模型的价值，最终要在现实中发生。一次诊断能否找到真正的问题，一项方案能否改变生产条件，一次交付能否被接收并继续使用，这些结果决定了智能怎样进入我们的生活。
当我们讨论模型有多强时，还需要追问：人和组织由此获得了什么能力？他们能否持续完成原来做不好的事情，能否维护已经取得的成果，并在条件变化后继续改进？
我所说的“模型之上”，指向决定模型如何发生作用、由谁受益、怎样持续的现实条件与价值判断。理解这些条件，也是在寻找模型能力进一步发挥作用的空间。
首先，应当充分承认模型能够承担的工作。
在资料范围、工具条件和验证方式适当的任务中，强模型可以被安排牵头整体诊断、跨领域整合、架构设计和动态协调。面对多主体、多场景和长链条的问题，它能够帮助发现遗漏的参与者、相互冲突的目标，以及藏在不同专业之间的依赖。
它还能够质疑人最初提出的问题：一个被描述为“销售困难”的事项，可能同时涉及采购权限、服务边界和履约能力；一个被认为需要新增系统的任务，也可能通过重组既有资源得到解决。问题定义本身，也可以成为模型的工作。
这种优势需要在具体任务中比较。输入失真、状态过时或推理出错，都可能使系统分析偏离现实。但我们也不宜因为模型可能出错，就把整体判断预先保留给人。人的判断同样需要接受结果检验。
因此，人机分工可以随着能力和证据调整。模型可以提出目标、比较价值冲突、组织执行路径；有关主体的决定权、参与权和受影响者的利益，需要在实际制度与合作关系中得到安排。人的地位不应取决于他能否在每一道题上战胜模型。
更值得关注的，是知识和技术怎样共同形成现实能力。知识为判断提供依据，技术提供计算与行动手段；能力则表现为事情能够在具体条件下被完成，并在人员、设备和需求变化后继续得到处理。
一份方案所表现出的能力，与一个组织持续把方案实施好的能力，具有不同的成立条件。后者需要把智能接入具体对象和实际行动。
物理空间应当进入我们对AI能力的基本理解。
建筑、道路、设备、土地和人的身体，都有具体位置、容量和状态。距离影响资源能否到达，结构和材料限制改造方式，设备会磨损，人的活动会改变现场。模型可以整合这些约束，也可以由此发现新的安排，但它需要获得足以支持判断的现场信息。
空间中还存在权利与合作关系。一处房屋能否改造，涉及谁可以进入、谁有权使用、谁能够委托施工；一项设施能否持续服务，涉及谁承担运行和维护。空间条件与组织条件会共同决定方案的可行性。
NIST的信息物理系统框架，将数字、物理和人的组成部分纳入同一系统，并同时考虑商业、时间、数据、组织边界和生命周期等问题。这为理解智能的现实作用提供了工程基础。[1]
设想一栋闲置楼宇被提出改为社区服务站。模型可以统筹周边需求、交通、建筑条件、改造成本和运营资源，形成完整方案，并参与后续调度。这是一个假设场景：如果现场仍被占用，或者使用安排尚未确定，系统就需要先处理相应关系；如果服务人员和长期费用没有着落，改造完成也不能直接推出服务能够持续。
这些情况说明，模型所组织的关系，需要接上现实中能够发生作用的关系。观察现场、取得行动条件、投入资源和核对后果，都属于这项连接。机器人和控制设备可以直接参与，现场人员、物流网络和专业企业也可以承担其中的行动。
联系障碍需要分别诊断。有些来自模型的感知、推理和控制能力；有些来自系统缺少可靠接口；有些则来自参与主体之间尚未形成可履行的安排。提高模型能力能够帮助处理这些问题，但具体缺口仍需得到对应解决。
而这种联系一旦跨越阶段，就会遇到时间。
同一栋楼会改造，同一项设备会更换，同一份授权会到期，同一项成果会被修订。昨天成立的状态，今天可能已经改变。一个系统能否持续发挥作用，取决于它能否说明这些变化，并据此安排后续行动。
时间连续性首先要求区分：事情何时发生，某项状态或授权在哪段期间有效，系统何时得知，后来又更正了什么。事后补录的报告可以修正对过去的认识，却不能被当成决策当时已经掌握的材料。
OGC SensorThings API区分观测发生时间、结果生成时间和结果可使用的期间，为这类时间表达提供了可复用的基础。[2] 面向实际业务，我们还需要把时间与对象身份、行动条件和责任交接联系起来。
假设昨天检测的是旧水泵，今天换上新水泵，明天由另一家企业接管维护。安装位置和供水功能可能延续，旧泵与新泵的实体身份需要区分；昨天的检测结果仍属于旧泵，新泵的状态需要重新取得依据，维护责任则按实际约定和接收记录衔接。
连续性意味着变化可以解释，历史能够追溯，后续行动有据可依。它允许暂停、未知和替换。缺少观测的时段应当保留为未知，尚未接收的责任也应保持可见。这样，模型才能在条件失效时重新诊断、调整路径，而非沿用已经过期的安排。
时间由此贯穿对象与行动之间的连接：每次行动针对哪个对象及版本，依据什么仍然有效的条件，产生什么实际变化，又给下一次行动留下什么依据。
SG的研究价值，可以放在这一联系中重新理解。
此前研究的SG，即Spatial Granule，空间颗粒，尝试把特定场景中的真实对象组织为具有身份、边界、状态、可调用能力以及执行与验证要求的协议对象。所谓“最小充分”，应当相对于具体任务确定：它要足以支持独立处理和结果核验，并能与其他对象建立关系。[5]
它试图连接的问题很具体：不同系统和企业所说的，是否是同一个现场对象？当前状态能否支持行动？执行依据什么授权？结果怎样核对？条件变化后，后来者怎样继续办理？
如果这些联系能够可靠建立，强模型就可能围绕共同对象组织跨专业工作，同时保留现场执行和结果反馈的对应关系。模型还可以参与识别对象、修正映射、发现冲突，并在变化后重新协调。SG的潜力在于支持这种合作持续成立。
已有技术值得充分复用。W3C的WoT Thing Description已经提供属性、动作、事件和安全描述等机制。[3] SG自身的价值，需要进一步体现在跨系统的对象连续性、行动核验和跨期接续上，并通过与现有办法的比较说明新增贡献。
原研究稿仍将运行原型、集成和真实试点等列为后续验证事项。协议中的字段齐全，尚不足以说明现实执行可靠。日志、执行回执和质量检查各有证明范围，不能自动推出完整因果关系或法律上的最终认定。[5]
因此，我更看好这样一种突破方向：让真实空间中的对象、状态、授权、行动、证据和责任，在跨时间变化中保持可追溯的联系，并支持后续行动正确接续。它需要用更可靠的实际办理和更合理的完整成本来证明自己。
模型之上，还需要回答能力属于谁。
AI系统怎样开放数据、分配权限和保留成果，会影响参与者真正获得的能力。专业人员能否追溯判断依据、调整工作安排，小企业能否带着成果继续参与合作，都取决于具体的组织选择。
对普通使用者而言，值得争取的是能够理解关键依据、纠正错误，并在需要时获得实际服务。对专业人员而言，重要的是借助模型扩大工作范围，同时保留专业判断、成果使用和责任协商的空间。
企业管理者需要考察完整交付成本，以及系统离开少数熟练人员后能否继续运行。掌握平台、基础设施和规则制定权的主体，则需要面对更广泛的参与问题：后来者是否接得进来，小企业是否负担得起，受到影响的人是否有表达与纠正的途径。
这些差异提醒我们，能力既体现为个人会使用什么工具，也体现为组织怎样分工、资源怎样获得，以及谁能够持续参与。让一部分任务更快完成，与让更多主体获得把事情做好的条件，都值得评价。
这也改变了评价AI应用的尺度。
一次演示成功，可以说明某种技术路径在该演示条件下得到实现；成果被真实岗位接收并实际使用，能够进一步说明它进入了实际工作；后来者能够维护、异常能够处理、条件变化后能够改进，才为持续能力提供了更强依据。
这种能力可以通过完整成本、实际使用效果和责任承接来判断。接入、适配、核对与维护的投入都应计入；现场使用者的感受和下游岗位的结果，也应进入评价。数字系统中的完成记录，需要与现实中的变化相互核对。
关于数字孪生的研究强调，物理对象与虚拟表达之间的双向反馈，可以通过自动过程、人的行动或两者结合实现，并应适合具体决策的时间尺度。[4] 对更广泛的AI应用而言，这提示了一条值得实践的方向：让现实后果持续进入下一次判断。
模型进步值得期待。它使复杂关系更容易被识别，让跨专业组织和动态调整获得新的手段。与之相应，我们也需要建设能够承接这些能力的对象联系、行动条件和合作安排。
我们希望得到的，是越来越多的人和组织能够借助智能，完成现实任务、维护已有成果，并在新的条件下继续发展。
模型之上，是智能进入现实之后，人和组织能够共同创造并持续拥有的能力。