|
这篇文章继续分享本体论方面的一些思考。我在前面分享过一篇文章谈本体论核心是行为建模，今天在群里面和大家沟通，又发表了如下观点： 实际是希望构建一套模型来同时支撑OLTP和OLAP，注意原来的OLAP里面的数据模型，数仓分层模型实际是很难支撑OLTP业务的，核心原因就是缺少了行为建模或动态过程建模。因为数据已经是流程执行最终的结果，但是什么样的行动动作或规则导致了这个结果，这个行为规则你没有记录或沉淀。这个数据包括数据关系是一个静态的结果，只能够用于类似指标一样的分析决策。所以即使传统BI，你发现一个指标有问题，你还得自己去追溯，返回到业务系统流程里面去查找原因。再次强调下本体论的核心是行为建模。在回到从信息化到数字化的转变演进就更加清楚。注意数字化实际希望达到的是现实世界到数字世界的完整抽象映射和模拟。但是传统信息化很难做到，传统信息化更多仍然是记录结果，丢失了行为和过程逻辑的记录。而真正要做到彻底数字化，一定是事物+事物关系+行为动作规则的完整建模和映射。原来信息化的时候规则行为有没有做？这个事情实际也做了，但是做到业务系统的硬编码里面去，基本没有复用价值，也没有体现到具体的模型上面。20年前再看，当时流行的规则引擎规则建模，各种原因很难真正应用起来。也就是说当前重点不是本体论这个概念，而是AI辅助下让我对业务运行完整进行建模成为了可能。因此结合我前面的一篇文章，我上面的观点。重新对文章进行整理，并结合AI辅助输出相应的配图。
一、重新理解本体论：不只是关系，更是行为最近看到很多文章在讨论Palantir的本体论，但大多数人的理解存在一个根本性的偏差。他们认为Palantir只是在传统数据模型上增加了”关系”这一层，让数据对象之间可以互相关联。这个理解是严重不够的，甚至可以说是错误的。 我们回到哲学层面来看本体论。本体论研究的是事物的本质构成和运行规律。在古希腊时期，亚里士多德提出了四因说来解释事物的本质，但他的本体论和认识论是分离的。直到近代，培根通过科学归纳法，康德通过十二范畴理论，才逐步把本体论和认识论融合起来。康德的核心洞察是：逻辑不能单独存在，它必须依附在具体事物上，依附在特定的时间和空间维度上。 这个哲学思想对我们理解Palantir本体论至关重要。它告诉我们一个关键点：事物不是静态的，研究事物必须研究它的动态特征、行为特征，以及事物之间的关系如何随时间演变。这才是本体论的核心。 二、传统数据建模缺了什么：被忽略的行为规则我们在做传统数据架构时，其实也在研究数据之间的关系。比如一对一、一对多、多对多的关系，比如主键外键的依赖和关联。但这里有个致命的问题：这些关系都是静态的。 什么叫静态？我们看到的数据是业务流程执行后的一个结果。比如一张采购订单，它记录了供应商、物料、数量、价格、交付日期等信息。这些都是结果数据。但是，这张订单是怎么产生的？是谁在什么条件下触发了采购动作？采购数量是基于什么规则计算出来的？选择这个供应商而不是另一个供应商，背后的决策逻辑是什么？ 这些形成数据的过程、促进数据流转的行为规则，我们原来基本没有建模。这些东西大多存在于业务人员的经验中，存在于各种文档和邮件的讨论中，存在于系统的硬编码逻辑中，但从来没有被显性化、结构化地定义出来。 Palantir本体论的真正价值就在这里。它不仅建模数据和数据关系，更重要的是建模行为。这个行为就是算法规则，是促进数据形成的动作，是推动数据在不同对象之间流转的逻辑。行为建模的可视化和显性化，才是Palantir本体论最核心的内容。 三、行为建模的三个层次：从执行到决策到适应要真正做好行为建模，我们需要理解行为本身是有层次的。简单来说可以分为三个层次。从底层到高层依次是操作层、决策层和适应层。 操作层行为是最基础的，它描述的是具体的业务动作。比如”提交订单”、”审批通过”、”分配资源”、”转移库存”等。这些动作是可以直接观察到的，是业务流程中的具体步骤。在传统的工作流系统中，我们其实已经在建模这一层，但这还远远不够。 决策层行为更关键，它描述的是什么条件下触发什么动作。比如”当订单金额大于10万且库存低于安全库存时，自动触发紧急采购流程”。这一层包含了判断条件、优先级规则、约束条件等。这些规则原来大多写在业务系统的代码里，或者只存在于业务人员的脑子里。把这一层显性化建模出来，才能让系统真正理解业务逻辑。 适应层行为是最高层次，它描述的是规则本身如何调整和优化。比如在生产排产中，我们可能有一条规则是”优先安排交付期最紧的订单”。但在实际运行中发现，这样会导致频繁换线，效率很低。于是我们需要调整规则，加入”尽量减少换线次数”这个新的约束条件。这种规则的演化过程，以及为什么要这样调整的原因，也应该被记录和建模。 这三个层次不是孤立的，而是相互关联、逐层递进的。只有把这三层都建模清楚，我们才算真正掌握了业务运行的完整逻辑。 四、时间维度的深层价值：行为的时序、频率和演化在行为建模中，时间维度有着特殊的重要性。我原来提到过深度思考的核心是”空间+时间+逻辑”，这个时间维度在本体论中体现得尤为明显。 首先是行为的时序依赖。很多业务动作之间存在严格的先后顺序。比如在生产制造中，必须先完成物料准备，才能开始生产；必须先完成质检，才能入库发货。这种时序关系不仅仅是流程顺序，更重要的是它反映了业务约束。如果我们只建模了数据和关系，而没有建模这些时序约束，那么当我们用AI去优化流程时，它可能会给出一个逻辑上正确、但实际无法执行的方案。 其次是行为的频率模式。同样的业务动作，在不同时间段、不同场景下发生的频率是不一样的。比如补货动作，在销售旺季可能每天都要执行，在淡季可能一周才一次。再比如价格调整动作，正常情况下可能一个月调整一次，但在市场剧烈波动时可能一天调整多次。这些频率模式反映了业务的节奏和外部环境的影响。把这些模式建模出来，AI就能更好地预测和规划。 最后是行为的演化轨迹。业务规则不是一成不变的，它会随着市场环境、企业战略、技术能力的变化而调整。比如原来可能是”所有订单都需要财务总监审批”，后来改成了”10万以下由财务经理审批”，再后来又改成了”常规客户的订单系统自动审批”。这个规则演化的过程，以及每次调整的原因和效果，都是宝贵的知识资产。如果我们能把这些演化轨迹记录下来，就相当于为企业积累了一部”业务规则进化史”。 五、生产排产案例：看见隐藏在数据背后的规则让我用生产排产这个场景来具体说明。假设我们是一家电子产品制造企业，需要做生产计划排产。 在传统的数据建模中，我们会有这些静态数据：销售订单表记录了客户需求，包括产品型号、数量、交付日期；物料主数据表记录了每种物料的属性、库存量、供应商；生产工单表记录了生产任务的基本信息；工艺路线表记录了每个产品的生产步骤和标准工时；设备数据表记录了每条生产线的产能和状态。 这些数据之间当然有关系。订单和工单是关联的，工单和物料是关联的，工单和设备是关联的。但是，仅凭这些静态数据和它们之间的关系，我们能做出一个高质量的排产计划吗？答案是不能。 真正决定排产质量的是那些隐性的规则。比如第一条规则：紧急订单优先级最高，必须优先排产。这看起来简单，但实际执行时会遇到问题。如果同时有三个紧急订单，它们的优先级如何比较？是看客户重要性？还是看订单金额？还是看延期的惩罚成本？这些判断标准原来都在计划员的脑子里。 第二条规则：尽量减少换线次数。因为每次换线都要停机、清理、调试，会损失2到4个小时。所以在安排生产顺序时，应该把相同或相似的产品放在一起连续生产。但什么叫”相似”？是看产品系列？还是看使用的关键物料？还是看工艺参数设置？这个”相似度”的定义和计算方法也是一条重要规则。 第三条规则：关键设备不能成为瓶颈。我们有一台进口的精密贴片机，价值3000万，是整条生产线的瓶颈设备。在排产时必须确保这台设备的利用率最大化，其他工序都要围绕它来安排。如果某个时段这台设备空闲了，那就是巨大的浪费。 第四条规则：物料到货时间的约束。有些物料是长周期采购，交付期要3个月。排产时必须考虑物料的预计到货时间，不能安排在物料到货之前。而且还要留出一定的缓冲时间，以防物料延期。这个缓冲时间设置多少，也是一条经验规则。 第五条规则：人员技能的匹配。某些复杂产品的生产需要特定技能的工人，而这些工人的数量是有限的。排产时要考虑人员的排班情况和技能分布，不能把需要同样技能的任务都安排在同一时段。 这五条规则之间还会互相冲突。比如紧急订单优先和减少换线次数就可能冲突，关键设备最大化利用和物料到货约束也可能冲突。这时候就需要权衡和取舍，而这种权衡的策略本身又是一条更高层次的规则。 如果我们把这些规则都显性化建模出来，并且标注清楚每条规则的优先级、适用条件、冲突时的处理策略，那么当我们把这些规则连同静态数据一起交给AI或者优化算法时，它就能计算出一个真正可执行、真正优化的排产方案。这就是行为建模的实际价值。 更进一步，当我们执行了这个排产方案之后,我们还需要记录实际执行的效果。比如换线次数是否真的减少了？关键设备利用率是否提高了？有没有因为物料延期而导致计划调整？这些执行结果的反馈，可以帮助我们持续优化和调整规则。这就是我前面说的适应层行为建模。 六、从纵向决策到横向运营：本体论的价值跃迁传统的数据中台和BI系统,它们的价值主要体现在纵向的决策支撑上。什么叫纵向？就是从底层的明细数据,通过层层聚合计算,最终形成高层的决策指标。比如我们会构建一个多层次的指标体系：最底层是交易明细数据,往上聚合成日报、周报、月报,再往上形成各种业务指标和KPI,最顶层是管理驾驶舱的核心指标。 这套体系当然有价值,它能帮助管理者快速看到业务现状,发现问题。但它有个局限：它只关注结果数据的分析,不关注业务运作过程。也就是说,只要我底层有这些静态数据,不管我的实际业务流程是怎么跑的,我都能做出这些分析报表。这就是为什么传统BI只能支撑”看”和”分析”,不能直接支撑业务”做”和”执行”。 当我们引入了行为建模之后,整个视角就发生了根本性的转变。我们不再只是纵向地聚合数据用于决策,而是横向地打通数据之间的流转链路,让数据能够真正驱动业务运作。 还是用生产排产的例子。在传统BI视角下,我们会统计昨天完成了多少订单、生产了多少产品、设备利用率是多少。这些都是事后的分析。但在本体论视角下,我们要做的是：当一个新订单进来时,系统能够自动判断是否接单、如何排产、需要采购哪些物料、预计何时能够交付。这是事前的预测和规划,是直接驱动业务执行的。 这种从纵向决策到横向运营的转变,背后的根本原因就是我们现在不仅有数据和数据关系,更有行为规则和过程逻辑。数据形成了横向的链条,行为规则推动着数据在这个链条上流转。这样整个系统就从一个”分析工具”变成了一个”运营工具”。 这也正是Palantir本体论能够从一个数据平台演进成为一个业务操作系统的关键原因。它构建的已经不是简单的数据模型,而是整个企业的数字原生模型——包括了企业所有的数据、关系、规则和行为。 七、从信息化到数字化：完整映射现实世界理解了行为建模的价值,我们就能更清楚地看到信息化和数字化的本质区别了。 传统的信息化系统,说到底是在记录结果。ERP记录了交易结果,MES记录了生产结果,WMS记录了库存变动结果。这些系统确实提高了效率,但它们只是把纸质的记录搬到了电脑里,业务逻辑仍然分散在各个系统的硬编码中,或者仍然依赖人的经验判断。 真正的数字化是要实现现实世界到数字世界的完整映射。这个完整映射包括三个要素：事物本身、事物之间的关系、以及事物的行为动作规则。只有这三者都建模清楚了,数字世界才能真正模拟现实世界的运行。 这就好比我们要在电脑里模拟一个物理世界。如果只建模物体(数据),我们只能看到一堆静止的东西。如果加上物体之间的位置关系(数据关系),我们能看到它们的空间布局。但只有当我们加入物理定律(行为规则),比如重力、碰撞、摩擦力,这个数字世界才能真正运转起来,才能模拟现实世界的动态行为。 企业的数字化也是一样的道理。我们不仅要数字化企业的资产、订单、库存、人员这些”事物”,不仅要数字化它们之间的从属、关联、依赖关系,更需要数字化业务运作的规则和逻辑。只有这样,数字世界才能成为现实世界的真实镜像,才能用来预测、模拟、优化现实业务。 20年前我们其实也尝试过规则引擎、规则建模这些技术,但很难真正应用起来。为什么？因为那时候把规则提取出来、维护更新的成本太高了。业务变化很快,规则也要跟着变,但手工维护规则跟不上业务变化的速度。 现在情况不一样了。大模型和AI的出现,让规则的提取和维护成为可能。AI可以通过学习历史数据和业务文档,帮助我们总结归纳出隐性的规则。AI可以监控业务执行情况,当发现异常时提示规则可能需要调整。AI甚至可以自动测试不同规则组合的效果,帮助我们优化规则。这就是为什么现在是重新审视本体论、大力推进行为建模的最好时机。 八、构建企业的数字原生模型：从可能到现实总结一下我的核心观点。Palantir本体论的真正价值,不在于它增加了数据之间的关系,而在于它引入了行为和规则的建模。这让我们能够构建一套模型,既能支撑OLAP的分析决策,又能支撑OLTP的业务运营。 传统的数据仓库分层模型为什么很难支撑业务运营？核心原因就是缺少了行为建模。数据已经是流程执行的最终结果,但什么样的行动和规则导致了这个结果,这个过程和逻辑没有被记录和沉淀。所以这些数据只能用来做事后的分析,不能用来做事前的预测和实时的决策。 当我们把行为规则也建模进来之后,整个数据模型就”活”了。它不再是一个静态的数据快照,而是一个动态的业务模拟器。我们可以用它来回答”如果这样做会怎样”的问题,可以用它来寻找最优的执行方案,可以用它来实时监控和调整业务运行。 这才是企业真正需要的数字原生模型。它不是业务系统的附属品,不是用来做事后分析的工具,而是企业业务运行的数字孪生体。在这个模型里,每一个数据对象、每一个关系、每一条规则,都是现实业务世界的忠实映射。 在AI的辅助下,构建和维护这样的模型变得越来越可行。这不仅是技术的进步,更是思维方式的转变。我们需要从”记录结果”转向”建模过程”,从”静态数据”转向”动态行为”,从”纵向分析”转向”横向运营”。这是一个漫长的旅程,但方向是明确的,价值是巨大的。这就是我理解的Palantir本体论的真正意义。 | 
