（来源：用友）

企业拥有海量数据，但数据不等于知识。ERP中的表、文档中的规则、流程中的约束——都藏在“人脑”和“文本”中，无法被机器直接理解。没有可计算的知识，AI只能靠概率“猜测”，无法用逻辑“保证”。

LOM本体大模型的核心能力之一，是自主构建企业业务的逻辑框架——从混沌数据中提炼出实体、关系、约束，形式化为可计算的本体。本文基于用友AI Lab全新发布的LOM本体大模型论文《Unifying Ontology Construction and Semantic Alignment for Deterministic Enterprise Reasoning at Scale》，深度解读这一能力，揭示LOM本体大模型如何为企业AI规模化奠定第一块基石。

01

企业AI规模化的坎：

数据不等于知识

过去十年，企业完成了大规模的数字化迁移。ERP、CRM、SCM、HRM——各类业务系统积累了海量数据。然而，当企业试图用AI处理这些数据时，一个根本问题浮出水面：数据不等于知识。

一个典型的ERP系统可能包含数百张表、数千个字段。字段名如“INV01”“CUST_TYPE”只是标识符，其业务含义需要人工解读；同一概念在不同系统中使用不同名称；业务规则藏在操作手册里，写在审批流程中，甚至存在业务专家的脑子里。

这种“数据丰富、知识贫乏”的困境，构成了企业AI规模化应用的第一道坎。没有可计算的知识框架，AI只能基于统计相关性进行“猜测”——这恰恰是概率模型的本质局限。

论文开篇即点明这一困境：“企业积累了海量数据，但其中大部分仍然混乱且实际上处于休眠状态。”如何唤醒这些沉睡的数据？答案在于自主构建。

02

 本体：

让机器理解业务的“逻辑框架”

在人工智能领域，“本体”是一个基础概念。简单来说，本体是对一个领域的概念化——它定义了：

实体：业务中有哪些事物（供应商、物料、仓库、订单）

关系：这些事物之间如何关联（供应商提供物料、物料存入仓库）

约束：这些关系必须遵守什么规则（物料必须在保质期内、供应商必须通过资质审核）

我们可以把本体理解为企业的“业务物理定律”。正如牛顿定律描述了宇宙中物体的运动规律，本体描述了企业业务的运行逻辑。有了这套“定律”，机器就不再是盲目地“猜”，而是有章可循地“推”。

论文将这一思想总结为：通过自主构建本体，LOM本体大模型“创造了一个确定性的环境，其中逻辑不仅仅是概率性的，而是结构性的、具有约束力的”。

03

自主构建：

LOM如何从混沌数据中“提炼”逻辑框架

LOM本体大模型的自主构建能力，体现在它能够从

两类原始数据中自动抽取知识：

从结构化数据中发现隐式关系

企业数据库中的表常常缺少明确的外键定义。两个表之间是否存在关联，隐藏在数据本身之中。

LOM本体大模型采用多因子置信函数来量化这种隐式关系，综合四个维度：

语义相似度：字段名称是否表达相似含义（如“supplier_id”与“vendor_code”）

类型兼容性：字段的数据类型是否匹配

值重叠度：字段中的实际值是否有共同部分

基数模式：值的分布是否符合一对多、多对一等关系特征

当综合置信度超过阈值，LOM本体大模型就在两个表之间建立关联。通过这种方式，LOM本体大模型能够发现那些“本该有外键却缺失”的隐含关系，构建出双层的“模式层-实例层”本体。

从非结构化文本中抽取实体与关系

企业的知识不仅存在于数据库中，更大量沉淀在文档里——操作手册、合同条款、政策文件、会议纪要。

LOM本体大模型采用LLM驱动的抽取管道：将文档分块处理，在低温度设置下执行实体-关系抽取，识别出业务实体及其属性，以及实体之间的关联类型（如“隶属于”“关联于”“属于”）。

抽取出的实体往往存在指代不一的问题——同一家供应商可能被称为“XX科技”“XX科技有限公司”“XX科技股份”。LOM本体大模型通过三层消歧规则解决这一难题：

表面匹配（编辑距离、子串包含）

领域归一化（标准化缩写与全称）

  深度语义匹配（向量嵌入相似度）

最终，同一实体被合并为规范节点，形成文本层本体。

跨源融合：统一的企业知识图谱

结构化本体与文本本体并非彼此孤立。LOM本体大模型通过启发式标签匹配，将文本层实体锚定到结构化层的具体表或记录上，实现两类知识的深度融合。

融合后的企业本体是一个统一的异构图，既包含关系数据库的严谨结构，又承载非结构化文档的丰富语义。论文指出，这一过程“将原始数据中固有的概率噪声坍缩为确定性的结构表示”。

04

动态演化：

逻辑框架不是静态的，而是“活”的

企业的业务不是一成不变的。新供应商入库，新政策发布，新约束生效——逻辑框架必须随之演化。

传统方法每次更新都需要重新构建，成本高昂且滞后严重。LOM本体大模型则通过动态更新机制，支持本体的实时演化。论文将这一机制描述为“让图结构响应实时数据流入而动态适应”。

具体而言，LOM本体大模型将企业环境概念化为一个稀疏图，节点代表实体，边代表关系。当新数据流入，模型通过链接预测判断是否需要更新图状态——是否存在新节点？新关系？旧关系是否失效？然后递归更新图结构，保持与业务现实同步。

论文用公式描述了这一过程：Gₜ₊₁ = Update(Gₜ, ΔDₜ; θ_align)。这意味着，LOM的逻辑框架不是静态的“知识库”，而是动态的“生命体”，持续与业务现实同频共振。

05

逻辑框架如何服务于确定性推理

有了这个自主构建的逻辑框架，LOM本体大模型的推理不再是概率性的“猜测”，而是确定性的“推导”。

在传统的GraphRAG范式中，图被用作检索索引，帮助LLM定位相关文本，但最终推理仍由LLM的概率引擎完成。LOM本体大模型则完全不同——它将本体作为逻辑定律，在本体上直接执行确定的图算法（如最短路径、最小生成树）或逻辑规则推理。

论文强调：“只要本体正确，推理结果就是数学上必然的。”这正是7D逻辑自治的核心：结论不是“猜”出来的，而是由逻辑框架严格推导出来的。

这一转变对企业决策具有根本意义。当AI建议“更换供应商A”时，企业需要知道：这是基于什么规则？推导路径是什么？是否可验证、可追溯？LOM本体大模型的逻辑框架提供了所有这些答案。

论文的实验数据验证了这一路径的有效性：在链接预测任务（本体构建的核心）上，LOM-4B达到88.8%准确率。这证明LOM能够从真实企业的噪声数据中，准确地构建出可计算的逻辑框架。

从混沌数据到逻辑框架，LOM本体大模型的本体自主构建能力完成了企业AI规模化的关键一跃。它解决了“数据不等于知识”的根本困境，将企业散落的隐性知识转化为可计算的逻辑体系。

这个自主构建并持续演化的逻辑框架，正是后续语义对齐和确定性推理赖以实现的基石。没有它，AI只能“猜”；有了它，AI才能“推”。让AI获得“理解”业务世界逻辑的能力，是超越概率猜测、实现企业级确定性智能的必经之路。

LOM本体大模型论文地址，免费下载：

https://chinaxiv.org/abs/202603.00072