,其不仅融合结构化知识与事实,而且蕴含情感、经验、价值观念等多维内涵,通过时间和空间坐标记录知识产生与流变过程,是一种兼容客观事实与主观经验的表达形式;第三,知识画像折射出时代特征,碎片化和去中心化是互联网开放链接时代的价值印记,知识画像中的节点可定制化重组而非线性推导,展现了知识的个性化建构。同时,知识画像的虚拟性和动态性反映出数智化时代的不确定性与连通性。
2.1.1 知联网概念
数联网驱动物理空间与虚拟空间之间数据信息交互及反馈,提供数据要素的异构网络与链接通道(Fernandez-Villavicencio N G,2010),成为构建数据画像的交通枢纽。然而,数联网并未将数据的价值关涉拓扑至知识的智慧认知与价值感知,知联网的出现将提供一种新知识生态服务网络以应对这些挑战[16]。知联网是以知识信标为引导、知识画像为形式的知识关联再现的虚拟空间[17]。虚拟空间与物理空间交互衍生、动态反馈,核心是搭建并贯通“需求—知识”、“知识—知识”、“知识—画像”三条动态性与关联性的知联网通道,其本质是在知联网虚拟空间内复刻人类需求、行为与知识发展特征、状态,形成从知识生产到消费、再到分解的知联网生态系统[18]。庞大的知联网生态系统蕴含众多分布式子网络,子网络依据知联网类型、形式、作用以差异性连接方式,进行交互、合并与反馈。开放、协同的知识生态系统考虑到内外部的虚拟性以及实体环境,通过多维度知联网子网络打通信息“孤岛”,将知识源聚合与关联,从而有效调动多样式知识资源,提供多场景化智慧服务(Lai等,2012)。
数智化时代信息技术高速发展,产生大量非结构化数据,数据复杂且难以解释,需要进一步处理原始数据以释放非结构化数据价值。知识是数据价值凝练的高阶形式,将数据转化为知识是数据潜在价值挖掘及数据社会化的过程。从浅层数据计算到深层次知识推理,从单纯的数据驱动模型到结构化逻辑规则模型,将大数据转化为结构化知识能够更好地为社会决策贡献智慧。从数联网向知联网的发展,是数据动员与知识共创的表现过程。知联网通过终端感知与需求挖掘,从用户生成的多模态数据与知识需求出发,搭建深层知识网络,促进知识传播、衍生与共创,提升知识价值与知识服务转化效率[19]。知联网构建了涵盖庞大知识领域的网络体系,实现对现实世界的知识孪生,为实体事物塑造可见的知识画像与无形知识画像[20]。由此可见,知识画像是知联网中结构化知识的表达形式,突显知识实体与知联网虚拟空间关系。无形知识画像采用抽象的知识属性方式,涵盖知识语义与情感,蕴含人类更深层次的知识认知。知联网通过构建两种知识画像进行融合拓扑,共同构成知联网整体效应。其中,知识画像通过助力智慧场景优化、智慧决策辅助与个性价值衍生,成为智能化、智慧化服务转型的关键(Lissillour等,2024)。
2.1.2 知联网特征
在数联网中流通的数据能够以计算形式应用于生产经营活动,发挥数据要素价值,而知识是数智化时代比数据更智慧的高阶形态。结合数联网在数据市场的技术发展与应用优势,构建知联网生态系统,并从需求挖掘与知识演化角度对比数联网和知联网的应用特征,具体如表1所示。
表1 知联网与数联网特征比较
Table 1 Comparison of the characteristics of the KESSN and the DSSN
比较知联网数联网知识生态系统复杂交互系统知识孪生数字孪生并行认知低维认知知识画像数据存储特征定制化需求竞争化需求知识推理与智联数据演化与互联复杂行为决策数据统计分析效用感知与价值衍生数据检测与成本控制
(1)知联网是一个自适应内外环境与行为需求的知识生态系统,通过知识孪生空间与并行认知空间获取知识画像并应用于智慧场景[21],以知识动态演化与流变展现系统生态性。知联网生态系统是一个知识—需求—行为融合共生、协同演化,以及立体性与自组织性不断提升的松耦合生态系统。
(2)数联网是以数字孪生为基础对实物资产进行可视化数据计算,而知联网是在数联网基础上关注非实物资产。知联网通过知识孪生还原多模态数据价值原型,洞悉数据隐含的知识需求并优化、完善知识生命周期,以知识共创和价值衍生方式支撑知联网生态系统的智慧积累。
(3)知联网生态系统并行认知空间是知识资本的处理途径之一,并行认知主要以描述性认知、预测性认知与规范性认知的感知处理方式聚合多模态知识资源。神经网络、深度学习、聚类分析等技术支撑知联网生态系统并行认知空间的计算能力,并行认知是知联网实现知识推理与智能决策的重要支撑。
(4)知识画像作为非单一数据模式,可解构为结构性数据、关联性数据,同时,包含文字、音频等多模态内容。知识画像是知识表示的关键方式,也是知联网数据整合、知识融合与转化的特殊形式,其具象知识行为与需求,体现知联网生态系统动态与智慧。
(5)数联网追求技术领先、标准制胜,以实现数字孪生高效转型,但是难免会陷入数据竞争悖论中。知联网生态系统是基于用户特征开展个性化知识建模,注重行为—需求—服务转化,通过定制化服务满足知识用户个性化需求,促进智慧应用场景建设。
(6)数联网侧重数字资源与数字要素整合创新,缺乏行为需求与知识衍生方面的延展和预测。知联网生态系统注重数据表征的人类需求,深度挖掘知识关联,在数据处理基础上加强类人脑思维,促进知识推理与智慧关联。
(7)数联网以实际应用的结构化数据为基础,通过数据统计分析支撑状态检测、质量控制与优化等场景。但复杂的人类行为蕴含知识需求,知识需求与知识生命周期能够映射复杂行为过程,知联网的意义在于从生态化、灵活性视角进行复杂行为的理解与决策。
(8)数联网侧重数据检测与成本控制,知联网生态系统则重视个人或群体在客观世界与虚拟空间的行动及结果,连接其内心感知与效用。从数联网到知联网,体现出从商业成本与效能角度向知识价值衍生和共创角度的转变。
2.1.3 知联网原则
(1)高度的人机协同。知联网生态系统利用结构化、非结构化知识,在知识获取、表达上与人类呈现出一致性,其知识演化与推理既有自动化推理,也依赖人类经验矫正。知联网生态系统通过融合数智化时代的人工智能技术,增强机器认知,提升智慧场景下的人机交互效用。
(2)知识效用感知。知联网生态系统开放性解构多元异构知识,为知识效用感知奠定基础。知识效用感知是智慧服务场景的知识评估方式,也是知联网生态系统知识演化过程时效性与适配性的追踪原则,通过知识画像等分析手段评估知识内在关联性,以确保知识潜在效用得到充分挖掘。
(3)复杂网络。知联网生态系统具备复杂网络特征与原则,如随机网络、无标度网络与小世界网络[22]。知识关系具有不完全可定性,知识拓扑关系呈现出复杂的随机网络特征。知联网生态系统中的知识交叉也遵循幂率分布规律,不存在平均度的标度。尽管知联网生态系统是一个庞大而复杂的系统,但是较短的知识节点距离符合知联网具有传播效率高、创新能力强的小世界特征。
(4)动态增长。知联网生态系统中的知识生产、消费与分解是一个开放性的动态过程,源源不断的知识加入以及知识环境演化依赖于知联网自组织、自适应、自演化发展模式,知联网生态系统在这种知识生态平衡中实现知识与能力的动态增长。
2.1.4 知联网与数联网应用区别
通过分析对比知联网与数联网的应用环境及效用,搭建从数联网到知联网生态系统的情景过渡与环境模拟。知联网与数联网的应用区别如表2所示。
表2 知联网与数联网应用区别
Table 2 Differences between the KESSN and the DSSN
比较知联网数联网松耦合生态紧耦合系统非物质资产形式混合资产形式应用环境智慧情景感知多维场景还原强知识产权强数据保护
(1)数联网作为数据分析与流通系统,其组件与模块的依赖性、耦合性较强,攻击任意节点即可造成网络瘫痪。知联网是一种松耦合生态系统,其具有自组织与自适应性,显著提高知联网生态系统容错率,增强知联网生态内部知识韧性与生态韧性[23]。
(2)数联网既融合物理世界的各种设备与传感器,又拥有软件与数据等多维元素,主要处理混合资产形式,从海量异构数据中实现数据深度分析和判断。知联网生态系统多以知识画像、知识库等非物质资产形式呈现,侧重知识关联、协同与不确定性涌现,以及虚拟世界中无形资产价值实现与衍生。
(3)数联网通过搭建数据场域还原现实场景,更关注环境本身,而由知识孪生形成的虚拟用户或数字行为也是场景的重要组成部分。知联网生态系统在搭建数字场景的基础上关注用户主体与场景的一致性、融合性,并通过效用感知反馈、知识演化等动态内容实现用户智慧情景的感知。
(4)数联网依靠数据加密、访问监控与控制等方式增强数据保护性,注重个人与组织信息安全[24]。知联网生态系统强调知识产权意识,以知识版权、商业机密等方式保护生态系统知识价值。无论是增强数据保护,还是强调知识产权,都是依据不同法律对数联网与知联网进行强制性保护。
知联网生态系统架构相比于传统机器系统更加复杂,其从知识演化和层级结构角度构建双维度立体式内在架构,如图1所示。横向为知识动态演化结构,纵向为知联网静态层级结构[25]。从知识演化角度,知联网生态系统运行类似大自然生态圈物质循环网络,分为知识生产、消费与分解阶段。知识生产阶段源自知识需求挖掘与网络痕迹多模态捕捉,以需求挖掘、数据技术与终端感知模块组成,通过现代化信息技术与感知终端设备抽取暗含用户行为、感知、需求等价值信息的多模态显隐性知识,作为知联网生态运行的基础知识源。知识消费阶段是基础知识源的转化与归纳,分为感知集成、知识资本、平行认知空间、知识孪生空间、知识画像具象模块。此阶段依据知识距离与知识需求关联性,通过知识消费释放冗余知识价值,再历经知识孪生空间与平行认知空间的知识重组、融合、共创,形成排列规整、价值精炼、特征鲜明的知识画像。知识画像是知识消费阶段的知识价值凝练,也是知识分解阶段的启发点。知识分解阶段是将知识价值赋能个性化服务,知识价值协同关联特定场景,以个体用户或知识组织为作用域,形成智慧化知识服务场景。知识分解阶段包括知识内化、价值体现、服务运营、智慧综合服务等内容。知识分解阶段形成知联网生态子网络,生态子网络的智慧互联服务呈现出高度人机协同与知识效用感知特点,高度人机协同辅助知识需求引导与价值实现;知识感知效用为知识分解阶段的知识价值提供内化评估,为知识生产、消费与分解阶段提供知识反馈[26]。知识动态演化三阶段整体呈现出一个完整、动态、关联的循环过程,三阶段网络结构内部也存在紧密的双向互动关系,在知识演化过程中协同推动知联网生态系统持续演进。
图1 知联网生态系统架构
Fig.1 KESSN ecosystem architecture
知联网生态系统静态架构分为三层,分别是基础层、平台层与服务层。基础层以终端感知、设备集成、基础服务运营模块为主。其中,终端感知以传感器、摄像头等智能设备为基础,作为知联网生态系统的输入端,通过组合基础设备的集成方式获取用户网络行为感知集成数据;服务运营则采用类物联网、类数联网基础连接模式,注重虚拟网络与智能设备的协议标准。知联网基础层作为生态系统的底层支撑,为上层平台提供海量、精细化的用户行为与感知数据。平台层包括数据技术、知识资本、人机协同等内容,数据技术包括GSM(Global System for Mobile Communications)、GPRS(General Packet Radio Service)等移动通信网络技术,同时,包括网络资源、存储资源与计算资源。由基础层感知生成的多模态知识资源与数据层网络分析能力共同组成知识资本,平台层积累的知识资本通过动员四维网络能力整合多模态知识资源。四维网络能力分别为结构能力、关系能力、认知能力与调控能力[11];三元平行认知空间分别为描述性认知、预测性认知与规范化认知[27],平行认知空间主要以多模态数据作为基础数据源,为生成知识画像提供知识分类准备。其中,描述性认知是对环境、对象或事件的客观陈述;预测性认知是基于过往经验对未来发展趋势的预判;规范性认知是依据人类价值观以及群体规范,对事物或行为进行价值判断与认知评估。平台层注重技术规范下的高度人机协同与效用感知,为基于服务层需求与知识交互形成的智慧知联网应用提供支撑。服务层侧重以用户显性需求作为知识信标,引导知识挖掘、融合和推理,并结合平台层知识资本积累构建知识孪生空间。知识孪生空间是解构知识原态与知识需求的复杂交互空间,以通过知识融合、关联、共创与动员等过程实现动态性知识画像,为智慧医疗、教育、交通等应用场景提供具象化、生动化与精确化践行方式[28]。知联网生态系统分层架构降低了系统复杂性与依附性,知识需求衍生在对应层级进行扩展,层间的松耦合状态有助于保障知联网生态系统灵活性、扩展性和可维护性,分层之间关联但不粘合,相互影响又相对独立,共同构建知联网生态系统纵向架构的平衡关系[16]。
知联网生态系统双维架构横向注重知识动态维度的流变与内化,纵向强化系统架构维度的稳定性支撑,既满足知联网生态系统的稳健性、灵活性,也满足对环境变化的适应性需求(储节旺等,2023)。数据获取是感知终端通过基础集成设备捕捉物理世界多模态信息的过程,数据向知识转化则是通过平行认知与知识孪生空间内部特定算法及模型,实现非结构化数据向结构化知识的转变,为知联网生态系统提供强大的知识分析与推理能力。如浙江大学开发的知识计算引擎KS-Studio架构将非结构化数据转化为结构化数据,涵盖从数据到知识的过程[29],通过深度理解知识,提供知识推理、行为预测等知识服务内容。然而,随着信息收集难度与社会联系需求增大,单纯的平面视觉表达已不能满足用户信息理解和知识交流的动态需求。因此,知联网生态系统也涵盖从知识到知识画像的过程,以具有多维通感的知识画像促进知识流变与知识内化,增强智能行为解释力,为知联网生态系统的智慧场景提供可视化基础。从强调数据连通与分析的数联网到侧重知识赋能的知联网,知联网构建出一套能够识别不同行为节点知识与服务的生态系统,考虑到非实物资产领域,以人类智慧与智能认知进阶数字网络。通过搭建知联网生态系统为数联网成为智慧互联网络提供了发展方向,提升进阶数联网知识认知与行为推理能力是一项亟待实现的重大任务。
知联网系统应用坚持以人为中心的价值取向与发展思想,在发展中不断提升民生保障水平,符合人们对美好生活多样化、多层次、多维度的需求。医疗、教育和社区作为人们生存与发展的基本需求,同时,也是民生保障的关键场景。已有研究结合知识推理与个性化思想,精准针对3种场景问题并提出解决方案(张晓林等,2023)。然而,现有研究针对智慧化场景的知识需求与推理、知识创造性与价值性等方面的分析尚存在不足。因此,以智慧医疗、智慧教育与智慧社区作为知联网系统应用的代表性实践场景,通过结合数智化时代智能技术的服务型生态系统网络整合场景实践应用,以智慧场景服务推动社会可持续发展。
(1)智慧医疗。数联网作为面向数据要素流通市场的信息服务体系,承载 “全国一张网”思想,逐渐与大数据、云计算等技术连通以处理复杂数据,但缺乏理性计算与感性计算的结合,无法满足智慧场景下的高阶智能行为与知识需求。将知联网生态系统应用于医疗领域,有助于从知识建设、智能管理、防范理念等方面引领智慧医疗领域发展[30]。知联网生态系统将实现医疗资源互联与医疗供应链协同,通过医疗知识画像进行信息传输,实现知识管理建设从临床信息化向区域医疗智慧化的转变。知联网生态系统在医疗领域的应用,也促使医疗领域从“冰冷”的综合数据处理转变为具备人文关怀与认知的个性化智能管理。通过医疗知识画像,能够实时监控患者病情变化,清晰呈现患者疾病治疗情况,同时,对疾病发展方向以及患者潜在疾病进行预测与推理。以数据流通为中心的数联网向以知识需求为中心的知联网过渡,符合智慧医疗从以疾病为中心到以患者为中心的转型需求,同时,知联网利用知识推理,实现从以治理为中心向以预防为中心的智慧医疗转变,通过个性化定制的知识画像,实现以综合管理为中心以向个性化服务为中心的转变[31]。
(2)智慧教育。数联网通过应用于教育领域,促进教学数据、校园数据、学生数据等资源共享与整合,助力教育信息精准与优化,但尚未达到个性化、创造性等智慧教育标准。知联网生态系统通过并行认知系统进行教学数据的认知诊断,在知识孪生系统中呈现知识共创、知识推理等过程,并通过知识画像关联性与匹配性为学生、教师与环境提供个性化教育方案。如在知联网生态系统虚拟空间内通过知识画像,描述学生特征(如能力水平)和练习特征(如难度水平),利用虚拟交互功能对练习行为进行建模,基于大量试验采集的真实数据提高知识画像描述、诊断与推理的准确性(Gao等,2021)。知联网生态系统融合大语言模型、人工智能、虚拟可视化等技术,实现对学生个性化教育目标的设定,丰富教学策略与学习工具,支持学生智慧成长。智慧教育场景是知联网的最佳实践场景之一,以知识为驱动的知联网生态系统能够为传统教育模式带来颠覆性变化,教育体系需要根据学生知识需求进行个性化匹配,实现创造性演化。知联网生态系统通过去中心化交互网络,跨时空限制提供实时知识共享、共创等知识活动,为智慧教育场景的提供认知、决策与适应支持,同时,智慧教育场景延伸也为知联网发展提供知识价值反馈,助力知联网生态系统迭代优化(Dorca等,2013)。
(3)智慧社区。数联网能够整合传输数据信息(马海云等,2023),实现从居民住处到社区附近医疗提供者和社区管理者的无缝衔接,但数据反馈及时性和数据价值有待进一步提升。知识在知联网生态系统中的有序流转与交互能够保证智慧社区成员获取知识的及时性、准确性与匹配性,赋能社区智慧化管理。智慧社区实时追踪社区成员行为痕迹与瞬时需求,构建精准化知识画像以实现智慧社区韧性化与智治化。如面对突发公共危机事件,知联网生态系统通过生成家庭以及个人知识画像,实时记录与关注,赋能智慧社区感知能力、协同能力与决策能力。知联网生态系统通过居民知识需求感知、挖掘与推理等知识行为,满足智慧社区以人为本、精细感知的内在需求,提升智慧社区居民认同感与参与度。近年来,智慧社区理论研究与实践探索已经从单一的技术赋能转向以人为本的复杂性系统研究。知联网生态系统作为复杂系统符合智慧社区发展需求,其应用于社区建设能够促进智慧社区由被动韧性向转型韧性转变。其中,被动韧性主要是指以恢复能力为主的抗外部干扰能力,转型韧性是指知联网生态系统赋能社区自组织适应的能力(Li等,2011)。知联网生态系统不仅为智慧社区的风险规避与韧性治理带来机会,也为智慧社区精细化、智能化、网络化与生态化发展提供指导。
3.2.1 知识边界跨越机制
知识边界是不同知识源之间的信息鸿沟,其阻碍知识自由流动与交叉混合,加剧知识顺差与逆差的不平衡状态[32]。知识顺差是某个组织或地区在知识获取与共创中积累超过自身需求量的知识储备而形成的相对知识优势;知识逆差是指某个知识区域的知识储量与创新能力不足,对外部知识溢出具有较弱的内化吸收能力[18]。知联网生态系统通过知识孪生途径还原与解构知识原态,调节由知识顺差与逆差造成的知识要素流动效率,跨越原有知识边界并缩小知识鸿沟。不同知识体系之间的认知差异导致知识边界存在,知联网生态系统的开放性体现知识孪生复杂交互系统能够有效解决知识边界涉及的隐性知识,创造边界话语,缩小知识边界两侧的认知差距(主要是显性知识)。跨越知识边界是知识孪生复杂交互系统过程中知识表示、挖掘和推理的重要行为机制,同时,知联网生态系统在知识孪生过程中的知识边界跨越机制,不仅注重知识边界信息,而且强调跨越知识边界是一个伴随知识演化的动态过程。知联网生态系统自组织感应知识边界变化并进行相应的机制调整,不断提高知识孪生复杂交互系统的自组织适应能力(Sindakis等,2015)。
3.2.2 并行认知赋能机制
并行认知赋能是知联网生态系统中知识孪生复杂交互系统的另一个机制,并行认知虚拟空间在认知时间、空间、内容三个维度赋能知联网生态系统[33]。
(1)时间维度上,横向认知是知联网生态系统按照时间线,整合不同认知主体在不同阶段的认知特点,如老年人和青少年的认知内容与认知尺度存在明显差异。纵向认知是认知主体的认知内容分布在时间轴上的认知差异,如当前的认知可能受到过去经验的影响并对未来认知产生预期,表征纵向认知的耦合性。
(2)空间维度上,知联网生态系统以分布式结构存在,形成分布式认知。分布式认知三要素为主体要素、客体要素与环境要素。分布式认知主体要素主要为认知活动发起者,知联网生态系统能够识别认知主体的认知需求并分析其对认知客体的影响效果;分布式认知客体要素主要为认知活动的作用对象与作用内容;分布式认知环境则为知联网生态系统中的认知交互过程,即特定认知条件与情况下的情景模拟、内容模拟与工具模拟(张莉曼等,2023)。
(3)内容维度上,并行认知赋能机制将以描述性认知、预测性认知与规范性认知对认知内容进行分类聚合。知联网生态系统中的描述性认知表现为知识认识与解构,是对知识全貌以及客观特点的描述与理解;预测性认知是基于过去和现在的知识解构维度,通过知识融合与重组对未来知识演变进行预测和判断;规范性认知是形成平行行为处方,引导个人或群体行为形成当前环境的最佳响应,并体现为个人价值观与群体规范等方面。并行认知三维度协同运转,立体性赋能知联网生态系统,成为知联网生态系统提升认知水平与塑造智慧场景的重要路径。
3.2.3 自适应协同机制
知联网生态系统中的知识不断涌现,知识突变与衍生为知识生态带来不确定性风险。自适应协同机制是庞大的知联网生态系统有序运营的自我保护机制,自适应协同机制体现在对协同机制的细粒度分析,呈现为以隐性协同为主、显性协同为辅的并行协同方式(Wu等,2021)。知联网生态系统的显性协同是参与主体通过正式交互方式明确知识任务、角色与规划等内容;隐性协同是参与主体依托知识画像的认知内化自组织协同配合的行为模式。从信息角度,知联网生态系统环境突变可解释为短时间内知识生态涌入大量混沌知识或已知知识并陷入知识隐藏情景。自适应协同机制借助ChatGPT等人工智能技术,通过协同解构知识画像,串联混沌知识为有序知识,深度挖掘知识信息。自组织适应性机制可以解决突发状态下隐性知识的知识隐藏问题,能够提升知联网生态系统韧性。自适应协同机制通过鲁棒控制与自适应控制,降低知联网生态系统不确定性,并在场景与任务特征不断变化时缩短外部指令传达时间,自上而下地迅速作出适应性反应。
知联网生态系统以用户需求端作为机制首发阶段,经历知识孪生复杂交互系统,构造知联网生态知识画像以搭建智慧医疗、智慧城市、智慧社区等知联网子网络生态(Aksenova G等,2019),从而为知识需求者提供个性化知识服务,具体如图2所示。作为用户需求端的知识个体与知识组织需求虚实交互,重视知识需求者认知复杂性与需求耦合性。知识孪生交互系统通过需求耦合作用映射知识行为,引领知识需求。知识孪生复杂性交互系统运行是基于知识孪生虚拟空间与并行认知虚拟空间的交替协作,而知识孪生空间是知识原态解构与梳理的关键场域。作为“虚拟知识处理工厂”的知识孪生空间通过洞悉隐性知识并进行知识挖掘、表示及推理,由此融合或突破知识边界,形成知联网生态系统跨知识边界机制。并行认知虚拟空间主要基于需求行为数据,从时间、空间和内容3个维度形成类人脑思考认知,因此并行认知赋能机制成为需求定制化场景的智慧基础。知识孪生复杂性交互系统作为知联网生态系统中枢机制,以知识价值为基础,与用户需求端共同引领知识需求;以知识需求为基础,与知联网生态端打造智慧场景。知联网生态端以知识画像作为要素与链接,基于知识画像结构性、时效性、开放性、动态性与关联性等特点重塑知联网生态智慧场景,赋能智慧医疗、智慧城市、智慧社区等个性化需求场景。知联网生态系统为智慧场景内的需求者提供知识交互反馈,与需求端混合交互作用于知识孪生中枢系统。知识需求反馈为知识孪生系统提供需求与行为训练数据,缩短系统交互运行时间,提升知联网生态系统自组织适应性能力,促使知联网生态系统开启复杂场域智治模式,不断地自组织共享与创造知识服务价值。
图2 知联网生态系统运行机制
Fig.2 Mechanisms for the operation of the KESSN ecosystem architecture
本文拓展了数联网理念并创新性提出知联网概念内涵,从动静结合视角分析知联网生态系统架构,并构建知联网生态系统实践场景与运行机制,为数联网进一步发展提供新思考。
(1)知联网是以知识需求为核心、知识画像为形式,实现用户需求引导与知识推理的生态系统网络。知联网生态系统从感知终端输入数据要素,在系统内部以知识形式共享与传递,再以知识画像形式输出,服务于知识用户与知识组织。知联网生态系统可以看作是在数联网基础上强化对非实物资产特别是知识资产的整合与聚焦,通过知识需求挖掘、知识关联重组、知识画像生成等方式实现对多源异构知识的有效组织与应用。
(2)从知识演化和层级角度构建双维度知联网生态系统架构,实现从多模态数据到知识画像的转化与应用。知联网生态系统架构的横向动态过程如自然生态圈物质循环网络,经历了知识生产、消费与分解环节,进而实现知识高效流转与内化;知联网生态系统架构纵向静态层级分为基础层、平台层与服务层,为数据要素向智慧服务转化提供稳定支撑。相较于数联网侧重数据技术应用和物理资产数字化管理,知联网生态系统更注重用户认知和需求[34],通过基于知识孪生与并行认知的双元螺旋虚拟空间的知识处理,实现对物理世界的智能感知与智慧决策。
(3)知联网生态系统遵循跨越知识边界、并行认知赋能与自适应协同机制,打破知识壁垒,实现知识无障碍流通与交叉融合。知联网生态系统利用知识孪生技术解构知识原态,以并行认知技术赋能系统认知能力,利用人工智能与可视化技术整合协同数据价值并构建知识画像,形成需求—知识—场景的闭环,最终为智慧场景提供定制化知识服务,促进知识高效流通和创新应用。
(1)从数联网理念出发,依据从数据到知识的转化路径与价值进阶,拓展知联网相关理论内容,对知联网生态系统的理论研究与发展具有基础性支撑作用。现有的知联网研究仅局限于某领域应用。本文系统梳理了数联网、知联网和知识画像等相关内容,并创新性提出知联网概念及系统架构,进一步拓展了数联网发展路径,推动了知联网相关概念与理论发展,为学界更好地发展与应用知联网相关理论提供了重要依据。
(2)提出以知识画像为载体的知识推理与知识服务形式,揭示了知联网生态系统内部知识流变与价值体现的动态过程。数联网注重数据要素流通、数据基础设施建设等内容,鉴于现有研究忽视从数据要素到知识的流变,以及从知识到知识画像的可视化呈现,本研究尝试定义具有多模态通感的知识画像并将其融入知识生态系统动态知识转化过程,为数联网实现数据挖掘与价值转化提供新理论视角。具体而言,知联网生态系统存在虚实交互融合空间,能够融合人工智能、大语言模型等技术以构建认知诊断、知识推理等相关智能算法模型,为知识高效流动、价值转化以及智慧场景赋能提供理论指导。
(3)将知联网构念与知识生态系统理念、互联网与知识生态系统创新性融合,丰富知识生态系统理论研究。一方面,知识生态系统是特定时空范围内知识资源、知识创新等活动与交流协同环境所组成的,现有文献忽视了虚拟环境以及虚实融合空间下的知识生态系统研究。知联网生态系统通过融合现代化智能技术,在虚拟空间重构知识生产、知识消费与知识分解环节,形成“技术+互联+生态”为特征的知联网生态系统,拓展了知识生态系统研究范畴。另一方面,知识生态系统是以知识个体为主体与外界知识环境相联通,现有研究缺乏对知识个体交互的多样性分析。本文将知联网与知识生态系统理念融合,将网络中万物互联概念融入知识生态系统,实现开放性知联网生态系统内知识个体的实时互联,改变知识个体在知识共享与共创等方面的知识交流方式,为知联网生态系统下的跨学科交流、开放式交流等研究提供理论基础。
本文作为一项探索性理论研究,尝试在数联网概念上发展知联网生态系统,探索下一代数智化网络形态,但存在一定局限性。一方面,知联网生态系统概念暂时未得到各界学者和专家的广泛认可,提出的概念、架构、特征、场景与机制等也需要进一步的实践验证。另一方面,知联网生态系统需要多学科交叉研究以共同攻克科学问题与技术难题。目前,知联网生态系统理论与技术还处于探索阶段,仍存在一些关键问题亟待解决。知联网生态系统应用场景广泛多样,安全保障与伦理规范是差异化场景下知识获取的基本保障,探讨知联网生态系统安全与伦理方面的风险挑战与应对策略,对知联网生态系统未来发展具有重要意义,也是未来的研究方向之一。
4.3.1安全性挑战与应对策略
(1)数据安全风险:知联网生态系统在数据处理与知识画像生成过程中存在数据质量问题、数据泄露以及滥用风险。通过跨学科建立数据评价体系,促进不同领域数据标准统一与共享,有助于多元化数据融合与数据价值实现,从而为数据治理提供多样性治理视角。
(2)算法安全风险:精准识别知识需求需要完备的算法支撑,低算法匹配度会导致需求识别误差,进而带来潜在的安全风险问题。可以开展跨学科研究,如融合密码学、伦理学、网络安全等领域专业知识,优化算法审查机制,增强多场景应用的算法适配性,进而实现知识需求的精准识别。
(3)技术安全风险:知联网生态系统可能存在知识处理、画像生成和智慧应用等环节上的技术缺陷以及基础设施安全问题,给知联网生态系统稳定运行带来巨大挑战。开展多学科交叉研究如综合考虑社会、经济、伦理等因素,为技术评估建立实时反馈与精细化管控体系,有助于及时发现技术漏洞,保障系统安全可靠运行。
4.3.2 伦理性风险挑战与应对策略
(1)个人权益风险:知联网对个人信息的收集、储存与处理,蕴藏隐私泄露、个体歧视等伦理风险。知联网生态系统可以采用加密、访问控制等手段强化用户隐私与知识产权保护,保障个人知识成果所有权和收益权。
(2)群体公平风险:基于知识画像的知识推理在模式与特征识别过程中存在群体歧视性偏见风险。知联网生态系统在技术处理中加入针对敏感特征的去偏处理方案,通过不同数据源检测群体公平指标,排查并杜绝如性别、种族、年龄等群体歧视内容,保证知识推理算法的群体公平性。
(3)知识污染风险:知识跨界融合可能造成知识污染,从而阻碍社会层面的知识发展与创新。可完善社会影响评估与预警机制,制定相关法律法规,禁止知联网的非道德用途;通过道德规范与社会教育,提升公众知识素养与伦理意识,以应对社会层面的知联网风险挑战。
[1] DE REUVER M, SØRENSEN C, BASOLE R C. The digital platform: a research agenda[J]. Journal of Information Technology, 2018, 33(2): 124-135.
[2] 王建冬.“数据要素市场建设共性技术体系框架研究”专题序[J].数据分析与知识发现,2022,6(1):1.
[3] ZHENG X, LU J, KIRITSIS D. The emergence of cognitive digital twin: vision, challenges and opportunities[J]. International Journal of Production Research, 2022, 60(24): 7610-7632.
[4] VANDERHORN E, MAHADEVAN S. Digital twin:generalization, characterization and implementation[J]. Decision Support Systems, 2021, 145(6): 113524.
[5] 黄晓琼,徐飞.知识生态视域下面向产业集群的区域综合科技服务系统生态化发展研究[J].科技进步与对策,2021,38(3):60-69.
[6] 辛冲,吴怡雯,李明洋,等.创新生态系统的知识共享困境研究——社会资本的视角[J].管理科学,2023,36(4):44-60.
[7] 滕子优,朱雪忠,胡成,等.创新主体在城市群知识网络中的角色——基于科学与技术关联视角[J].科学学研究,2024,42(6):1288-1299.
[8] HANNESTAD L M, DANC
K V, GODDEN M, et al. Knowledge beacons: web services for data harvesting of distributed biomedical knowledge[J]. Plos One, 2021, 16(3): e0231916.
[9] BECK E N. The invisible digital identity: assemblages in digital networks[J]. Computers and Composition, 2015, 35(1): 125-140.
[10] MAIER J. A "true likeness": the renaissance city portrait[J]. Renaissance Quarterly, 2012, 65(3): 711-752.
[11] SASSEN S. Digital networks and the state: some governance questions[J]. Theory, Culture &Society, 2000, 17(4): 19-33.
[12] CHADWICK A. Digital network repertoires and organizational hybridity[J]. Political Communication, 2007, 24(3): 283-301.
[13] WU X,DUAN J,PAN Y, et al.Medical knowledge graph: data sources, construction, reasoning, and applications[J]. Big Data Mining and Analytics, 2023, 6(2): 201-217.
[14] LI L, WANG P, YAN J, et al. Real-world data medical knowledge graph: construction and applications[J]. Artificial Intelligence in Medicine, 2020, 103(3): 101817.
[15] KARUZAKI E, PARTARAKIS N, PATSIOURAS N, et al. Realistic virtual humans for cultural heritage applications[J]. Heritage, 2021, 4(4): 4148-4171.
[16] J
RVI K, ALMPANOPOULOU A, RITALA P. Organization of knowledge ecosystems:prefigurative and partial forms[J]. Research Policy, 2018, 47(8): 1523-1537.
[17] 居德华,沈备军.知联网和知识云服务[J].华中科技大学学报(自然科学版),2012,40(S1):13-17.
[18] 姚伟,周鹏,于会伶,等.从数字孪生到知识孪生:赋能虚拟社区成员感知收益促进知识转化[J].情报理论与实践,2022,45(9):67-74,82.
[19] SMITH C,SMITH J B,SHAW E. Embracing digital networks:entrepreneurs' social capital online[J].Journal of Business Venturing, 2017, 32(1): 18-34.
[20] DAVIS D R, DINGEL J I. A spatial knowledge economy[J]. American Economic Review, 2019, 109(1): 153-170.
[21] NIRMALA M,VEMURI M.Leveraging informal networks in knowledge management[J].Journal of Knowledge Management,2009,13(3):146-156.
[22] BAMPO M, EWING M T, MATHER D R, et al. The effects of the social structure of digital networks on viral marketing performance[J]. Information Systems Research, 2008, 19(3): 273-290.
[23] 谢雅萍,陈睿君.转危为机:基于知识图谱的组织韧性研究述评与未来展望[J].科学学与科学技术管理,2022,43(3):131-153.
[24] CHOI C, PICCIALLI F, JUNG J J. Internet of knowledge[J]. Future Generation Computer Systems, 2020, 102(1): 948-949.
[25] 陈剑,刘运辉.数智化使能运营管理变革:从供应链到供应链生态系统[J].管理世界,2021,37(11):227-240.
[26] JU X, WANG G, FU Y. Linking networking capability and ambidextrous innovation strategies: the mediating roles of knowledge assimilation application and knowledge transformation application[J]. Journal of Knowledge Management, 2023, 27(6): 1534-1561.
[27] YE P, WANG X, ZHENG W, et al. Parallel cognition: hybrid intelligence for human-machine interaction and management[J]. Frontiers of Information Technology &Electronic Engineering, 2022, 23(12): 1765-1779.
[28] JAKUBIK M, MÜÜRSEPP P. From knowledge to wisdom: will wisdom management replace knowledge management [J]. European Journal of Management and Business Economics, 2022, 31(3): 367-389.
[29] ZHUANG Y, WU F, CHEN C, et al. Challenges and opportunities: from big data to knowledge in AI 2.0[J]. Frontiers of Information Technology &Electronic Engineering, 2017,18(1):3-14.
[30] TIAN S, YANG W, LE GRANGE J M, et al. Smart healthcare: making medical care more intelligent[J]. Global Health Journal, 2019, 3(3): 62-65.
[31] AHUJA A S, POLASCIK B W, DODDAPANENI D, et al. The digital metaverse: applications in artificial intelligence, medical education, and integrative health[J]. Integrative Medicine Research, 2023, 12(1): 100917.
[32] HAWKINS M A, REZAZADE M M H. Knowledge boundary spanning process: synthesizing four spanning mechanisms[J]. Management Decision, 2012, 50(10): 1800-1815.
[33] WANG C, MEI J, FENG J. Exploring influencing factors of offline knowledge service transactions on an online-to-offline knowledge-sharing economy platform[J]. Journal of Knowledge Management, 2020, 24(8): 1777-1795.
[34] FU H, MANOGARAN G, WU K, et al. Intelligent decision-making of online shopping behavior based on Internet of Things[J]. International Journal of Information Management, 2020, 50(1): 515-525.