最近，随着Palantir将Ontology（本体论）这一概念带入公众视野，用友也迅速推出了自有的ontology-driven agent（基于本体的智能体），一时间让人们误以为Ontology是什么前沿的AI黑科技。然而，如果我们拉长时间线，就会发现一个截然不同的故事。
实际上，Ontology是一个早在2002年就被提出、2004年正式标准化的互联网时代“老古董”。2005年，美国中央情报局（CIA）为情报系统开展大数据分析，找到了Palantir。于是，刚刚完成标准化的Ontology，作为当时的前沿技术，被Palantir部署在底层数据核心中。
一、Ontology：上一次互联网泡沫时代的产物
二十多年前，互联网蓬勃发展，大量结构化数据被产生——但这些数据几乎都被各个系统私有化地使用。每个系统都能解释自己的数据，却无法让其他系统真正理解它们。即使两个系统都使用了“customer”这个词，机器也无法判断它们指的是同一类对象，还是纯粹名称上的巧合。这种问题在跨机构数据共享、科研协作和政府信息系统中被不断放大。系统需要一种方式来判断概念定义是否冲突、数据使用是否违反了原本的语义假设——语义不仅要被描述，还要能被机器验证。
正是在这样的背景下，2002年，World Wide Web Consortium（W3C）在语义网络（Semantic Web）领域推出了Web Ontology Language（OWL）。它的设计目标非常清晰：用一套形式化、可计算的语言，将“什么是一个概念”定义清楚，并保证这些定义在逻辑上是自洽的。class、entity、properties等元素构成了OWL的核心表达能力，而描述逻辑则为其提供了严谨的理论基础。
图形用户界面, 文本, 应用程序AI 生成的内容可能不正确。
二、Ontology不玄乎，人人可构建
即使回到20年前，Ontology也不是只有少数人才能触及的东西。以Stanford推出的本体建模工具Protégé为例，它曾是当时最流行、至今仍免费可用的Ontology在线编辑器（https://protege.stanford.edu/）。
在Protégé中，构建Ontology的过程高度结构化。建模者需要先梳理领域概念，再将这些概念抽象为类，明确它们之间的继承关系和属性约束。随后，建模者会运行推理器，对整个模型进行一致性检查，确保不存在自相矛盾或不可满足的定义。
图形用户界面, 文本AI 生成的内容可能不正确。
在工具中，只需手动一个个创建instance，再将instances通过properties连接，再通过class组合，就能建立起一个完整的Ontology。
图形用户界面, 应用程序AI 生成的内容可能不正确。
文本AI 生成的内容可能不正确。
整个过程更像是在完成一项“语义工程”，而非搭建一个系统。建模完成后，Ontology本身往往以文件或模型的形式存在，很少直接参与到业务系统的运行过程中。它的价值更多体现在定义是否严谨，而非使用是否频繁。
三、OWL Ontology过去真正落地的场景
从实际应用来看，OWL Ontology并没有在企业业务系统中大规模铺开，但在一些特定领域取得了长期且稳定的应用效果。生物医药、医疗术语、科研数据管理和图书情报系统，是最典型的例子。
2005年，CIA作为第一大客户，正是因情报系统的大数据分析需求而找上了Palantir。因此，Palantir选用当时最新的技术标准Ontology作为产品的底层数据核心，也算是顺理成章。
图示AI 生成的内容可能不正确。
这些领域有一个显著的共同点：概念相对稳定，变化周期长，且参与方对概念一致性的要求极高。在这样的场景下，Ontology的作用不是驱动流程，而是作为共识载体，确保不同系统、不同机构在讨论同一对象时，至少在语义层面不会出现偏差。
也正因如此，OWL Ontology很少被用来描述企业日常运营中的对象和关系。企业关心的是订单状态如何变化、流程如何推进、系统之间如何联动——而这些问题并不在OWL的设计关注范围之内。
四、Ontology一直在，只是角色变了
早期OWL语境下的Ontology是一套静态的概念模型，其核心职责在于定义对象的类型与语义边界，并通过逻辑约束保证这些定义在形式上是自洽的。它存在于系统设计阶段，很少随着真实业务数据的变化而动态调整，因此也很难进入企业运行体系的核心位置。它在对概念准确性要求极高的领域发挥了长期价值，但并不以支撑业务运行本身为目标。
而Palantir所使用的Ontology则被设计为一个持续存在于系统中的业务对象模型。它同样围绕对象、关系和语义展开，但这些语义不再停留在抽象定义层面，而是与真实数据和业务实例紧密绑定，并随着业务过程不断演进。需要强调的是，将这两个Ontology放在一起直接对比，很容易产生误解——它们用了同一个词，在概念定义方式上也高度相似，但试图解决的问题以及所依赖的技术条件已经发生了根本变化。
从这个角度看，今天重新被频繁讨论的Ontology，并不只是对OWL的重复，而是在大模型、数据湖和实时数据体系成熟之后，对Ontology在企业系统中角色的一次重新定位。当Ontology从一份静态的语义描述，演变为一个与企业长期共存、持续更新的模型，它自然会呈现出与二十年前完全不同的形态。
反过来说，如果企业内只是跟风推动建立Ontology模型，却没有跟上配套的技术能力和体系，那不过是搬出了个20年前的老古董装装样子罢了。
