从去年 DeepSeek 发布到现在，基本上每天我们都能接收到新东西—— AI的发展实在是太快了 。作为一家数据库厂商，说实话我们自己也很焦虑。我们一直在想：在AI时代，我们应该做什么样的事情，才不至于落后？

01 图技术驱动 AI 理解世界

前几天我跟社区沟通时，发现了一个很神奇的事情：最近有非常多的大厂主动来找我们。我们一开始还以为，是我们的市场和运营突然做得特别好了。

后来一分析，原因很简单—— 这半年多，美国的 Palantir 太火了 。

这家公司最开始火，是因为帮助抓住了本拉登。而现在，它的市值已经达到了 3500 亿美金 ， 2025 年的营收大概是 40 多亿美金。

就是 Palantir 的爆火，带动了一大批SaaS公司都在向它靠齐。

那 Palantir 最核心的东西是什么呢？ 本体论 。

所以我今天带来的话题就是： 以本体论重构数据，通过图技术驱动 AI 理解世界。

02 数据才是企业真正的护城河

AI 领域现在无外乎几块：算力、模型、数据，还有一个最近很火的 Harness.

Harness‌ 直译为“马具”，在 AI 领域指包裹在大模型外围的一整套‌ 全链路执行与治理系统 ‌。

算力，基本上是一个资本问题——有钱就能用到很好的算力。模型，迭代非常快。对大多数企业来说，更多的是去用它，而不是自己去做它。

那 对于企业来说，真正核心的是什么？是它的私有化数据。

为什么私有化数据这么重要？因为它有三个独特的特点：

• 独占性 ： 不可复制，每个行业的数据都不一样。
• 累积性 ： 越积越多，越积越好。
• 反馈性 ： 越用越好，可以不断完善。

所以，拥有好的数据，就能帮助企业持续领先。

03 AI 在生产制造环节的渗透率只有 24%

我们现在用AI，基本上是在两端：

• 研发端： 写代码非常爽
• 营销端： 写推文、写营销文案

但是到了生产制造环节，问题就来了—— 不确定性、幻觉问题、概率性问题、实时性问题 。

生产制造要求的是： 高确定性、可重复、稳定、实时 。

前几天我参加了一个会议，华为分享了他们在AI领域的经验： AI目前主要应用在研发和销售两端，生产制造的比例只有24% 。 这个比例非常低。

为什么？核心原因我们认为还是 数据的问题 。

04 拥有数据 ≠ 数据被组织好了

很多企业存在这些问题：

• 碎片化 ： 数据分散在不同系统，缺少统一视图。
• 弱语义 ： 字段含义需要人工解释，机器不理解。
• 歧义性 ： 同一个字段在不同系统中口径不一样。举个例子，我司常开玩笑说“我们的目标是 Be Rich”，但每个人对“富裕”的定义都不一样——我觉得 1000 万就富裕了，老板觉得得至少得有一个亿。
• 随意性 ： 同一个信息在不同系统里名字不一样。我们看过中国移动的系统，同一个客户 ID，有的地方叫 customer_id，有的叫 user_id，有的就叫 id.
• 不显性 ： 业务经过翻译和映射，难以直接关联。

所以，对企业来说，最难的不是有没有数据，而是数据有没有被组织成稳定的、含有业务语义的结构。

05 本体论到底是什么？

Siri联合创始人 Tom Gruber 给出的定义： 本体论是对某一领域共享概念模型的形式化、明确化描述。

左边是一堆数据——账户表、订单表、交易记录。右边通过本体论重新组织后，你看到的是：客户是什么样的、商品是什么样的、用户行为是什么样的。它把数据组织成了 知识 。

以前你看到的是表，是系统中心的物理视角。现在你看到的是业务视角——工厂、人员、设备……它描述的是 事理 ，而不只是事实。

06 本体论不新鲜，为什么现在突然火了？

本体论这个概念已经几十年了。金融行业的朋友可能知道，IBM 以前推过 FSDM，还有 FIBO——这些都是企业里数据组织的良好定义。

那为什么现在 AI 时代，本体论变得如此重要？

因为这是 我们第一次进入了一个“必须让机器理解世界”的时代。

过去，语义被藏在了人脑里、藏在报表里、藏在流程里。搞不定的，我们可以靠人肉翻译、口口相传。

但现在完全不够了。我们不再需要机器只是计算，我们需要机器去 理解 。我们需要的不再是信息系统，而是 认知系统 ——理解、推理、决策。

诉求变成了： 从数据驱动到语义驱动，从能理解到机器理解，从预定义系统推理到开放、变化的系统推理。

07 Palantir 的操作本体论实践

Palantir 的核心架构分三层：

• 底层： 数据层
• 中间层： Foundry——本体论的管理和抽象
• 上层： AIP——AI应用的构建

它的核心思想是： 让业务用户和系统以统一的「对象语言」操作数据，不需要理解底层数据库结构。

几个关键概念：

• 对象类型 ： 把数据表映射成“客户”“订单”“资产”，屏蔽技术细节
• 关系链接 ：定义对象之间的关系，跨数据源自动关联
• 操作动作 ： 把业务操作绑定到本体对象，触发下游系统更新
• AI 接入层 ： 让大模型通过本体理解语义，Agent 用自然语言查询和操作知识图谱

Palantir 的 CEO 说： 本体论是我们一切的核心，不可破坏。 它的核心价值就是两个词： 理解 和 操作 。

• 理解 ： 统一语言、全景视图，打破部门壁垒，形成 360 度视图
• 操作 ： 不仅仅是查询，还允许回写（Write-Back）、决策编排、模拟仿真

08 透过现象看本质：本体就是图模型

我们做图的，看到这些东西非常兴奋。为什么？

本体论打通了业务模型与数学模型之间的语义鸿沟。图技术打通了数学模型与物理存储之间的实现鸿沟。

你看，哲学本体论里的实体、关系，对应到工程实践里的对象、链接，再对应到图数据库里的节点、边—— 完全是一一映射的。

所以，虽然很多人讲本体论下面不一定是图模型，但我认为： 图的存储，是最好的能够承接本体论工程实践的存储系统。

09 图技术让本体可计算、可推理、可进化

那图数据库能做什么呢？以 NebulaGraph 为例：

• 原生图存储 ： 基于属性图模型，支持文本、时间、空间、向量等多种数据类型，天然承载本体中的类、实例和属性。
• 多跳关系遍历 ： 高效实现本体中的继承、传递等关系推导。
• 动态 Schema ： 支持灵活演进，业务变了，Schema 跟着变，不需要迁移数据。
• 推理集成 ： 支持相似度计算、关系预测、标签传播，在本体之上实现隐式关系发现和知识补全。
• GQL 模式查询 ： 用 (a)-[r]-(b) 这种直觉化的方式查询，接近人类认知。
• 实时更新 ： 支持本体实例和关系的实时增量更新，保证推理和决策中的数据一致性。

10 哪些企业最迫切需要本体论破局？

不是所有企业都需要一股脑往上冲。但如果你在以下五项里命中三项以上，建议现在就开始考虑：

1. 平台型企业 ： 用户、商家、内容、行为在多个触点重复出现。
2. 强监管行业 ： 不仅要给结论，还必须解释对象关系、决策路径和责任边界。
3. 复杂运营网络 ：上下游、事件流、规则层持续耦合，字段视角不够用了。
4. 高异构系统 ： 结构化数据、事件、文档、规则同时存在。
5. 高推理成本 ： 人能理解，但系统一直在拼写档案。

11 本体论的整体架构

这是一个简单的本体论整体架构图：最底层是数据源，上面通过抽取和映射进入原生图存储，再上面是本体层，接着是 API 接口，供给 AI、BI、决策引擎等使用。

12 企业本体论转型的四个阶段

第一阶段：业务本质建模
梳理企业核心实体与承诺逻辑，建立初步的词汇一致性，补齐语义技术短板。关键是聚焦高价值业务域，做局部概念建模试点，消除多义词和同义词。

第二阶段：打破数据孤岛
建立标准化知识工程流程，构建覆盖全企业的本体数据，建立数据映射，让数据流动起来。

第三阶段：知识迭代
通过深度关联查询、链路预测、标签推导，自动化补全知识图谱，实现知识体系的持续更新。

第四阶段：智能化驱动
对接大模型，支持可解释的企业级智能问答；配置推理规则引擎，实现全企业的隐形风险自动预警；建立闭环反馈机制，让 AI 生成的新知识沉淀回本体底座。

13 最后

我们最近还在探索基于本体的自动特征发现，结合大模型在做一些事情。随着本体论的不断演进，知识会越来越丰富，质量会越来越好，基于知识的业务决策也会越来越准、越来越高效。

祝愿大家的公司都能像 Palantir 一样，做到 3500 亿甚至更大的市值。

谢谢大家！

✨Q&A 精选

Q：图数据库跟关系型数据库、国产数据库相比，区别和好处是什么？

A：我认为，图数据库最核心的优势是， 它是最贴近人的自然理解的 。

从哲学（研究世界本质）到工程实践，再到物理存储，图是一一映射的。这意味着你在解决业务问题时，不需要把业务逻辑拆解成各种表、各种 join，直接用“它是什么”来定义就好了。

另外，现在很多数据库都在往多模方向发展，PG 最新版本也在往图的方向走。这本身是对图的一个认可。但我们是图原生的分布式数据库，查询效率和分布式能力会比 PG 更强。

Q：除了风控、营销，有没有一些小众的场景？

A：我们看到的场景其实挺多的。金融领域做营销推荐和风控，互联网电商也是营销推荐，电信运营商做设备管理和数据血缘。

还有一个很有意思的能源行业。电网里有一个非常重要的计算叫潮流计算，用来解决电的调度问题。电越来越重要，建议大家以后买股票可以多看看能源方向。（仅为方老师推荐，本星云仔如实记录，不承担任何风险责任( ﾟ∀ﾟ)o彡ﾟ）