第二章　T-Π-O：从真实世界到可计算表达

引言：系统看到的，究竟是不是现实？

一份医学报告、一张影像、一段语音、一条操作日志，看起来都是现实留下的痕迹。但它们并不以相同方式表达现实，也不具有相同的解释能力。

影像显示的是特定设备和参数条件下的信号重建，报告记录的是经过测量、处理和解释的结果，日志保存的是系统能够捕获的事件。即使它们都没有被篡改，也不意味着它们完整、准确地表达了所关心的对象。

一个数值可以被正确读取，却因单位错误而被误用；一条记录可以来源可靠，却因时间背景缺失而被误解；一次行为可以被完整记录，却不能直接说明行为者的意图。

因此，个人数字本体的首要问题，不是如何让 AI 阅读更多资料，而是：

现实通过什么过程进入系统？这个过程保留了什么、改变了什么，又遗漏了什么？

本章以 T-Π-O 框架组织这一问题：

T：真实个人及其所处世界；
Π：现实进入数字系统时经历的测量、选择与映射；
O：系统实际获得的、具有条件与边界的观察。

T-Π-O 是本书提出的工程分析框架，不是对全部认识过程的完整理论，也不替代测量学、统计学、因果推断和医学研究方法。它的作用，是让个人数字系统在处理信息时始终保留一条可追溯的路径：从现实到观察，从观察到判断，再从行动结果返回现实。

2.1　T：真实个人及其所处世界

2.1.1　T 是模型参照，不是数据库中“已经确认的真值”

在本书中，T 指向真实存在的个人、身体、活动和环境。

一个人的器官正在发生生理变化，无论系统是否记录，这些过程都在进行；一个人作出了某项承诺，即使尚未被录入任务平台，这项承诺也可能已经在社会关系中产生意义。

这就是 T 与数据库之间的区别。

数据库保存的是关于现实的记录，不是现实本身。即使一条数据被专业人员确认，也应当说明确认的对象是什么：

确认原文被正确录入；
确认测量过程符合要求；
确认某项临床判断；
确认某个事件确实发生。

这些确认并不等价，也不能相互替代。

因此，本书使用 T，不是宣称系统可以掌握无条件的绝对真相，而是要求系统承认：

存在一个不由模型任意定义、并能够反过来检验模型的现实。

2.1.2　真实个人始终处于关系与环境之中

个人不能被当作脱离环境的孤立对象。

身体状态可能受到睡眠、营养、疾病、治疗和环境暴露影响；工作表现可能受到任务难度、工具条件、协作关系和时间压力影响；一次选择也可能出于责任、习惯、资源限制或临时安排。

这意味着，个人模型不能只记录“人有什么属性”，还需要表达：

当时处于什么情境；
有哪些约束；
哪些对象共同参与；
哪些因素被观察；
哪些因素仍然未知。

例如，同样是深夜完成工作，可能意味着主动偏好，也可能意味着跨时区协作、临时事故或不得不履行的责任。行为记录相同，解释可能完全不同。

现实背景不是附属说明，而是许多判断能够成立的条件。

2.1.3　T 具有动态性，不能被一次快照穷尽

一个人的身体、能力、角色和偏好都会变化。

因此，T 不应被理解为等待系统复制的静态模板，而应被理解为持续发展的过程。

在工程表达中，可以用 \(T_t\) 表示某一时刻相关现实的状态。但这个符号只是帮助讨论，并不意味着我们已经知道该状态的全部变量。

实际建模必须限定范围。例如：

讨论某次检查时，关注的是相关器官和测量背景；
讨论任务执行时，关注的是目标、资源、权限与系统状态；
讨论知识产权时，关注的是成果、贡献、合同和权利关系。

数字模型能够表示的，只是其中与任务相关且有条件获得的一部分。

2.2　Π：测量、选择、转换与语义映射

2.2.1　现实不会未经处理直接进入计算机

现实进入系统，通常要经过一连串操作：

现实过程
   ↓
设备或人的观察
   ↓
采样与记录
   ↓
格式转换
   ↓
识别与提取
   ↓
术语和单位映射
   ↓
结构化存储

本书将这类操作统称为 Π，即投影或映射过程。

这里的“投影”是工程上的概括用语，不要求它一定满足数学中线性投影的性质，也不必然意味着降低维度。

它可能包括：

传感器将物理信号转换为数字信号；
医学影像经过采集和重建；
医生将检查与观察写成报告；
OCR 将报告图像转换为文本；
程序把不同名称映射到统一术语；
系统将事件组织到某个个人和时间轴下。

每个步骤都可能改变系统最终获得的信息。

2.2.2　应当将一条长投影链拆成可检查的环节

假设系统需要从一份报告中读取某项检测结果。

这不是一个简单的“输入报告，输出数值”过程，而可以拆解为：

原始测量是否可靠；
报告是否对应正确个人；
扫描图像是否清晰完整；
字符识别是否正确；
数值是否与正确项目配对；
单位是否被正确识别；
检测方法是否被保留；
结果是否被映射到正确概念；
记录是否归入正确时间和阶段。

如果最终结果出现错误，只有拆分过程，才能判断错误发生在哪里。

否则，系统只能笼统地说“AI 不准确”，却无法改进具体环节。

2.2.3　结构化提取与意义解释应当分离

Π 中最容易被忽略的边界，是提取与解释之间的边界。

例如：

“报告中写有某项结果。”

这是提取问题。

“这一结果提示某种功能变化。”

这是解释问题。

“这一变化由某个因素造成。”

这是因果判断问题。

“因此应当采取某种干预。”

这是决策问题。

系统如果把这些步骤放在一次不透明的生成中，就可能让后面的判断获得前面事实的表面确定性。

因此，本书建议至少区分两类映射：

**Πs：结构化映射。**将资料转换为规范对象、字段和关系。
**Πi：解释性映射。**在上下文和证据支持下形成解释或假设。

Πi 的输出不应被默认写成事实。它必须保留“推断”“待确认”“适用范围”等状态。

2.2.4　映射规则本身也需要版本和来源

同一份资料，在不同规则下可能得到不同结构化结果。

例如：

术语字典更新；
检查项目编码调整；
单位转换规则修订；
影像分割模型升级；
事件归属逻辑改变。

因此，不能只保存结果，还应记录使用了什么方法：

输入资料版本
提取工具及版本
术语映射规则版本
转换参数
人工修订记录
生成时间

否则，一旦结果发生变化，系统无法区分：是个人状态改变了，还是处理方法改变了。

2.3　O：可观察的证据及其条件

2.3.1　观察不是无条件事实

O 是系统获得的观察表达。

为了避免歧义，本书中的“观察”既包括直接测量，也可以包括有来源的记录与声明。但它们必须分类保存。

观察类型	示例	需要保留的边界
设备测量	某次实验室检测数值	方法、单位、质量与误差
专业观察	医生在检查中记录的发现	观察条件、作者与范围
用户自述	用户报告某种症状	主观报告，不等于直接测量
系统事件	某工具返回操作成功	返回成功不等于业务目标完成
文档记录	合同中记载的许可范围	需核验文本、效力及适用条件

它们都可能有价值，但不能因统一进入数据库就获得相同证据地位。

2.3.2　一条重要观察至少需要哪些信息？

建议将观察表示为一组相互关联的字段：

字段	回答的问题
主体与对象	观察涉及谁、什么器官或事件？
项目与结果	测量或记录了什么？
单位与方法	结果如何产生？
时间	何时发生、采样、报告和录入？
来源	原始资料在哪里，由谁提供？
质量状态	是否完整、是否经过校核？
适用背景	周期、治疗、环境或任务条件是什么？
不确定性	哪些误差、冲突或缺失尚未解决？

不是每条观察都能填满这些字段。无法获得的内容，应明确标记为未知，而不是由模型猜测补齐。

2.3.3　时间并不是一个字段就能解决的问题

至少需要区分：

事件时间：现实中的事情何时发生；
采样时间：样本或信号何时获得；
报告时间：结果何时形成；
录入时间：系统何时获得记录；
有效时间：某项状态或授权在哪段时间内成立。

这些时间可能相差很大。

一份今天上传的旧报告，不应覆盖昨天获得的新状态。一项今天撤销的授权，也不应继续被缓存流程当作有效权限。

时间建模的目的，不只是绘制时间轴，而是维持判断顺序的正确性。

2.3.4　观察质量应分维度评价

“可信度 90%”看起来简洁，却可能掩盖问题。

一条数据可能：

来源真实，但内容过期；
数值提取准确，但测量条件不明；
测量质量较好，但不适用于当前问题；
文档完整，但对应错了个人。

因此，质量评价应尽量拆分为：

来源可核验性；
提取准确性；
测量质量；
时间有效性；
语义一致性；
任务适用性。

一个总分不能替代这些具体说明。

2.4　投影的信息损失：保留、遗漏与错误

2.4.1　数字化不是无损复制

任何测量都具有选择性。

传感器只记录某些信号，影像具有特定分辨率，报告突出与检查目的相关的内容，摘要进一步压缩细节。

这种选择性不一定是缺陷。工程系统不可能也不应记录全部现实。问题在于，它是否说明了选择范围。

例如，一段任务摘要可以省略无关讨论，却不能在省略之后仍声称保存了完整会议事实。

2.4.2　信息问题不只有“识别错误”

可以将常见问题分为六类：

类型	表现
采样缺失	关键时段或对象未被观察
测量误差	设备、方法或操作者造成差异
处理错误	OCR、解析、分割或转换出错
语义错配	字段被映射到错误概念
背景丢失	时间、周期、用药或环境未保留
解释越界	从有限观察推出更强结论

前五类即使全部得到改善，也不能自动消除第六类。

因为解释越界不一定源于数据错误，而可能源于错误的推理方式。

2.4.3　缺失数据不等于随机缺失

哪些资料能够进入系统，往往受到现实条件影响。

频繁检查的人，可能本来就有更高医疗需求；能够使用某类设备的人，可能与其他人具有不同生活条件；主动记录症状的人，也可能与不记录的人不同。

因此，数据更多不必然意味着模型更接近总体真实。

如果不了解资料为何被收集、为何缺失，模型可能把采集过程中的偏差误当成生物或行为规律。

2.4.4　增加数据不能自动解决不可辨识性

不同现实原因可能产生相似观察。

例如，一项指标变化可能与测量条件、生理波动、疾病过程或治疗暴露有关。仅凭该指标的几个时间点，未必能够区分这些解释。

这类问题称为模型或参数的可辨识性问题：现有观察是否足以区分不同可能原因？

一个系统如果无法区分，就应表达多个假设或请求更多证据，而不是选取听起来最合理的一种故事。

流畅的解释不能补足不可辨识的现实。

2.5　从观察到解释、预测与行动

2.5.1　五个层次，五种不同责任

个人数字系统至少需要区分：

观察：记录了什么？
   ↓
解释：这些记录可能意味着什么？
   ↓
预测：在明确条件下，未来可能怎样？
   ↓
决策支持：不同选择有哪些风险与收益？
   ↓
行动：在授权范围内具体执行什么？

每往下一步，都增加了新的假设和责任。

观察的准确，不保证解释正确；解释合理，不保证预测有效；预测较准，也不保证某个行动适合个人。

2.5.2　预测不是干预效果

假设模型发现某些人具有某组特征时，后续更容易出现某种结果。

这可以支持预测研究，却不意味着改变其中一个特征，就一定改变结果。

观察性预测回答的是：

在已有数据关系下，什么情况更可能出现？

干预研究回答的是：

如果实际改变某个条件，结果会怎样变化？

两者需要不同的证据和假设。

因此，个人器官模型不能仅凭历史相关性，直接模拟出可信的治疗效果。

所谓“方案 A、B、C 比较”，必须说明：

使用什么模型；
针对什么人群；
哪些参数来自本人；
哪些来自外部研究；
哪些假设未经验证；
是否适合用于临床决策。

2.5.3　决策不仅涉及概率，也涉及人的目标

即使两个方案的效果估计可靠，也可能不存在唯一最优答案。

时间、风险、成本、生活安排、生殖目标、价值偏好和不确定性容忍程度，都会影响选择。

因此，本书更倾向使用：

在明确目标与约束下比较可接受路径。

而不是无条件宣称找到了“最佳人生方案”或“最适合的治疗”。

模型可以帮助揭示取舍，但最终选择不应被隐藏在一个综合评分之中。

2.5.4　授权不是决策模型的输出

系统判断某个行动可能有益，不代表它获得了执行资格。

应当区分：

建议；
用户同意；
专业人员批准；
执行权限；
实际执行；
结果确认。

以健康管线为例，系统可以在授权范围内生成补充资料任务或随访提醒，但医疗判断与干预需要符合相应专业、机构和监管要求。

模型得出的“值得做”，不能自行转化为“允许做”。

2.6　从行动结果返回现实：建立可修正闭环

2.6.1　闭环不是简单地把输出再输入

一个系统执行之后再次读取自己的报告，并不能证明行动成功。

可靠反馈应当尽可能来自现实对象或独立来源。

例如：

创建预约后，回读预约系统状态；
保存资料后，检查存储内容与权限；
完成治疗后，依据预先定义的观察和临床终点评估；
更新模型后，使用未参与开发的数据进行测试。

验证对象也必须明确。技术操作成功、服务完成和临床获益，是不同层次的结果。

2.6.2　需要区分三种验证

第一种：数据处理验证

检查是否正确读取、映射和保存资料。

它回答：

系统是否忠实处理了输入？

第二种：模型验证

检查模型在目标用途下的表现、校准、稳定性与适用范围。

它回答：

模型是否能够支持它声称支持的问题？

第三种：行动与结果验证

检查执行是否完成，以及是否产生预期效果或不良后果。

它回答：

现实中发生了什么，是否满足预先定义的目标？

三种验证相互关联，但任何一种都不能替代另外两种。

2.6.3　档案更新与算法学习必须分开

个人获得新的检查结果后，可以更新档案。

但这不意味着系统应立即修改预测算法、诊疗规则或执行策略。

建议采用两条闭环：

运行闭环

新观察 → 核对来源与背景 → 更新个体状态 → 专业审阅

改进闭环

积累数据与错误案例
    → 分析偏差
    → 提出模型或规则变更
    → 离线与外部验证
    → 审批发布
    → 监测与回退

持续学习的价值，不在于变化越快越好，而在于变化有依据、可检查，并且不会未经控制影响现实行动。

2.6.4　可信记录不能代替真实验证

在 AIC 架构中，哈希、数字签名和时间锚定可以支持来源追踪和完整性核验。

但必须准确表达它们的作用：

哈希有助于检查内容是否与某个已提交版本一致；
签名有助于验证某个密钥对内容的签署；
时间锚定可以支持关于提交时间的证明。

这些机制不能单独证明：

测量本身准确；
签署者的判断正确；
事件确实在文档所述时间发生；
治疗有效；
某项权利在法律上成立。

因此，密码学证据、来源身份、专业判断与现实核验，应当共同构成可信链条。

2.6.5　允许停止，是闭环的一部分

当来源冲突、状态不清、证据不足或权限失效时，系统应当能够停止。

停止不是智能的失败，而可能是当前条件下最合理的行动。

可靠系统应明确提供：

请求补充信息；
标记待确认；
降级为只读；
转交专业人员；
暂停自动执行；
保留已发生动作的记录。

一个从不承认未知、从不停止的系统，通常并不比谨慎的系统更接近现实。

本章的最小形式化表达

为便于工程讨论，可以将一条观察产生过程简记为：

\[ O_{k,t} = \Pi_k \left( T_{[t_0,t_1]}; C_k,\theta_k,\varepsilon_k \right) \]

其中：

\(T_{[t_0,t_1]}\)：某段时间内与任务相关的现实过程；
\(\Pi_k\)：第 \(k\) 种测量与映射方法；
\(C_k\)：观察情境；
\(\theta_k\)：方法参数与版本；
\(\varepsilon_k\)：测量或处理中的误差因素；
\(O_{k,t}\)：系统获得的观察表达。

这个式子不是可直接计算的完整生理模型，而是一种提醒：观察总是在方法、背景和误差条件下产生。

随后，系统可能形成个体模型估计：

\[ \widehat{M}_t = F\left(O_{\leq t},K,H\right) \]

其中：

\(O_{\leq t}\)：截至当前可用的观察；
\(K\)：背景知识；
\(H\)：模型假设；
\(\widehat{M}_t\)：对目标对象的估计表达，而非真实对象本身。

若产生行动建议，还必须引入目标、风险约束和授权。不能仅由 \(\widehat{M}_t\) 直接推出实际执行。

形式化表达的价值，在于明确变量和依赖，而不是用符号为尚未验证的判断增加确定性。

本章案例：一次合成随访如何进入个人卵巢模型

某位用户向系统提交一份新的合成检查报告。资料中包含某项激素检测和双侧卵泡观察，之前也有两次历史记录。

第一步：确认 T 的研究范围

当前问题是：

如何组织三次观察，并判断它们是否具备比较条件？

不是：

这个人是否发生了卵巢退化，或者应该接受何种治疗？

先限定问题，可以避免数据处理任务被悄悄扩大为诊疗决定。

第二步：拆解 Π

系统分别核对：

报告是否对应正确档案；
日期与项目是否识别正确；
单位和方法是否完整；
左右侧是否配对正确；
周期与治疗背景是否缺失；
自动提取内容是否得到必要确认。

第三步：形成 O

每次检查成为独立观察，不覆盖原始资料。

系统保留结果、时间、方法、来源和确认状态，并明确标注资料中的空白。

第四步：限定模型解释

如果检测方法不同，系统可以提示可比性需要审查。

如果治疗背景缺失，系统不能把指标变化归因于治疗。

如果没有临床结局，系统不能判断是否获得实际生殖获益。

第五步：形成受控行动

系统可以生成：

待核对字段；
来源摘要；
专业审阅任务；
经用户授权的随访提醒。

它不应据此自动推荐细胞产品、药物或剂量。

第六步：验证并更新

审核后的记录进入个体时间轴，档案版本更新。

这次更新证明的是“新增观察已被正确纳入”，而不是“预测模型已经改善”，更不是“器官功能已经恢复”。

本章小结

T-Π-O 要求个人数字系统保留现实与表达之间的距离，而不是试图用技术语言消除这段距离。

本章提出六项原则：

T 是现实参照，不是系统已知的全部真相。
Π 是可拆解、可版本化、可检查的测量与映射过程。
O 必须携带来源、时间、方法、背景和不确定性。
提取、解释、预测、决策与行动需要不同依据。
结果验证应返回现实或独立证据，而非只检查系统自述。
个体记录更新、算法学习和权限变化必须分别治理。

下一章将以此为基础，展开四层双轨架构，并讨论如何使用概念、关系、个体实例与胜任力问题，将个人数字本体转化为可实施、可测试的工程结构。

可靠的数字智能，不是让模型看起来越来越像现实，而是让每一项表达都能够说明：它如何来自现实，又将如何接受现实的检验。

第二章 T-Π-O：从真实世界到可计算表达

引言：系统看到的，究竟是不是现实？

2.1 T：真实个人及其所处世界

2.1.1 T 是模型参照，不是数据库中“已经确认的真值”

2.1.2 真实个人始终处于关系与环境之中

2.1.3 T 具有动态性，不能被一次快照穷尽

2.2 Π：测量、选择、转换与语义映射

2.2.1 现实不会未经处理直接进入计算机

2.2.2 应当将一条长投影链拆成可检查的环节

2.2.3 结构化提取与意义解释应当分离

2.2.4 映射规则本身也需要版本和来源

2.3 O：可观察的证据及其条件

2.3.1 观察不是无条件事实

2.3.2 一条重要观察至少需要哪些信息？

2.3.3 时间并不是一个字段就能解决的问题

2.3.4 观察质量应分维度评价

2.4 投影的信息损失：保留、遗漏与错误

2.4.1 数字化不是无损复制

2.4.2 信息问题不只有“识别错误”

2.4.3 缺失数据不等于随机缺失

2.4.4 增加数据不能自动解决不可辨识性

2.5 从观察到解释、预测与行动

2.5.1 五个层次，五种不同责任

2.5.2 预测不是干预效果

2.5.3 决策不仅涉及概率，也涉及人的目标

2.5.4 授权不是决策模型的输出

2.6 从行动结果返回现实：建立可修正闭环

2.6.1 闭环不是简单地把输出再输入

2.6.2 需要区分三种验证

第一种：数据处理验证

第二种：模型验证

第三种：行动与结果验证

2.6.3 档案更新与算法学习必须分开

2.6.4 可信记录不能代替真实验证

2.6.5 允许停止，是闭环的一部分

本章的最小形式化表达

本章案例：一次合成随访如何进入个人卵巢模型

第一步：确认 T 的研究范围

第二步：拆解 Π

第三步：形成 O

第四步：限定模型解释

第五步：形成受控行动

第六步：验证并更新

本章小结

第二章　T-Π-O：从真实世界到可计算表达

2.1　T：真实个人及其所处世界

2.1.1　T 是模型参照，不是数据库中“已经确认的真值”

2.1.2　真实个人始终处于关系与环境之中

2.1.3　T 具有动态性，不能被一次快照穷尽

2.2　Π：测量、选择、转换与语义映射

2.2.1　现实不会未经处理直接进入计算机

2.2.2　应当将一条长投影链拆成可检查的环节

2.2.3　结构化提取与意义解释应当分离

2.2.4　映射规则本身也需要版本和来源

2.3　O：可观察的证据及其条件

2.3.1　观察不是无条件事实

2.3.2　一条重要观察至少需要哪些信息？

2.3.3　时间并不是一个字段就能解决的问题

2.3.4　观察质量应分维度评价

2.4　投影的信息损失：保留、遗漏与错误

2.4.1　数字化不是无损复制

2.4.2　信息问题不只有“识别错误”

2.4.3　缺失数据不等于随机缺失

2.4.4　增加数据不能自动解决不可辨识性

2.5　从观察到解释、预测与行动

2.5.1　五个层次，五种不同责任

2.5.2　预测不是干预效果

2.5.3　决策不仅涉及概率，也涉及人的目标

2.5.4　授权不是决策模型的输出

2.6　从行动结果返回现实：建立可修正闭环

2.6.1　闭环不是简单地把输出再输入

2.6.2　需要区分三种验证

2.6.3　档案更新与算法学习必须分开

2.6.4　可信记录不能代替真实验证

2.6.5　允许停止，是闭环的一部分