TPCA / PCN 面对已有技术分歧，它站在哪里？

复杂工程系统里，很多问题并没有唯一正确的答案。

确定性控制还是 AI？

集中控制还是分布式自治？

状态异常以后，是立即阻断，还是允许受控继续？

TPCA / PCN 不试图证明某一派绝对正确。

它更关心的是：

面对这些长期存在的技术分歧，自己的工程边界放在哪里。

1. 确定性控制，还是 AI / 数据驱动？

一条路线强调明确规则、控制约束、可验证性和可追溯性。

Nancy G. Leveson 的 STAMP / STPA，就是系统安全领域具有代表性的路线之一。其重点不是单纯寻找零部件故障，而是分析控制结构、控制约束、控制动作和反馈关系。

另一条路线强调学习和适应能力。

Richard S. Sutton、Andrew G. Barto 的强化学习研究，则代表了系统通过状态、动作和反馈形成策略的典型方向。

当机器学习进入安全关键系统以后，两条路线的边界变得更加重要。NASA 的 Alwyn E. Goodloe 也专门讨论过 Machine Learning Enabled Systems 的安全保证问题。

TPCA / PCN 的态度

Runtime Control 与 AI Analysis 分开。

PCN Runtime 负责当前状态迁移的判定和控制，关键逻辑尽量保持可验证、可审计、可版本管理。

AI 更适合使用 PCN Trace 做：

  • 履历比较；
  • 模式分析；
  • 重复问题发现；
  • 候选改善方案生成；
  • 效果比较。

AI 可以辅助改善系统，但不直接绕过 PCN 控制现场。

2. 集中控制，还是分布式自治？

集中控制的优势是能够掌握全局状态，方便统一协调任务、资源和优先级。

但系统规模越大，中央控制的通信量、逻辑复杂度和耦合关系也越高。

分布式控制则强调局部节点根据本地信息完成判断，并通过节点之间的信息交换实现协同。

Roberto Scattolini 对 Distributed / Hierarchical Model Predictive Control 的研究，以及 Wei Ren、Randal W. Beard 对多主体分布式协同控制的研究，都是这一方向的代表。

TPCA / PCN 的态度

局部迁移判断分布化，跨节点协同问题上移。

一个 PCN 对应一个明确的状态迁移入口。

局部状态迁移由对应 PCN 处理。

多个 PCN 可以进一步形成 PCN Network。

涉及多个节点、共享资源、群体执行和协同停滞的问题，再由 MES / WCS / 群控等更高层处理。

TPCA 因此不选择纯中央控制，也不选择完全分散自治，而是采用分层结构。

3. 保守阻断，还是允许受控继续？

安全系统首先强调不可越过的约束。

关键安全条件不能确认，就不能因为生产效率而继续执行。

但另一方面，Fault-Tolerant Control 和 Graceful Degradation 又说明：

系统出现异常或能力下降，并不一定意味着必须立即完全停止。

Mogens Blanke、Michel Kinnaert、Jan Lunze、Marcel Staroswiecki 的 Fault-Tolerant Control 研究，关注系统出现故障以后是否仍然存在可利用的剩余能力。

NASA 关于 Graceful Degradation 的研究，则关注系统能力下降以后，能否在满足约束的前提下继续维持必要功能。

TPCA / PCN 的态度

不是预先选择“停止”或“继续”，而是先完成结构化判定，再进行控制仲裁。

关键许可属于独立必要约束，不能被普通运行条件绕过。

对于其他异常、退化或边界状态，也不把某一个 CAE-SDB 判定机械地对应成固定动作。

TPCA 的处理顺序是：

CAE-SDB Result → Arbitration → Multipath Control

最终才决定进入允许、等待、重试、回流、降级、禁止、人工确认、安全锁定或其他控制路径。

小结

三个争议，对应 TPCA / PCN 的三个基本立场：

确定性控制 vs AI PCN Runtime 负责实时控制，AI 主要用于 Trace 后的辅助分析。

集中控制 vs 分布式自治 局部状态迁移由 PCN 处理，跨节点协同问题上移。

保守阻断 vs 受控继续 不预先选择停止或继续，而是结构化判定后再进行控制仲裁。

TPCA / PCN 并不是要替代系统安全、强化学习、分布式控制或故障容错理论。

它更关注的是：

在目标状态进入之前，把不同技术要求放到明确的工程位置。

代表性资料

本文中的“三个争议”用于说明不同技术路线。

  1. Nancy G. Leveson Engineering a Safer World: Systems Thinking Applied to Safety MIT Press https://mitpress.mit.edu/9780262533690/engineering-a-safer-world/

  2. Richard S. Sutton / Andrew G. Barto Reinforcement Learning: An Introduction, Second Edition MIT Press https://mitpress.mit.edu/9780262039246/reinforcement-learning/

  3. Alwyn E. Goodloe Assuring Safety-Critical Machine Learning Enabled Systems: Challenges and Promise NASA Technical Reports Server https://ntrs.nasa.gov/citations/20220011814

  4. Roberto Scattolini Architectures for Distributed and Hierarchical Model Predictive Control: A Review Journal of Process Control, 2009 DOI: 10.1016/j.jprocont.2009.03.001 https://www.sciencedirect.com/science/article/pii/S0959152409000353

  5. Wei Ren / Randal W. Beard Distributed Consensus in Multi-vehicle Cooperative Control Springer https://link.springer.com/book/10.1007/978-1-84800-015-5

  6. Mogens Blanke / Michel Kinnaert / Jan Lunze / Marcel Staroswiecki Diagnosis and Fault-Tolerant Control Springer https://link.springer.com/book/10.1007/978-3-662-05344-7

  7. Tamsyn Edwards / Paul U. Lee Designing Graceful Degradation into Complex Systems NASA Technical Reports Server https://ntrs.nasa.gov/citations/20190002752

文档信息

题目：TPCA / PCN 面对已有技术分歧，它站在哪里？——三个典型工程争议 文档类型：技术札记 版本：Public Note Version 1.0 发布日期：2026-08-18 作者：全野南政 / Nansei Zenno 当前 URL：https://zennns.com/zh/notes/engineering-positions-of-tpca-pcn/

本文属于 TPCA / CAE-SDB 状态迁移前置控制架构的公开说明内容。

PCN Runtime 的具体技术内容不属于本站公开范围，仅在必要的技术合作中，经保密约定后按需共享。