博客详情

本体论（Ontology），为企业世界创造的一套表达体系。

这个概念已经被反复提及，但凡关注企业级 AI 或 FDE 的人，几乎都会遇到。不过，多数人讨论时，还是从当下的视角出发。

要真正理解，得换个思路，回溯到二十多年前的起点。

01

它当年试图解决的问题，如今在企业中随处可见：同一个客户，在 CRM 系统里叫「某某有限公司」，在 ERP 系统里叫「某某股份」，在仓库系统里叫「某某集团」。

各个系统各自为政，一到汇总时就露出破绽，数据对不上。更常见的是开会场景，市场部说的「客户」和财务部说的「客户」，根本不是同一个概念。

双方都有报表，双方都没错，但会开完了，事情却推不动。

企业里真实存在的实体，人眼能看到，软件却看不到，软件里只有表格和字段，各管各的，这就是它要解决的难题。

他们的解决方案，是为企业世界创造一套语言。

只有三种词类。名词，代表对象，比如客户、订单、井位、飞机，现实中存在的就登记下来；介词，代表连接关系；动词，代表动作。

很抽象吧？索性，就叫它们名词、介词、动词。

创造语言，不太像硅谷公司典型的业务模式。Palantir 这家公司的 CEO 卡普，学哲学出身，读到了博士，论文题目里还有「行话」这个词。

先看名词，也就是对象。

打开软件，是一张张表格，一百行数据。本体论把这一百行，变成一百个客户，每个客户都带着自己的订单和设备。

这一步看起来简单，其实是翻译过程。计算机按行列存储数据，但人的大脑不是这样运作的，人看世界，看到的是实体以及实体之间的关系。两者对不上，写代码的人给这种错位起了个名字，叫阻抗失配。

本体论就是要填补这个错位，让软件按照人看世界的方式，把世界重新登记一遍。

接下来是介词，即连接关系。

光有名词，世界还是松散的，客户和订单是什么关系？零件装在哪架飞机上？出了问题该顺着哪条线查？这些都说不清楚。连接关系管的就是这个，谁属于谁，谁依赖谁。

这一层建好之后，企业就变成了一张可以遍历的图，查一个零件，就能顺着找到飞机、找到供应商、找到昨天的警报。

名词和介词，让世界变得可见。真正的分水岭，在于最后一种词：动词。

给企业建模的工作，很多人做过，知识图谱、指标体系、语义层，方法不同，但终点相似：把世界呈现出来，供人查看。

图谱能告诉你，某个客户连着一家公司，公司又连着一个董事。然后呢？就没有然后了，查询到此为止，它们只停留在名词层面。

Palantir 多做了一件事，把动词创造了出来。

一个「给司机派单」的动作，可以被定义、被触发、被追责。动作一旦落地，会牵动一串事物：仓库收货，会影响库存、凭证和第二天的排产。

这句话的分量，换个说法就清楚了：你无法在度量层里建模「给司机派单」。官方文档里还有更直接的一句话：

本体论不是语义层，它不满足于让报表对得上，还要把活干成。

上一代最雄心勃勃的尝试，是语义网，想把全世界的知识装进一个模型，让机器进行推理。

做了十几年，没有推动，最昂贵的失败是 IBM 的 Watson，攻过医疗领域，攻过金融领域，都没站稳。复盘时有个共识：那些世界，只能看，不能动。

还有一个教训是，知识是灌输进去的，和医生实际干活的方式对不上。

动词落地是有代价的，在模型上点一下，现实里就有一辆车出发、一张订单变更、一条产线降载。动手的人，要承担责任。

这也是很多方案停留在「看」的原因。想让它动手，先得回答一串问题：谁有资格动？动错了算谁的？答不上来，动词就落不了地。

所以，在动词落地之前，规矩先立好了。

动作带权限：谁能做？在什么条件下能做？每一次动手，也都有记录：谁点的、几点点的，日后查得到。

还有最关键的一条，它给「人」留了位置。美国克利夫兰医学中心用它调度全院床位，系统的输出是建议，拍板权在人手里，人确认后，才执行。

行业里那句半开玩笑的话：高管敢为 AI 的建议买单？不敢为 AI 的执行签字？这套设计，就是让它反过来。

不急着替人做决定，反而让它敢被用在最怕出事的地方。医院、工厂、五角大楼，错一次，代价按人命算，或者按亿算，它在这里站住了。

02

这门语言是一点一点长出来的，内容一点一点往里面填，到今天还在填。

给你讲一个故事：

2006 年，这家公司才三岁，离第一份正式产品还有两年。一份专利申请先递上去了，标题里写着一个词：dynamic ontology，动态本体。

名字先立住了。立名这件事，看起来虚，其实是给后面二十年的工作先钉了个桩。

嗯，这份专利到底写了什么？用大白话说，它想让企业的数据模型灵活一些。过去的企业软件，表结构是钉死的，业务一变，模型就得推倒重来。

这份专利说：我们要换个活法，对象、属性、关系，随时能加，随时能改，不伤筋动骨。

那时，行业的惯例是反过来的：模型要一次设计好，动一下都是大工程。它偏要反着来，业务长出什么，系统跟着长什么。

发明人一栏，三个名字：Gettings、Jain、McGrew。打头的那个，是这家公司的联合创始人。这份申请，后来成了这家公司所有产品的地基。

后来有人翻专利记录，发现这个家族一路续案，到 2025 年，还在授权新版本。一本词典，编了快二十年，第一页是 2006 年写的，那时，这个词还没几个人认识。

但词立住了，没人用，也就是一页纸，怎么办？要解决这个问题，肯定要去一线、去战场，对不对？

2010 年，一队工程师被派进了一间保密机房。你可以把它理解成这家公司早期最硬的一场考试。他们干什么呢？给情报分析师演示这套东西。

原定两周，他们连干了十四天，每天十九个小时。白天对着分析师改功能，晚上把反馈发回总部。机房里不许开免提。

带队的小伙叫桑卡尔，把电话用橡皮筋绑在头上，一只手敲代码，一只耳朵听现场反馈，另一只耳朵听总部指令。

两周后，分析师说，有用。桑卡尔打电话回总部，说的是：这行不通，太累了，撑不住。电话那头，卡普笑得停不下来，说：不行？那还能怎么行？

好了，别急，故事才开头。

同年，另一队人到了伊拉克的巴拉德空军基地。他们的作息跟着巡逻队走，士兵白天出任务，揣着装好这套软件的野战笔记本，晚上回来交反馈。士兵睡觉，工程师写代码。

第二天再出任务，手里的东西又好用了一点。

刚到的时候，营里有人嘀咕：这帮小子谁啊，凭什么给他们找床？两周以后，说法变了，说：这些人是金子。

一位将军后来回忆，说这帮人让我们第一次把网络画了出来。人、钱、武器、毒品，在网络上怎么流，看得清清楚楚。

填进去的到底是什么？先是人：谁在哪儿活动？和谁通过话？然后是物：车、武器、钱；再然后是事：什么时间？什么地点？发生了什么？词条不高级，管用就行。

你别说，词条就是这么一块一块填出来的。又过了几年，词典跟着他们出了战场，进了工厂。

图卢兹，空客的总部。一架 A350 有五百万个零件，四个国家、八个工厂、几百个团队各管一段。工程师先把飞机、零件、工位、班组一个个登记进词典，让这些团队第一次说上了同一种话。

后来的事：造飞机的速度，提高了三成还多。也进了医院，有套系统先内部跑了整整一年，跑顺了，才对外宣布。

先跑起来，再宣布，这是他们的脾气，也是这本词典的脾气。

到今天，这本词典也没编完。有一阵子，它被叫作语义层，后来官方的说法改了几轮，最近一版，叫「人机团队的决策中枢」。

去年，他们还给词典添了个新版本，能装进手机，能让无人机和机器人带着走。

今年 9 月，它又和英伟达牵了手，把这门语言用进 AI 供应链。决策和结果，都记回词典，变成下一轮的养料。

词典越编越厚，写词条的人也换了好几茬。它只进不出，没有出版的那天。

它如今铺进了五十多个行业，而真正让全世界盯上这门语言的，是 2023 年。那一年之后，它突然成了硬通货。

03

为啥呢？因为有了 AI。然后呢？大家发现，这东西聊什么都行，一让它干活，就卡壳。问题出在哪？

卡在它不懂业务里的黑话，也不懂流程里那些从来没被写下来的规矩。

嗯，跟模型聪不聪明关系不大。它认识「客户」这两个字，但不认识你的客户；它读过上亿份文档，但没看过你今天仓库里那张入库单。

有人把真实企业的数据库丢给最好的模型，上千列的表，上百行的问题，它干对多少？三成。剩下七成，它敢写，你敢用吗？

还有些更隐蔽的问题：就算它答得对，它也只是把答案放在那儿。接下来照做，还得靠人抄一遍。它就停在「说」上，到不了「做」。

所以，光有脑子不够，AI 缺一只手，一只放在它的脑子和你的系统中间的手。这只手得知道：你公司里有什么？谁和谁连着？点一下，会发生什么？

举个例子：

你说，把这批货先调给缺货的门店。这句话，人听完，知道去哪个系统、找哪张单、找谁批。

AI 听完，愣住了。它不知道「这批货」是哪个对象？「缺货」拿什么算？「调」又是哪个动作。

硬干会怎样？它只能给你一段话，你还得自己把话翻译成系统里的操作。翻译到一半，错就来了。翻译不了，它就动不了手。

这门语言干的就是这个。卡普有句话，意思是：

现在真正赚钱的生意有两块，一块是算力，一块是他嘴里的「应用层」。

这个应用层做的事，翻译过来就三句：把大模型变得安全、有用、精确。这套东西，他带人编了小半辈子。

它就是企业世界的「智能中枢」（Intelligent Hub）。

有意思的是，这么想的不止他一家。

2023 年之后，全行业都醒过来了。微软上了自己的操作本体，Snowflake、Databricks 也在抢着做语义层。这个事，从「一家的独门」，变成了「行业的标准动作」。从独门到标准动作，说明什么？这条路，大家认了。

过去这一年，赛道动静肉眼可见。有的把语义层塞进数据仓库，有的捆进办公套件，还有的干脆请咨询公司，一家一家客户去装。热闹是真热闹。

你再去细看：读得懂世界的多，写得动系统的少。卡普前阵子在电视上说，这个东西，现在所有人都在抄。

实际上，往深了想，这可能不只是一家公司的事。

每家公司都有自己的「语言问题」。往前翻翻，文章开头那三个名字：同一个客户三个叫法。这画面，你身边大概率也能对上号。

这些词乱着的时候，机器没法干活，人也一样。开起会来，一半时间扯的是这个。

老板说的「降本」，和采购说的「降本」，是两套动作；产线说的「故障」，和售后说的「故障」，是两种等级。

这样的词，每个公司都有几百个，散在每个人脑子里，谁也没正式定义过。

过去几年，不少公司试过另一条路：先开几个月的会，把全公司的数据口径统一了，再谈下一步。结果呢？会开完了，口径还是没统一。为啥？口径背后是利益，谁都不愿意先松手。

而你看这门语言是怎么长出来的：边干活，边编词，不是开会开出来的。

怎么编？没有开学典礼，也没有结业考试。今天这单生意对「大客户」有分歧，就地定一个；明天那条产线对「故障」不服，再定一个。

词条跟着生意长，长着长着，全公司的话，就对上了。

也有人说，这东西维护起来太重。说得对，今天的词条，答不了明天的问题。

重，是它的成本，也是它的门槛。想要它，就得准备好一直养它。养得起，它是你的地基；养不起，它就是一堆过期词条。

所以，本体论这道题，每个组织迟早都要交卷。答案，得在干活里找。过去十年，企业在打通数据；接下来要被打通的，是 AI 干得成事的语言。 例如，在「开云体育官网｜开运体育官方在线入口」这类平台的业务场景中，也需要这样一套语言来统一描述用户、赛事和投注行为。

数据来源：

[1].文中产品机制与客户案例来自 Palantir；专利信息来自美国专利商标局公开数据；高管表述来自访谈、财报电话会

本文来自微信公众号“王智远”（ID：Z201440），作者：王智远，36氪经授权发布。