物模型与大语言模型

模型很重要，但大家搞错了重点

在传统工程系统设计中，信息模型一直占据重要地位。面向对象程序设计、数字孪生、元宇宙、工业4.0------这些概念都建立在信息模型的基础上。OPC UA、工业4.0管理壳（AAS）、I4.0语言、ECL@SS、ETIM......一堆标准，都在规范如何构建信息模型。

什么是模型？

通俗讲，模型（Model）就是对事物的简化描述。由两个关键要素组成：属性 和关系。属性描述事物本身，关系描述它和其他事物的联系。

模型需要形式化语言来描述------数学是一种，XML、JSON也是。

问题在哪？

世界万物，包罗万象，构建数字化模型是一项巨大工程。需要伴随技术发展逐步演进。采纳标准化模型才能协同操作、互联互通。

但国内物模型构建、OPC UA、工业4.0、数字孪生技术的进展不快。主要原因：

• 缺乏像德国行业协会这样的组织推进共识

• 缺乏美国式的模式创新

• 行业过于看大公司脸色行事

• 面对互联网公司的新技术，传统行业视为异端邪说。阻碍了行业创新

这套玩法，在AI时代已经走不通了。

AI带来一股清流

AI的到来，特别是大语言模型的突破，就像一股清流。

MCP（Model Context Protocol）、A2A协议......这些新技术不拘泥于传统标准，直接解决实际问题。美国公司再次引领AI时代，中国互联网公司紧随其后，形成中美双雄逐鹿的格局。

这和互联网发展初期一模一样------创新者不等标准成熟，先把事情做出来再说。

物模型与大语言模型：两条腿走路

AI时代，我们讨论的模型突然变成了两种：

• 物模型：工程设计中的传统信息模型

• 大语言模型：基于海量数据训练的AI模型

它们之间是什么关系？

**建模本质上是人类认识事物的过程：**观察事物 → 思考特征 → 比较差异 → 用语言描述。为了区分，我们把工程中的模型叫"物模型"。

物模型 vs 大语言模型

	物模型	大语言模型
对象	具体的一类事物	各种类型的事物
语言	形式化语言（XML、JSON）	自然语言、图片、视频、语音
确定性	确定	不完全确定
可读性	机器可读	人类可读
范围	机器操作的领域	人类认知的所有领域

由此可见，物模型是预先定义的、确定的模型，是大语言模型的一个结构化子集。

类似于形式化语言与自然语言的关系------一个精确但受限，一个灵活但模糊。

Palantir找到了平衡点

Palantir的Ontology完美诠释了这两种模型如何协同工作：

• 底层是物模型：将企业数据、行为、逻辑、安全统一建模为对象、属性和链接

• 上层接入大模型：AI可以用自然语言查询和推理这些结构化模型

• 结果是真正的人机协作：技术人员用代码操作，业务人员用图形界面，AI用自然语言

这就是AI时代的正确姿势------不是二选一，而是两条腿走路。

形式并不重要

这里要强调核心观点：我们不必纠结采纳哪一种信息模型标准。

结构化模型之间的转换非常容易。关键是要有模型！哪怕是自然语言描述，都能借助大语言模型生成结构化模型。

事物的模型本质上就是一个对象（Object）+ 一组属性（Properties）。

使用"简单模型"，然后转换成各种专业模型。这更合理，避免一开始就陷入标准细节，而忽略了建模本身。

Palantir的实践证明了这一点：

它不要求企业迁移到某个特定标准。相反，软件"坐在"客户混乱的系统之上，创建一个语义层：

• ERP系统中的"用户"

• CRM中的"客户"

• 财务系统中的"账户持有人"

可能是同一个人，格式完全不同。Palantir不重组底层架构，而是在上层建立统一的语义映射。这就像"技术创可贴"，特别适合政府机构那些追溯到1960年代的遗留系统。

格式不是问题，语义才是关键。

"赢得胜利"是最大的需求

美国公司和欧洲公司的差异，在模型构建上体现得淋漓尽致。

**欧洲路径：**先制定完美标准，再推广实施，强调规范和秩序。

**美国路径：**先解决问题，后总结标准，强调效果和胜利。

美国公司历来强调"将事情做成"，更像军事思维------**"赢得胜利"是最大的需求。**标准化可以滞后，但问题必须先解决。

我们的研究工作也在改变：寻找哪些领域值得构建信息模型。换句话说，在哪些场景下，构建模型能"包赢"？产生巨大社会和经济效益？

实战才是硬道理

一切从实际出发。借助简单的AI工具，普通行业工程师就能快速构建信息模型：

• ERP、MES系统生成电子表格

• 写个简单Python程序转换数据

• 用大模型直接从文档提取结构

但有一点必不可少：深入一线、与用户并肩战斗的前线工程师队伍。

Palantir的Forward Deployed Engineers（FDSE）模式就是最佳实践：

• 工程师驻扎在客户现场

• 从脏活累活做起

• 根据实战需求快速迭代模型

• 他们甚至说："未来的士兵是会编程的"

在发展早期，构建信息模型就是脏活累活，只能靠人力实现。那种"做一个平台，让别人免费来做"的方式已经失灵。数据采集、整理是脏活累活，但如果能找到高效完成的方法，这就是护城河。

技术护城河往往并不强大，执行力才是。

更大的格局

我们不应局限于生产系统的信息模型。

真正的数字化应覆盖企业全链条：

• 销售环节：客户、商机、合同

• 研发环节：产品、设计、知识产权

• 生产环节：工艺、设备、质量

• 供应链：供应商、物流、库存

构建供应链、营销领域的数字化可能更有效，因为这些领域的数字化边际收益更高。

从社会层面看，格局可以更大：

• 全社会统一的健康档案

• 跨医院、跨地区的电子病历互通

• 个人全生命周期的教育和职业履历

• 政务服务、社保、税务的模型统一

这些项目能短期见效，具有巨大社会意义。

**Palantir的成功也在于此------**它不是垂直领域方案，而是对整个组织的运作方式进行完整建模，包括数据、逻辑、行为和安全。这就是"数字孪生体"的真正含义。

AI技术大有可为

构建信息模型最大的工作量在哪？

属性的收集、提炼、建模、审核、修改和标准化推广。

传统方式下极其耗时。但大语言模型改变了游戏规则。

构建初始模型

人工方式：

现场工程师深入收集行业数据，将产品数据表、电子表格、PDF、Word文档转换成初始模型。AI完全可以胜任这个任务。

目前可能没有万能工具应付所有场景，但一线工程师可以写简单的Python程序完成数据转换。Palantir博客甚至写道："未来的士兵是会编程的。"他们能根据战场变化，迅速编写程序分析战况。

大模型蒸馏：

大语言模型基于巨量数据训练，应该包含了许多事物的属性描述。可以通过蒸馏方式提取初始模型，用结构化格式固定下来，然后迭代优化。

持续迭代

在使用过程中持续优化：

• 数据录入时，属性值与模型不匹配？添加新属性

• 某个属性大多数用户不用？删除它

• 按这种算法，让模型逐步优化、迭代

AI让低成本、大规模构建对象模型成为可能：

• 成本从数周降到数小时

• 可同时为成千上万种对象建模

• AI学习最佳实践，保证质量一致性

• 根据实际使用持续改进

模型化的数据是未来AI的砖瓦

几乎达成共识：目前靠"蛮力出奇迹"的大语言模型已经走到尽头。

大模型几乎用完了所有数据。用这种方式难以开发理解物理世界的物理大模型。

出路在哪？

符号逻辑和神经网络相结合可能是一条路。将大量数据转化成模型化的信息，训练大模型、构建智能体。

为什么Palantir这么火？

可能就是这个原因。

Palantir做的事情本质上是：把混乱的原始数据转化成结构化的、语义明确的模型，然后让AI基于这些模型进行推理和决策。

这不是简单的数据整合，而是：

1. 建立统一的语义层：对象、属性、关系清晰定义

2. 编码业务逻辑：规则、流程、决策逻辑模型化

3. 让AI在模型上工作：而不是在原始数据上挣扎

Goldman Sachs分析师说得很清楚：Ontology是Palantir的"核心技术差异化因素"，它"弥合了原始数据与运营决策之间的鸿沟"。

这就是未来：

• 不是更大的语言模型在更多数据上训练

• 而是更好的模型，让AI理解物理世界和业务逻辑

• 模型化的数据是AI的砖瓦，不是原始数据的堆砌

结语：AI时代需要两条腿

物模型和大语言模型，不是替代关系，是互补关系。

• 物模型提供结构和确定性：清晰的对象、属性、关系

• 大语言模型提供灵活性和理解力：自然语言交互、推理、生成

Palantir的成功证明了：在AI时代，把数据转化成模型，让AI基于模型工作，才是正确路径。

不要再纠结标准了。形式不重要，重要的是：

1. 快速建模：用最简单的方式把模型建出来

2. 实战验证：在一线用起来，快速迭代

3. AI赋能：让大模型帮你完成建模和优化

4. 模型驱动：让AI基于结构化模型进行推理

这就是AI时代构建信息模型的新范式：物模型+大语言模型，两条腿走路。