系统如何决定下一步最值得做什么？——从可信度评估走向主动验证与计算资源分配

上一篇文章中，我们讨论了一个系统级仿真必须面对的问题：

当不同模型给出不同答案时，系统应该相信谁？

结论是：

系统不应该无条件相信某一个模型、某一次实验或某一个“高保真”标签。

它真正应该相信的，是一条能够被检查、追踪和更新的证据链。

这条证据链可能包含：

• 数值收敛；

• 基准算例；

• 物理守恒；

• 跨模型比较；

• 实验数据；

• 历史记录；

• 参数来源；

• 接口验证；

• 适用域说明；

• 不确定性分析。

在这些证据共同作用下，系统才能判断：

• 当前预测是否可信；

• 哪些结论可以接受；

• 哪些结果仍需验证；

• 哪一个模型已经超出适用范围；

• 哪一项证据仍然薄弱。

但这还不是终点。

因为一旦系统发现可信度不足，一个更加实际的问题就会出现：

下一步究竟应该做什么？

系统可以选择：

• 提高网格分辨率；

• 增加模态数量；

• 升级物理模型；

• 重新测量材料参数；

• 执行一次高保真局部计算；

• 设计一次实验；

• 扩大已有验证范围；

• 修改模型接口；

• 重新校准参数；

• 或者停止继续投入资源。

这些动作都可能提高系统预测能力。

但它们的成本、收益和适用条件并不相同。

继续增加网格，未必能解决参数不确定性。

执行一次昂贵实验，未必能降低关键目标的风险。

调用最高保真模型，也未必比修正一个错误接口更有价值。

因此，系统不能只知道：

目前哪里不可信。

它还需要判断：

为了提高最终系统目标的可信度，下一单位计算、实验或测量资源应该投入在哪里？

这意味着系统级物理光学将从被动评估进一步走向：

主动获取最有价值的物理证据。

一、发现问题，不等于知道如何解决问题

传统仿真流程通常是：

工程师可能依据经验：

• 加密网格；

• 更换模型；

• 调整参数；

• 补做实验；

• 重新设计。

这种方式在单个局部问题中可以有效工作。

但在复杂光学系统中，可能同时存在多个风险源：

• 一个传播模型存在离散误差；

• 一个光栅模型接近适用域边界；

• 一个材料参数缺少可靠测量；

• 一个场接口可能丢失相位；

• 一个实验只覆盖了有限角度；

• 一个高保真模型尚未完成独立验证。

此时，系统面对的不是一个单一问题，而是一组候选问题。

每个问题又对应多个可能动作。

例如，对于偏振串扰预测不可信，可能的原因包括：

• 当前模型使用了标量近似；

• 偏振基转换错误；

• 材料双折射参数不准确；

• 实验测量消光比不足；

• 高阶模态被过早截断。

如果系统不知道主导风险来源，就无法知道哪一种动作最有效。

所以，主动决策的第一原则是：

在选择行动之前，先识别限制当前系统预测能力的主要原因。

二、系统的目标不是消除所有不确定性

理论上，系统可以不断增加：

• 网格；

• 模态；

• 计算时间；

• 实验数量；

• 测量精度；

• 模型复杂度。

但现实工程中的资源始终有限。

系统不可能消除所有误差，也不可能验证所有状态。

它必须在以下条件下做出决策：

• 计算预算有限；

• 实验预算有限；

• 项目周期有限；

• 样品数量有限；

• 测量能力有限；

• 高保真模型调用次数有限。

因此，系统的目标不应该是：

尽可能降低所有误差。

更加合理的目标是：

优先降低那些真正影响当前系统目标和工程决策的风险。

这仍然延续了我们此前建立的目标导向原则。

一个局部误差即使很大，只要它对最终目标不敏感，就未必值得优先处理。

相反，一个幅度很小的相位误差，如果决定干涉零点、消光比或耦合效率，就可能具有很高优先级。

所以：

资源分配必须由系统目标驱动，而不是由局部误差大小驱动。

三、什么是“下一步行动”？

在系统级物理光学中，下一步行动不应只理解为增加计算量。

它至少可以分成六类。

1. 数值细化

适用于主要风险来自数值离散的情况。

例如：

• 加密空间网格；

• 增加时间步；

• 提高积分精度；

• 增加模态数；

• 增加展开阶数；

• 收紧迭代容差；

• 扩大计算域。

它主要降低：

Numerical Error

2. 物理模型升级

适用于当前模型遗漏了关键物理机制的情况。

例如：

• 标量模型升级为矢量模型；

• 近轴模型升级为非近轴模型；

• 周期模型升级为有限结构模型；

• 薄元件模型升级为体传播模型；

• 线性模型升级为非线性模型；

• 稳态模型升级为瞬态模型。

它主要降低：

Model-Form Error

3. 参数测量与参数校准

适用于模型结构基本合理，但输入参数不确定的情况。

例如：

• 测量折射率；

• 测量材料色散；

• 测量表面粗糙度；

• 测量实际几何尺寸；

• 测量温度依赖；

• 更新制造公差分布。

它主要降低：

Parameter Uncertainty

4. 接口验证与信息重构

适用于风险来自模型连接或场信息不完整的情况。

例如：

• 验证偏振基变换；

• 检查参考面；

• 修正功率归一；

• 增加采样；

• 保留更多模态；

• 重新生成复振幅；

• 回退到上游高维场状态。

它主要降低：

Interface Error与Information Loss

5. 高保真比较

适用于低成本模型的偏差结构不清楚，但尚不一定需要真实实验的情况。

例如：

• 在关键波长执行局部全波计算；

• 在高敏感状态比较多个模型；

• 使用独立数值方法进行交叉检查；

• 建立低保真模型修正关系。

它主要提供：

Cross-Model Evidence

6. 实验验证

适用于当前系统缺少现实证据，或者模型之间无法通过计算自行判别的情况。

例如：

• 元件级效率测试；

• 偏振响应测量；

• 近场测量；

• 波前测量；

• 子系统验证；

• 环境条件测试；

• 制造样本测试。

它主要提供：

Experimental Evidence

这些行动解决的问题不同。

因此，不能把所有可信度不足都简单地转化为“需要更多计算”。

四、行动选择必须与风险类型匹配

当系统发现目标预测不可信时，必须先判断风险来源。

如果主导风险是数值误差，最合理的动作通常是数值细化。

如果主导风险是模型形式误差，继续加密网格可能完全无效。

如果主导风险是参数不确定性，升级求解器也未必能改善结果。

如果主导风险来自信息压缩，那么即使增加当前模型的精度，也无法恢复已经丢失的相位或偏振。

例如，一个系统已经把中间复振幅压缩成强度。

此时，无论把强度网格加密多少倍，都无法恢复原始相位。

所以：

行动必须作用于真正限制预测能力的那个环节。

可以将这种关系概括为：

• Numerical Risk → Refine；

• Model Risk → Upgrade；

• Parameter Risk → Measure或Calibrate；

• Interface Risk → Verify Interface；

• Information Loss → Reconstruct或Recompute；

• Evidence Gap → Validate。

这是一种诊断驱动的行动逻辑。

五、不是所有改进都具有相同价值

假设系统有两个候选动作。

动作A：

把一个低敏感传播段的网格数量增加十倍。

动作B：

测量一个对系统目标高度敏感的材料参数。

动作A可能显著降低局部数值误差。

但由于该传播段对最终目标并不敏感，系统结果几乎不变。

动作B可能只改善一个参数。

但如果该参数控制一个关键共振位置，系统目标的不确定性可能大幅下降。

因此，行动价值不能用：

• 增加了多少网格；

• 花费了多少计算时间；

• 实验仪器有多复杂；

• 模型等级有多高；

来衡量。

行动价值必须由它对最终决策的改善程度衡量。

核心问题是：

执行这个动作之后，系统对最终目标的判断会改善多少？

六、从“误差下降”走向“决策改善”

在简单情况下，可以根据目标误差下降评价一个动作。

例如：

行动收益 = 执行前的目标误差－执行后的目标误差

但在真实工程中，误差下降并不是唯一价值。

一个动作还可能：

• 缩小不确定性；

• 提高可信度；

• 排除一个高风险模型；

• 扩展验证范围；

• 防止错误设计进入下一阶段；

• 提高决策稳定性；

• 降低失败概率。

例如，两种设计方案目前预测结果非常接近。

由于模型不确定性较大，系统无法判断哪一种更优。

一次针对关键参数的测量，可能并不会显著改变两种方案的平均预测值。

但它会缩小不确定性，使其中一个方案明显更可靠。

这次测量的价值不在于改变结果，而在于：

改变系统能够做出的决策。

因此，主动验证的目标不只是提高计算精度。

而是：

提高工程决策质量。

七、什么是信息价值？

为了衡量一个行动是否值得执行，可以引入：

Value of Information，信息价值。

它的核心思想是：

一项新信息的价值，取决于它是否能够改变或改善后续决策。

假设系统当前拥有证据集合：

Evidence₀

基于这些证据，系统做出当前决策：

Decision₀

执行某项计算、实验或测量后，系统获得新证据：

Evidence₁

并形成新决策：

Decision₁

如果新证据能够：

• 降低错误决策概率；

• 提高目标预测可信度；

• 排除不可行方案；

• 缩小设计范围；

• 改变模型选择；

• 避免昂贵失败；

那么它具有较高信息价值。

如果新证据虽然增加了数据量，但不会改变任何重要判断，那么它的信息价值可能很低。

因此：

信息量多，不等于信息价值高。

八、信息价值必须与行动成本共同考虑

一项实验可能非常有价值，但成本也可能极高。

一次高保真计算可能显著降低不确定性，但需要数天计算时间。

一次参数测量可能成本很低，却能消除主要风险。

因此，系统需要同时考虑：

• 预期收益；

• 计算成本；

• 实验成本；

• 时间成本；

• 失败风险；

• 可复用价值。

可以定义一个概念性的优先级：

行动优先级 = 预期决策改善 ÷ 行动成本

其中，行动成本不只是金钱。

它还可以包括：

• 计算资源；

• 人员时间；

• 样品消耗；

• 仪器占用；

• 项目延迟；

• 数据处理复杂度。

系统真正寻找的是：

单位资源可以带来最大预测能力改善的行动。

九、高保真计算与实验不是简单替代关系

当模型可信度不足时，系统可能在两个候选动作之间选择：

• 执行一次更高保真计算；

• 进行一次真实实验。

二者并不是简单的高低关系。

高保真计算的优势包括：

• 状态可控；

• 可重复；

• 可以观察内部场；

• 可以隔离单一物理因素；

• 通常比实验更容易扩展参数范围。

但它仍然依赖模型假设和输入参数。

实验的优势包括：

• 直接接触真实系统；

• 能够揭示未建模物理；

• 能够验证制造与环境影响；

• 可以检验模型外推能力。

但实验也受到：

• 测量噪声；

• 仪器限制；

• 样品差异；

• 可观测性限制；

• 成本和周期；

影响。

因此，系统不能简单认为：

实验永远优于仿真。

也不能认为：

高保真计算可以完全替代实验。

更合理的选择逻辑是：

哪一种证据最能区分当前的不确定解释？

十、高价值行动通常具有“判别能力”

假设模型A和模型B对总功率的预测非常接近，但对偏振相位的预测差异明显。

如果系统只测量总功率，那么实验结果很可能无法区分两个模型。

这次实验即使非常精确，信息价值仍然有限。

相反，如果系统测量：

• 偏振转换；

• 相位差；

• 特定角度下的响应；

• 某个高敏感波长；

就可能迅速判别哪个模型更适合当前状态。

因此，一个高价值验证任务应当具有：

Model Discrimination Capability

即能够区分当前相互竞争的模型、参数或假设。

这意味着实验设计不应该只测量最容易测的量。

它应该优先测量：

对不同候选解释最敏感的量。

十一、验证任务也需要目标导向

传统实验验证常常采用固定测试项目。

例如：

• 测总透射率；

• 测中心波长；

• 测焦距；

• 测MTF。

这些测试当然有价值。

但如果当前系统风险来自偏振相位，那么继续重复测量总透射率，可能无法增加有效证据。

所以，主动验证应由当前证据缺口驱动。

系统应该问：

• 当前哪些模型无法区分；

• 哪一个参数主导不确定性；

• 哪一个目标缺乏直接证据；

• 哪一个工作状态最接近可信域边界；

• 哪一种观测最能排除错误模型。

由此，验证不再是固定流程。

而是一个动态任务：

根据当前系统认知状态，选择最有价值的验证条件。

十二、Active Validation：主动选择验证位置

如果系统可以在多个波长、角度、偏振和温度条件下进行实验，就不应平均选择测试点。

它应优先选择：

• 模型预测差异最大的区域；

• 目标敏感度最高的区域；

• 可信域边界附近；

• 参数影响最明显的区域；

• 当前证据最稀缺的区域；

• 可能发生物理机制变化的区域。

例如，两个模型在大部分波段预测一致，只在一个窄共振区出现明显差异。

那么最有价值的实验通常不是平均扫描整个波段。

而是集中测量该共振区的：

• 峰值位置；

• 线宽；

• 相位变化；

• 偏振响应。

这种方法可以被称为：

Active Validation

即系统主动选择最能提高模型判别能力的验证条件。

十三、参数测量也应根据系统敏感度排序

在复杂光学系统中，可能存在大量不确定参数：

• 折射率；

• 吸收系数；

• 表面粗糙度；

• 厚度；

• 线宽；

• 曲率；

• 温度系数；

• 装调误差。

工程师不可能以最高精度测量所有参数。

因此，系统需要评估：

哪一个参数的不确定性对最终目标贡献最大？

如果目标对某个参数几乎不敏感，即使该参数测量不精确，也不一定值得投入资源。

如果一个参数的微小变化会显著改变共振、耦合或偏振，则应优先测量。

所以，参数测量预算也应按照：

参数不确定性 × 系统敏感度

进行分配。

这使参数管理从“数据越精确越好”转变为：

对系统目标最重要的参数，应获得最高质量的数据。

十四、模型升级也需要预测收益

当系统考虑从低保真模型升级到高保真模型时，应提前判断：

• 高保真模型增加了哪些物理；

• 这些新增物理是否影响当前目标；

• 当前状态是否位于模型差异显著区域；

• 高保真结果能否用于校准低保真模型；

• 新结果是否可以在未来重复使用；

• 升级是否会增加新的参数和不确定性。

模型更加复杂，并不意味着结果一定更加有用。

有时，高保真模型引入了更多未知参数。

如果这些参数缺乏可靠数据，模型复杂度增加后，预测不确定性反而可能更大。

因此，升级决策必须综合考虑：

新增物理价值与新增不确定性成本。

十五、一次高保真计算应尽量产生长期价值

如果高保真计算成本很高，系统不应只把它用于一次性替换低保真结果。

更好的方式是让这次计算同时用于：

• 比较低保真偏差；

• 更新误差模型；

• 校准代理模型；

• 扩展可信域；

• 建立模型切换规则；

• 支持未来相似状态；

• 形成新的Evidence Object。

因此，一次高保真计算的价值可以分为两部分。

第一部分是当前价值：

改善当前系统预测。

第二部分是长期价值：

增加未来系统的模型知识。

如果某次高保真计算能够覆盖高频使用的参数区域，它的长期价值可能远高于只服务一个特殊状态的计算。

十六、证据获取也需要考虑可复用性

一次实验或计算所产生的证据，可能只支持一个目标，也可能支持多个目标。

例如，一次完整矢量近场测量可能同时支持：

• 振幅；

• 相位；

• 偏振；

• 模态；

• 近远场转换验证。

而一次单点功率测量可能只支持：

• 局部强度。

因此，评价一个行动时，还应考虑：

它产生的证据是否可以被多个模型、多个目标和多个未来任务复用？

高复用性的证据通常具有更高长期价值。

这也是为什么平台应把计算和实验结果结构化保存为Evidence Object，而不是只把它们作为一次性报告。

十七、行动之间可能存在依赖关系

系统面对的候选行动并不总是相互独立。

例如：

• 必须先测量材料参数，才能执行可靠的高保真计算；

• 必须先修正接口，才能比较两个模型；

• 必须先完成数值收敛，才能开展实验Validation；

• 必须先获得样品几何数据，才能解释实验偏差。

因此，主动决策不是从一个平面列表中选择动作。

它更接近一个行动图。

某些行动是前置条件。

某些行动可以并行。

某些行动执行后，其他行动可能失去必要性。

例如，一次低成本参数测量可能直接排除一个模型，那么原计划中的昂贵高保真计算就可以取消。

所以，系统应规划的不是单个动作。

而是：

一条能够逐步降低风险的证据获取路径。

十八、从单步选择走向Evidence Acquisition Path

可以把系统的证据获取过程表示为：

当前证据状态
→ 选择行动
→ 获得新证据
→ 更新模型与可信度
→ 重新评估风险
→ 选择下一行动

这形成一个闭环：

Assess → Select → Acquire → Update → Reassess

在每次循环中，系统都需要重新判断：

• 当前主要风险是否发生变化；

• 原来的候选行动是否仍然有价值；

• 新证据是否已经足以支持决策；

• 是否应该停止继续投入资源。

因此，证据获取不是一个在项目开始前完全固定的计划。

它可以根据新结果动态调整。

十九、停止验证也是一种重要决策

主动验证并不意味着不断增加实验和计算。

一个成熟系统还必须知道：

什么时候应该停止？

如果当前结果已经满足：

• 目标误差要求；

• 可信度要求；

• 工程风险要求；

• 决策稳定性要求；

继续增加证据可能只能带来极小改善。

此时，额外计算和实验的边际价值已经低于成本。

因此，系统需要一个停止准则。

例如：

• 新证据预计不会改变设计选择；

• 目标不确定性已经低于工程容差；

• 关键风险已经被排除；

• 当前模型组合已满足最低充分保真度；

• 额外证据价值低于获取成本。

这意味着：

不做更多计算，也可以是系统经过评估后做出的理性决策。

二十、主动验证必须考虑工程损失

不同错误决策的后果并不相同。

例如：

• 一个成像性能略低的设计，可能只造成轻微性能损失；

• 一个高功率系统中的局部热点预测错误，可能导致器件损坏；

• 一个医疗光学系统的能量分布错误，可能造成严重安全风险。

因此，证据价值还取决于：

如果系统判断错误，会产生多大损失？

在高风险目标上，即使当前错误概率不高，也可能值得投入更多验证资源。

在低风险目标上，较低可信度也可能仍然足以支持决策。

所以，行动优先级应同时考虑：

• 不确定性；

• 敏感度；

• 失败概率；

• 失败后果。

可以概括为：

系统风险 = 发生概率 × 影响程度

主动验证应优先降低高系统风险，而不是只降低最大数值误差。

二十一、多目标系统需要联合分配资源

一个真实系统通常有多个目标：

• 成像质量；

• 能量效率；

• 偏振性能；

• 杂散光；

• 热稳定性；

• 制造容差；

• 可靠性。

不同目标可能需要不同证据。

一次实验可能提高能量效率预测的可信度，却无法提高相位预测的可信度。

一次高保真计算可能改善偏振模型，却对杂散光没有帮助。

因此，资源分配必须考虑：

• 每个目标的权重；

• 每个目标的当前可信度；

• 每个行动对不同目标的收益；

• 不同目标之间是否共享证据；

• 是否存在安全或法规底线。

系统不应只优化单一指标。

它需要在多个目标之间分配有限资源。

二十二、平台还需要管理证据相关性

假设三个不同模型都使用同一个材料数据库。

它们的预测结果高度一致。

这种一致性看起来像三份证据。

但实际上，三个模型共享同一个参数来源。

如果材料数据存在系统性偏差，三个模型可能同时出错。

因此，证据数量不能简单相加。

系统还需要识别：

• 哪些证据相互独立；

• 哪些证据共享数据；

• 哪些模型共享代码；

• 哪些实验共享仪器；

• 哪些结果共享校准参数；

• 哪些验证来自同一假设。

独立证据通常具有更高的判别价值。

重复证据虽然仍有意义，但不能被错误地当成多个独立支持。

二十三、平台需要建立Action Object

前面我们提出，模型、场和证据都应该成为结构化数字对象。

同样，候选行动也应该被系统化描述。

一个Action Object至少需要包含：

• 行动类型；

• 作用对象；

• 预期解决的风险；

• 所需成本；

• 所需时间；

• 前置条件；

• 预期信息收益；

• 支持的系统目标；

• 可能产生的新不确定性；

• 结果如何更新模型和证据链。

例如，一个高保真光栅计算任务可以描述为：

行动类型：模型升级
作用对象：光栅02
工作状态：532 nm、TE偏振、8°入射
目标：降低偏振串扰预测风险
当前问题：标量模型无法描述矢量耦合
预计收益：区分两个候选模型并更新偏差模型
成本：32 GPU小时
可复用范围：500—550 nm附近相似结构
输出：矢量场、误差估计、模型比较证据

只有当行动被结构化描述后，系统才能进行可比较的资源调度。

二十四、从模型调度扩展到联合资源调度

此前，我们提出系统能够动态配置每一个元件的物理模型。

现在，这一能力可以进一步扩展。

平台调度的对象不再只有模型。

还包括：

• 计算；

• 实验；

• 测量；

• 校准；

• 数据采集；

• 接口验证；

• 高保真分析；

• 历史证据调用。

系统需要在这些资源之间进行联合选择。

例如，当偏振预测不可信时，系统可能比较以下行动：

最终选择不一定是最复杂的动作。

而是：

在当前证据状态下，预期能够最大程度提高系统决策能力的动作。

二十五、主动决策需要保持可解释性

当平台自动推荐下一步行动时，工程师必须知道：

为什么推荐这个动作？

一个可解释的行动建议应该包括：

• 当前主要风险是什么；

• 哪一个目标受到影响；

• 为什么其他动作价值较低；

• 推荐动作预计降低多少风险；

• 推荐动作需要多少资源；

• 如果不执行，可能产生什么后果；

• 执行后系统将如何更新可信度。

例如：

推荐行动：测量材料在532 nm处的双折射参数。
原因：当前偏振串扰不确定性的61%来自材料参数，而非数值离散。继续加密网格预计只能降低3%的目标不确定性。该测量预计可将串扰预测区间缩小约40%，并决定是否需要升级光栅模型。

这样的建议比简单输出：

建议进一步验证。

更具有工程意义。

二十六、系统可能主动拒绝高成本行动

如果一个行动成本极高，而预计收益很低，系统应能够明确拒绝。

例如：

• 当前高保真模型预计只改变目标结果0.02%；

• 工程容差为1%；

• 当前可信度已满足设计决策；

• 高保真计算需要数百小时。

在这种情况下，系统应判断：

该行动不是当前最优资源投入。

这种能力非常重要。

因为智能仿真平台不应该只擅长增加计算。

它也应该能够证明：

某些昂贵计算没有必要。

二十七、主动验证也可以反向改变系统设计

有时，当前系统之所以难以验证，并不是因为证据不足，而是设计本身对不确定性过于敏感。

例如，一个设计工作点位于尖锐共振边缘。

即使进行大量参数测量和高保真计算，微小制造误差仍然可能导致巨大性能变化。

这时，最合理的行动可能不是继续提高验证精度。

而是：

修改设计，使系统对不确定性更加鲁棒。

因此，主动证据获取与设计优化之间并不是完全分离的。

系统可能在以下两种动作之间比较：

• 增加证据，进一步确认脆弱设计；

• 修改设计，降低对不确定参数的敏感度。

有时，降低系统敏感度比提高模型精度更有价值。

二十八、预测能力才是最终优化对象

到这里，我们可以重新审视整个理论主线。

传统仿真平台优化的是：

• 网格；

• 求解器；

• 计算速度；

• 单次结果精度。

而系统级物理光学真正需要优化的是：

Prediction Capability

预测能力不仅取决于模型精度。

它还取决于：

• 场信息是否完整；

• 误差是否受控；

• 参数是否可靠；

• 证据是否充分；

• 可信度是否覆盖当前目标；

• 系统是否知道下一步该做什么。

因此，平台的任务不再是单纯生成更多数据。

而是：

用有限资源，持续提高对系统目标的可预测性。

二十九、主动证据闭环

整个主动验证与资源分配过程可以概括为：

第一步：定义目标与决策

明确：

• 当前系统目标；

• 工程容差；

• 风险后果；

• 需要做出的设计决策。

第二步：评估当前预测状态

输出：

• 目标预测；

• 不确定性；

• 可信度；

• 证据链；

• 信息状态。

第三步：识别主导风险

判断风险主要来自：

• 数值；

• 模型；

• 参数；

• 接口；

• 信息损失；

• 证据缺口。

第四步：生成候选行动

包括：

• refine；

• upgrade；

• measure；

• calibrate；

• validate；

• reconstruct；

• redesign；

• stop。

第五步：估计行动价值

评估：

• 风险下降；

• 决策改善；

• 证据复用；

• 行动成本；

• 行动依赖；

• 新增不确定性。

第六步：执行最高价值行动

获取新计算、新实验或新参数数据。

第七步：更新系统认知

更新：

• 模型；

• 误差；

• 可信度；

• 证据；

• 适用域；

• 模型选择规则。

第八步：重新判断是否继续

如果当前证据已经足以支持决策，则停止。

否则进入下一轮。

整个闭环可以表示为：

Predict → Assess → Diagnose → Select → Acquire → Update → Decide

三十、平台最终输出的不只是“建议验证”

一个成熟系统不应该只输出模糊建议：

结果不确定，建议进一步验证。

它应该输出一个完整行动决策：

• 当前最主要的风险；

• 受影响的系统目标；

• 推荐的下一步行动；

• 推荐理由；

• 预期收益；

• 所需成本；

• 替代行动；

• 停止条件；

• 执行后如何更新系统。

因此，平台的最终输出可以进一步扩展为：

Prediction＋Uncertainty＋Credibility＋Evidence＋Recommended Action

这意味着，智能数字模型不再只是回答：

系统会发生什么？

它还能够回答：

为了更可靠地知道系统会发生什么，下一步最值得做什么？

结语：真正智能的系统，会主动寻找最有价值的证据

传统仿真通常是被动的。

工程师设置模型。

平台执行计算。

平台输出结果。

至于结果是否可信、还需要什么证据、下一步应该做什么，主要依赖工程师经验。

系统级物理光学则要求平台进一步具备主动能力。

它需要理解：

• 当前系统目标是什么；

• 当前结果为什么不确定；

• 哪一个环节正在限制预测能力；

• 哪一种新增证据最能改变判断；

• 哪一次计算、实验或测量最值得投入；

• 什么时候应该停止继续验证。

因此，平台不再只是计算资源的使用者。

它开始成为：

计算、实验和证据资源的组织者。

真正重要的不是让每一个模型都达到最高保真度。

也不是让每一个参数都拥有最高测量精度。

而是：

把有限资源投入到最能提高最终系统预测能力的地方。

这可以被概括为：

最低充分模型，配合最低充分证据。

前者控制计算复杂度。

后者控制验证成本。

二者共同服务于：

当前系统目标所需要的最低充分可信度。

因此，未来系统级物理光学平台不仅要动态配置模型。

它还需要动态配置：

• 计算任务；

• 验证任务；

• 实验任务；

• 参数测量；

• 证据获取路径。

当平台能够完成这种联合调度时，它输出的就不再只是一个仿真结果。

而是一条经过主动规划的认知路径：

当前知道什么，为什么相信，以及下一步最值得知道什么。

这意味着系统从：

Field＋Trust

进一步走向：

Field＋Trust＋Action

而这正是智能数字物理系统开始具备自主决策能力的标志。