Open Cognitive Graph

面向知识型 AI 的认知基础设施

研究与合作手册

Open Cognitive Graph (OCG) · AI Edtech Governance Trust (AEGT) · 新西兰 opencognitivegraph.org · aegt.org

前言：为什么存在这个东西

今天大多数 AI 系统的建构方式是相同的：取一个基础模型，接上知识库，包装成产品。这对简单任务有效，对复杂任务会失效。

失效的原因不是模型。是模型之下缺少认知结构——没有显式的推理路径，没有证据边界，没有领域驱动的决策逻辑。模型靠临场发挥。小规模时，临场发挥尚可接受。在机构规模、高风险领域，不行。

OCG 存在，是为了构建缺失的那一层：一层可计算的认知结构，让 AI 系统可以基于结构推理，而不只是基于概率生成。

这本手册说明这意味着什么，它如何构建，已经做了什么，以及合作如何进行。

第一部分 — 问题所在

1.1 生成与推理的断层

大型语言模型非常擅长生成流畅、语境连贯、通常正确的文本。它们在以下方面明显更弱：

• 在长任务中保持一致的推理逻辑
• 遵守领域标准设定的证据边界
• 产生可以对照明确标准审计的输出
• 在数千用户中保持不漂移的同一逻辑结构

这些不是模型能力问题，是架构问题。没有结构化领域知识的模型，是在没有骨架的情况下运作。它可以移动，但不可靠，承重时更不行。

1.2 真正的困难在哪里

在复杂知识领域——教育评估、环境治理、专业知识系统、机构决策——困难不在于 AI 能否产生一个看似合理的答案。

真正的困难在于：

• 答案是否基于正确的知识结构？
• 它是否遵循领域专家认可的推理路径？
• 能否追溯系统为什么产生这个输出而不是另一个？
• 同一系统能否在不同用户、不同场景、不同时间产生一致的输出？
• 当领域知识更新时，系统能否干净地更新？

这些问题，单靠生成质量都无法回答。它们需要生成之下有结构。

1.3 当前方案卡在哪里

Prompt 工程产生依赖上下文的行为。它不产生领域结构化的推理。在边界情况下会退化。

RAG（检索增强生成）改善事实依据。它不结构化推理路径，也不约束证据边界。它在检索，不在推理。

微调把领域知识编码进模型权重。这让知识变得不透明，难以更新，不产生可检查的推理过程。

本体和知识图谱结构化知识的能力很强。它们通常缺乏从结构驱动 AI 生成、路由和决策的机制。

OCG 工作在这些方法的交叉处——用结构化知识治理 AI 推理，而不是把它们当作分离的关注点。

第二部分 — OCG 是什么

2.1 一句话定义

OCG 是认知基础设施：一套让专家知识、推理路径、评估标准和证据边界变得可计算的框架——让 AI 系统可以基于结构推理，而不是基于概率临场发挥。

2.2 核心机制：认知转化

OCG 的基础单元是认知转化：

c → r@D → C′

其中：

• c 是当前认知状态（已理解、已相信、或已评估为真的内容）
• r 是一个有名称的认知操作（识别、重构、边界化、验证、分类、升级……）
• @D 是操作所在的任务域
• C′ 是操作之后的更新认知状态

这个三元组不是比喻，是可计算的结构。OCG 中每个领域模型都是这些转化的图谱，附带证据条件、边界约束和输出规范。

结果是一条显式的、可追溯的、领域驱动的、机器可执行的推理路径——不是一系列 token 预测。

2.3 可计算认知结构在实践中意味着什么

当 OCG 结构化一个领域时，它产生：

知识本体 — 定义该领域中存在什么、相互关系如何的概念体系和层级结构。

任务域模型 — 该领域中可以执行的操作，每个操作适用的条件，以及每个操作产生的输出。

证据账本 — 约束系统可以断言什么的实证声明、基准和标准。每个声明都标注置信度和更新条件。

决策图 — 确定应用哪个操作、调用哪个模型或工具、何时升级为人工判断的路由逻辑。

治理动作层 — 从 AI 输出到机构动作的连接：系统推荐什么、为什么、在什么条件下、以及结果如何反馈到模型中。

这些合在一起，构成我们所说的领域认知操作层。

2.4 OCG 不是什么

OCG 不是：

• 基础模型或模型训练系统
• RAG 实现或向量数据库
• 垂直 AI 应用
• 内容生成工具
• 基准测评排行榜

OCG 是这一切之下的结构层。它可以连接任何模型、任何检索系统、任何应用。它提供的是认知架构，让这些连接有原则可循，而不是特设拼凑。

第三部分 — 三个层级

OCG 分三个操作层级。每个层级代表不同深度的认知结构，以及不同的能力集和应用场景。

层级一 — 认知结构层

知识与推理架构

它做什么： 把领域知识结构化为可导航、可计算的概念、操作和转化图谱。把从基础知识到高阶理解的推理路径显式化，变成机器可读的形式。

它回答的问题： 在这个领域里，理解某件事意味着什么？从这里到那里的路径是什么？概念之间如何关联？

代表性实现： OCG Book — 认知地图集

认知地图集把整个知识领域结构化为认知转化图谱。它不把知识呈现为课程（有序的话题列表），而是呈现为转化地图：每个节点是一个认知状态，每条边是一个有名称的操作，把理解从一个状态推进到另一个。

当前实现覆盖从学校数学通向 AI 素养的路径，跨越九个概念章节、43 个认知转化卡、13 种不同的认知操作类型。章节间的连接是显式的桥接结构，标明一个概念框架在哪里触及边界、下一个从哪里开始。

同层级实现： AI Atlas — 整个 AI 技术栈的全景认知图，结构化为从算力基础设施（L1）到认知治理（L9）的分层系统。每一层都有定义的概念、失效模式、防护机制和人类角色。认知转化图谱揭示了关于不同类型 AI 工作实际发生在哪个层级的常见认知误区。

适合哪些合作方：

• 构建 AI 素养或认知发展框架的研究团队
• 需要为 AI 系统提供显式且可检查的领域知识表示的机构
• 在 AI 相关领域工作的教育工作者和课程设计者
• 任何需要知识架构清晰且可检查的系统构建者

层级二 — 认知决策层

任务路由与判断架构

它做什么： 把结构化领域知识转化为操作性决策逻辑。给定一个任务，确定应用什么操作、调用哪个工具或模型、在什么证据条件下、在什么边界约束之内。

它回答的问题： 对于这个任务，在这个领域，在这些证据条件下——正确的行动是什么，依据是什么？

代表性实现： OCG Bench — 任务域决策系统

OCG Bench 是一套用于复杂专业任务中 AI 模型选型和任务路由的决策图谱系统。它不是基准排行榜，是领域结构化的路由引擎。

对于每个任务域（单文件调试、大型代码库迁移、法律条款比较、财务表格提取、文献综述等），OCG Bench 维护：

• 该领域专有的认知转化图谱
• 证据约束的评估：哪些模型在哪些操作上表现可接受
• 确定何时需要升级的边界条件
• 证据账本：每个路由决策链接到具体的基准、声明和更新触发条件

Bench 查询的输出不是"模型 X 在基准 Z 上得了 Y 分"，而是："对于这类任务，在这些条件下，这个模型执行这个操作可以接受——证据如下。当边界条件被超出时，升级到这个替代方案。"

这是一个结构化的决策，不是一个排名。

适合哪些合作方：

• 在生产环境中做模型选型决策的 AI 工程团队
• 研究 AI 能力边界和任务特定表现的研究团队
• 构建 AI 编排基础设施的平台团队
• 任何需要 AI 部署决策可辩护而不只是凭直觉的场景

层级三 — 认知治理层

机构动作与问责架构

它做什么： 把认知结构延伸到机构动作——把 AI 诊断和推荐连接到真实的操作决策，配备证据链、问责机制和结果反馈循环。

它回答的问题： 从评估到动作到验证：结构化的 AI 推理如何产生机构可以执行、可以辩护、可以从中学习的决策？

代表性实现： OCG Assess — 区域教育评估操作台

OCG Assess 结构化了教育高阶认知评估的完整操作链路：

1. 证据采集 — 测评数据、过程记录、定性指标 2. CDC 编码 — 认知诊断卡，每张卡代表一种特定的认知困难模式，附带置信度分数和证据要求 3. 卡片激活 — 当证据满足阈值条件时，相关 CDC 激活 4. 动作生成 — 系统生成具体的机构行动建议（专项教研、复测安排、纳入区级跟踪） 5. 结果验证 — 结果反馈回图谱，验证或更新诊断逻辑

系统同时为三类不同受众产出结构化输出：

• 面向区域教育局： 治理操作台——哪些学校、哪些模式、哪些动作、哪些成效
• 面向教研员： 学校能力画像——按认知维度的结构性薄弱点，附证据
• 面向领域研究者： 诊断卡审计链——每张卡为何激活、哪些证据支持、边界条件是否满足

第二个实现： AIR Governance — 大气环境影响评价本体

面向大气环境影响治理的跨司法管辖区本体。核心本体覆盖通用因果链：项目活动→排放源→污染因子→环境传播路径→保护目标→评价判断→治理决策。

司法管辖区覆盖层将这一通用结构连接到具体监管框架：中国（HJ 2.2、GB 3095）、美国（清洁空气法、NAAQS、NSR/PSD）、欧盟（IED、BAT/BREF）、新西兰（RMA、NES for Air Quality）。

同一本体结构——同一推理骨架——治理跨监管场景的 AI 辅助评估。变化的只是覆盖层。

适合哪些合作方：

• 需要 AI 输出驱动真实操作决策而不只是提供信息的机构
• 研究 AI 治理、问责和机构 AI 整合的研究团队
• 制定受监管领域 AI 使用框架的政策机构
• 教育系统、环保机构、合规职能部门，以及 AI 建议具有机构权重的专业服务场景

第四部分 — 三层如何连接

三个层级不是独立产品，是同一架构的三个深度。

层级一（认知结构） 定义领域中存在什么、相互如何关联。是本体和知识图谱。

层级二（认知决策） 用这个结构治理任务路由和模型调用。是运行在本体之上的决策引擎。

层级三（认知治理） 把决策逻辑延伸到机构动作，附带证据链、问责记录和结果反馈。是运行在决策引擎之上的治理层。

在层级三实现的领域，必然包含层级一和层级二的全部内容。层级一的领域可以随应用成熟而扩展到层级二和层级三。

核心数学在三个层级中保持不变：

c → r@D → C′

领域、规模和机构场景会变化，认知转化结构不变。

第五部分 — 组织背景

5.1 AI Edtech Governance Trust（AEGT）

OCG 是 AI Edtech Governance Trust（AEGT） 的核心研究项目，AEGT 是在新西兰注册的独立研究信托（NZBN 50255431）。

AEGT 的使命是：强化人类认知自主性，支持可信赖的 AI 中介系统，为 AI 时代以人为中心的认知基础设施奠定基础。

AEGT 的工作跨越三个方法论框架：

Open Cognitive Graphs（OCG） — 知识与语义基础设施：结构化知识表示、语义互操作性、可解释推理。

Endogenous Cognitive Topology（ECT） — 人类自主性与认知发展：元认知训练、判断力形成、认知韧性。

Metabolic Intelligence（MI） — 适应性学习与集体智能：持续学习、集体协调、适应性智能。

OCG 是这个更大研究项目中的计算基础设施层。

5.2 研究关联

OCG 的开发在与中国教育研究机构的积极合作中进行，包括与教育部工程研究中心相关机构的合作。这种合作把 OCG 的教育层实现落地在真实的机构场景和操作需求中，而不只是理论框架。

5.3 当前状态

OCG 处于积极的研究和原型开发阶段。本手册描述的各实现——OCG Book、AI Atlas、OCG Bench、OCG Assess 和 AIR Governance 本体——代表了跨不同领域和机构场景验证框架的工作原型。

基础设施是可运行的。广泛部署有待于能带来领域专长、机构场景和研究问题的合作伙伴关系。

第六部分 — 合作

6.1 合作意味着什么

OCG 不是寻找客户的商业软件产品，而是寻求共同开发者的研究基础设施。

最合适的类比：OCG 更接近电网而不是电器。我们构建基础设施层。在上面构建什么——应用、研究成果、机构部署——来自于带着领域专长、研究问题和机构场景的合作伙伴。

与 OCG 的合作是联合开发或联合研究。你们带来领域，我们带来认知基础设施。成果是任何一方单独都无法产生的东西。

6.2 我们与谁合作

高校和研究机构，研究方向涉及教育评估、认知科学、学习科学、AI 治理、AI 素养或领域专属 AI 应用。我们提供技术基础设施和方法论框架；你们提供研究问题、领域知识和机构渠道。成果可以包括联合发表、共享数据集、演示系统、以 OCG 为技术底座的项目申请。

教育科技团队，正在构建 AI 学习路径、自适应测评、能力诊断、个性化教学或认知发展工具。OCG 提供认知架构层，让输出有结构、可验证、可规模化——而不是依赖每次推理时的模型临场发挥。

AI 研究和工程团队，研究模型能力、任务特定表现、AI 在生产中的可靠性，或当前 AI 方法在专业领域的边界。OCG Bench 为这类研究提供结构化框架。

受监管或高风险领域的机构——教育治理、环境评估、合规、专业知识系统——其中 AI 输出需要可解释、可审计、受机构规则约束。OCG 治理层正是为这种需求构建的。

政策和治理机构，制定机构场景下负责任 AI 使用的框架。AEGT 的治理研究项目直接连接到有效 AI 治理所需要的机构架构问题。

6.3 合作可以产生什么

根据伙伴关系的具体情况，与 OCG 合作可以产生：

• 基于工作系统的联合研究论文
• 特定领域的认知域模型，可用作 AI 基础设施
• 特定机构场景的演示运行系统
• 以 OCG 基础设施为技术底座的项目申请
• 产生更大规模推广证据的试点部署
• 领域内结构化认知转化的共享数据集

6.4 如何开始

大多数合作从单个具体领域开始：一个评估场景、一个知识领域、一种任务类型、一个机构问题。

从这个起点，构建认知模型，演示系统，成果决定下一步方向。我们不需要前期大的承诺。我们需要一个具体问题，以及真正想构建在实践中站得住的东西的意愿。

第七部分 — 面对不同场景的表达

OCG 工作在技术基础设施和机构应用之间的层级。不同受众从不同角度接触它。以下不是话术——是在不同技术深度下的准确描述。

面对技术与基础设施专家

OCG 进行可计算的认知编译。我们把领域隐含知识（Tacit Knowledge）、任务路径和决策边界结构化为认知转化形式图谱（c → r@D → C′），为 AI 系统提供一个外部认知操作层，解决复杂任务执行中的长程一致性和可验证性问题。架构是本体驱动的、证据约束的、跨领域可移植的。

面对领域研究者和机构共建者

大模型有强大的语言能力，但没有领域认知骨架。OCG 提供认知结构化底座。你们有深厚的理论框架和评估标准——比如高阶认知如何测量、环境影响如何判断——我们有一套把这些标准编译成 AI 系统的方法。结合起来，我们把纸面上的研究理论变成可计算、可规模化的 AI 操作系统。

面对机构决策者和治理方

当前 AI 系统给你一个结果。OCG 驱动的系统给你完整的证据链。系统不只产生判断——它展示为什么这么判断、对照什么标准、在什么边界条件下、以及下一步的机构动作是什么。每个输出都可追溯。每个建议都可修正。系统从成效中学习。

附录 — 当前各实现一览

附录 — 关键术语

认知转化 — OCG 的基础单元：通过一个有名称的操作，在特定领域内，从一个认知状态到另一个认知状态的结构化移动。形式化表示：c → r@D → C′。

认知操作（r） — 转化认知状态的有名称的领域特定动作。示例：识别、重构、边界化、验证、分类、升级、机械化、定位。

任务域（@D） — 操作被定义所在的领域场景。操作在不同领域中含义和约束不同。

证据账本 — 约束系统可以断言什么的实证声明、基准和标准的结构化集合。每个声明都有置信度和更新条件。

认知诊断卡（CDC） — 在评估层中：代表特定认知困难的结构化模式，附带证据要求、置信度阈值和相关行动建议。

认知操作层 — 构成 OCG 领域实现的完整结构集合：本体、任务域模型、证据账本、决策图、治理动作层。

司法管辖区覆盖层 — 应用于通用本体结构的管辖区或场景专属扩展。用于 AIR Governance，将通用影响评估逻辑适配到具体监管框架。

Open Cognitive Graph 是 AI Edtech Governance Trust 的核心研究项目。 AEGT · NZBN 50255431 · 在新西兰注册 · aegt.org OCG · opencognitivegraph.org