DIKW 模型及应用调研报告

发表于 分类于 本文字数： 5.3k 阅读时长 ≈ 9 分钟

摘要

DIKW 模型（Data-Information-Knowledge-Wisdom Pyramid）是信息科学和知识管理领域的经典框架，描述了从原始数据到智慧的层级转化过程。该模型最早可追溯至 1934 年艾略特的诗作《岩石》，1989 年由管理思想家 Russell Ackoff 正式提出并系统化。DIKW 金字塔广泛应用于知识管理、信息科学、健康信息学、图书情报学等领域。在 AI 时代，AI 擅长处理底层的数据、信息和知识，但智慧层仍需人类的判断力和价值观。

一、DIKW 模型概述

1.1 什么是 DIKW

DIKW 是四个英文单词的首字母缩写：

  • Data（数据）
  • Information（信息）
  • Knowledge（知识）
  • Wisdom（智慧）

这是一个层级模型，通常以金字塔形式呈现，数据位于底层，智慧位于顶端。每一层都是对下一层的提炼和升华，回答不同的问题，增加不同的价值。

1.2 起源与发展

时间 人物/事件 贡献
1934 T.S. 艾略特 诗作《岩石》中首次出现 DIKW 概念的雏形
1988 Russell Ackoff 在国际通用系统研究学会年会上发表演讲，正式提出知识层级概念
1989 Russell Ackoff 发表经典论文《From Data to Wisdom》，系统化 DIKW 模型
1989 Anthony Debons 等 提出扩展层级，在数据前增加”事件”、”符号”、”规则”等层
1994 Nathan Shedroff 首次以可视化形式呈现 DIKW 层级
2007 Jennifer Rowley 发表综述文章，指出 DIKW 被广泛引用但缺乏统一定义

1.3 金字塔结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
        ╱╲
       ╱  ╲
      ╱ 智慧 ╲      ← 为什么？什么是最好的？
     ╱ (W)    ╲
    ╱──────────╲
   ╱   知识     ╲    ← 如何？模式识别
  ╱   (K)       ╲
 ╱────────────────╲
╱     信息         ╲  ← 什么？谁？何时？何地？
╱     (I)           ╲
╱────────────────────╲
╱       数据          ╲ ← 原始事实、数字、符号
╱       (D)            ╲
╱────────────────────────╲

二、DIKW 四层详解

2.1 数据（Data）

定义： 原始的、未加工的事实、数字、符号或观察结果，没有上下文或意义。

特征：

  • 客观、离散、无关联
  • 缺乏意义和目的
  • 可以被记录和存储
  • 是信息的原材料

示例：

  • 数字：120、250、380
  • 符号：A、B、C
  • 原始测量值：温度 25°C、压力 1.5 MPa

关键问题： 无（数据本身不回答问题）

2.2 信息（Information）

定义： 被赋予上下文、意义和关联的数据。数据经过组织、结构化后成为信息。

特征：

  • 有上下文和背景
  • 回答了”谁”、”什么”、”何时”、”何地”等问题
  • 可以被传递和理解
  • 减少了不确定性

示例：

  • “120 是收缩压，250 是总胆固醇，380 是甘油三酯”
  • “温度 25°C 是室温，压力 1.5 MPa 是管道压力”

关键问题： Who? What? When? Where?

2.3 知识（Knowledge）

定义： 对信息的理解、整合和应用。知识是信息与经验、价值观、洞察力的结合。

特征：

  • 理解了”如何”（How）
  • 能够识别模式和规律
  • 可以指导行动和决策
  • 需要学习和实践获得
  • 可以被编码和分享

示例：

  • “收缩压 120 mmHg 是正常值，总胆固醇 250 mg/dL 偏高，需要关注心血管健康”
  • “当温度超过 30°C 且压力超过 2 MPa 时，系统可能出现故障”

关键问题： How?

2.4 智慧（Wisdom）

定义： 运用知识做出明智判断的能力，结合价值观、道德和长远视角。

特征：

  • 理解”为什么”（Why）
  • 能够判断”什么是最好的”
  • 涉及道德、伦理和价值判断
  • 需要经验和反思
  • 在不确定和复杂情况下做出决策
  • Ackoff 认为智慧需要人类主体，计算机无法达到

示例：

  • “虽然患者血压正常，但考虑到家族病史和生活方式，建议采取预防性措施”
  • “尽管系统参数在安全范围内，但基于历史事故分析，建议提前维护以避免潜在风险”

关键问题： Why? What is best?

2.5 四层对比总结

层级 本质 特征 问题 人类/AI
数据 原始事实 客观、离散、无意义 无 AI 擅长
信息 有意义的数据 有上下文、结构化 Who/What/When/Where AI 擅长
知识 理解的模式 规律、可应用 How AI 可部分达到
智慧 明智的判断 价值观、道德、远见 Why/What is best 人类独有

三、DIKW 模型的应用领域

3.1 知识管理（Knowledge Management）

应用场景：

  • 组织知识的捕获、存储、共享和应用
  • 将隐性知识转化为显性知识
  • 构建企业知识库和最佳实践库

案例：

  • IT 服务台使用 DIKW 模型将事件数据转化为知识，提升问题解决效率
  • 制造业将工艺参数（数据）→操作规范（信息）→工艺知识（知识）→优化决策（智慧）

3.2 信息科学（Information Science）

应用场景：

  • 信息组织、检索和管理
  • 图书馆学和档案管理
  • 数字资源管理

案例：

  • 图书馆分类系统：从原始书目数据→分类信息→学科知识→服务决策
  • 档案信息资源开发：档案数据→档案信息→档案知识→智慧服务

3.3 健康信息学（Health Informatics）

应用场景：

  • 电子健康记录（EHR）管理
  • 临床决策支持系统
  • 公共卫生数据分析

案例：

  • 患者数据（体温、血压）→诊断信息→疾病知识→治疗方案智慧
  • 有学者提出 DIEK 模型（Data-Information-Evidence-Knowledge），用”证据”替代”智慧”

3.4 图书情报学（Library and Information Science）

应用场景：

  • 信息素养教育
  • 参考咨询服务
  • 知识组织与分类

3.5 商业智能与决策支持

应用场景：

  • 数据分析与商业智能（BI）
  • 决策支持系统（DSS）
  • 企业绩效管理

案例：

  • 销售数据→市场信息→营销知识→战略智慧
  • 供应链数据→库存信息→优化知识→风险管理智慧

3.6 教育与学习

应用场景：

  • 课程设计与教学
  • 学习评估
  • 知识建构理论

案例：

  • 学生学习过程：记忆事实（数据）→理解概念（信息）→掌握原理（知识）→批判性思维（智慧）

四、DIKW 与人工智能

4.1 AI 在 DIKW 各层的能力

层级 AI 能力 说明
数据 ★★★★★ 快速处理海量数据，筛选、清洗、存储
信息 ★★★★★ 组织数据，生成报告，揭示趋势和模式
知识 ★★★★☆ 识别规律，预测结果，优化决策
智慧 ★★☆☆☆ 缺乏道德判断、价值观、长远视角

4.2 AI 的优势领域

数据处理：

  • 短时间内筛选庞大数据集
  • 追踪销售趋势、分析顾客行为、监控供应链

信息架构：

  • 将原始数据转化为有意义的报告
  • 揭示地区销售高峰、库存短缺、新兴市场机遇

知识引擎：

  • 识别模式和预测结果
  • 预测客户流失、优化营销推广

4.3 AI 的局限性：智慧层

AI 无法达到的智慧特征：

  • 道德两难的处理
  • 文化差异的理解
  • 长远社会影响的评估
  • 在不确定和前所未见情况下的判断
  • “应该做什么”而非”能做什么”的判断

案例：
AI 可以根据数据指出一个高利润的扩展市场，但只有具备智慧的领导者才能：

  • 评估潜在声誉风险
  • 考虑对当地社区的影响
  • 审视项目是否可持续
  • 在利益冲突时做出正确判断

4.4 人机协作模式

理想模式：

  • AI 负责：数据处理、信息组织、知识发现
  • 人类负责：价值判断、道德决策、战略规划

应用场景：

  • 医疗：AI 辅助诊断（数据→信息→知识），医生做出治疗决策（智慧）
  • 金融：AI 风险评估（数据→信息→知识），投资经理做出投资决策（智慧）
  • 制造：AI 工艺优化（数据→信息→知识），工程师做出改进决策（智慧）

五、DIKW 模型的批评与变体

5.1 主要批评

Martin Frické 的批评（2009, 2019）：

  • 模型基于”过时且不令人满意的实证主义和归纳主义哲学立场”
  • 信息和知识都是弱知识
  • 智慧是”拥有和使用广泛的实践知识”，难以明确定义

其他批评：

  • 各层之间界限模糊
  • 层级关系过于简化
  • 缺乏统一的定义和共识
  • 智慧层过于抽象，难以操作化

5.2 替代模型

DIEK 模型

  • 提出者： Dammann（2018）
  • 层级： Data-Information-Evidence-Knowledge
  • 特点： 用”证据”替代”智慧”，将知识置于金字塔顶端
  • 应用领域： 医学和公共卫生决策

DiKS 信息轮模型

  • 提出者： 万里、韩雅鸣（中国学者）
  • 层级： Data-intelligence（情报）-Knowledge-Science（科学）
  • 特点：
    • 用”情报”替代”信息”，用”科学”替代”智慧”
    • 以圆形”信息轮”替代金字塔，体现发展的活力
    • 认为信息的载体是物质，数据只是信息的表现形式之一

其他变体

  • 增加”理解”（Understanding）层：位于知识和智慧之间
  • 增加”事件”、”符号”、”规则”层：在数据之前
  • 将 DIKW 作为维度而非层级

5.3 模型对比

模型 层级 特点 适用场景
DIKW Data-Information-Knowledge-Wisdom 经典金字塔，应用最广 通用知识管理
DIEK Data-Information-Evidence-Knowledge 用证据替代智慧 医学、公共卫生
DiKS Data-intelligence-Knowledge-Science 信息轮，强调动态 信息科学
DIKUW Data-Information-Knowledge-Understanding-Wisdom 增加理解层 教育、学习

六、DIKW 在制造业的应用

6.1 工艺管理

层级 内容 示例
数据 工艺参数、测量值 温度 180°C、压力 5 MPa、时间 30s
信息 参数组合、状态描述 “注塑温度 180°C，保压压力 5 MPa，冷却时间 30s”
知识 工艺规律、因果关系 “温度每升高 10°C，流动性提高 15%，但降解风险增加”
智慧 工艺优化决策 “考虑到材料批次差异和产品要求，建议温度调整为 175°C”

6.2 质量管理

层级 内容 示例
数据 检测数据、缺陷记录 尺寸偏差 +0.05mm、表面缺陷 3 处
信息 质量状态、趋势 “本批次尺寸合格率 98%，表面缺陷率 2%”
知识 质量规律、根因分析 “模具磨损导致尺寸偏差，原料湿度导致表面缺陷”
智慧 质量改进决策 “建议提前更换模具，加强原料干燥，调整检验频次”

6.3 设备管理

层级 内容 示例
数据 设备运行参数 振动值 2.5mm/s、温度 65°C、电流 15A
信息 设备状态 “设备振动超标，温度偏高，电流异常”
知识 故障规律、预测 “振动增加通常预示轴承磨损，温度升高可能是润滑不良”
智慧 维护决策 “建议立即停机检查轴承，更换润滑油，避免故障停机”

七、关键发现

  1. DIKW 是经典但非完美的模型：自 1989 年正式提出以来被广泛应用，但各层定义缺乏统一共识，存在争议

  2. 层级转化是核心价值：从数据到智慧的转化过程，本质是增加上下文、理解和判断力的过程

  3. AI 改变了底层游戏规则：AI 在数据、信息、知识层的处理能力远超人类，但智慧层仍需人类

  4. 智慧是人类独有优势：涉及价值观、道德、长远视角的判断，是 AI 时代人类的核心竞争力

  5. 制造业应用潜力大：工艺管理、质量管理、设备管理等领域都可以用 DIKW 框架指导知识管理

  6. 模型需要灵活运用：不同领域可能需要不同的变体（如 DIEK、DiKS），不应教条化使用

八、建议与下一步

8.1 对个人知识管理

  • 数据层：建立信息收集习惯，广泛阅读、记录
  • 信息层：整理和分类信息，建立个人知识库
  • 知识层：深入理解，建立知识之间的联系，形成自己的见解
  • 智慧层：反思和实践，将知识应用于实际决策

8.2 对组织知识管理

  • 建立从数据到智慧的转化机制
  • 利用 AI 工具处理底层（数据→信息→知识）
  • 培养员工的判断力和决策能力（智慧层）
  • 构建知识共享文化，促进隐性知识转化

8.3 对制造业企业

  • 用 DIKW 框架梳理工艺知识、质量知识、设备知识
  • 建设数字化平台，实现数据→信息→知识的自动转化
  • 培养工程师的经验和判断力（智慧层）
  • 建立知识管理系统，避免知识流失

九、来源

  1. Wikipedia - DIKW pyramid — 2026
  2. ISKO - Knowledge pyramid: the DIKW hierarchy — 2024
  3. EBSCO - DIKW Pyramid | Library and Information Science — 2025
  4. Research Moment - The DIKW Pyramid and the Process of Conducting an Advanced Review — 2024
  5. PMC - Data, Information, Evidence, and Knowledge — 2019
  6. Zensiblo - Beyond Automation: Why Human Wisdom is the New Competitive Advantage in the Age of AI — 2025
  7. ManageEngine - DIKW Model for knowledge management — 2024
  8. Medium - Rescuing DIKW: Towards a Context-Centered Model of Knowledge — 2024
  9. Ontotext - What Is the Data, Information, Knowledge, Wisdom (DIKW) Pyramid? — 2024
  10. Chiehting’s Blog - What Is the DIKW Pyramid? — 2024
  11. 万里, 韩雅鸣 - 从 DIKW 到 DiKS — 2020

本报告基于公开信息整理，数据截至 2026 年 9 月。DIKW 模型是一个概念框架，实际应用时需结合具体场景灵活调整。