第 11 章：行业本体论：每个复杂组织都有自己的对象世界

通用 AI 很强，但真实组织不是通用的。

每个行业都有自己的对象世界。

如果 AI 不进入行业对象世界，它就只能停留在表层理解。

1. 军工对象：任务、目标、资产、地点、威胁、行动

军工和国防系统里的关键对象包括：

•任务；

•目标；

•资产；

•地点；

•威胁；

•部队；

•情报；

•行动计划；

•通信链路；

•后勤资源。

这些对象之间关系极其复杂。

一个目标可能关联多个情报源。

一个任务可能依赖多个资产。

一个地点可能有不同风险等级。

一个行动计划可能受天气、后勤、指挥链和通信状态影响。

这里的 AI 不能只是分析文本。

它必须理解任务对象、威胁对象、资产状态和指挥权限。

否则它无法进入真实行动系统。

2. 制造对象：设备、产线、工单、库存、供应商、质量事件

制造业的对象世界也很清楚。

核心对象包括：

•设备；

•产线；

•工单；

•物料；

•库存；

•供应商；

•质量事件；

•维修任务；

•交付计划；

•客户订单。

制造业的问题往往不是没有数据，而是数据分散在不同系统里。

设备数据在设备系统。

库存数据在 ERP。

生产数据在 MES。

质量数据在质检系统。

供应商数据在采购系统。

AI 如果无法把这些对象连起来，就只能做局部分析。

真正有价值的是：

识别一个质量事件如何影响产线、库存、订单、供应商和交付承诺。

这需要行业 ontology。

3. 医疗对象：病人、医生、药品、检查、风险、诊疗流程

医疗行业更依赖对象模型。

医疗对象包括：

•病人；

•医生；

•护士；

•药品；

•检查；

•诊断；

•病历；

•风险等级；

•床位；

•科室；

•治疗方案；

•保险。

医疗 AI 如果只读病历文本，很难进入真实流程。

它必须知道：

•病人当前状态；

•检查结果是否异常；

•药品是否冲突；

•谁是主治医生；

•哪些动作需要医生确认；

•哪些信息不能给无权限人员看；

•哪些操作必须留痕。

医疗场景里，责任和审计尤其重要。

因为 AI 的建议可能影响生命。

4. 能源对象：井、管线、设备、维护、交易、事故

能源系统里的对象包括：

•油井；

•管线；

•设备；

•电网节点；

•传感器；

•维护任务；

•交易；

•安全事件；

•调度计划；

•事故记录。

能源行业的特点是高资产密度、高安全要求、高连续运行要求。

AI 要进入能源系统，必须理解资产状态、风险传播、维护周期、调度约束和安全规则。

比如一条管线的异常，不只是一个传感器读数问题。

它可能关联设备、地理位置、维护历史、压力变化、事故风险、监管要求和应急流程。

没有对象模型，AI 很难可靠行动。

5. 金融对象：账户、交易、客户、风险、合规、异常事件

金融行业的对象包括：

•账户；

•交易；

•客户；

•产品；

•风险；

•授信；

•合规事件；

•异常行为；

•清算；

•反洗钱线索。

金融系统的复杂性在于：

•数据量大；

•速度快；

•监管严格；

•权限敏感；

•风险传播快；

•责任要求高。

AI 如果要参与金融风控，必须知道：

•哪笔交易异常；

•关联哪些账户；

•客户历史如何；

•是否触发合规规则；

•谁能查看；

•谁能冻结；

•是否需要人工复核；

•审计链如何保留。

这不是普通聊天机器人能解决的问题。

6. 为什么通用 AI 必须进入行业 ontology 才能真正落地

通用 AI 的优势是广泛理解。

但行业落地需要具体对象。

没有行业 ontology，AI 的回答容易停留在常识层。

有了行业 ontology，AI 才能进入组织操作层。

通用 AI 解决的是：

我大概知道这件事是什么。

行业 ontology 解决的是：

在这个组织里，这个对象是什么、处于什么状态、和谁有关、谁能操作、下一步能做什么。

所以，AI 真正进入复杂组织，需要从通用智能走向行业对象世界。

这就是组织对象层的意义。