基本概念

基于海量文本预训练的基础模型，具备语言理解、推理能力和世界知识，本质是“预测下一个字符”的概率模型。典型代表包括GPT、Gemini、DeepSeek、Qwen等。

本体大模型 (LOM, LLM + Ontology Model)

LOM是大模型泛化能力与本体确定性边界的融合体。纯LLM是概率性的（例如“我觉得库存大概率是低的”），而LOM能输出确定性行动（例如“库存短缺55件，已触发自动补货API”），让AI从“会说”走向“会思考、可验证”。

AI 幻觉 (Hallucination)

大模型因概率生成机制产生错误或虚构信息。通过本体结构化知识为AI供数、供图、供Token，可消除幻觉，实现“受控决策”。

智能体 (Agent)

支持基于数据平台进行AI推理决策，具备工具调用、自主执行任务能力的AI程序。

本体智能体 (Ontology Agent)

基于本体（Ontology）、 LLM及工具调用能力构建的Agent，可反向回写本体数据，形成“感知→决策→行动”的完整闭环。

多智能体协作 (Multi-Agent Collaboration)

多个Agent可协同完成复杂任务，通过MCP（Model Context Protocol）、插件化工具等协议和机制进行协调。

微调 (Fine-tuning)

在预训练大模型基础上，使用特定行业或领域数据进行精调训练，生成垂域大模型（如钢铁大模型、中医药大模型）。

Tokens（令牌）

大模型处理信息的基本计量单位。消费场景从个人日均万级tokens（检索）到企业生产运营日均千万级 tokens，近3年消耗增长1200倍。

具身智能 (Embodied Intelligence)

AI与物理实体（如工程机器人）结合的形态，兼具力量、智慧和活力，是AI从工具向“新质生产力”演变的体现。

生成式 AI (Generative AI)

具备生成文本、图像、视频等多模态内容的AI能力，是ToB垂域智能体与ToC应用的技术基础。

面向对象的本体论方法，可将大规模复杂异构数据转化为高质量数据集和统一语义的增强知识图谱。本体是企业业务对象与业务规则的数字映射，是消除AI幻觉、实现受控决策的工程化基石。

Data-Logic-Action 三元组

本体的核心框架包括Data（数据） 提供决策信息，Logic（逻辑） 评估决策过程（规则、概率、预测），Action（行动） 表示决策执行并反向写入业务系统。

知识图谱 (Knowledge Graph)

基于本体模型图谱映射企业全量数据构建的增强知识图谱，支持数据仿真及工具调用，实现“小数据→大图谱”。

动态本体 (Dynamic Ontology)

实时感知业务变化（Schema、Data变化），支持流式、增量、事件驱动等多种感知方式，数据变化感知时间小于10秒。本体可自动扩展、合并、拆分，支持Git级CI/CD和变更冲突解决，形成本体自演进飞轮。

本体建模（自顶向下 + 自下而上）

• 自顶向下（正向建模）：基于Data-Logic-Action构建业务运行要素的解释性模型。
• 自下而上（智能化构建）：从对象/实例自动构建业务/指标Logic，效率提升10倍。

涵盖四大类数据：IT 业务数据（研发/制造/供应/财经）、ET 工程数据（3D/2D/仿真/系统工程）、OT 时序数据（车联网/产线传感器）、KT 知识数据（标准/合同/政策/法规）。

逻辑数据湖 (Logical Data Lake)

通过元数据与数据映射构建，无需搬迁数据即可联接客户数据并快速构建本体，从而减少数据搬迁成本。

联邦查询 (Federated Query)

在不移动数据的情况下，跨多个数据源（SQL、API、数据库等）进行联合查询，通过多计算引擎组合编排生成最优物理计划。

数据管道 (Data Pipeline)

将多模态数据转化为决策燃料的智能流水线。通过200+预制连接器，将数据库、消息、视频、传感器等异构数据整合为“全域数字孪生”，让数据在流动中完成进化。

全链路可观察性 (Full-link Observability)

对数据全链路进行跟踪，决策者可像查看“快递轨迹”一样回溯任一加工环节，确保数据可信、可追溯。

单一事实来源 (Single Source of Truth)

将分散的数据整合成统一、可操作的数据源，消除数据孤岛和口径不一致。

多模融合存储引擎

面向本体多模态数据统一存储，支持向量、图、文本、GIS混合检索，支撑百亿级多模数据秒级响应，基于GaussVector构建。