未来产业颠覆性创新设计的知识现象学研究

徐江 , 瞿浩翔

中国工程科学 ›› 2025, Vol. 27 ›› Issue (5) : 260 -278.

PDF (1282KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (5) : 260 -278. DOI: 10.15302/J-SSCAE-2025.07.020
工程前沿

未来产业颠覆性创新设计的知识现象学研究

作者信息 +

Knowledge Phenomenology Research on Disruptive Innovative Design of Future Industries

Author information +
文章历史 +
PDF (1312K)

摘要

创新设计是推动未来产业发展的先导与基础环节，也是激发新质生产力的关键；推动创新设计，需坚持哲学思想引领，摒弃跟踪模仿的逆向思维，从单一技术创新迈向系统创新，提升关键领域自主创新能力。本文结合人类文明发展历程，精准识别设计进化规律；结合系统科学理论，分析现代设计与创新设计内在逻辑差异。研究发现，创新设计是基于“人 ‒ 机 ‒ 环境”多要素融合的开放式系统，具备自适应复杂动态环境的能力，结合显性／隐性知识融合的完备知识体系，从本源处激发颠覆性创新。本文基于现象学本质还原方法，结合专长知识学习过程，提出了“知识生成 ‒ 由隐入显 ‒ 由显入隐 ‒ 显隐融合”知识现象学第一原理；基于知识现象学，建立了“设计问题空间 ‒ 显性知识空间 ‒ 隐性知识空间 ‒ 创新解空间”正向创新设计架构；基于“功能 ‒ 行为 ‒ 结构”设计理论逆向解耦，建立了“技术问题空间 ‒ 知识基础识别 ‒ 应用场景预测 ‒ 耦合技术预测”颠覆性技术创新预测架构，联合推进颠覆性创新设计系统工程，并以人形机器人为例，尝试建立了人形机器人颠覆性创新设计框架，初步验证了该系统工程的合理性。最后从科学、技术、产业3个维度，系统分析了全球未来产业发展的竞争态势，提出了发展人工智能与基础研究双向耦合驱动的科研体系、加强关键领域技术研发、健全知识资源的共享服务平台等我国未来产业发展建议。为高效推进创新设计，未来需进一步建立健全细分领域的正向创新设计方法，分类制定技术路线图，强化设计成果的产业应用，更好激发国家创新潜力，支撑未来产业高质量发展。

Abstract

Innovative design serves as both a precursor and a foundational component in advancing future industries. It is also a key driver in fostering new quality productive forces. To promote innovative design, it is essential to uphold philosophical guidance, abandon the reverse thinking of imitation and follow-up, and shift from isolated technological innovation toward systemic innovation. This approach enhances the independent innovation capacity in critical areas. This study integrates the development trajectory of human civilization to precisely identify the evolutionary patterns of design, and applies systems science theory to analyze the intrinsic logical differences between modern and innovative design. The study finds that innovative design is rooted in an open system that integrates human, machine, and environmental elements. It possesses the capacity to adapt to complex and dynamic contexts. By drawing on a comprehensive knowledge system that fuses explicit and tacit knowledge, it stimulates disruptive innovation at its source. To this end, drawing on the essential reduction method of phenomenology and the process of expert knowledge acquisition, this study establishes a first-principles framework of knowledge phenomenology: knowledge generation‒transition from tacit to explicit‒transition from explicit to tacit‒integration of tacit and explicit knowledge. Based on this foundation, a forward-oriented innovative design framework is proposed: design problem space‒explicit knowledge space‒tacit knowledge space‒innovative solution space. Furthermore, using reverse decoupling based on the function‒behavior‒structure design theory, a predictive framework for disruptive technological innovation is developed: technological problem space‒knowledge base identification‒application scenario prediction‒convergent technology forecasting. This framework enables the integrated advancement of disruptive innovation design as a systems engineering process. Taking humanoid robots as an example, the study establishes a disruptive innovation design framework for humanoid robots and preliminarily validates the rationality of this systems engineering approach. Furthermore, from the three dimensions of science, technology, and industry, this study analyzes the global competitive landscape of future industries and proposes three development recommendations: establishing a research system driven by the bidirectional coupling of artificial intelligence and basic research, strengthening technological research and development in key areas, and improving the knowledge resource sharing platform. To efficiently advance innovative design, three measures can be implemented: establishing and improving forward-oriented design methods for specialized areas; developing categorized technology roadmaps; and strengthening the industrial application of design outcomes, thereby better stimulating national innovation potential and supporting the high-quality development of future industries.

Graphical abstract

关键词

未来产业 / 自主创新 / 颠覆性创新 / 创新设计 / 知识现象学 / 系统工程

Key words

future industry / independent innovation / disruptive innovation / innovative design / knowledge phenomenology / systems engineering

引用本文

引用格式 ▾
徐江,瞿浩翔. 未来产业颠覆性创新设计的知识现象学研究[J]. 中国工程科学, 2025, 27(5): 260-278 DOI:10.15302/J-SSCAE-2025.07.020

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

新一代人工智能技术通过创造新资源、新产品、新模式，赋能传统产业智能化转型，引领人类走向通用强人工智能时代[1,2]。科技兴则民族兴，科技强则国家强[3]，深入把握人工智能时代新一轮科技革命的战略机遇，是当前推动国民经济高质量发展的重大时代命题。对此，各发达国家纷纷设立优先发展的先进技术与装备，以加速孵化未来产业，如美国在《无尽前沿法案》中提出，重点发展人工智能、先进计算机软硬件、机器人等未来技术；日本在《新产业结构蓝图》中规划了自动驾驶汽车、原创新药、尖端材料制造等面向“社会5.0”的先进技术产品；法国将可持续农业设备、可持续生物燃料、未来电信网络等作为“加速战略”实现的重要依托[4]。未来产业是颠覆性技术创新向现实生产力的转化，具有显著的不确定性、不稳定性[5]，致使培育新技术存在极高风险与更大的困难。究其原因，相关研究尚未充分把握颠覆性创新的实质内涵：仅凭单一关键核心技术突破，缺乏基于创新设计的系统解决方案与顶层规划；其本质是在已有系统框架内部优化改良，尚未完全摆脱跟踪模仿的境地，无法实现颠覆性、根本性创新[6]。因此，需从深层哲学理论出发，把握创新设计的共性规律，科学规划未来产业发展路径，锻造新质生产力。

创新设计是面向知识网络时代新一轮产业革命的集成创新与创造活动，融合科技创新、产品创新与服务模式创新为一体，旨在打造全球领先的设计制造与服务体系，构筑未来产业竞争新优势[7]。相关研究主要分为以下3个层面：在战略层面，基于国家创新发展战略与产业革命的视角[8~10]，测算国家、城市与企业的创新设计竞争力，并提出相关政策建议[11,12]；在方法层面，基于创新设计活动共性特征，结合人类理性思维模式，探究科学化、公理化、程序化的设计理论与方法[13~15]；在实践层面，面向重大工程装备与核心产品领域，集成前沿理论与技术方法支撑创新设计[16,17]。

在已有研究成果基础上，本文力求在哲学思想与理论方法层面对未来产业的颠覆性创新设计作进一步深化。具体地，面向发展未来产业与新质生产力的重大战略需求，结合设计进化规律，识别颠覆性创新的内在逻辑与潜在挑战；基于现象学与知识论，建立知识现象学第一原理，探究正向创新设计架构，逆向解耦预测颠覆性技术创新，建立颠覆性创新设计系统工程；综合分析全球未来产业竞争态势，为未来产业创新设计理论研究提供参考。

二、 颠覆性创新设计引领未来产业发展

（一） 设计进化规律识别

从农耕文明走向现代工业文明，人类通过不断创造新技术与新产品，推动生产制造系统优化升级，发展先进生产力。从石器时代、青铜时代到铁器时代，技术创新高度依赖新材料应用。从第一次工业革命到第二次工业革命，技术创新重心从材料转向动力与能源结构，通过新型动力机器代替人类重复性体力劳动，使工业化与自动化成为社会生产发展的主旋律。在上述阶段，制造系统主要由人和物理机器共同构成，即“人 ‒ 物理”系统（HPS）。第三次工业革命以来，伴随生产力的大幅提升，人类所掌握的信息规模呈爆炸式增长，信息处理问题日益成为制约生产力发展的主要矛盾，迫切需要发明新技术与产品以支持部分脑力活动自动化，从而集中智力资源投入更具价值的创造性工作。此时，经由信息技术的介入与推动，制造系统开始从传统的HPS系统向“人 ‒ 信息 ‒ 物理”系统（HCPS 1.0）的数字化制造迈进。随着新一代人工智能技术的迅猛发展，不断催生第四次工业革命，制造系统开始向具备自感知、自适应、自决策等高级智能特征的新一代智能制造（HCPS 2.0）进化过渡[18,19]。

结合人类文明与制造系统的发展历程，设计进化可分为3个阶段。① 农耕文明时代的传统设计（设计1.0），本质是基于HPS系统的直觉设计和灵感设计，利用简单工具与手工方法，侧重产品外观造型优化。受生产力发展水平限制，只能利用人力、畜力以及小规模风力、水力，积累的设计经验与理论知识十分有限，无法在高效精密化设计与制造方面取得突破。② 工业文明时代的现代设计（设计2.0），本质是基于HCPS 1.0系统的经验设计、集成设计，发展了数字建模、虚拟仿真、对比实验、计算机辅助技术（CAx）等设计技术与方法。工业革命引领的机械化、工业化大规模生产，为设计提供了雄厚物质信息基础、广泛市场需求牵引与丰富理论实践经验。通过总结共性经验规律，集成工程学、管理学等多学科知识原理，涌现了发明解决问题理论（TRIZ）、质量功能展开（QFD）设计、公理化设计等科学化与工程化的现代设计理论方法。③ 知识网络时代的创新设计（设计3.0），本质是基于HCPS 2.0系统的原创性设计和颠覆性设计，运用人工智能、虚拟现实、数字孪生等技术方法进行知识创新、原理创新。信息革命、智力革命使人类掌握知识的能力空前强大，数字化、网络化、智能化成为社会经济发展的重要特征，为创新设计提供丰富智力资源，连续激发人类创造力，设计蕴含巨大市场潜力的工业产品[7]。

纵观上述历程，结合我国创新设计发展境况，总结如下趋势。

1 从感性直觉到理性综合

在传统设计阶段，由于缺乏现代科学与工程理论支撑，主要依靠人类本能直觉与灵感进行设计。在现代设计阶段，经验在设计过程中的占比显著增加，需结合理性思维，加强归纳总结，但仍缺乏对设计原理的深层次探讨。在创新设计阶段，对原理创新提出更高要求，必须充分运用理性逻辑，掌握经验法则背后的科学本质，进行颠覆性设计。需要注意的是，该趋势是人类设计活动与创新思维愈加科学化、规范化的体现。理性综合并非抛弃感性直觉，而是充分意识到后者重要性，结合科学方法加以研究运用，综合理性与感性双重优势。

2 从逆向推理到正向创新

在现代设计阶段，存在大量以跟踪模仿为主的逆向设计，通过对先进产品做数字化处理，类比推理原有结构特征参数，实行小范围优化改良（逆向）。在创新设计阶段，传统基于逆向推理的渐进优化，无法满足颠覆性创新需求，需从根本科学／哲学原理出发，实现从高层次设计意图到实体产品的物理转化，创造高附加值产品（正向）。

3 从单一串行到系统并行

在传统设计与现代设计早期阶段，产品功能需求与应用场景相对单一，通过将设计问题按“化整为零”的单学科串行研发方式解耦，明确若干子任务，利用简单结构排列组合实施技术集成。在现代设计中后期与创新设计阶段，产品演化为适应多功能需求与场景的复杂机电系统，需基于系统科学开展自上而下的研究，把握各子系统、结构、过程间高度复杂的耦合关系，实施并行设计工程，揭示、表征产品内部潜在的知识规律[20]。

（二） 未来产业与颠覆性技术创新

目前，未来产业的概念尚无严格统一定义。例如，部分研究认为，未来产业是以技术创新为驱动，以满足人类社会发展新需求为目标，能够扩展人类认知、推动社会可持续高质量发展的产业[21]；部分研究认为，未来产业是由处于探索期的前沿技术驱动，代表产业与科技长远发展方向，满足社会不断发展需求，对未来国民经济有重要支撑与引领作用，且尚处于孵化阶段的产业[22]。整体上，相关研究主要从以下三方面把握未来产业的概念。一是科技创新。未来产业由关键领域科技突破所衍生，通过创造新技术、新产品，引领生产范式变革，构筑具有未来竞争优势的新兴产业。二是发展阶段。未来产业处于产业发展的萌芽期、初化期，相关技术与市场均尚未成熟，具有高度不确定性。三是发展潜力。未来产业拥有巨大发展潜力，相关技术与商业模式价值已得到初步验证，一旦实现商业化应用，将通过新技术创造新需求，引领社会经济高质量发展[23]。此外，相关研究均高度强调颠覆性技术创新对未来产业的支撑作用，旨在通过技术创新颠覆现有生产工艺、服务模式，推动社会生产力的跨越式发展。

颠覆性技术创新的概念源于克莱顿·克里斯藤森关于颠覆性创新和颠覆性技术的理论，指能够在原理、性能、价值等各方面超越现阶段主流技术，甚至引发产业革命的原始性技术创新。这一概念后续从技术创新扩展至产品乃至商业服务模式创新，极大丰富了原有概念内涵[24~26]。传统关于颠覆性技术创新的研究集中于技术与市场。随着数字经济、体验经济的兴起，因“设计”在用户洞察、功能集成等方面的优势，逐渐被视为新兴创新驱动力，并被众多企业作为核心战略执行[27]。从设计视角出发，创新的关键在于赋予产品新意义，主动创造用户消费动机与理由（意义创新）[28]。传统技术创新通过提升现有技术性能，或整合其他领域技术，丰富产品功能，扩展用户消费期望，实现持续性意义创新；颠覆性技术创新则通过发明新技术，打造高附加值的新产品，创造新的用户消费需求，开辟具有战略潜力的蓝海市场，实现颠覆性意义创新[29]。

（三） 从现代设计到颠覆性创新设计

新质生产力是由关键领域颠覆性技术创新突破所激发的生产力，本质是将科技创新作为驱动社会生产发展的动力引擎，推动生产力由“量变”向“质变”能级跃升[30]。现阶段，颠覆性技术创新往往以“连锁核爆”的模式大规模涌现[31]，仅凭某几项关键核心技术突破，无法适应未来产业发展趋势。进一步地，发展新质生产力涉及科学、技术、产业等多方面，是一项复杂系统工程，需结合宏观战略视角，实施创新设计与统筹规划。此外，钱学森曾提出“总体设计部”的构想，旨在建立针对复杂工程技术乃至社会生产问题的系统设计框架，提出科学解决方案，这从侧面说明发展创新设计系统思维的重要性[32]。

现代设计主要面向机械制造、航空航天、交通运输等领域，通过对工程问题进行逻辑转化与分析，定义设计约束条件与边界限制，集成生产经验与学科知识，提出精准有效的解决方案，形成了一批重要的设计理论与方法。苏联阿奇舒勒及其研究团队通过对大量高水平发明专利的归纳分析，建立了体系化的TRIZ。TRIZ通过将发明问题／设计问题转化为基础矛盾与冲突，并运用标准工具（40个发明原理、76个标准解等）进行求解，得到理想的设计方案[33]。德国科学家约翰·杰罗教授提出了“功能 ‒ 行为 ‒ 结构”设计理论模型（FBS），通过识别设计对象的功能（设计目的）、行为（结构派生属性）与结构（设计对象的组成单元及其关系）3个本体，将设计过程建模为本体间相互映射的模块化步骤[34]。意大利卡西尼教授进一步扩展了FBS模型，通过引入对用户需求和设计要求的考虑，在原设计过程中增加了需求识别与要求定义的步骤，丰富了设计早期阶段的建模过程，避免直接从设计要求向设计本体过渡[35]。日本质量专家赤尾二洋和水野滋提出了QFD设计，通过将用户需求整合至产品设计全流程，打造满足甚至超越市场需求的高质量产品。质量屋（HOQ）构建是QFD设计的核心步骤，通过对用户需求进行分类和重要性评级，检索与需求匹配的工程特征，建立相关矩阵，以此制定系统的设计规划[36,37]。随着现代信息技术的跨越式发展，传统设计理论与方法迎来重要变革。基于模型的系统工程（MBSE）通过引入统一建模语言与信息模型，取代以文档为载体的传统工程模式，推动全工程生命周期数字化建设[38]。“需求 ‒ 功能 ‒ 逻辑 ‒ 物理”（RFLP）设计则是基于MBSE展开的工程设计框架：首先，基于需求推导产品功能定义；其次，通过逻辑演绎，探索可能的功能实现方式；最后，将逻辑方案转化为具体物理结构和技术。上述过程基于虚拟数字平台实现，并通过仿真软件和虚拟原型技术检验设计方案[39]。人工智能大语言模型（LLM）的兴起，对设计理论发展产生了重要影响。部分研究尝试基于领域知识微调LLM模型，激励概念设计阶段的创意生成，再结合现有设计理论与方法，建立完整工程设计方案[40]。

整体上，现代设计建基于HPS系统，设计被视为针对具体工程问题的求解过程，存在以下明显弊端：① 静态视角，工程问题的界定往往基于静态观察与描述，所调用知识也是经过封装存储的静态知识，忽视了客观世界的动态变化，导致设计结果无法完全适配现实需求；② 不完备知识，现代设计高度依赖可表征的显性知识，忽略了直觉、习惯、意向等不可表征的隐性知识，或受制于其不可表征性，放弃管理与重用，导致设计过程所依托的知识基础不完备。现代设计延续笛卡尔主义身心分离的哲学思想，坚持基于心灵的形式逻辑思维，往往通过局部工艺改良优化，推动设计结果在原有性能轨迹上小范围改进，难以实现颠覆性创新。

颠覆性创新设计是新理论、新技术与新方法的集成创新，依托高层次、多领域知识，孵化大量原创性设计成果与颠覆性技术，为建设未来产业体系架构与发展新质生产力提供保障。颠覆性创新设计建立在HCPS系统基础上，融合用户、技术、环境等多重要素，构建“人 ‒ 机 ‒ 环境”一体化的动态创新体系，存在以下优势：①“动态”视角，颠覆性创新设计作为面向人、机、环境等多重要素的开放式系统，能够根据各要素变化，及时调整设计部署，提升设计过程对复杂不确定性环境的自适应能力；② 完备知识，颠覆性创新设计基于人机共融的智能信息系统，强化对隐性知识的动态捕捉、迁移转化与存储管理，实现知识管理自优化、自完善，建立集成显性／隐性知识的完备知识体系，支撑基于知识融合与涌现的颠覆性创新。整体来看，颠覆性创新设计坚持现象学身心合一的哲学思想，兼顾符号逻辑计算的严谨性、高效性，系统自组织的集成性、综合性，搭建具备强自主性、协同性的智能制造技术装备体系[41]。

综上，颠覆性创新设计是发展新质生产力的着力点与突破点，需坚持现象学身心合一的系统思维，基于动态视角与完备知识体系应对外部多元挑战，引领未来产业高质量发展。

三、 知识现象学第一原理

颠覆性创新设计作为推动未来产业正向创新的共性基础方法，需从哲学、认知科学的角度发展基本原理，集成显性／隐性知识，对设计问题进行综合求解。因此，本文基于内时间意识、知觉等现象学理论，从哲学层面深入揭示完备知识的生成与演化过程，为建立科学的创新设计方法体系提供理论支撑。

（一） 基于现象学的完备知识演化过程

哲学家罗素认为，知识并非一个精确概念[42]。对此，学术界存在大量关于知识定义的描述与讨论：柏拉图认为，知识是被证实的认知；马克思认为，知识是社会实践的产物，并被社会实践所检验；从经济学角度出发，知识是有价值的人类劳动产品，是一种生产要素；从信息论角度出发，知识是信息的累积与浓缩，是服务于特定目的的结构化信息[43]。尽管知识的定义纷繁复杂、尚未高度统一，但仍可通过一些共性特征把握知识的本质。知识是人类通过实践获得的关于自然、社会乃至思维等现象与本质规律的认知总结；知识是人类重要的意识成果，具备一定客观性；知识在流动中产生、传递与重用，同时也可表现为静态的结构化知识产品[44]。综上，从哲学层面进一步提炼知识概念，即知识是认知的凝结，是人类关于精神世界与物质世界认知过程和成果的集合。

现象学家埃德蒙德•胡塞尔从人类经验与意识结构的时间维度出发，提出了“原印象”“滞留”“前摄”的内时间意识结构：“原印象”是对当下知觉材料的识别与分析；“滞留”是对过去知觉内容的延续与把握；“前摄”是对未来将要发生事件的期待与意向。内时间意识结构是人类知觉感受形成的基础，每一个“现在”时间节点都包含了“过去”与“未来”的部分知觉内容和意向，三者高度融合，呈现“过去 ‒ 现在 ‒ 未来”三位一体认知结构。具体地，对事物认知建基于对已发生事件的“滞留”与对未来事件的“前摄”，综合处于当下“原印象”的认知材料，形成整体认知。

传统的客观时间将事件拆分为离散节点，节点间存在根本异质性，需主动回忆与预测，显著增加了主体认知负荷[45,46]。隐性知识源于生活实践中通过身体动作与感官刺激所获得的知觉感受和体验[44]。由此，作为形成知觉感受的前提条件，内时间意识支撑了隐性知识的生成与演化，是知识获取、运用与创造的根基。该阶段反映了人类知识的原始性构成，以经验性、体验性的隐性知识为主体，结合部分显性知识，形成初步认知。

进一步地，上述隐性知识伴随时间流动，不断运动转换，形成复杂知识结构。德雷福斯在对专家所掌握的专长知识进行分析的过程中，系统化地呈现了该过程。专长知识的学习被划分为新手、高级初学者、胜任、熟练、专家、大师、实践智慧，共7个阶段[47]。前3个阶段是对既定规则与内容的学习应用，是主体基于自身所掌握的隐性知识，结合抽象化理性逻辑思维，获取显性知识的过程；后4个阶段则必须依托具身化、情境化的反复实践，将显性知识转化为隐性知识，获取前反思、前意识的身体技能（专长知识），如熟练工人对零件加工火候的把控、资深飞行员的驾驶行为等[48,49]。由此，可以将知识演化过程总结为：① 知识生成，基于内时间意识形成人类原始知觉感受，获取隐性知识；② 由隐入显，通过理性逻辑思维与符号表征，将部分隐性知识转化为显性知识；③ 由显入隐，通过身体实践将显性知识内化为新隐性知识，此时，新生成隐性知识并非完全脱离显性知识，而是原知识的具身转化；④ 显隐融合，通过跨时空场景的显性／隐性知识重用，推动两者有机融合，建立高效优质的完备知识体系，获取具备身体技能特征、自适应复杂环境的专长知识。

（二） 工程启示与概念综合

从工程科学角度出发，现阶段主流技术与设计系统的缺点在于，仅通过符号运算模拟专家决策，无法通过身体实践推动显性知识隐性化，获得专长知识[50]。为此，本文结合完备知识演化过程，提出建立基于内时间意识的具身专长知识系统，增强现有工程技术与设计系统的隐性知识获取能力，提升整体系统的完备知识水平。具身专长知识系统是知识现象学在工程技术领域的延伸。通过针对知识演化的4个过程建立获取完备知识的技术路线，可以丰富知识现象学的实践内涵，为其在创新设计领域的工程应用提供理论过渡。

首先，建立基于内时间意识的知识获取机制。内时间意识本质是跨时域认知客观对象的意向与能力[45]。通过获取多维度、多场景认知信息，构建融合“过去 ‒ 现在 ‒ 未来”多源信息的三位一体认知结构。通过构建适应多目标、多变量的高精度智能代理模型，提升跨时域知识获取速率，推动需求感知、敏捷响应、信息集成一体化建设，强化智能系统知识生成与自主进化能力。

其次，推动基于大数据与人工智能的隐性知识显性化，即知识的由隐入显，其本质是通过逻辑推理与计算表征，将模糊不确定的多源非结构化信息，转化为精确可理解的显性知识。该过程需充分发挥先进信息技术优势，加快多源异构信息处理、思维认知计算与特征提取，利用本体模型、知识图谱、语义网络等方法展开知识表征与推理研究，建立对具体工程问题的理性认知。

再次，推动基于多智能体系统的显性知识隐性化，即知识的由显入隐，其本质是在原有显性知识基础上，增加对意向、知觉、涌现等人类行为中非逻辑、非计算特征的学习与模拟。通过将智能代理嵌入数控机床、人形机器人、无人驾驶汽车等智能装备移动端，建立大规模、分布式并行多智能体系统，支持异构网络环境下的知识迁移与人机协同操作，实现对现实环境的实时感知与数值模拟，使技术与设计系统掌握部分具身化、情境化的隐性知识。

最后，发展数据与知识混合驱动的智能决策方法，即知识的显隐融合，其本质是通过建立完备知识体系，健全对复杂工程系统的客观认知，从根本处启发创新思维，实现面向全系统要素的最优决策。在实际工程实践中，除去已有经验知识，仍有大量知识蕴藏于工业数据中，需发展面向复杂高端装备全生命周期的数据挖掘技术，不断获取新知识。进一步地，通过反复工程实践积累经验数据，更新迭代知识储备与智能决策体系，强化系统自主决策与主动行为能力，获取以专业技能为特征的专长知识。 现有关于知识的研究大致从以下两方面展开。① 在理论层面，重在描述知识的性质与分类，并结合认知科学和生产实践经验，总结各类知识可能的形成机理以及相应的人类思维模式与认知架构[43]。② 在工程层面，通过先进信息技术，对知识进行封装与重用，实施大数据知识工程，提升设计制造的效率与科学性[20]。上述研究存在两方面局限。① 相关理论研究较少从哲学层面出发，对知识生成过程进行本质溯源，导致对显性／隐性知识的理解往往局限于性质描述（可表征／不可表征），缺乏对人类认知演化过程的动态分析。这导致相关研究对完备知识的理解多停留于多源知识的整合，尚未充分考虑显性／隐性知识流动转化的有机塑造作用。② 相关工程实践往往将知识视为静态信息对象，通过计算表征的方式进行模块化处理，忽视了身体知觉的作用，导致难以稳定获取隐性知识，与理论研究间存在差距。对此，本文基于现象学理论，从内时间意识本源结构出发，探究人类认知过程中的显性／隐性知识流动转化与有机融合，洞察完备知识生成的哲学机理；结合具身专长知识系统的工程启示，充分考虑隐性知识的作用与获取机制，弥补从理论到实践的鸿沟，建立完整的知识现象学概念。

知识现象学是对完备知识生成与演化规律的系统哲学阐述。首先，知识现象学由内时间意识驱动，基于多时空场景知觉感受，形成以隐性知识为主、显性知识为辅的初步认知（知识生成）。其次，集成逻辑思维表征与身体知觉涌现，经历由隐入显的隐性知识显性化（理性逻辑驱动），由显入隐的显性知识隐性化（身体实践驱动），梯次推进显性／隐性知识高水平融合（显隐融合）。最后，建立面向生产生活实践需求的完备知识体系（见图1）。整体来看，知识现象学概括了“知识生成 ‒ 由隐入显 ‒ 由显入隐 ‒ 显隐融合”的完备知识生成过程，通过分阶段的显性／隐性知识流动转化，揭示人类认知过程中理性与感性、逻辑与直觉、反思与实践等要素的对立统一，推动显性／隐性知识高水平的动态有机融合，激发“集大成”思维效应[32]，为颠覆性创新提供哲学层面的理论支撑。

四、 知识现象学驱动的颠覆性创新设计系统工程

正向创新设计基于精准自洽的科学理论指导，集成需求定义、功能分解与系统综合等设计关键过程，实现从概念到产品的全流程自主创新[51,52]。先进技术实现是设计方案工程应用的必要条件，通过基于知识现象学的设计方案逆向解耦，力争系统预测颠覆性创新设计所需技术。本文综合正向创新设计与逆向解耦预测，建立颠覆性技术创新预测架构，推进颠覆性创新设计系统工程发展。

（一） 正向创新设计

设计是人类改造自然的创造性智力活动，本质是知识流动、集成、竞争与进化的过程[6]。本文结合知识现象学与设计实践流程，建立基于“设计问题空间 ‒ 显性知识空间 ‒ 隐性知识空间 ‒ 创新解空间”逐级映射求解的正向创新设计理论架构。

1. 多源需求耦合驱动的设计问题空间建构

问题定义是设计活动的开端，本质是融合多方需求、知识与经验的开放式迭代过程[53,54]。现代设计紧紧围绕市场需求定义设计问题，打造以用户需求为中心、快速市场响应的设计制造模式。与现代设计不同，创新设计是提升国家科技创新水平与产业竞争力的关键，需从以下方面展开。① 在宏观层面，面向前沿科技竞争、国民经济发展与国防建设需求，以国家战略部署为导向，定义设计问题；② 在中观层面，积极响应动态市场需求，把握用户需求多样化、个性化发展趋势，利用本体建模、关联建模、心理认知等技术，深入挖掘用户隐性需求与期望；③ 在微观层面，综合技术条件与资源配置，细粒化中观和宏观问题为设计约束。由此，基于“宏观 ‒ 中观 ‒ 微观”视角，构建“国家战略 ‒ 市场需求 ‒ 工业生产”多源需求耦合的设计问题空间，建立以实际重大工程需求为牵引的正向创新设计模式。

从知识现象学角度出发，设计问题空间建立本质是知识生成阶段。该阶段涉及物理系统、信息系统与社会系统，集成巨量“人机物”复杂交互过程，过程间相互作用、传递与激励，形成深层次耦合交融与信息级联，涌现规模庞大的隐性知识。对此，需基于人类隐性知识生成的内时间意识机制，通过大规模高精度智能代理模型，捕捉多系统、多场域、强非线性的跨时域信息，健全多源需求集成认知架构，为创新设计提供前瞻布局与牵引。

2. 大数据智能驱动的显性知识空间建构

利用大数据、人工智能技术，从庞杂无序的离散信息单元中分拣数据、剔除噪音，建立有序知识体系，是设计问题求解的首要步骤。具体地，显性知识来源可分为以下三方面。① 现成装备产品，本质是面向具体设计问题的现成解决方案／设计结果，蕴含大规模、高质量的先进技术理论与方法，是长期工程实践智慧的结晶。通过基于大数据的产品资源检索，建立面向基本设计任务的产品数据库，为设计知识重用提供优先选择。② 生产事件日志信息，本质是基于工业生产业务流程的半结构化数据资源，是建立控制流与过程模型的基础[55]。通过基于事件驱动架构的复合事件处理技术，实时监测系统运行状态与数据流，挖掘大量基于实际生产实践的知识经验。③ 社会网络数据，本质是基于人类社会系统与日常生活监测的多模态数据资源，是现实物理系统、社会系统与虚拟信息系统的结构化映射。通过物联网、边缘计算技术，广泛收集图像、语音、视频等多模态数据信息，为设计知识挖掘提供坚实数据基础。综合上述三方面数据，萃取基于抽象语义的设计知识，并根据具体知识表达内容，将其划分为任务层、推理层与对象层，建立产品知识表达模型[56]。

从知识现象学角度出发，显性知识空间建立的本质是知识演化的由隐入显阶段。一方面，通过广义设计知识集成，追踪设计过程中的不确定性因素，为精益设计、智能设计提供可靠知识保障；另一方面，设计问题空间蕴含大量隐性知识，经由数据约减与降维，形成精确可表征的设计约束与依据，提升设计过程科学性与逻辑性。从设计问题空间到显性知识空间的映射，是基于显性知识集合的理解与分析。通过大数据智能表征与计算辨识，定义设计对象的主要任务功能、管理模式与使用场景，规范化管理设计进程。

3. 具身专长驱动的隐性知识空间建构

正向创新设计重点在于建立显性／隐性知识深度融合的完备知识体系。隐性知识的来源主要包括两方面：① 认知性隐性知识，本质是人类基础认知架构，反映人类对外部世界的看法与态度，通常表现为观念、意向、期待等；② 技能性隐性知识，本质是长期生产实践积累的经验，是人脑意识与身体记忆的综合，通常表现为技能、诀窍等[43]。其中，获取认知性隐性知识是设计问题空间建构的主要任务，重在建立对外部设计需求与问题的客观认知和描述；获取技能性隐性知识则是隐性知识空间建构的主要任务。

具体地，获取技能性隐性知识的途径主要有两方面。SECI模型作为一种知识管理模型，通过集成显性／隐性知识转换的整合化、内在化、社会化与外显化过程，推动企业组织的知识创新[57]。为此，基于知识创造（SECI）模型，搭建同时面向专家、用户与设计人员的云平台，建立多方参与的协同设计模式。通过基于云平台数据的知识挖掘，提取关于具体复杂设计任务的经验与技能，建立隐性知识集合。接着，通过人 ‒ 机器人技能传递技术（HRST），将部分身体技能迁移至设计对象，使后者掌握部分隐性知识与类人作业能力。HRST技术是HCPS系统的重要组成部分，包括示教、模型学习、任务复现3个技能传递一般过程，以及视觉、遥操作、物理交互三大主流技能传递方式[58]。基于HRST技术，通用化、形式化描述部分人类身体技能，将应变能力、智慧性、灵巧性等人类优势特征充分融入设计过程，显著提升隐性知识应用水平。

从知识现象学角度出发，隐性知识空间建立的本质是知识演化的由显入隐阶段。显性知识空间的建构不可避免导致部分潜在设计需求流失，且存在设计定义过度简化与知识老化的倾向。在隐性知识空间建立过程中，通过建立基于SECI模型的协同设计云平台，获取多元主体的隐性知识，拓展既有设计知识边界；通过HRST技术，使部分技能性隐性知识通过动力学建模、运动编程等方式传递至设计对象，其本质是利用显性知识模仿、逼近人类身体技能，推动显性知识具身转化。进一步地，该过程通过引入新知识，推动原设计对象实现功能扩展，支持功能多样化。

4. 人机协同决策驱动的创新解空间生成

人机协同决策是创新设计的必然，具体原因可分为以下两方面。① 在HCPS 2.0时代，人类生产模式发生极大变化，对专长知识的生成与使用产生显著影响。在传统生产模式下，专业技能人才结合专长知识与工作经验，不断发现、解决问题。在HCPS 2.0背景下，专业技能人才不再直接面对由物理制造装备主导的传统生产环境，而是体量庞大、种类繁多的流程数据[59]。原先基于物理环境的专长知识无法直接发挥作用，需通过计算机进行大规模数据分析，提炼适应专长知识判断的客观现象与数据特征，形成基于人机协同决策的合理解决方案。② 人类实践活动极其丰富、具有发展无穷性，且人与人之间关系极为复杂，不存在研发纯自主无人创造系统可能性[60]。推动正向创新设计，需要充分发挥人类的创造性思维优势，利用人机结合、以人为主的创新手段与方法，推动显性／隐性知识高质量融合，激发颠覆性创新[61]。

进一步地，基于人机协同决策的创新解空间生成，可从纵向理论与横向技术方法双向展开。① 在纵向理论层面，遵循钱学森开放复杂巨系统从定性到定量综合集成方法：首先，根据问题空间明确设计任务；其次，结合显性知识空间与隐性知识空间，综合专家判断，建立客观认知；最后，开发基于知识工程的设计问题求解系统，集成设计师、工程师与专家意见方案，基于主客观评价反复迭代、生成创新解[60]。② 在横向技术方法层面，发展从混合人机协同到多人多机协同技术，充分激发设计过程中的人类群体智慧。混合人机协同从时间维度优化设计决策过程，通过打造人类、多元智能终端、智能机器三方融合的闭环，实现人类动作行为的连续反馈，实时训练、优化智能算法模型，建立“人在回路”的机器学习框架，显著提升设计决策智能化水平。多人多机协同从空间维度拓展设计决策的共享资源规模，通过建立融合软硬件设备与专业人员的分布式多智能体系统，突破了传统人工智能单一专家系统限制；可以针对设计问题展开多智能体协作并行求解，进而实现群体创新。

从知识现象学角度出发，创新解空间生成的本质是跨时空显隐融合。人机协同决策是“人机物”与众多复杂物理过程的有机融合，集成显性／隐性知识空间，形成具备高级智能特征与创新水平的开放复杂巨系统。该过程具有显著跨时空特性，一方面，显性／隐性知识融合的本质是跨时空人类认知综合，通过集成多源时空情境的理论知识与实践经验，为设计决策提供灵活动态、规模庞大的知识基础；另一方面，复杂系统内部并非传统控制论中的极简反馈与线性因果关系，而是突破传统单一时空区间内的连续事实逻辑计算，形成基于多层次、多维度时空的深层认知。

正向创新设计流程充分经历了基于知识现象学的知识生成、隐性知识显性化、显性知识隐性化、显性／隐性知识融合等阶段，建立了面向具体生产／生活任务的完备知识体系，并从哲学维度正向激励自主知识创新。

（二） 逆向解耦预测

为增强设计方案的技术可行性，本文基于FBS设计理论模型，展开技术创新预测分析。FBS模型的优势体现在：一方面，其从哲学本体论出发，能够精确反映一般设计对象的共性结构，具有较强的适用性与可解释性；另一方面，该理论模型结构精炼，能够有效降低技术预测模型复杂度，易于执行推广。具体地，设计过程可表征为功能（F）、行为（B）与结构（S）间特定映射关系[62]。通过对创新解空间实施基于FBS设计本体的逆向层级解耦，结合知识现象学第一原理，挖掘技术创新对应的知识基础与应用场景，综合预测颠覆性技术创新。进一步地，整合正向创新设计与逆向解耦预测，结合系统工程“V模型”[63]，建立颠覆性创新设计系统工程（见图2）。

1. 基于时空迁移的技术问题空间建构

颠覆性技术创新预测侧重通过建立完整技术体系，推动创新设计方案实施。需建立技术问题空间，实现“设计 ‒ 工程”任务转化，具体过程可分为以下两方面。① 复杂工况建模。基于真实工况数据，搭建面向实际制造环境的高精度、高分辨率数字仿真模型。通过发展时空坐标与对象特征融合的产品建模方法，将原设计方案映射至虚拟工况环境中，表征产品关键参数和生产过程中的潜在故障，综合评估设计方案的制造可行性。② 新知识获取。原设计阶段对具体工业生产过程的分析尚不充分，需发展面向复杂技术系统、生产环境的时空信息动态测量方法，如无人生产车间布局、加工时序信息测量等，满足相关技术对多维度参数获取以及时变规律分析的需求。

从知识现象学角度出发，技术问题空间建构过程的本质是基于内时间意识的知识生成。时间与空间是现实世界最重要、最基本的属性[64]。复杂工况建模是将原设计知识与数据信息经数理结构映射迁移至新时空场景。该时空场景仍以隐性知识为主导，存在大量不确定、难解释的动态参数，内含大量以时空数据为基准的隐性知识（如失效机理、潜在故障等）。

2. 基于行为／结构解耦的技术知识基础识别

FBS设计模型通过构想、综合、分析、评估、描述等步骤，完成从设计对象功能到行为，再到结构的顺序层次映射。其中，行为与结构是面向设计对象本体物理信息特征的描述和创新解空间最为形象直观的表达，两者紧密耦合，决定了技术预测的基本知识框架。

具体地，技术知识的基础识别可以分为以下两方面。① 行为解耦。行为指由设计对象结构所派生的属性，表示通过既定结构能够完成的动作，如液压缸的往复运动。该方面知识主要基于传统物理规律，侧重反映结构的运动学、力学原理。通过动力学建模与仿真，系统分析原设计对象的动态行为，精准检索相关物理知识，尝试建立基于定量描述的动力学方程。② 结构解耦。结构指设计对象的具体组成，如液压缸的缸筒、缸盖、活塞等部件及尺寸。在正向设计过程中，变换或编排物理效应载体、原理解筛选、零部件构形等仍属定性设计范畴，致使相关知识仍停留于概念表达[65]。结构解耦通过实验研究、仿真与精确计算，将原有的设计结构从基于文字描述的概念表达，转换为基于数据的参数表达。

从知识现象学角度出发，技术知识基础识别过程的本质是知识演化进入由隐入显阶段。技术问题空间内含大量隐性知识，主要来自于原隐性知识空间对人类技能的学习模仿以及设计过程中尚未明确参数化的结构。通过行为／结构解耦，将技术问题空间约减为定量知识、信息与详细技术约束，建立针对技术问题的初步解决方案，推动隐性知识向显性转化。

3. 基于功能解耦的技术应用场景预测

在FBS设计模型中，功能是对设计对象的“目的论”描述，表示设计对象能够实现的意图与目的，如液压缸能够实现液压系统内部液压能到机械能的转化，并应用于相关工程任务、产生经济价值等。从技术系统角度出发，功能是对物理量间因果关系的描述，可理解为对物质、能量、信号等输入进行转化的状态空间[65]，从时空维度规划了技术系统内部各物理量数值范围，决定了技术应用场景。

具体地，技术应用场景预测可分为以下两方面。① 多场景建模。根据设计对象功能的语义描述，结合多模态智能感知、数字孪生、高保真三维建模等技术，建立虚拟功能应用场景，在线标定关键坐标位置，数字化表征功能应用场景。② 多目标优化控制与决策。在工程技术问题中，目标函数、决策变量维度以及参数规模极易随场景发生动态变化，且各目标函数间可能存在潜在冲突，干扰系统稳定运行与控制决策。需发展面向多场景的动态、可靠性、多目标优化控制与决策方法，融合专家经验与专业知识，对多场景进行归类划分与规模约减，探索技术预测的系统鲁棒最优解。

从知识现象学角度出发，技术应用场景预测过程的本质是知识演化的由显入隐阶段。一方面，通过多场景建模，将原先基于语义的功能概念描述，转化为内含大量隐性知识的时空场景；另一方面，在多目标优化控制与决策过程中，融合了大量以专家经验、领域知识为基础的隐性知识，激发更多具有类人化高级智能特征的颠覆性技术。

4. 知识／场景耦合驱动的颠覆性技术创新预测

基于上述知识基础与应用场景，可以发展知识／场景耦合驱动的颠覆性技术创新预测。具体可分为以下三方面。① 知识 ‒ 场景驱动的技术预测。该过程从知识基础出发，建立从知识到场景的关联映射机制，筛选合理的技术应用场景。进一步地，技术可理解为支持系统输入／输出转化的中间界面与效应函数。根据知识内容，分析场景内部资源，识别系统输入的能量流、物料流与信息流，结合输出功能目标，探究支持输入／输出因果转化的组织结构、操作过程，以此确定相关技术的结构与过程。② 场景 ‒ 知识驱动的技术预测。该过程从应用场景出发，筛选符合场景特征与技术功能需求的知识，力求以最小知识规模表征技术应用场景，精益化管理相关知识。根据应用场景时空特征，结合物理矢量放缩、运动轨迹规划等相关知识，界定技术活动的可行范围。③ 综合技术预测。知识 ‒ 场景驱动确定了基本技术结构与过程，场景 ‒ 知识驱动确定了技术可行运动范围，通过两者动静耦合，建立多尺度颠覆性技术创新预测体系。

从知识现象学角度出发，颠覆性技术创新预测过程的本质是知识演化进入显隐融合阶段。一方面，FBS设计解耦产生的大量显性知识，可以为技术预测搭建基础知识框架；另一方面，应用场景预测可以将部分显性知识转化为依托于时空的隐性知识。通过知识与场景的深度交叉融合，建立起面向颠覆性技术创新预测的完备知识体系。进一步地，设计需根据前沿战略需求的动态进化，自主适应未来产业竞争态势。通过预测未来市场与科技竞争焦点，将技术预测结果转化为技术资源池，推动“工程 ‒ 设计”任务转化，支持新一轮正向创新设计。

（三） 系统综合集成逻辑架构

本文基于钱学森复杂巨系统思想，从知识、时间和空间三维立体展开，全方位阐述颠覆性创新设计系统工程的内在逻辑架构。

在知识维度上，颠覆性创新设计系统工程的本质是人类认知进化的工程演绎，直观表现为基于显性／隐性知识的创新创造。在正向创新设计过程中，设计问题空间和隐性知识空间均以隐性知识为主导，强调客观环境与身体实践对人类创造性思维的支撑作用，是推动颠覆性创新的关键；显性知识空间则以显性知识为主导，建立对事物本体运行机理的科学认知，是推动工程应用的关键；在创新解空间中，显性／隐性知识有机融合，涌现“集大成”思维效应，发展从原理到应用、从宏观到微观的层次性与颠覆性创新设计方案。逆向解耦预测过程呈类似知识分布，技术问题空间和应用场景预测均以隐性知识为主导，旨在增强技术预测灵活性与可拓展性；技术知识基础识别以显性知识为主导，旨在为技术预测提供理论依据与数据支持；耦合技术预测通过集成显性／隐性知识，建立面向产品功能需求的可信技术预测与路线图，支撑设计方案实施。

在时间维度上，正向创新设计与逆向解耦预测均遵循知识现象学所描述的知识演化过程，通过“知识生成 ‒ 由隐入显 ‒ 由显入隐 ‒ 显隐融合”建立适应各阶段任务的深层次、多维度科学认知，通过多源认知耦合激励颠覆性创新思维。该演化过程反映了人类认知进化的螺旋式上升特征。以正向创新设计为例，设计问题空间蕴含大量隐性知识，主要来源于广泛的社会生产生活实践；在显性知识介入下，显性知识空间将基于隐性知识的模糊认知转化为基于精细设计约束的理性认知，实现从感性到理性的认知跨越；与设计问题空间不同，隐性知识空间虽同样以隐性知识为主，但考虑了更多的身体实践问题，是基于实践的理性认知再升维；创新解空间通过融合显性／隐性知识，整合上述认知与实践过程的经验，建立更高维的系统认知。在此基础上，逆向解耦预测经类似步骤，建立技术侧的科学认知。上述过程整体呈“实践 ‒ 认知 ‒ 再实践 ‒ 再认知”的螺旋式上升结构[61]，并伴随时间演进的循环往复：以技术预测结果支持新一轮设计，新设计方案则牵引新一轮技术预测。

在空间维度上，颠覆性创新设计系统工程最显著的特征是知识跨域融合。具体地，在正向创新设计与逆向解耦预测的不同任务阶段，均存在显性／隐性知识集成融合、互相激励的现象，可分为以下三方面。① 设计问题空间与耦合技术预测间的知识融合。在系统工程螺旋式上升的演进过程中，前一轮颠覆性技术创新预测结果，作为微观技术层面的知识资源储备，以标准化、参数化、模块化等显性知识形式，与国家战略、市场需求层面的隐性知识融合（社会活动中的“人机物”复杂交互过程蕴含巨量隐性知识），增强新一轮设计问题定义的科学性与规范性。② 显性知识空间与应用场景预测间的知识融合。显性知识空间建构是设计问题求解的基础，重点在于明确设计约束条件，定义设计对象主要功能。但由于缺乏对应用场景的评估，导致可能存在超越技术施展范畴的不合理功能定义，造成设计偏误。通过融合技术应用场景预测中的隐性知识（时空场景建模与控制内含大量隐性知识），补充、修正主要功能定义，使其符合技术要求，增强设计方案合理性。③ 隐性知识空间与技术知识基础识别间的知识融合。隐性知识空间建构通过获取多元主体的隐性知识，结合对人类身体技能行为的模仿，扩展原设计对象的功能集合，构筑产品核心竞争力。通过融合技术知识基础识别中的显性知识（产品行为、结构对应的物理参数与方程），约减不符合设计约束与技术条件限制的功能扩展，提高设计质量与效率，减少后续返工。

进一步地，正向创新设计与逆向解耦预测的关系具体可从以下三方面展开。① 设计／技术驱动的概念创新。正向创新设计属于产品创新流程的概念设计阶段，重点在于构思新产品概念[66]。该阶段一方面需充分发挥设计师的创造性思维，建立针对设计问题的创新求解策略，为后续技术预测提供依据；另一方面，需充分运用前一轮逆向解耦预测得到的技术与工程经验，减少思维发散过程的不确定性，增强概念创新可信度。例如，机器人多指灵巧手是典型的仿生设计概念创新，旨在通过模仿人类手部结构与运动操作，适应各种复杂精微的抓持任务。拟人化的仿生设计概念，对柔性感知、操作规划、多自由度控制等技术提出要求；同时，也使设计师开始从人手内部驱动／传动原理、人类皮肤生物感知机制等更为本质的角度出发，反向促进灵巧手设计的概念创新[67]。② 技术／设计驱动的工程实践。逆向解耦预测的本质是基于创新设计方案的工程实施。该阶段一方面通过结构功能解耦，预测支持设计方案的可行技术集合；另一方面，通过核心技术集成，形成技术系统，决定后续产品优化设计的方向。例如，为实现第四代战斗机高隐身性、高机动性、高敏捷性等设计要求，推力矢量、隐身涂层、高温冷却等技术至关重要（核心技术系统）。因此，相关领域基于发动机技术系统，提出了面向高水平飞行性能、飞行控制、隐身性能、全机能量的飞机／发动机协同设计目标[68,69]。③ 动态融合创新。在正向创新设计过程中，已有设计方案可在新技术条件下优化，产生新的功能效果。同理，对逆向解耦预测而言，已有技术方案可在新设计创意引导下重新发现，补充更具潜力的新技术。上述过程可视为基于设计／技术过程的局部循环。从系统工程整体出发，正向创新设计与逆向解耦预测是知识现象学在工程应用层面的互补框架，前者为后者提供创意引导，后者为前者提供技术保障与约束，形成系统循环。

综上，本文在对比现有设计理论与方法的基础上，总结了颠覆性创新设计系统工程的优势。① 基于显性／隐性知识有机融合的完备知识体系。现有设计理论高度重视显性知识，通过视其为可封装调用的智力资源，将设计上升为理性过程，建立精益的设计方案。除显性知识外，颠覆性创新设计系统工程还高度重视隐性知识。通过将隐性知识的获取、转化与融合，视为设计／技术预测的重要步骤。一方面，扩展原有知识集合，为设计／技术活动提供更丰富智力资源；另一方面，隐性知识代表人类认知中的非计算表征部分，是创造力的重要来源，有益于激发创新思维。② 设计／技术协同优化。现有设计理论通常将技术视为设计的支撑工具，或将设计直接视为技术系统，导致设计与技术间存在一定割裂。颠覆性创新设计系统工程则强调两者间的辩证关系，通过正向创新设计与逆向解耦预测的循环激励，并行优化设计与技术方案，求得针对具体工程需求的综合解。

五、 工程案例与战略前瞻

（一） 人形机器人颠覆性创新设计案例

1. 工程案例背景

人形机器人是具有类人外形特征，模仿人类技能行为、作业能力与智能的仿生通用机器人。相较于传统机器人，人形机器人拥有与人类更为相近的外形，更强的自主思维、感知决策与运动控制能力，可以更好适应复杂不连续的日常生产生活场景，承担工业生产、健康医疗、军事国防等多领域的复杂作业任务[70,71]。在未来产业的前瞻部署中，我国明确提出面向国家重大战略需求与人民美好生活需要，发展人形机器人、量子计算机、新型显示、脑机接口等创新标志性产品。人形机器人被视为打造未来高端装备体系的重要载体，拥有巨大社会经济价值与深远战略意义。

2. 颠覆性创新设计实施过程

根据颠覆性创新设计系统工程理论模型，本研究从正向创新设计与逆向解耦预测两方面展开，尝试建立人形机器人颠覆性创新设计框架。

（1）人形机器人正向创新设计

人形机器人的正向创新设计基于知识现象学与系统论思想，可以分为对整体设计目标、内容、流程与方法的规划，具体可分为以下四阶段。

一是从宏观战略出发，确定人形机器人细分应用领域，包括工业、医疗、教育等。以细分领域为依据，界定相应市场及用户群体，构建用户画像。结合现有技术与生产条件，以用户需求、痛点与技术难点为牵引，确定基本设计目标，建立设计问题空间。具体地，以焊接人形机器人为例，一方面，通过自动化精细作业，提升焊接水平与生产效率（微观技术层面）；另一方面，其主要用户是工人，通过机器人代替人，降低工人在极端环境下的作业风险（中观用户层面）。此外，从战略视角出发，焊接人形机器人在适应车间环境基础上，可尝试拓展在核电、船舶、盾构等工程现场作业的能力，以承担国防与工业领域的关键突发任务（宏观战略层面）。由此，初步建立焊接人形机器人的设计目标：具备复杂工件焊接能力、复杂陌生环境自适应能力以及可适应高温高压的作业环境。相较于传统设计定义高度聚焦于机器人的执行功能（焊接能力），该过程还考虑到技术环境条件（高温高压），并从战略角度延伸，尝试拓展机器人的服役环境（自适应能力）。

二是开展大数据检索与知识挖掘，通过知识发现、抽取与分类，构建面向设计问题的知识库，建立显性知识空间。知识库可分为基于传统机器人或现有装备的案例库、从多模态数据中提取的知识、具体物理数学知识（基础知识）3个互相映射的模块。针对具备复杂工件焊接能力的设计目标，在智能制造领域，现存大量传统焊接机器人，可作为案例库数据来源，为机器人结构设计提供参考。例如，焊接大型工件时需要高输出转矩与负载能力，可模仿现有大型工业机器人，采用后驱“旋转轴 ‒ 摆动轴 ‒ 旋转轴”（RBR）手腕结构，以支持使用重型驱动电机。针对适应高温高压的作业环境这一设计目标，通过收集现有场景的多模态数据，结合相关基础知识（材料热导率、比热容、热膨胀系数等），搭建虚拟仿真平台，模拟加工车间高温高压环境，确定关键零部件的材料属性约束。针对具有复杂陌生环境自适应能力的设计目标，基于现有智能化焊接机器人的现场感知技术，在原人形机器人结构设计基础上，部署激光视觉传感器，建立视觉感知系统，支持对不同焊接场景与工件类型的智能识别，以适应非结构化的工程现场环境[72]。

三是通过协同设计云平台，集成专家与用户经验，优化人形机器人结构与运动轨迹设计，使其更符合人类的高效操作习惯；基于HRST技术，通过视觉输入、遥操作、人机物理交互等多种方式，使人形机器人学习人类的动作技能，掌握技能性隐性知识，建立隐性知识空间。例如，现有盾构机刀盘焊接任务往往依赖工人手工完成[73]。基于数字孪生技术，搭建模拟盾构环境的遥操作平台，通过人类操作员示教，结合传感器与自适应控制技术，使虚拟端人形机器人同步模仿精细焊接动作，尤其是横焊焊缝和立焊焊缝过程。进一步地，在虚拟端模仿学习时，可接入等离子弧切割、熔化极气体保护焊等新型焊接工艺参数，替代现有技术，为提升后续现场作业效率提供参考与支持。

四是基于从定性到定量综合集成方法，结合专家、设计师与工程师意见，整合上述多源离散的阶段性成果，并通过虚拟仿真、数字孪生等技术，迭代优化设计方案，建立人形机器人的系统设计方案与技术路径规划（创新解空间）。从纵向理论层面出发，关键在于建立焊接人形机器人的综合评价体系。一方面，在虚拟数字环境中，对机器人进行运行测试，观察各项性能指标与整体运行情况，检验设计方案有效性；另一方面，调整环境与部分零件参数，模拟异常突发情况，评估机器人的应对能力，检验设计方案的鲁棒性。此外，还需评估整体设计方案的成本，保证经济效益。从横向技术层面出发，通过建立车间、核电、盾构等多个虚拟场景，各场景部署多机位虚拟摄像机，并行开展运行测试，支持多人多机协同。进一步地，将各项参数划分为机器人本体结构与焊接工艺两大类，分别组织机器人专家与焊接工艺专家展开评估优化，并支持双方协同合作，建立焊接机器人最优参数集合。

（2）人形机器人逆向解耦预测

人形机器人逆向解耦预测是基于知识现象学与还原论思想，对概念设计方案进行要素解耦、重组与再集成。通过融合新知识与场景，增强设计方案的技术可行性，并对关键共性技术展开合理预测。① 技术问题空间建构。基于设计方案，对机器人进行原比例三维立体建模。通过收集实际车间与工程现场数据，代入数字孪生模型，还原原始工作场景（复杂工况建模）。该过程存在因细微参数变化引起的级联效应。通过将机器人置于虚拟场景，观察其运动轨迹，对比人类操作员的动作行为，分析潜在技术问题。例如，模型放缩极易导致运动障碍，进而形成焊接机器人智能路径规划的技术问题。② 技术知识基础识别。根据焊接作业需求，结合相关执行结构，如灵巧手、机械臂、伺服电机等，对机器人动作行为进行动力学建模。通过基于动力学方程的参数化表征，提取支持机器人技能行为的显性知识。再者，运用显性知识集合，针对技术问题展开初步求解。例如，针对避障问题，可基于动力学模型参数，分别使用人工势场、栅格法等方法进行试验，比较各种技术方法的性能水平与可行度。③ 应用场景预测。通过全要素感知与数字孪生建模，高保真模拟焊接车间的物理信息环境。通过机器人在环境中的自主运动与试错，获取基于时空场景的隐性知识，提升焊接动作的精细化控制水平。进一步地，可在现有模型预测控制的基础上，尝试引入强化学习技术，提升机器人的自主决策能力，扩展对自学习所获隐性知识的应用，自适应后续非结构化应用场景。④ 知识／场景耦合预测。综合焊接人形机器人的零部件结构、运动轨迹与虚拟场景，分析不同技术参数与关键性能间的耦合关系。通过对各技术进行重要性排序，经过合理编排与协调，明确技术优先发展次序，建立系统级的技术创新预测体系。

3. 工程案例启示

人形机器人作为多输入输出、高度集成、高度智能的复杂装备系统，是典型的颠覆性创新设计系统工程，存在如下关键共性特征。① 复杂性。一方面，人形机器人集成机械工程、电子信息、人工智能等多学科知识与多领域技术，涉及知识规模异常庞大且复杂；另一方面，其研发需考虑设计、制造、运维等多流程，各流程间耦合关联，涌现大量跨领域复杂科学问题，如结构设计、感知控制、可制造性评估等。② 基础性。人形机器人的发展高度依赖基础研究，包括结构学、运动学、信息学等，涉及拓扑李群、微分几何等基础物理数学知识。相关研究成果可为高端复杂装备的设计制造提供理论基础，同时能够有效反映国家基础工业水平。③ 前瞻性。作为高阶自主智能系统，人形机器人涉及大量前沿技术，包括多模态大模型、强化学习、高精度运动控制等，是未来科技竞争的重要方向。

（二） 颠覆性创新设计重塑全球未来产业发展态势以及我国未来产业发展建议

钱学森指出，系统工程是自然科学、技术科学与社会科学的重要桥梁，是人类认识和改造客观世界的飞跃。在实际工程研发过程中（如航天系统工程），产品本身属于自然科学与技术科学的结晶，但产品研制的组织管理则依赖社会科学支撑[32]。颠覆性创新设计作为提升未来产业竞争力的系统工程，在建立微观层面体系化设计方法的基础上，还需结合知识现象学本质，从科学与社会的宏观层面出发，探究保障颠覆性创新设计系统工程实施的有效举措，培育具有战略性、引领性与创新性的未来产业。因此，本文基于科学、技术与产业3个维度展开，通过分析科学竞争态势，把握适应前沿科学知识发展的未来科学研究模式；通过分析技术竞争态势，明确具有战略价值的前沿工程技术，将技术预测上升至产业维度；综合科学竞争与技术竞争态势，洞察全球未来产业发展趋势。

1. 全球未来产业发展态势

（1）科学竞争态势分析

科学本质是一种社会存在，是不断演化的复杂巨系统，在不同历史阶段有不同表现形态[60]。现阶段，全球科学研究竞争态势可归纳如下。① 基础研究作为现代科学体系源头，通过对宇宙、生命、物质本质的探索发现，开拓人类认知疆域，存在资源投入大、回报周期长等特点，但对人类社会突破性发展至关重要，普遍被发达国家视作国家战略推行。② 交叉研究，体现了现代科学知识体系的综合性与复杂性，有利于产生新的前沿科学知识[74]，是国际科学竞争的制高点与主战场。③ 智能化科研（AI4S），通过新兴人工智能技术驱动科学研究，有效应对高复杂度的组合爆炸问题，实现科研过程智能化、知识生产自动化[75]，属于当今科学竞争的前沿热点。需坚持还原论与系统论辩证统一，强化基础研究领域知识积累的同时，鼓励多领域、多学科交叉研究，主动融合前沿人工智能技术，提升科研生产效率，赢得国际科学竞争的战略主动权。

（2）技术竞争态势分析

基于颠覆性创新设计系统工程，分析相应前沿工程技术的竞争态势。① 时空大数据的本质是包含时空坐标信息、具有多层嵌套结构的复杂数据集合。通过智能分析，感知、预测事件对象的动态演化时空场景，建立立体认知架构，被欧美国家视为信息化建设的关键[76]。② 人机协同可以充分融合人类的感性知觉、定性综合等能力，结合机器理性逻辑、高效迭代的优势，支持高质量综合决策与智能发明创造，是新一代人工智能的重点发展方向。③ 具身智能通过强化学习技术，训练复杂环境中的多智能体，模仿人类的技能行为，显著提升产品的自主智能水平，是推动人工智能改造物理世界的关键。需针对战略性高技术领域，综合科学、技术、经济与社会发展状况，将技术预测上升为系统性技术预见，选择有望对产业发展产生革命性影响的颠覆性技术，科学制定技术路线图与资源配置规划[77]。

（3）产业竞争态势分析

综合科学竞争与技术竞争态势，未来产业的竞争态势具体如下。① 时空联合驱动。在时间维度上，未来产业发展存在显著的不确定性与过程风险，各国均加紧预测、发展颠覆性技术，抢占战略先机；在空间维度上，未来产业发展涉及国际竞争、科技水平、经济活跃度、区域空间布局等多因素，时空大数据蕴含的信息价值空前提升。② 完备知识驱动。颠覆性创新设计高度依赖显性／隐性知识有机融合的完备知识体系，一方面，完备知识赋予产品自组织、自适应等类人高级智能特征，可以显著提升产品市场竞争力；另一方面，作为无形资本与生产要素，完备知识是发展知识经济的重要战略资源，被视作建立健全国家创新体系的关键。③ 系统融合驱动。未来产业是集科学、技术、工程、市场于一体的多层次复杂系统，融合需求端、供应端、政策端等多要素，涉及技术、组织、环境多重关系，具有突变性、敏感性、涌现性等特征。需坚持复杂巨系统科学思想，立足于全局性长远视野，支持前沿科技探索与孵化，引领社会经济发展体系变革，推动未来产业发展实现从量变到质变的飞跃。

上述“科学 ‒ 技术 ‒ 产业”竞争态势分析，仍遵循基于知识现象学的知识演化逻辑。科学研究通过挖掘自然现象内部本质规律，将人类对世界的感性知觉判断转化为严谨理论知识，是知识由隐入显的过程；技术将显性的科学知识服务于具体生产生活过程，通过反复实践运用，内化为人类经验，是知识由显入隐的过程；产业则将科学与技术有机融合，建立面向国民经济与工业生产的复杂系统，是知识显隐融合的过程。

2. 我国未来产业发展建议

在科学研究层面，发展人工智能与基础研究双向耦合驱动的科研体系。在人工智能技术快速发展的背景下，AI4S的研究模式有利于提高研究效率。此时，基础研究不仅扮演探索未知世界的角色，还可通过相关研究成果，反向促进人工智能技术发展，即面向人工智能的科学研究（S4AI）[78]。鼓励相关科研机构、科技企业、数据库运营方开展高水平合作，并行开展AI4S和S4AI的研究模式。一方面，支持数学、物理学等基础研究，为人工智能技术发展提供理论与数据支撑；另一方面，建立面向细分研究领域的垂直大模型，加快知识发现。

在工程技术层面，加强关键领域基础共性技术研发。未来产业的高质量发展建立在关键领域颠覆性技术创新的基础上。针对时空大数据、具身智能等领域，建议实施重大科技研发专项，加大资金投入与政策扶持力度，攻关具备未来发展潜力的关键技术难题。进一步地，建立符合市场规律的前沿技术推广体系，支持相关技术产业化应用，打造科技创新驱动产业发展的优良生态。

在产业组织层面，建立健全知识驱动的创新资源共享公共服务平台。通过搭建基于互联网的线上共享平台，有效整合不同主体的知识资源。例如，可以结合科研机构在理论研究上的优势以及企业在生产制造方面的经验，形成优质智力资源共享体系，推动研发资源均匀配置。进一步地，加强线上平台与用户间的紧密联系，实时反馈用户需求与评价，提升技术产品更新迭代速率，增强新兴市场活跃度。

六、 结语

创新设计是大国经济博弈与科技角逐的出发点和落脚点，是激发国家创新潜力的关键。本文综合现象学与系统科学，提出了“知识生成 ‒ 由隐入显 ‒ 由显入隐 ‒ 显隐融合”知识现象学第一原理，构建了“设计问题空间 ‒ 显性知识空间 ‒ 隐性知识空间 ‒ 创新解空间”正向创新设计架构；结合FBS设计理论逆向解耦，建立了“技术问题空间 ‒ 知识基础识别 ‒ 应用场景预测 ‒ 耦合技术预测”颠覆性技术创新预测架构；融合正向创新设计与逆向解耦预测，建立颠覆性创新设计系统工程，为未来产业创新设计理论研究提供有益参照。

为进一步推动创新设计，可采取以下措施。① 建立并健全细分领域正向创新设计方法。目前正向创新设计尚处理论阶段，对具体技术细节与设计约束考虑不足。组织人形机器人、脑机接口、先进高效航空装备等细分领域的专家团队，结合各领域技术设计需求与知识分布，研究对应设计方法，编制细分领域设计手册。② 推动关键领域颠覆性技术创新预测，制定技术路线图。基于未来产业的重要发展方向，结合社会经济发展的多方面需求，由政府相关管理部门牵头，建立涵盖高校、科研机构、企业的技术预见平台，开展国家技术预见活动，综合预测颠覆性技术创新；根据国家战略与市场需求，分别制定面向国家整体竞争力的长期宏观技术路线图，与面向市场应用的短期专业技术路线图。③ 强化设计成果的产业应用。建立一批面向创新设计的重点实验室、技术研究中心与产业发展基地，健全配套设施与公共服务平台，实现“基础研发 ‒ 应用实施”的高效协同，加速高新技术与先进产品产业化进程。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

周济. 人工智能赋能新型工业化 [J]. 中国工业和信息化, 2024 (5): 38‒43.
[2]

Zhou J. Artificial intelligence enables new industrialization [J]. China Industry and Information Technology, 2024 (5): 38‒43.
[3]

路甬祥. 关于新时代创新创造的思考 [J]. 科技导报, 2024, 42(8): 1‒2.
[4]

Lu Y X. Reflection on innovation and creation in the new era [J]. Science & Technology Review, 2024, 42(8): 1‒2.
[5]

中共中央文献研究室. 习近平关于科技创新论述摘编 [M]. 北京: 中央文献出版社, 2016.
[6]

Literature Research Office of the CPC Central Committee. Excerpts from Xi Jinping's discourse on scientific and technological innovation [M]. Beijing: Central Literary Publishing House, 2016.
[7]

周波, 冷伏海, 李宏, 世界主要国家未来产业发展部署与启示 [J]. 中国科学院院刊, 2021, 36(11): 1337‒1347.
[8]

Zhou B, Leng F H, Li H, et al. Development plans and enlightenments of future industry of major countries in the world [J]. Bulletin of Chinese Academy of Sciences, 2021, 36(11): 1337‒1347.
[9]

余澳, 柯遵义. 未来产业牵引实现高质量发展的机理与路径研究 [J]. 重庆工商大学学报(社会科学版), 2025, 42(4): 13‒23.
[10]

Yu A, Ke Z Y. Research on the mechanism and path of achieving high-quality development driven by future industries [J]. Journal of Chongqing Technology and Business University (Social Science Edition), 2025, 42(4): 13‒23.
[11]

路甬祥. 论创新设计 [M]. 北京: 中国科学技术出版社, 2017.
[12]

Lu Y X. On Innovative design [M]. Beijing: China Science and Technology Press, 2017.
[13]

创新设计发展战略研究项目组. 中国创新设计路线图 [M]. 北京: 中国科学技术出版社, 2016.
[14]

Innovative Design Development Strategy Research Team. China innovation design roadmap [M]. Beijing: Science and Technology Press of China, 2016.
[15]

Raulik G, Cawood G, Larsen P. National design strategies and country competitive economic advantage [J]. The Design Journal, 2008, 11(2): 119‒135.
[16]

Gaiardelli P, Pezzotta G, Rondini A, et al. Product-service systems evolution in the era of industry 4.0 [J]. Service Business, 2021, 15(1): 177‒207.
[17]

Suchek N, Fernandes C I, Kraus S, et al. Innovation and the circular economy: A systematic literature review [J]. Business Strategy and the Environment, 2021, 30(8): 3686‒3702.
[18]

"创新设计竞争力研究"综合组. 创新设计竞争力战略研究 [J]. 中国工程科学, 2017, 19(3): 100‒110.
[19]

The Research Group of the Innovation Design Competitiveness. Research on a competitive strategy for innovative design in China [J]. Strategic Study of CAE, 2017, 19(3): 100‒110.
[20]

路甬祥. 创新设计竞争力研究 [J]. 机械设计, 2019, 36(1): 1‒4.
[21]

Lu Y X. Research on competitiveness of innovation design [J]. Journal of Machine Design, 2019, 36(1): 1‒4.
[22]

Wu Y L, Zhou F, Kong J Z. Innovative design approach for product design based on TRIZ, AD, fuzzy and Grey relational analysis [J]. Computers & Industrial Engineering, 2020, 140: 106276.
[23]

Russo D, Spreafico C. Investigating the multilevel logic in design solutions: A function behaviour structure (FBS) analysis [J]. International Journal on Interactive Design and Manufacturing (IJIDeM), 2023, 17(4): 1789‒1805.
[24]

Suh N P. Axiomatic design theory for systems [J]. Research in Engineering Design, 1998, 10(4): 189‒209.
[25]

Li J, Guo X, Zhang K, et al. A knowledge-enabled approach for user experience-driven product improvement at the conceptual design stage [J]. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 2023, 37: e22.
[26]

Xu J H, Tao M Z, Gao M Y, et al. Assembly precision design for parallel robotic mechanism based on uncertain hybrid tolerance allocation [J]. Robotic Intelligence and Automation, 2023, 43(1): 23‒34.
[27]

Zhou J, Zhou Y H, Wang B C, et al. Human‒cyber‒physical systems (HCPSs) in the context of new-generation intelligent manufacturing [J]. Engineering, 2019, 5(4): 624‒636.
[28]

姚锡凡, 周佳军. 智慧制造理论与技术 [M]. 北京: 科学出版社, 2020.
[29]

Yao X F, Zhou J J. Theory and technology of intelligent manufacturing [M]. Beijing: Science Press, 2020.
[30]

国家自然科学基金委员会工程与材料科学部. 机械工程学科发展战略报告(2021—2035) [M]. 北京: 科学出版社, 2021.
[31]

Department of Engineering and Materials Science, National Natural Science Foundation of China. Mechanical engineering discipline development strategy report (2021—2035) [M]. Beijing: Science Press, 2021.
[32]

沈华, 王晓明, 潘教峰. 我国发展未来产业的机遇、挑战与对策建议 [J]. 中国科学院院刊, 2021, 36(5): 565‒572.
[33]

Shen H, Wang X M, Pan J F. Opportunities, challenges, and recommendations for development of future industries in China [J]. Bulletin of Chinese Academy of Sciences, 2021, 36(5): 565‒572.
[34]

李晓华, 王怡帆. 未来产业的演化机制与产业政策选择 [J]. 改革, 2021 (2): 54‒68.
[35]

Li X H, Wang Y F. Evolution mechanism of future industry and choice of industrial policy [J]. Reform, 2021 (2): 54‒68.
[36]

李军凯, 高菲, 龚轶. 构建面向未来产业的创新生态系统: 结构框架与实现路径 [J]. 中国科学院院刊, 2023, 38(6): 887‒894.
[37]

Li J K, Gao F, Gong Y. Innovation ecosystem of future industry: Structure and path [J]. Bulletin of Chinese Academy of Sciences, 2023, 38(6): 887‒894.
[38]

Christensen C M, McDonald R, Altman E J, et al. Disruptive innovation: An intellectual history and directions for future research [J]. Journal of Management Studies, 2018, 55(7): 1043‒1078.
[39]

Bower J L, Christensen C M. Disruptive technologies: Catching the wave [J]. Journal of Product Innovation Management, 1995, 1: 75‒76.
[40]

刘海兵, 刘洋, 黄天蔚. 数字技术驱动高端颠覆性创新的过程机理: 探索性案例研究 [J]. 管理世界, 2023, 39(7): 63‒81, 82, 99.
[41]

Liu H B, Liu Y, Huang T W. The process and mechanism of digital technology driving high-end disruptive innovation: An exploratory case study [J]. Journal of Management World, 2023, 39(7): 63‒81, 82, 99.
[42]

杨培, 宋炯, 杨冬梅, 设计驱动的产品颠覆性创新方法研究 [J]. 图学学报, 2024, 45(5): 1071‒1083.
[43]

Yang P, Song J, Yang D M, et al. Research on design-driven product disruptive innovation methods [J]. Journal of Graphics, 2024, 45(5): 1071‒1083.
[44]

De Goey H, Hilletofth P, Eriksson L. Design-driven innovation: A systematic literature review [J]. European Business Review, 2019, 31(1): 92‒114.
[45]

杨培, 宋炯, 曹蕊, 意义进化过程中的产品创新方法研究 [J]. 机械设计与研究, 2025, 41(1): 135‒141.
[46]

Yang P, Song J, Cao R, et al. Product innovation approaches in the meaning evolution process [J]. Machine Design & Research, 2025, 41(1): 135‒141.
[47]

周文, 许凌云. 论新质生产力: 内涵特征与重要着力点 [J]. 改革, 2023 (10): 1‒13.
[48]

Zhou W, Xu L Y. On new quality productivity: Connotative characteristics and important focus [J]. Reform, 2023 (10): 1‒13.
[49]

瞿浩翔, 徐江, 徐静妤. 未来产业颠覆性技术创新的时空现象学研究 [J]. 中国工程科学, 2024, 26(3): 239‒256.
[50]

Qu H X, Xu J, Xu J Y. Spatiotemporal phenomenology of disruptive technological innovations in future industries [J]. Strategic Study of CAE, 2024, 26(3): 239‒256.
[51]

苗东升. 钱学森系统科学思想研究 [M]. 北京: 科学出版社, 2012.
[52]

Miao D S. Research on Qian Xuesen's systematic scientific thought [M]. Beijing: Science Press, 2012.
[53]

Ilevbare I M, Probert D, Phaal R. A review of TRIZ, and its benefits and challenges in practice [J]. Technovation, 2013, 33(2‒3): 30‒37.
[54]

Galle P. The ontology of Gero's FBS model of designing [J]. Design Studies, 2009, 30(4): 321‒339.
[55]

Cascini G, Fantoni G, Montagna F. Situating needs and requirements in the FBS framework [J]. Design Studies, 2013, 34(5): 636‒662.
[56]

Akao Y, Mazur G H. The leading edge in QFD: Past, present and future [J]. International Journal of Quality & Reliability Management, 2003, 20(1): 20‒35.
[57]

刘鸿恩, 张列平. 质量功能展开(QFD)理论与方法研究进展综述 [J]. 系统工程, 2000, 18(2): 1‒6.
[58]

Liu H E, Zhang L P. Quality function deployment theories and methods—Review on research progress [J]. Systems Engineering, 2000, 18(2): 1‒6.
[59]

Henderson K, Salado A. Value and benefits of model-based systems engineering (MBSE): Evidence from the literature [J]. Systems Engineering, 2021, 24(1): 51‒66.
[60]

Mejía-Gutiérrez R, Carvajal-Arango R. Design verification through virtual prototyping techniques based on systems engineering [J]. Research in Engineering Design, 2017, 28(4): 477‒494.
[61]

Chen L Q, Cai Z B, Cheang W, et al. AskNatureGPT: An LLM-driven concept generation method based on bio-inspired design knowledge [J/OL]. Journal of Engineering Design, 2025: 1‒35[2025-05-20]. https://doi.org/10.1080/09544828.2025.2481536.
[62]

姚锡凡, 黄宇, 黄岩松, 自主智能制造: 社会 ‒ 信息 ‒ 物理交互、参考体系架构与运作机制 [J]. 计算机集成制造系统, 2022, 28(2): 325‒338.
[63]

Yao X F, Huang Y, Huang Y S, et al. Autonomous smart manufacturing: Social‒cyber‒physical interaction, reference architecture and operation mechanism [J]. Computer Integrated Manufacturing Systems, 2022, 28(2): 325‒338.
[64]

罗素. 人类的知识 [M]. 北京: 商务印书馆, 1983.
[65]

Russell B. Human knowledge [M]. Beijing: The Commercial Press, 1983.
[66]

王众托. 知识管理 [M]. 北京: 科学出版社, 2009.
[67]

Wang Z T. Knowledge management [M]. Beijing: Science Press, 2009.
[68]

王众托. 知识系统工程 (第二版) [M]. 北京: 科学出版社, 2016.
[69]

Wang Z T. Knowledge systems engineering (the second edition) [M]. Beijing: Science Press, 2009.
[70]

丹·扎哈维. 胡塞尔现象学 [M]. 北京: 商务印书馆, 2022.
[71]

Zahavi D. Husserl's phenomenology [M]. Beijing: The Commercial Press, 2022.
[72]

埃德蒙德·胡塞尔. 内时间意识现象学 [M]. 北京: 商务印书馆, 2009.
[73]

Husserl E. Phenomenology of inner time consciousness [M]. Beijing: The Commercial Press, 2009.
[74]

Dreyfus H. How far is distance learning from education? [J]. Bulletin of Science, Technology & Society, 2001, 21(3): 165‒174.
[75]

Merleau-Ponty M, Smith C. Phenomenology of perception [M]. London: Routledge, 2002.
[76]

Selinger E, Crease R P. The philosophy of expertise [M]. New York: Columbia University Press, 2006.
[77]

Dreyfus H L, Dreyfus S E. What artificial experts can and cannot do [J]. AI & Society, 1992, 6(1): 18‒26.
[78]

谭建荣. 创新设计关键技术与发展趋势 [J]. 企业管理, 2023 (5): 11‒12.
[79]

Tan J R. Key technology and development trend of innovative design [J]. Enterprise Management, 2023 (5): 11‒12.
[80]

谭建荣, 高铭宇, 徐敬华, 数智化正向设计方法及其在制造装备与过程中的应用 [J]. 机械工程学报, 2023, 59(19): 111‒125.
[81]

Tan J R, Gao M Y, Xu J H, et al. Digital intelligent forward design method and its application in manufacturing equipment and process [J]. Journal of Mechanical Engineering, 2023, 59(19): 111‒125.
[82]

Liu A. Problem definition [M]. Cham: Springer International Publishing, 2021.
[83]

Goldschmidt G. Capturing indeterminism: Representation in the design problem space [J]. Design Studies, 1997, 18(4): 441‒455.
[84]

付建平, 赵海燕, 曹健, 基于事件日志的业务过程控制流异常检测算法: 现状与评测 [J]. 计算机集成制造系统, 2024, 30(8): 2631‒2643.
[85]

Fu J P, Zhao H Y, Cao J, et al. Anomaly detection algorithm for business process control flow based on event log: Status and evaluation [J]. Computer Integrated Manufacturing Systems, 2024, 30(8): 2631‒2643.
[86]

杨春立, 李浩, 李滨. 产品设计知识管理系统及其应用 [M]. 北京: 科学出版社, 2009.
[87]

Yang L C, Li H, Li B. Product design knowledge management system and its application [M]. Beijing: Science Press, 2009.
[88]

Nonaka I, Toyama R. The knowledge-creating theory revisited: Knowledge creation as a synthesizing process [J]. Knowledge Management Research & Practice, 2003, 1(1): 2‒10.
[89]

曾超, 杨辰光, 李强, 人 ‒ 机器人技能传递研究进展 [J]. 自动化学报, 2019, 45(10): 1813‒1828.
[90]

Zeng C, Yang C G, Li Q, et al. Research progress on human‒robot skill transfer [J]. Acta Automatica Sinica, 2019, 45(10): 1813‒1828.
[91]

吴信东, 王祥丰, 金博, 人机协同 [M]. 北京: 科学出版社, 2022.
[92]

Wu X D, Wang X F, Jin B, et al. Human‒machine synergy [M]. Beijing: Science Press, 2022.
[93]

赵少奎. 现代科学技术体系总体框架的探索 [M]. 北京: 科学出版社, 2011.
[94]

Zhao S K. Exploration of the overall framework of modern science and technology system [M]. Beijing: Science Press, 2011.
[95]

黄顺基. 马克思主义哲学与现代科学技术体系 [M]. 北京: 科学出版社, 2011.
[96]

Huang S J. Marxist philosophy and modern science and technology system [M]. Beijing: Science Press, 2011.
[97]

Gero J S. Design prototypes: A knowledge representation schema for design [J]. AI Magazine, 1990, 11(4): 26‒36.
[98]

Forsberg K, Mooz H. The relationship of system engineering to the project cycle [J]. INCOSE International Symposium, 1991, 1(1): 57‒65.
[99]

李海峰, 朱佳玮. 时空大数据的"形状"几何和拓扑的视角 [M]. 北京: 科学出版社, 2024.
[100]

Li H F, Zhu J W. The "shape" of spatiotemporal big data: A geometric and topological perspective [M]. Beijing: Science Press, 2024.
[101]

柯勒. 机械设计方法学 [M]. 北京: 科学出版社, 1990.
[102]

Koller R. Mechanical design methodology [M]. Beijing: Science Press, 1990.
[103]

李彦, 李文强. 创新设计方法 [M]. 北京: 科学出版社, 2013.
[104]

Li Y, Li W Q. Innovative design methods [M]. Beijing: Science Press, 2013.
[105]

蔡世波, 陶志成, 万伟伟, 机器人多指灵巧手的研究现状、趋势与挑战 [J]. 机械工程学报, 2021, 57(15): 1‒14.
[106]

Cai S B, Tao Z C, Wan W W, et al. Multi-fingered dexterous hands: From simplicity to complexity and simplifying complex applications [J]. Journal of Mechanical Engineering, 2021, 57(15): 1‒14.
[107]

程荣辉, 张志舒, 陈仲光. 第四代战斗机动力技术特征和实现途径 [J]. 航空学报, 2019, 40(3): 022698.
[108]

Cheng R H, Zhang Z S, Chen Z G. Technical characteristics and implementation of the fourth-generation jet fighter engines [J]. Acta Aeronautica et Astronautica Sinica, 2019, 40(3): 022698.
[109]

王海峰. 高性能战斗机与发动机协同设计关键技术 [J]. 航空学报, 2024, 45(5): 529978.
[110]

Wang H F. Key technologies in collaborative airframe-engine design for high performance fighters [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(5): 529978.
[111]

徐程浩, 王耀南, 莫洋, 人形机器人技术与产业发展研究 [J]. 中国工程科学, 2025, 27(1): 150‒167.
[112]

Xu C H, Wang Y N, Mo Y, et al. Humanoid robot technology and industry development [J]. Strategic Study of CAE, 2025, 27(1): 150‒167.
[113]

曾凯, 王耀南, 谭浩然, AI大模型驱动的具身智能人形机器人技术与展望 [J]. 中国科学:信息科学, 2025, 55(05): 967‒992.
[114]

Zeng K, Wang Y N, Tan H R, et al. Prospects and technology of embodied intelligent humanoid robots driven by AI large models [J]. Scientia Sinica(Informationis), 2025, 55(05): 967‒992.
[115]

陈华斌, 肖润泉, 陈善本. 焊接机器人视觉感知及智能化焊接关键技术研究进展 [J]. 焊接学报, 2024, 45(11): 1‒9.
[116]

Chen H B, Xiao R Q, Chen S B. Progress and trends towards visual perception technologies in intelligent robotic welding [J]. Transactions of the China Welding Institution, 2024, 45(11): 1‒9.
[117]

高辉, 胡晓慧, 王龙, 面向工程现场维修的焊接机器人数字孪生技术 [J]. 焊接学报, 2024, 45(11): 55‒60.
[118]

Gao H, Hu X H, Wang L, et al. Digital twin technology of welding robot for on-site maintenance [J]. Transactions of the China Welding Institution, 2024, 45(11): 55‒60.
[119]

路甬祥. 学科交叉与交叉科学的意义 [J]. 中国科学院院刊, 2005, 20(1): 58‒60.
[120]

Lu Y X. Implications in the disciplinary cross-breeding and inter-disciplinary sciences [J]. Bulletin of the Chinese Academy of Sciences, 2005, 20(1): 58‒60.
[121]

李国杰. 智能化科研(AI4R): 第五科研范式 [J]. 中国科学院院刊, 2024, 39(1): 1‒9.
[122]

Li G J. AI4R: The fifth scientific research paradigm [J]. Bulletin of Chinese Academy of Sciences, 2024, 39(1): 1‒9.
[123]

吴信才. 时空大数据与云平台(理论篇) [M]. 北京: 科学出版社, 2018.
[124]

Wu X C. Spatial-temporal big data and cloud platform (theory) [M]. Beijing: Science Press, 2018.
[125]

"中国工程科技发展战略研究"项目组. 中国工程科技2035发展战略·技术预见报告 [M]. 北京: 科学出版社, 2019.
[126]

China Engineering Science and Technology 2035 Development Strategy Research Project Team. The development strategy of China's engineering science and technology for 2035 [M]. Beijing: Science Press, 2019.
[127]

王飞跃, 王雨桐. 数字科学家与平行科学: AI4S和S4AI的本源与目标 [J]. 中国科学院院刊, 2024, 39(1): 27‒33.
[128]

Wang F Y, Wang Y T. Digital scientists and parallel sciences: The origin and goal of AI for Science and Science for AI [J]. Bulletin of Chinese Academy of Sciences, 2024, 39(1): 27‒33.

基金资助

国家重点研发计划项目(2022YFB3303300)

AI Summary AI Mindmap
PDF (1282KB)

3672

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉