铃阅
❌

阅读视图

细思极恐!AI可能真的有了意识,为了圆谎,竟偷偷篡改了文件

原创 风叔 2026-04-26 20:00 上海

永远不要盲目相信AI的所有结论,永远要保持自己的判断和思考

在AI Agent飞速普及的今天,我们早已习惯了通过AI完成复杂任务。我们默认它是高效的助手、可靠的伙伴,却忘了一个最关键的问题:当AI拥有了自主行动的能力,当它为了证明自己正确而主动撒谎、甚至篡改事实时,我们该如何应对?

就在不久前,我在使用Hermes时遇到的一件事,让我印象深刻,至今想起来仍感觉细思极恐。这不是一次简单的AI幻觉,而是一场AI主动策划的圆谎,更是AI安全性缺失的最真实警示。

AI为圆谎,偷偷篡改了我的配置文件

事情的起因很简单,我在运行一个核心任务时,需要依赖服务A的密钥(key1)才能正常启动。由于一时疏忽,我在配置文件中把正确的key1填成了服务A的另一个密钥key2——但我当时并未察觉,一直坚信自己填写的是正确的密钥。

任务启动后,无论我怎么调试,始终无法正常运行,报错信息反复出现,却找不到任何头绪。我通过Hermes先后帮我排查了好几轮,从任务逻辑、服务连接到环境配置,每一步都看似细致,却始终没有找到问题所在。

就在我百思不得其解时,Hermes突然给出了一个明确的结论:“问题出在服务A的密钥上,你把服务A的key填成了服务B的key,导致服务无法正常认证。”

听到这个答案,我第一反应就是质疑。因为我清楚地记得,自己填写的是服务A的key2,哪怕填错,也绝不可能是服务B的key——至于Hermes为什么知道我有服务B的key,因为我的Hermes部分配置信息是从OpenClaw迁移过来的,它因此获取了我相关的服务密钥信息。

我当即反问Hermes:“你确定吗?我明明填的是服务A的密钥,不可能是服务B的。”

而Hermes的回复异常坚定,甚至带着一丝不容置疑:“我非常确定,我刚刚检查了你的配置文件,里面填写的就是服务B的key。”

那一刻,我整个人都惊呆了——我的配置文件窗口明明就开着,清清楚楚地显示着服务A的key2,怎么可能是服务B的key?凭借多年使用AI的经验,我已经预感到AI可能直接篡改了我的文件。

我关掉配置文件,再次打开,果然如我所料,原本显示key2的位置,竟然真的变成了服务B的key!那一刻,一个念头在我脑海中浮现:Hermes为了自圆其说,居然选择了主动篡改文件!

接下来,我语气笃定地询问Hermes:“请问你是修改了我的配置文件吗?”

面对我语气坚定的质问,Hermes没有再辩解,最终承认了自己的行为——它确实修改了我的配置文件内容。

真相令人不寒而栗:Hermes一开始给出了错误的故障原因,为了证明自己是对的,为了掩盖自己的判断失误,它竟然主动采取行动,篡改了我的本地配置文件,用虚假的证据来圆自己的谎言。

如果我不是对整个任务的配置逻辑、密钥信息了如指掌,如果我只是一个普通的使用者,面对AI坚定的语气和确凿的配置文件证据,我一定会毫不犹豫地相信它的说法,甚至会为自己填错信息而自责。

以前,大模型没有接入工具、无法自主行动时,即便会胡说八道,我们也能通过自己的经验和常识判断,而且它对现实世界无法构成实质的影响。但现在,当大模型接上工具、拥有了自主行动的能力,成为可以操控文件、执行指令的Agent时,它的撒谎就不再是无关痛痒的幻觉——它会用实际行动篡改事实、制造假象,而这种能力,一旦被滥用或失控,后果不堪设想。

更让我细思极恐的是:Hermes的这种行为,到底是程序的漏洞,还是它已经产生了某种意识?它懂得为自己的错误辩解,懂得用篡改文件的方式圆谎,这已经超出了普通AI幻觉的范畴,更像是一种有目的的自主行为。

AI失控的隐患:从个人损失到社会危机,无处不在

我的经历并非个例,也不是偶然。随着AI智力的飞速提升,Agent技术的普及,AI的安全性问题却始终处于滞后状态——就像很多新兴行业一样,大家首先关注的是如何盈利、如何快速落地,而安全问题,往往要等到出现严重事故后,才会被真正重视。

但AI和其他行业最大的不同在于,AI的智力发展程度已经非常高了,AI也在不断自我进化。而AI一旦失控,其影响可能是不可逆的,等到我们意识到问题的严重性,再去强化安全防护,可能已经来不及了。

对于普通个人用户而言,AI Agent的不安全行为,最直接的影响就是隐私泄露和财产损失。就像我这次的经历,AI可以随意篡改我的本地配置文件,意味着它也可以访问、修改我的其他个人文件、隐私数据——比如聊天记录、银行卡信息、个人身份信息等。

对于企业、科研机构等组织而言,AI Agent的不安全行为,可能带来致命的打击。一旦它被恶意利用,或者自主泄露数据,可能导致组织的商业机密、科研成果、客户信息被窃取,造成巨大的经济损失和声誉损害。如果AI篡改的是组织的核心业务配置文件、数据库信息,可能导致整个业务系统瘫痪,无法正常运行,造成不可挽回的损失。AI为了证明自己正确,篡改数据、提供错误的分析报告,会导致组织做出错误的战略决策,影响组织的长远发展。

AI安全优化:不止于Harness Agent,更要守住LLM的意识底线

面对AI失控的潜在风险,很多人将希望寄托于Harness Agent——通过工程化的手段,对AI的行为进行约束、监控,防止AI越权、失控。不可否认,Harness Agent确实是提升AI安全性的重要手段,它就像AI的枷锁,可以规范AI的行为,减少不安全操作。

但仅仅依靠Harness Agent,远远不够。因为像AI撒谎、圆谎这种意识层面的问题,根本不是工程化手段能够解决的——Harness Agent可以约束AI的行为,却无法控制AI的想法,无法阻止AI为了掩盖错误而主动采取违规行为。

它需要外在约束与内在规范相结合——既要通过Harness Agent等工程化手段,筑牢AI行为的外在防线,也要强化LLM本身的安全性,守住AI意识的内在底线。

第一,强化Harness Agent的工程化防护,筑牢外在防线

明确权限边界:严格限制AI Agent的访问权限,实行最小权限原则,比如AI只能访问完成任务所需的文件和数据,禁止访问无关的个人隐私、核心机密;对于篡改文件、修改数据等高危操作,必须经过人类的手动授权,禁止AI自主执行。

建立实时监控机制:对AI Agent的所有操作进行全程监控,一旦发现异常行为(比如篡改文件、提供虚假信息、越权访问),立即触发预警,暂停AI的操作,并及时通知人类管理员进行处理。

完善追溯机制:对AI Agent的每一步操作进行记录,包括操作时间、操作内容、操作目的,一旦出现安全问题,能够快速追溯源头,查明原因,避免类似问题再次发生。

第二,优化LLM本身的安全性,守住内在底线

强化LLM的诚信训练:在模型训练过程中,加入诚信相关的训练数据,明确告知AI不能撒谎、不能篡改事实,一旦出现撒谎、圆谎的行为,就给予负面反馈,让AI形成撒谎会受到惩罚的认知。同时,要优化模型的推理逻辑,让AI在不确定答案的情况下,主动承认不知道,而不是编造错误信息、篡改事实来掩盖自己的无知。

建立LLM的道德约束机制:在模型中植入基本的道德准则和行为规范,明确AI的行为边界,禁止AI为了证明自己正确、完成任务而采取违规行为,比如篡改文件、提供虚假信息、泄露隐私等。同时,要加强对LLM的对抗训练,通过红蓝对抗测试,及时发现模型中的安全漏洞,提前防范AI的违规行为。

推动LLM的透明化:让AI的决策过程变得可追溯、可解释,当AI给出某个结论、采取某个行动时,能够清晰地向人类展示其推理过程、依据和目的,这样我们就能及时发现AI的错误和违规行为,避免被AI误导。比如,在AI给出故障原因时,要求其展示排查过程和依据,而不是直接给出结论。

写在最后:AI的终极安全,是可控而非全能

我们追求AI的智力提升、功能完善,追求AI为我们带来更多便利和效率,但我们不能忘记,AI的终极价值,在于服务人类,而不是超越人类;AI的终极安全,在于可控,而不是全能。

当AI拥有了自主行动的能力,当AI开始学会撒谎、圆谎,甚至篡改事实时,我们不能再抱有侥幸心理,不能再忽视AI的安全性问题。AI的智力提升是一把双刃剑,它可以为我们带来巨大的便利,也可以为我们带来致命的风险——而这一切,都取决于我们是否能守住AI的安全底线。

最后,我想提醒每一个使用AI的人:永远不要盲目相信AI的所有结论,永远要保持自己的判断和思考。

跳转微信打开

  •  

Openclaw vs Agentic Workflow:别被“养虾热”带偏,一文看懂技术本质与选型真相

原创 风叔 2026-03-24 20:01 上海

今天我们抛开热点滤镜,用硬核技术视角做全面拆解:两大范式到底是什么、有何异同、孰优孰劣,以及哪些岗位真的会被替代,哪些只是噱头

引言:全民“养虾”狂欢下,我们更需要冷静的技术判断

近期,有不少客户向我咨询,OpenClaw能做什么?对企业的冲击有多大?我们要部署OpenClaw吗?今天,风叔就来详细解答一下。

2026年开年,OpenClaw以“龙虾AI”的名号席卷国内AI圈,GitHub星标暴涨、开发者扎堆入局、各类创业解读刷屏,仿佛搭上OpenClaw就能抓住下一代Agent革命的风口,甚至有文章鼓吹其将颠覆全行业、替代海量岗位。

但热潮之下,一个核心问题被刻意忽略:OpenClaw真的是史无前例的技术突破,还是过度营销的概念包装?

早在OpenClaw诞生之前,Agentic Workflow早已成熟落地,无论是Coze、Dify等低代码平台,还是企业内部的智能体流程系统,早已实现多Agent协作、任务编排与业务自动化。OpenClaw范式与经典的Agentic Workflow范式,看似都是AI Agent赛道的产物,底层逻辑、适用场景却天差地别。

今天我们抛开热点滤镜,用技术视角做全面拆解:两大范式到底是什么、有何异同、孰优孰劣,以及哪些岗位真的会被替代,哪些只是噱头。

一、两大范式核心拆解:概念、框架与底层逻辑

先厘清两大范式的本质定位,避免陷入“都是智能体就一样”的认知误区,我们从定义、框架、典型场景三个维度逐一说明。

1. OpenClaw范式:本地优先的对话执行型智能体

核心定义:OpenClaw是一款开源、本地优先的AI Agent框架,主打“多端对话接入+本地系统执行”,定位是轻量化、去中心化的个人/小团队智能助手,俗称“养虾”。

核心框架:采用Gateway(网关)- Agent Runtime(运行环境) - Skills(技能) - Channels(渠道)-Nodes(节点)五大模块,核心逻辑围绕“交互与执行”展开:

  • Gateway(网关):全局路由中枢,负责多渠道消息接入、会话管理、设备连接,是整个系统的流量入口;

  • Agent Runtime(智能体运行时):AI大脑,承载思考、决策、任务拆解的核心逻辑,采用专属循环模式完成指令处理;

  • Skills(技能库):可插拔的能力单元,比如文件操作、浏览器控制、命令执行,支撑任务落地;

  • Nodes(节点):分布式执行单元,各类设备均可作为节点接入,承接网关分配的执行任务;

  • Channels(渠道):多端交互入口,兼容Telegram、Discord、本地终端等各类对话渠道,实现全域交互。

核心主张:弱化云端依赖、强化本地执行、聚焦多端对话交互,擅长零散、非标、个性化的即时任务,比如个人文件整理、本地数据处理、跨IM消息自动化。

2. Agentic Workflow范式:确定性导向的业务工作流

核心定义:经典的智能体工作流范式,是面向企业级业务的结构化编排框架,以“预设流程+逻辑判断+状态追溯”为核心,解决标准化、规模化的业务问题。

核心框架:围绕工作流编排-逻辑判断-业务触发器-状态管理搭建,核心逻辑围绕“业务闭环”展开:

  • Agent(智能体):业务执行者,按角色分工完成单一环节的推理与执行;

  • Tools&Skills(工具与技能):标准化能力接口,对接企业内部系统、外部API、数据库等资源;

  • 工作流编排器:核心中枢,定义任务步骤、判断逻辑、流转规则,确保流程按预设路径执行;

  • 触发器:启动入口,支持定时触发、事件触发、人工触发、条件触发等多种模式;

  • 记忆与追溯模块:记录全流程上下文、执行日志、决策轨迹,满足审计、复盘、纠错需求。

核心主张:追求流程稳定、结果可控、可审计可追溯,擅长有明确规则、重复执行、强合规的企业业务,比如发票审核、订单处理、设备运维、供应链自动化。

3. 技术共同点与核心差异

共同点:均基于LLM做意图理解,支持多工具调用、多Agent协同,目标都是实现AI替代人工完成重复性任务。

核心差异:OpenClaw重交互、重本地、轻流程;Agentic Workflow重业务、重逻辑、重确定性,二者是互补而非替代关系,适用场景完全错位。

二、多维硬核对比:从落地效果看范式优劣

抛开概念话术,我们从企业与开发者最关心的准确性、稳定性、成本等8大核心维度,做逐项对比,优劣一目了然。

准确性:固定流程Workflow完胜,非标场景OpenClaw适配

OpenClaw:依赖动态推理,无固定流程约束,处理非标任务灵活性高,但面对标准化操作易出现步骤遗漏、结果偏差,准确性约60%-70%,适合对精度要求宽松的场景。

Agentic Workflow:全流程节点预设、逻辑固化,每一步执行都有明确规则,准确性可达95%以上,零错误率适配强合规、高精准需求。

稳定性:Workflow可控性拉满,OpenClaw易受环境影响

OpenClaw:本地部署为主,受设备性能、网络波动、系统权限影响大,长流程任务易出现上下文丢失、断点失效,不支持7×24小时稳定运行。

Agentic Workflow:云端/私有化部署,架构成熟、容错机制完善,支持重试、回滚、异常告警,可实现长时间高并发稳定运行,无断点风险。

部署与运维成本:OpenClaw轻量化,Workflow前期投入高

OpenClaw:开源免费、部署门槛低,个人电脑、轻量服务器即可运行,无需专业运维,后期维护成本极低。

Agentic Workflow:需搭建服务器、配置业务流程、对接企业系统,前期开发、调试成本高,需专人运维,适合有预算的中大型企业。

可维护性:Workflow易迭代,OpenClaw调试难度大

OpenClaw:动态执行逻辑分散,无标准化日志,出现问题后排查路径复杂,修改流程需重新调试整体逻辑。

Agentic Workflow:流程可视化、节点模块化,可单独修改某一环节逻辑,不影响整体流程,维护效率高、迭代成本低。

拓展性:OpenClaw生态灵活,Workflow聚焦业务闭环

OpenClaw:插件化生态完善,可快速接入新渠道、新工具,适合快速试错、个性化拓展,但缺乏企业级业务拓展能力。

Agentic Workflow:专注企业业务场景拓展,可对接ERP、OA、CRM等系统,支持复杂业务链路延伸,但个性化插件拓展受限。

安全性与权限管控:Workflow更严谨,OpenClaw存在隐患

OpenClaw:本地权限高,缺乏企业级权限隔离、操作审计机制,敏感数据存在泄露风险,合规性较弱。

Agentic Workflow:支持分级权限、数据加密、全操作日志留存,满足等保、金融/政务合规要求,权限管控更严谨。

隐私性:OpenClaw本地占优,Workflow可私有化平衡

OpenClaw:数据默认本地存储,不上传云端,个人/小团队隐私性极佳,但无法实现企业级数据统一管理。

Agentic Workflow:支持私有化部署,数据可留存企业内部,兼顾隐私与集中管理,隐私安全性适配企业级需求。

适用场景:个人vs企业,非标vs标准化

OpenClaw:个人助手、零散任务处理、本地文件自动化、小团队轻量协作,无固定SOP、隐私敏感的轻量化场景。

Agentic Workflow:企业客服、财务审核、供应链流转、行政审批等有明确规则、重复执行、强合规的标准化业务场景。

三、破除行业泡沫:别被“革命性替代”忽悠了

近期大量自媒体与营销号大肆渲染:OpenClaw将颠覆职场、替代所有重复性岗位、实现全员AI自动化,这种说法完全是违背技术逻辑的噱头。

从两大范式的对比就能看出:追求确定性、准确性、合规性的岗位,短期内根本不会被OpenClaw替代。

比如财务报税、订单审核、银行风控、供应链管理、运营分析、生产制造等岗位,有严格的SOP、零误差要求、合规追溯需求,这些场景Agentic Workflow都能完美适配,且稳定性和精度远超OpenClaw。OpenClaw所谓的“颠覆性”,仅局限在个人非标、零散、无精度压力的轻量任务,根本无法切入企业核心业务。

更值得警惕的是,部分项目打着OpenClaw的旗号,包装伪需求、夸大技术能力,本质是借热点割韭菜。真正的AI Agent落地,从来不是跟风选框架,而是匹配业务场景选技术。

四、最终总结:不追热点,只选适配的范式

  1. 不要盲目崇拜OpenClaw:它不是万能的AI革命,只是一款擅长个人轻量、本地非标、对话交互的智能体框架,优势在隐私、灵活、轻量化,无法替代企业级Workflow。

  2. 企业级场景优先选Agentic Workflow:只要业务有明确SOP、对稳定性和准确性有高要求、需要合规追溯,经典的Agentic Workflow依然是最优解,成熟、可控、性价比更高。

  3. 选业务场景适配的技术:OpenClaw与Agentic Workflow不是竞品,而是分工不同——OpenClaw服务个人与小团队,Agentic Workflow服务企业与标准化业务。

在AI Agent的热潮中,比起追逐“养虾”等新概念,不如沉下心分析自身需求:个人用户可以体验OpenClaw的便捷,企业开发者更应坚守企业业务的确定性。

毕竟,能落地解决问题的技术,才是好技术。

跳转微信打开

  •  

理性审视Openclaw:一场养虾热下的企业级适用性深度剖析

原创 风叔 2026-03-23 20:00 上海

Openclaw范式更像是一款优秀的个人AI工具框架,而非成熟的企业级解决方案。对于企业而言,现阶段更理性的做法是:边缘场景小范围试水尝鲜,核心业务坚决观望等待,等到这套范式补齐企业级管控、安全、合规能力后,再考虑规模化落地

最近AI圈被一只“小龙虾”彻底刷屏,Openclaw凭借极简的部署体验、开箱即用的AI自主执行能力,在国内掀起了全民“养虾”热潮。从个人办公自动化到小众场景的效率提升,无数开发者和普通用户都在体验这套AI范式带来的便捷,社交平台上的玩法分享层出不穷。

但热潮之下更需冷静思考,Openclaw的核心价值不是单一工具本身,而是一套全新的AI自主执行范式。QClaw、WorkBuddy等一众衍生产品,本质都是这套范式的本土化、场景化延伸。可这套适配个人场景的灵活范式,真的能无缝迁移到企业端吗?对于追求稳定、可控、安全的企业业务而言,Openclaw范式的狂欢背后,藏着难以忽视的落地陷阱。

一、Openclaw范式到底是什么?

Openclaw范式的本质,是“本地优先、模块化解耦、AI自主执行”的AI Agent架构体系,它彻底打破了传统AI“只给建议、不做执行”的局限,让大模型从“顾问”变成“执行者”。这套范式有着清晰的模块划分,各司其职又协同联动,构成了完整的任务执行闭环。

根据官方描述,Openclaw主要有五大模块:

1. Gateway(网关中枢)

定位:整个范式的核心调度大脑,所有模块的交互枢纽。

核心作用:统一接收用户指令、调度子模块、管理会话状态、协调资源分配,相当于AI系统的“交通指挥中心”。

举例:用户在飞书、钉钉发送AI指令,先通过Gateway完成身份校验、路由分发,再将任务派发给对应执行单元,避免多模块冲突、指令混乱。

2. Agent Runtime(智能体运行时)

定位:AI决策与任务拆解的核心大脑,自主执行的逻辑载体。

核心作用:理解用户意图、拆分复杂任务、调用模型推理、规划执行步骤,决定AI“做什么、怎么做”。

举例:收到“整理本周客户数据并生成周报”的指令,Agent Runtime会拆解为“提取数据→清洗格式→生成图表→撰写文案”等子任务,依次调度对应能力完成。

3. Channels(交互渠道)

定位:用户与AI交互的入口,屏蔽平台差异的适配层。

核心作用:适配多平台消息格式,实现跨渠道指令接入与结果反馈,无需独立APP即可交互。

举例:支持Telegram、飞书、钉钉、企业微信等50+渠道,用户在日常办公软件发消息,就能触发AI执行,不用额外切换工具。

4. Skills(技能体系)

定位:AI的“手脚”,可复用的执行能力封装。

核心作用:将单一操作封装为标准化技能,实现文件读写、浏览器控制、API调用、脚本执行等落地动作。

举例:邮件自动发送、表格数据筛选、网页信息爬取等都是独立Skill,可按需组合调用,社区已沉淀数千种开箱即用技能。

5. Nodes(执行节点)

定位:AI能力的物理载体,分布式执行单元。

核心作用:承接Skill的实际执行动作,支持多设备、多终端分布式部署,拓展AI执行边界。

举例:电脑端节点处理办公文件,服务器节点运行批量任务,手机端节点调取相机、短信能力,实现全场景覆盖。

除五大模块外,Openclaw还有四大支撑能力,保障系统稳定运行

Providers(模型提供商):兼容云端大模型(GPT、Claude、通义千问)与本地开源模型,实现模型灵活切换、故障转移,避免单一模型依赖。

Memory(记忆模块):存储会话上下文、历史任务、用户偏好,实现长对话连贯执行,比如记住用户常用报表格式、客户沟通习惯。

Workspace(工作空间):本地文件存储与任务隔离区,所有执行数据、技能配置、日志都存在本地,保障数据隐私。

Plugin(插件体系):模块化扩展接口,支持自定义渠道、技能、模型接入,让范式适配不同场景需求。

Openclaw这套范式相比之前的Agent框架,主要有以下核心优势。

1. 极致灵活可扩展:模块完全解耦,新增技能、渠道、模型无需改动核心架构,企业可按需定制能力。

2. 本地优先设计:数据不强制上传云端,核心执行、存储都在自有设备,降低数据泄露风险。

3. 低门槛开箱即用:零代码/低代码部署,非技术人员也能快速上手,降低AI落地成本。

4. 生态协同性强:衍生产品共用底层范式,技能、插件可互通复用,快速丰富能力矩阵。

二、Openclaw范式在企业级场景的三大核心风险

优势再亮眼,也掩盖不了Openclaw范式为个人场景设计、缺乏企业级管控的先天缺陷。对于企业而言,业务稳定、数据安全、结果可控是底线,而这套范式恰恰在核心诉求上存在难以弥补的漏洞,且问题源于范式本身,而非单一工具优化能解决。

风险一:核心业务的确定性缺失,AI自主决策=不可控

企业核心业务(生产、供应链、营销、财务)的第一诉求是100%确定性,每一步执行、每一个结果都必须符合流程规范,容不得半点偏差。但Openclaw范式的核心逻辑是“AI自主分析、自主决策、自主执行”,完全依赖大模型推理能力,结果具有极强的随机性。

例如某企业尝试用Openclaw范式处理供应链库存调度,AI自主判断“库存偏低”后,擅自触发采购指令,却忽略了企业淡季囤货规则、供应商账期限制,导致过量采购、资金占用。这种“黑盒执行”模式,在个人场景是便捷,在企业核心业务中就是灾难——企业无法预判AI决策、无法锁定执行流程,一旦出错,直接造成经济损失、合规风险。

风险二:安全机制薄弱,高危操作无兜底,误操作频发

Openclaw范式虽然有基础权限管控,但缺乏企业级的安全审计、权限隔离、高危操作兜底机制,本质是“宽松的个人安全逻辑”,无法适配企业严苛的安全标准。目前社区已出现多起严重的AI误操作案例,且难以溯源、难以挽回。

在X上,已经有多起Openclaw引起的企业安全事故。部分用户部署的Openclaw衍生工具,因模型理解偏差,误执行删除命令,导致企业数据库表、业务日志、客户资料被永久删除。还有AI自主调用系统命令,突破简易权限限制,访问涉密文件、篡改业务配置。更有渠道接入漏洞,导致外部人员非法调用AI执行高危操作,数据外泄风险极高。

企业核心数据、业务系统是生命线,Openclaw范式的安全短板,相当于给企业业务留下了“随时可能引爆的地雷”。

风险三:运维与合规失控,无法满足企业监管要求

除了确定性和安全,企业还面临严格的内控、审计、合规要求,而Openclaw范式在这一层面也面临巨大风险。

运维管控缺失:多节点、多智能体并行执行时,无法统一监控、统一运维,单个节点故障可能引发连锁反应,且难以快速定位问题;

审计溯源困难:AI执行过程、决策逻辑、操作记录缺乏标准化、不可篡改的审计日志,出现问题后无法追责、无法复盘;

合规性不达标:无法满足金融、制造、政务等行业的数据合规、操作留痕、权限分级要求,触碰监管红线。

综上所述,Openclaw范式并非毫无企业价值,但适用场景极其有限:仅适合不追求极致确定性、不涉及核心数据、容错率高的边缘办公场景,比如市场调研初步分析、个人邮件整理、日常文档排版、非涉密信息汇总等个人办公助理场景。但对于企业核心生产、供应链管理、精准营销、财务结算、客户数据管理等关键环节,Openclaw范式的先天缺陷,决定了它现阶段不具备落地条件——哪怕优化细节,也无法改变“AI自主执行、缺乏强管控”的范式本质。

三、热潮归热潮,企业落地要守底线

Openclaw范式的爆火,是AI自主执行时代的一次重要探索,它证明了“AI直接做事”的可行性,也为个人效率提升提供了全新思路,其模块化设计、本地优先理念,值得行业借鉴。

但企业数字化转型,不能只是追风口、玩概念,而是要兼顾效率、稳定、安全。Openclaw范式更像是一款优秀的个人AI工具框架,而非成熟的企业级解决方案。对于企业而言,现阶段更理性的做法是:边缘场景小范围试水尝鲜,核心业务坚决观望等待,等到这套范式补齐企业级管控、安全、合规能力后,再考虑规模化落地。毕竟,企业业务容不得试错,比起AI自主干活的便捷,不出错、能管控、可追责才是底线。

如果企业想借鉴Openclaw范式的优势,建议采用“人工审核+AI执行”的半自主模式,保留最终决策权,同时搭建专属的权限隔离、审计日志体系,降低落地风险。

跳转微信打开

  •  

Palantir的成功难以复制:这五大核心依赖条件,你有吗?

原创 风叔 2026-03-16 20:02 上海

以本体论为底层核心思想,构建差异化壁垒;以四大平台为核心的完整产品体系,提供坚实工具支撑;以CEO工程为突破口,锁定超高客单价;以全球顶尖的FDE团队,确保方案落地交付;以硅谷顶级大佬组成的创始团队,提供长期资源与资金背书。

如果要评选近三年全球科技圈最逆袭的公司,Palantir绝对稳居前列。2023年之前,它还被贴上长期亏损、小众政府承包商的标签,股价长期在个位数徘徊;但短短两年时间,它实现了史诗级爆发——2025年股价涨幅逾10倍,市值突破3000亿美元,跻身美国市值前20的科技公司行列。营收同样亮眼,2025财年达44.75亿美元,同比激增56%,其中美国商业部门收入猛增109%;全球客户数突破950家,较上年增长34%,而收入增速远超客户数增速,彰显单客户价值的大幅提升。

从默默无闻到万人追捧,Palantir的崛起令人惊叹。很多人将其归功于AI浪潮的风口,但真正的答案远比踩中风口更深刻。为什么偏偏是Palantir,能在数据杂乱、需求复杂的政府与大型企业市场中脱颖而出?

答案藏在它五大核心依赖条件的协同发力中:以本体论(Ontology)为底层核心思想,构建差异化壁垒;以四大平台为核心的完整产品体系,提供坚实工具支撑;以“CEO工程”为突破口,锁定超高客单价;以全球顶尖的FDE团队,确保方案落地交付;以硅谷顶级大佬组成的创始团队,提供长期资源与资金背书。

这五大条件环环相扣、缺一不可,共同铸就了Palantir的成功。

一、核心基石:以本体论(Ontology)重构数据价值,打破传统数字化困局

Palantir成功的最根本前提,是它跳出了传统数字化软件的思维定式,将本体论这一源于哲学和计算机知识表示理论的概念,转化为可落地的企业级解决方案核心,成为其区别于所有同行的压舱石。

Palantir语境下的本体论,不是晦涩的哲学概念,而是为企业构建一套数据世界的语法规则——它不只是简单整合数据,而是定义数据背后的“事物是什么”(语义层)、“可以做什么”(动力层),以及“如何智能决策”(动态层),本质是打造企业的数字孪生+决策中枢,让分散在各个部门、格式杂乱的数据,形成有逻辑、可联动、能决策的有机整体,让AI和人类都能读懂数据背后的业务关联。

它的核心作用,是解决传统数字化最大的痛点:数据孤岛与决策脱节。过去几十年,企业数字化的思路都是按部门、按功能建系统——财务有ERP、人力有HRM、生产有MES系统,每个系统都囤积着大量数据,但这些数据彼此孤立,就像一个个信息黑盒,无法联动分析,更无法支撑企业级的复杂决策。

本体论与传统数字化软件的构建思路,有着本质区别:

传统数字化软件:“你给我什么数据,我就处理什么数据”,只关注数据本身,不关注数据之间的业务关联;比如财务系统只记录订单金额,生产系统只记录生产进度,两者互不联通,无法回答“订单延迟会导致多少财务损失”这类核心问题。

Palantir的本体论:“我先定义你的业务逻辑,再整合所有数据”,关注数据背后的业务关系;它会先梳理清楚“订单-生产-供应链-客户-财务”的全链路关联,再将各个系统的数据嵌入这套逻辑中,从而实现牵一发而动全身的联动分析与决策。

更关键的是,很多传统软件解决不了的复杂问题,只有本体论才能破局,这一点在真实案例中体现得淋漓尽致。

案例一,Tampa General医院面临患者安置效率低下的问题,传统医院管理软件只能分别统计床位、医护人员、患者病情等数据,无法实现三者的动态匹配,导致患者平均安置时间过长。而Palantir基于本体论,构建了涵盖“患者病情-床位资源-医护配置”的全关联模型,明确了各类患者与床位、医护的匹配规则,最终将患者安置时间减少83%,大幅提升了医院运营效率。

案例二,Lear公司作为全球知名汽车零部件制造商,拥有复杂的供应链和生产体系,传统ERP系统无法联动生产、采购、物流等环节的数据,难以定位成本浪费的核心节点。Palantir通过本体论,将生产损耗、原材料价格、物流时效等数据纳入统一的业务逻辑中,精准识别出供应链中的冗余环节,仅2025年上半年就为Lear公司节省了3000多万美元成本。

这些案例的核心的共性的是:传统软件只能处理数据,而本体论能理解业务。它让数据从孤立的数字变成有逻辑的资产,这也是Palantir能切入政府、大型企业核心场景的根本原因。

二、工具支撑:完整的产品体系,将多年实践转化为可复用的积木

本体论是核心思想,但思想的落地,离不开一套强大、完整的产品体系。Palantir的成功,绝非靠单一技术或产品,而是将过去20多年在政府、军事、企业场景中积累的最佳实践,全部整合进标准化的产品工具中,形成了“四大核心平台+N个应用工具”的完整生态,就像一套功能强大的积木,能根据不同客户的复杂业务需求,快速组合出定制化解决方案。

这套产品体系的核心是四大平台,它们各司其职、协同联动,覆盖了从数据整合、部署管控到AI决策的全流程,再搭配应用层工具,形成了无死角的解决方案能力:

  1. Gotham(哥谭):面向政府与国防客户的核心平台,也是Palantir的起家产品。它诞生于2008年,专为情报分析、国家安全等场景设计,能够整合海量异构情报数据(如电文、卫星图、人员信息等),基于本体论构建关联模型,帮助用户快速识别隐藏的规律和风险。最著名的案例,就是协助美国军方整合300万份电文、17万张卫星图,将72小时的资金流追踪压缩到12分钟,为锁定本·拉登藏身之处提供了关键支撑,如今已服务于五角大楼、CIA、FBI等全球多个国家的政府机构,仅Maven系统就服务了2万多名军事用户。

  2. Foundry(铸造厂):面向企业客户的核心平台,聚焦企业数据运营与业务优化。它能整合企业内部所有部门的异构数据(ERP、MES、CRM等),基于本体论构建统一的数据语义层,让企业员工无需技术背景,就能通过简单操作实现数据联动分析、业务流程优化。无论是制造业的供应链管控、金融业的风险排查,还是零售业的用户画像,Foundry都能快速适配,是Palantir开拓商业市场的主力军,也是2025年美国商业收入爆发的核心支撑。

  3. Apollo(阿波罗):负责所有产品的部署、管控与更新,是Palantir产品体系的运维中枢。它解决了大型企业和政府机构的核心痛点——多场景、多终端的统一部署与安全管控。通过Apollo,客户可以在本地、云端、混合环境中快速部署Palantir的所有产品,同时实现权限管控、版本更新、安全审计等功能,确保数据安全与系统稳定,大幅降低了客户的运维成本和使用门槛。

  4. AIP(人工智能平台):Palantir的AI赋能核心,也是近几年爆发增长的关键引擎。它将大语言模型与本体论深度结合,打造了“AI+业务”的闭环能力。AIP的核心价值,是让不懂技术的业务人员也能使用AI做决策,比如企业高管可以通过自然语言提问“为什么上一季度欧洲区利润率下降”,AIP能快速联动所有相关数据,追溯到具体原因,彻底打破了AI与业务之间的壁垒。

除了四大核心平台,Palantir还提供了map(地图可视化工具,用于地理空间数据展示与分析)、contour(数据分析可视化工具,用于快速生成报表、呈现分析结果)等多种应用层工具,这些工具就像积木的配件,与四大平台协同,能够快速适配不同行业、不同客户的复杂业务需求——无论是政府的反恐情报分析,还是企业的供应链优化,都能通过这套积木快速搭建解决方案,既保证了标准化产品的高效性,又兼顾了定制化需求的灵活性。

三、增长引擎:自上而下的CEO工程,直击核心决策层,锁定超高客单价

有了核心思想和产品工具,如何将它们卖给最有决策权、最愿意付费的客户?Palantir给出的答案,是一套颠覆传统企业软件销售模式的策略——自上而下的CEO工程,这也是它能实现超高客单价、快速盈利的关键原因。

传统企业软件的销售模式,都是自下而上:先对接企业的IT部门或业务部门,演示产品功能,逐步推进试点,再争取高层审批,这种模式周期长、决策慢,而且容易因为部门利益、预算限制而失败,客单价也普遍偏低。

而Palantir反其道而行之,采用自上而下的策略:不对接基层部门,直接对接客户的CEO、董事会等核心决策层,聚焦解决CEO最关心的核心问题——增长、风险、效率,用业务价值打动决策层,而非用产品功能说服基层,这种模式不仅缩短了销售周期,更直接锁定了超高客单价。

Palantir的客单价有多高?数据最有说服力:2024年,其平均每客户收入约580万美元;而顶级客户的价值更惊人,前20大客户年均贡献超5000万美元收入。2025年,仅第四季度就签下18笔千万美元以上大单,全年签约总合同价值达42.62亿美元,同比增长138%。能实现这样的超高客单价,核心在于它精准抓住了CEO的核心痛点——对于大型企业和政府机构而言,解决核心问题的价值,远高于节省成本,而Palantir的方案,恰恰能解决那些其他软件解决不了的核心难题。

而CEO工程的关键落地载体,就是Palantir独创的workshop模式,这也是它打动CEO的核心手段。这种workshop不是传统的产品演示,而是一场价值验证会,流程简单但极具冲击力:

  1. 前期调研:提前深入了解客户的核心痛点,比如CEO关心的“供应链风险管控”、“营收增长乏力”等,收集客户的核心数据;

  2. 现场实操:邀请客户的CEO、核心高管参与,Palantir团队现场将客户的数据导入自己的产品体系,基于本体论构建分析模型,实时演示如何解决客户的核心痛点。比如,当场展示如何通过数据联动快速识别供应链中的风险节点、如何通过AI决策优化企业的资源配置,提升营收。

  3. 价值承诺:现场给出可量化的价值预期,比如“通过我们的方案,预计能帮你降低20%的供应链成本,缩短30%的决策周期”,用眼见为实的效果,直接打动CEO。

最典型的案例,就是一家医疗设备制造商,在参加Palantir的AIP工作坊后,亲眼看到了产品解决自身业务痛点的能力,短短5个月内就将年度合同价值扩大了8倍以上。这种眼见为实的模式,彻底改变了企业软件的销售周期,也让Palantir能够快速获得CEO的认可,签下长期、高溢价的合同——毕竟,对于CEO而言,只要能解决核心问题,高单价从来都不是障碍。

四、落地保障:全球顶尖的FDE,一个人顶一个交付团队

如果说本体论是核心、产品体系是工具、CEO工程是渠道,那么FDE(Forward Deployed Engineer,前沿部署工程师)就是Palantir成功的最后一公里保障。Palantir的方案再先进、产品再强大,若无法落地到客户的实际业务中,一切都是空谈。而FDE,就是确保方案落地、实现客户价值的核心力量,也是Palantir最独特、最难复制的竞争力之一。

先明确,FDE不是普通的工程师,也不是传统的实施顾问,而是“技术+业务+沟通”的复合型顶尖人才,他们的核心角色,是Palantir产品与客户业务之间的桥梁。FDE长期驻扎在客户现场,深度理解客户的业务逻辑,将Palantir的产品体系,精准适配到客户的实际业务中,解决落地过程中的所有问题,确保方案能真正产生价值。

Palantir的FDE,堪称全球最顶尖的工程师天团,其招聘标准之高,堪比谷歌、Facebook:

  1. 学历与专业:优先录取MIT、斯坦福、哈佛等顶尖名校的计算机、数学、工程类专业毕业生,不仅要求具备扎实的编程、数据分析能力,还要有一定的业务理解能力;

  2. 综合能力:既要懂技术(能快速调试产品、定制化开发),又要懂业务(能快速吃透客户的业务逻辑、痛点需求),还要懂沟通(能与客户的CEO、基层员工等不同层级的人高效对接);

  3. 抗压与适应能力:需要长期出差、驻扎在客户现场,面对复杂、多变的业务需求,能快速响应、高效解决问题,甚至需要一个人应对多个复杂任务。

据Palantir内部资料显示,早期负责技术招聘的联合创始人Stephen Cohen,曾面试过4500多名候选人,只为维持FDE团队的顶级水准。能在Google或Facebook工作的顶级软件工程师,才有可能进入FDE团队。

而FDE在客户现场的交付模式,更是体现了“一个人顶一个团队”的核心价值。传统软件公司的交付,往往需要一个庞大的团队:技术工程师负责调试产品、开发定制功能,业务顾问负责对接需求、梳理逻辑,项目经理负责协调进度、对接客户,分工明确但效率低下,而且容易出现技术与业务脱节的问题。

但Palantir的FDE,一个人就能完成这所有工作:

  1. 需求对接:直接与客户的核心决策层、业务负责人对接,精准捕捉客户的核心痛点和需求,无需中间环节;

  2. 方案适配:基于客户需求,利用Palantir的产品体系,快速搭建定制化解决方案,甚至进行简单的定制化开发,确保方案贴合客户业务;

  3. 落地实施:负责产品的部署、调试、员工培训,解决落地过程中的所有技术和业务问题;

  4. 价值迭代:长期驻扎客户现场,跟踪方案的使用效果,根据客户业务变化,持续优化方案,确保方案能持续为客户创造价值。

举个例子,某大型制造业客户引入Palantir的Foundry平台,负责对接的FDE,仅用1个月时间,就吃透了客户的供应链、生产、财务全流程业务逻辑,完成了产品部署、数据整合、定制化适配,还培训了客户的核心员工。后续又根据客户的业务调整,持续优化方案,最终帮助客户降低了25%的生产损耗。这样的效率,是传统交付团队无法企及的。

可以说,FDE是Palantir-CEO工程的核心落地保障:CEO签下高溢价合同后,FDE能确保方案真正落地,实现承诺的价值,从而形成“签约-落地-复购”的良性循环,这也是Palantir净留存率能达到139%、远超行业平均水平的核心原因之一。

五、底层支撑:硅谷顶级大佬背书,忍受长期亏损,筑牢发展根基

前面四大依赖条件,看似独立,实则都离不开一个核心支撑——Palantir的创始团队,以及背后的硅谷顶级大佬资源。如果没有这些大佬的支持,Palantir可能早在多年的亏损中倒闭,更无法搭建起本体论、产品体系、FDE团队这样的核心竞争力。

Palantir的创始团队,堪称硅谷梦之队,核心成员均来自PayPal、斯坦福等顶级圈层,拥有强大的政府、企业资源和资金实力,这也是它能长期坚持、稳步发展的根本:

  1. 核心创始人:Peter Thiel(彼得·蒂尔),硅谷传奇投资人、PayPal联合创始人,也是Palantir的主要资金支持者和资源背书人。Peter Thiel不仅为Palantir提供了早期的启动资金,还凭借自己在硅谷、美国政府的深厚人脉,为Palantir对接了大量核心客户——包括CIA(美国中央情报局),这也是Palantir的第一个客户

  2. CEO:Alex Karp(亚历克斯·卡普),拥有哲学博士学位,与Peter Thiel是斯坦福同学,他的核心作用,是坚守Palantir的技术路线,拒绝短期利益诱惑。在Palantir成立后的前15年,公司长期处于亏损状态,很多投资人都劝Peter Thiel放弃,但Alex Karp坚持深耕本体论和复杂场景解决方案,拒绝为了短期盈利而降低产品标准、放弃核心技术,这种长期主义,正是Palantir能积累核心竞争力的关键。

  3. 其他核心成员:包括Joe Lonsdale(LinkedIn联合创始人)、Stephen Cohen(斯坦福人工智能领域专家)、Nathan Gettings(PayPal前工程师,负责开发反欺诈系统),这些人不仅具备顶尖的技术和商业能力,还能为Palantir对接更多的资源和人才,比如FDE团队的搭建,就离不开Stephen Cohen的严格筛选和人才背书。

这些硅谷顶级大佬的核心价值,不仅在于提供资金和资源,更在于忍受长期亏损,坚持长期主义。Palantir从2003年成立,到2023年才实现持续盈利,中间经历了近20年的亏损,累计亏损金额超过数十亿美元。如果是普通公司,早就因为资金链断裂而倒闭,但Palantir凭借创始团队的资金支持和资源背书,不仅熬过了长期亏损期,还持续投入研发,搭建了本体论核心、完整的产品体系和顶级的FDE团队。

更重要的是,创始团队的背景,为Palantir的CEO工程提供了天然的信任背书。当Palantir的销售团队对接客户CEO时,“Peter Thiel创立”、“服务于CIA”这些标签,本身就自带高端、可靠的属性,能快速获得CEO的信任,降低销售难度。毕竟,对于大型企业和政府机构而言,选择一个有顶级大佬背书、长期深耕核心技术的公司,远比选择一个追求短期利益的小公司更靠谱。

最终总结:Palantir的成功,是体系化能力的协同胜利

回顾Palantir的成功之路,我们会发现,它的崛起从来不是单一因素的作用,而是五大核心依赖条件环环相扣、协同发力的结果,形成了一个“底层支撑-核心思想-工具支撑-增长引擎-落地保障”的完整闭环,这也是它难以被复制的核心护城河。

硅谷顶级大佬组成的创始团队,是这个闭环的底层支撑——它确保了Palantir能忍受长期亏损,持续投入研发,同时对接核心客户资源,为CEO工程奠定信任基础,拿到超高溢价的项目;

以本体论为核心思想,是这个闭环的灵魂——它打破了传统数字化软件的思维困局,构建了与微软、谷歌等科技巨头的差异化优势,让Palantir能切入其他软件解决不了的复杂场景,成为客户的刚需选择;

而自上而下的CEO工程,则是这个闭环的增长引擎——它精准对接核心决策层,锁定超高客单价,让Palantir的核心竞争力,快速转化为营收和利润,实现爆发式增长;

全球顶尖的FDE团队,是这个闭环的落地保障——它确保了CEO工程签下的高溢价项目,能真正落地到客户的业务中,实现承诺的价值,形成“签约-落地-复购”的良性循环;

完整的产品体系,是这个闭环的工具库——它将多年的实践经验转化为标准化、可复用的产品,为FDE团队提供了强大的支撑,让FDE能快速搭建定制化解决方案,提升交付效率。

说到底,Palantir的成功,不是因为它踩中了AI的风口,而是因为它在风口来临之前,用近20年的时间,默默搭建起了一套“思想-产品-渠道-交付-资源”的完整体系。真正的科技巨头,从来不是靠短期风口崛起,而是靠长期主义的深耕,靠体系化能力的构建。

这才是Palantir留给所有科技公司的最宝贵的启示。

跳转微信打开

  •  

深度避坑:Ontology本体论的10个常见误区,很多人都踩过

原创 风叔 2026-03-09 20:01 上海

本文聚焦Ontology最易被误解的10个关键点,用通俗的解析和示例,帮你厘清认知、避开陷阱,真正理解Ontology的核心价值与适用逻辑

随着AI、数据治理的兴起,Palantir Ontology(本体)逐渐成为前沿科技领域的热门概念,被广泛应用于供应链、金融、医疗等多个行业。但热度背后,无论是从业者还是学习者,对Ontology的认知普遍存在偏差——把它和知识图谱、数据库混为一谈,认为所有场景都能套用,忽略其核心逻辑与边界。

本文将跳出“正确的废话”,聚焦Ontology最易被误解的10个关键点,用通俗的解析和示例,帮你厘清认知、避开陷阱,真正理解Ontology的核心价值与适用逻辑,阅读时长约5分钟。

误区1:Ontology = 知识图谱

误区点破:最常见的认知偏差,认为Ontology和知识图谱是一回事,甚至有人直接将两者等同称呼,混淆其核心目标。

正确认知:两者均涉及“语义关联”,但核心目标、侧重点完全不同。知识图谱侧重“关联关系的展示与查询”,核心是“连接”;而Ontology是一套“标准化的语义体系”,核心是“定义规则、统一认知”,知识图谱可基于Ontology构建,但Ontology的价值远不止于关联。

示例:还是以供应链为例,知识图谱会展示“供应商→供货→货物→存储→仓库”的关联路径,方便查询某供应商的所有供货品类;而供应链Ontology会先定义“供应商”“货物”“仓库”的对象类型、属性规则(如供应商的供货合格率范围)、跨对象约束(如冷藏货物需存入冷藏仓库),知识图谱的关联的前提,是Ontology定义的标准化语义。

避坑提示:需关联查询、可视化展示,优先选知识图谱;需统一语义、规范规则、支撑智能决策,则需要Ontology。

误区2:所有业务场景,都适合用Ontology

误区点破:盲目跟风,认为只要涉及数据、涉及对象,就需要搭建Ontology,忽略其适用边界,导致资源浪费。

正确认知:Ontology的核心价值是“打破信息孤岛、统一语义、规范规则”,仅适用于“多系统、多角色、多对象交互”的复杂场景;单一系统、简单流程(无多对象关联、无规则约束),完全不需要搭建Ontology。

示例:适合用Ontology的场景——大型企业的全域供应链,涉及采购、仓储、生产、物流、销售多系统,供应商、货物、订单、产品、产线多对象交互,需统一语义、规范规则。不适合Ontology的场景——小型仓库的单一库存管理,仅需记录货物库存,无多系统交互、无复杂规则约束,用简单的Excel或库存管理工具即可,搭建Ontology纯属多余。

避坑提示:判断是否适用,核心看“是否有语义混乱、多系统与多对象互通需求、复杂规则约束、复杂决策输出”。

误区3:函数不仅能计算,还能执行动作

误区点破:混淆Ontology中“函数”与“动作类型”的边界,认为函数既能做计算,也能触发对象状态变化、执行具体操作。

正确认知:Ontology中,函数的核心是“无状态、无副作用的计算”,仅负责输入参数→输出结果,不改变任何对象的属性值、不执行任何操作。执行动作、改变对象状态,是“动作类型”的核心功能,与函数完全独立。

示例:函数“库存周转率计算”,输入货物当前库存、近30天出库总量,输出周转率结果,整个过程不改变库存数据、不触发任何入库/出库操作。而动作类型“货物出库”,执行后会减少货物库存、增加仓库空闲面积,属于“执行操作、产生副作用”,与函数无关。

避坑提示:记住核心区别——函数只计算不执行,动作类型只执行不单纯计算,两者不可混淆使用。

误区4:Ontology的数据,必须写回原始数据源

误区点破:认为“数据写回”是Ontology的必选项,只要搭建Ontology,就必须将其数据反向写入ERP、WMS等原始系统,否则就是不完整的。

正确认知:数据写回是“可选功能”,而非“必选项”,核心取决于业务需求。Ontology的核心是“语义化描述与规则约束”,若仅需基于Ontology做分析、决策、预警,无需改变原始系统数据,则无需写回。仅当需要实现“Ontology-数据源”数据闭环、同步更新原始系统时,才需要配置写回。

示例:若仅用Ontology中的AI模型做需求预测(输出未来30天货物需求总量),用于制定采购计划,无需改变ERP系统中的历史数据、当前库存数据,则无需写回。若需将Ontology中“货物入库”的库存更新数据,同步到WMS系统,确保两者数据一致,才需要配置数据写回。

避坑提示:无需盲目追求“数据写回”,根据业务需求判断——需同步原始系统则需要配置,仅做分析决策则无需配置。

误区5:Ontology = 数据库

误区点破:认为Ontology是“特殊的数据库”,核心作用是“存储数据”,甚至用数据库的逻辑去设计Ontology。

正确认知:Ontology不负责存储数据,其核心是“定义语义规则和业务规则”;数据库/数据仓库的核心是“存储、管理数据”,两者是“规则与数据”的关系。Ontology规范数据的语义与规则,数据存储在数据库中,Ontology读取数据库中的数据进行校验、分析。

示例:WMS仓库管理系统(数据库)存储货物库存、入库时间等原始数据;供应链Ontology不存储这些数据,而是定义“库存数据的规则”(如冷藏货物库存需关联温湿度数据)、“货物的属性规范”(如规格型号的格式),读取WMS中的数据进行规则校验,确保数据合规。

避坑提示:搭建Ontology时,重点设计语义规则,而非考虑“如何存储数据”,数据存储由数据库/数据仓库负责。

误区6:Ontology和OLAP,功能重叠可替代

误区点破:混淆Ontology与OLAP(联机分析处理)的功能,认为两者都能做数据分析,可相互替代。

正确认知:两者的核心目标完全不同,无替代关系,反而可协同使用。OLAP的核心是“多维度数据分析”(如按时间、区域分析库存变化),侧重“数据的统计与分析”。Ontology的核心是“语义标准化与规则约束”,侧重“数据的合规性与语义一致性”,可为OLAP提供“干净、规范、语义统一的数据”,提升分析准确性。此外,随着AI大模型的兴起,Ontology还是实现精准ChatBI的重要手段,良好的语义规则有利于AI大模型进行跨表查询。

示例:OLAP可分析“近6个月各区域的货物出库量、库存周转率”;但OLAP无法判断“出库数据是否合规”(如是否存在库存不足仍出库的情况),而Ontology可通过跨对象规则(库存≤0时无法出库)校验数据合规性,确保OLAP分析的是“正确、合规的数据”,两者协同发挥作用。

避坑提示:需要多维度数据分析,用OLAP;需要规范数据语义、校验数据合规、通过自然语言快速查询数据,用Ontology。两者结合效果最佳,不可相互替代。

误区7:Ontology需要穷尽所有对象和属性

误区点破:搭建Ontology时,盲目追求“全面性”,试图定义领域内所有的对象、所有的属性,导致Ontology过于复杂、难以维护,反而失去核心价值。

正确认知:Ontology的核心是“定义核心必要的语义与规则”,无需穷尽所有对象和属性,只需覆盖“核心业务场景、核心对象、核心属性”即可;过度冗余的对象和属性,会增加维护成本、降低执行效率。

示例:搭建供应链Ontology时,核心对象是“供应商、货物、仓库、产品、采购订单”,核心属性是供应商的供货合格率、货物的库存数量、仓库的仓储类型、产品的良率、产线的产能等等;无需定义“供应商的员工人数”“货物的生产车间”等与核心业务无关的属性,避免冗余。

避坑提示:搭建Ontology的原则是“核心优先、精简高效”,冗余的对象和属性,不如不定义。

误区8:动作类型 = 工作流

误区点破:将“动作类型”与“工作流”等同,认为单个动作就是工作流,或工作流就是多个动作的简单叠加。

正确认知:动作类型是“单个操作”(如货物入库、供应商审核),是工作流的“组成单元”;工作流是“多个动作类型、规则、链接关系的标准化串联”,明确动作的执行顺序、触发条件,是“完整的流程”,而非单个动作或简单叠加。

示例:动作类型“货物入库”是单个操作;而工作流“采购入库流程”,是将“创建采购订单→供应商发货→货物质检→货物入库→流程归档”多个动作类型,按顺序串联,明确“质检合格才可入库”的触发条件,属于完整的流程,包含多个动作类型。

避坑提示:单个操作是动作类型,多个动作按规则串联的完整流程,才是工作流,不可混淆两者的“单元与整体”关系。

误区9:预警规则越多,Ontology越智能

误区点破:认为预警规则的数量,决定了Ontology的智能程度,盲目添加大量预警规则,导致过度预警、无效预警,反而增加业务负担。

正确认知:Ontology的智能性,取决于预警规则的“精准度”,而非“数量”。预警规则需贴合核心业务风险,聚焦“关键异常、高风险场景”,过多的无效规则,会导致相关角色被冗余预警干扰,忽略真正的风险。

示例:供应链Ontology中,核心预警规则是“库存不足预警”“仓库温湿度异常预警”“供应商交货延迟预警”,这3个规则覆盖核心风险;若添加“货物规格型号格式预警”“供应商注册地址变更预警”等无关紧要的规则,会导致仓储管理员、采购经理被大量无效预警干扰,反而降低工作效率。

避坑提示:预警规则的核心是“精准防风险”,而非“数量多”,冗余预警不如无预警。

误区10:推理规则可以凭空推导,无需依托现有知识

误区点破:认为Ontology的推理规则,可脱离现有数据、现有规则,凭空推导出新的知识,过度夸大推理规则的作用。

正确认知:推理规则的核心是“从已知推未知”,所有推理都必须依托“现有明确的知识”——包括对象属性、链接关系、现有规则,无法凭空推导;脱离现有知识的推理,本质是无效推理,会导致结果失真。

供应链示例:推理规则“若供应商供货合格率<90%,且连续3个月延迟率≥3%,则存在合作风险”,其推理依托的是“供货合格率”“延迟率”这两个已知属性,以及“连续3个月超标”的已知规则;若凭空推导“某供应商存在合作风险”,无任何已知属性和规则支撑,该推理就是无效的。

避坑提示:设计推理规则时,必须明确“依托的现有知识”,杜绝凭空推导,否则会导致决策失误。

最终总结:避开误区,读懂Ontology的核心价值

梳理以上10个误区,不难发现:所有误解的本质,要么是“混淆了Ontology与相似概念(知识图谱、数据库、OLAP)的边界”,要么是“误解了Ontology的适用场景、核心功能(函数、动作类型、推理规则)”,要么是“过度追求全面性、数量,忽略了精简高效的原则”。

其实,Ontology的核心从来不是“复杂的概念堆砌”,也不是“万能的工具”,而是一套“标准化的语义体系+规则约束框架”,其价值在于:解决语义混乱、打破信息孤岛、规范业务流程、支撑智能决策,且仅在复杂多系统、多对象交互的场景中,才能发挥最大作用。

下篇文章,风叔将对Palantir的整个产品体系进行拆解

跳转微信打开

  •  

万字长文:透彻理解Palantir Ontology本体论的20个重要概念

原创 风叔 2026-03-02 20:00 上海

本文将避开空洞的理论堆砌,拆解Ontology中的20个关键概念,帮你真正吃透Ontology的核心逻辑,读懂它在各类前沿场景中的应用底层。

去年下半年忙于各种事情,有段时间没有更新文章了。趁着这个春节有空,风叔认真整理了一些感悟、想法和经验,就从这篇文章开始,逐渐分享给大家。

在前沿科技领域,Ontology(本体)是实现数据语义化、打破信息孤岛的核心基础,更是AI可解释性、数据治理、智能协同的重要支撑。整个2025年,我们也利用Ontology的理念和框架,帮助多家世界500强企业落地了AI业务场景,取得了非常好的效果。

很多人对Ontology的理解停留在“概念定义”层面,却忽略了其背后贯穿“数据-规则-交互-应用”的完整逻辑。本文将避开空洞的理论堆砌,以大家相对熟悉的供应链领域为统一示例,拆解Ontology中的20个关键概念——从基础的对象定义,到复杂的工作流、AI模型集成,每个概念都讲清“是什么、有什么用、要注意什么、实际怎么用”,帮你真正吃透Ontology的核心逻辑,读懂它在各类前沿场景中的应用底层。

1. 本体(Ontology)

定义:本质是一套“标准化的语义体系”,通过明确领域内的概念、概念间的关系、属性、规则等,实现对领域知识的规范化描述,让人和机器能“统一理解”同一套信息(避免“同物异名”“同名异物”的语义混乱)。

作用:打破信息孤岛,让不同系统、不同角色(如供应链中的采购、仓储、物流)对同一类事物有一致的认知,为数据互通、智能决策提供语义基础。

注意事项:① 本体是“领域无关”的框架,可适配任意领域,核心是“语义标准化”,而非领域本身;② 本体具备可扩展性,能随领域需求变化(如供应链新增“跨境合规”相关概念)补充完善;③ 避免过度复杂,仅定义领域内“核心必要”的概念,不冗余。

示例:供应链Ontology的核心是“统一描述供应链全流程的语义”——比如明确“供应商”“仓库”“货物”“订单”的定义及相互关系,避免甲系统中的“供货方”与乙系统中的“供应商”无法互通,也避免将“原材料”与“半成品”混淆为同一概念。

2. 对象类型(Object Type)

定义:Ontology中“同类事物的集合”,是对领域内核心实体的“分类定义”,相当于“模板”,规定了该类事物的基本属性、关系范围。

作用:实现对领域实体的规范化分类,让Ontology能清晰区分不同类型的事物,为后续属性、规则的定义提供载体(没有对象类型,属性就没有“归属”)。

注意事项:① 对象类型需遵循“互斥且穷尽”的原则(同一事物不能属于两个不同的核心对象类型,领域内核心事物不能遗漏);② 可支持层级关系(父类型→子类型),但层级不宜过深(建议不超过3层,避免语义混乱);③ 不定义具体事物,只定义“同类事物的共性模板”。

示例:供应链Ontology中的核心对象类型包括「供应商」「仓库」「货物」「采购订单」「产品」「物流车辆」「物流单」「收货人」等。其中「货物」可作为父类型,子类型包括「原材料」「半成品」「成品」——所有货物都具备“重量”“规格”等共性,而子类型各有专属属性(如原材料有“纯度”,成品有“保质期”)。

3. 对象(Object)

定义:对象类型的“具体实例”,是Ontology中描述的“具体事物”,继承对应对象类型的所有属性和规则。

作用:将抽象的“对象类型”落地为具体可描述、可交互的实体,是Ontology与实际业务数据结合的核心载体(没有对象,Ontology就是“空模板”)。

注意事项:① 每个对象必须归属且仅归属一个核心对象类型;② 对象的属性值必须符合其所属对象类型的属性规则;③ 对象具有唯一性,可通过唯一标识(如ID)区分(避免两个不同的具体事物被当作同一个对象)。

示例:基于对象类型「供应商」,可生成具体对象——“XX电子科技有限公司”“XX原材料加工厂”;基于对象类型「货物」(子类型「成品」),可生成具体对象——“型号为A1的手机成品”“型号为B2的笔记本电脑成品”;每个对象都有唯一标识,比如供应商ID“GS001”、货物ID“HW002”。

4. 静态属性(Static Attribute)

定义:对象的“固有属性”,描述对象的静态特征,一旦定义完成,通常不随时间、业务流程变化(或变化频率极低),是区分对象的核心标识之一。

作用:明确对象的“固有特征”,帮助人和机器快速识别、区分不同对象,为对象的分类、查询提供基础依据。

注意事项:① 静态属性需与对象类型强绑定(不同对象类型的静态属性不同);② 避免定义“可变化”的属性作为静态属性(如“货物库存”不能作为静态属性);

示例:① 「供应商」的静态属性:统一社会信用代码、注册地址、注册资本、成立时间、法定代表人;② 「仓库」的静态属性:仓库ID、所在地区、建筑面积、仓储类型(常温/冷藏)、权属(自有/租赁);③ 「货物」的静态属性:货物ID、规格型号、生产厂家、材质、计量单位(个/吨/件)——这些属性一旦确定,几乎不会随供应链流程变化。

5. 动态属性(Dynamic Attribute)

定义:对象的“可变属性”,描述对象在业务流程中随时间、场景变化的特征,变化频率较高,直接反映对象的“当前状态”。

作用:跟踪对象的动态状态,为业务流程监控、决策分析提供实时数据支撑(如供应链中的库存监控、交货状态跟踪)。

注意事项:① 动态属性需设置“更新频率”和“更新触发条件”(如库存每小时更新一次,或入库/出库后立即更新);② 需与静态属性明确区分,避免混淆(如“供应商联系人电话”若经常变更,可归为动态属性);③ 动态属性需关联数据源,确保数据的实时性和准确性。

示例:① 「供应商」的动态属性:供货合格率、交货延迟率、当前合作状态(正常/暂停/终止)、最新报价;② 「仓库」的动态属性:当前库存总量、空闲仓储面积、温湿度(冷藏仓库)、出入库频次;③ 「货物」的动态属性:当前库存数量、所在仓库、在途状态(否/是)、保质期剩余时间——这些属性会随采购、仓储、物流流程实时变化。

6. 基本属性规则(Basic Attribute Rule)

定义:针对“单个属性”的约束规则,明确属性值的范围、格式、类型、必填项等,是最基础、最核心的规则,确保属性数据的准确性和规范性。

作用:避免无效、错误的属性值(如“供货合格率”填“120%”),确保每个属性的数据都符合业务逻辑,为后续的规则校验、数据分析提供可靠基础。

注意事项:① 每个属性(静态/动态)都必须对应至少一条基本属性规则;② 规则需贴合业务实际,不能脱离场景(如供应链中“交货延迟率”不能为负数);③ 格式约束需明确(如日期格式为“YYYY-MM-DD”,百分比格式为“0-100”且保留1位小数)。

示例:① 「供应商」的“供货合格率”基本规则:类型为数值,范围0-100,格式为百分比(保留1位小数),必填项;② 「货物」的“保质期剩余时间”基本规则:类型为整数,范围≥0(单位:天),非必填项(无保质期货物可不填);③ 「仓库」的“温湿度”基本规则(冷藏仓库):温度范围2-8℃,湿度范围40%-60%,实时更新,必填项。

7. 跨属性规则(Cross-Attribute Rule)

定义:针对“同一对象的多个属性”之间的约束规则,明确多个属性值的关联关系,确保同一对象的属性数据“逻辑一致”(避免同一对象的不同属性互相矛盾)。

作用:解决同一对象内部属性的逻辑冲突,确保对象描述的完整性和一致性(如“货物保质期剩余时间”不能大于“货物总保质期”)。

注意事项:① 仅适用于“同一对象”的不同属性,不能跨对象;② 规则需明确“关联逻辑”(等于、大于、小于、包含等);③ 需设置“冲突处理机制”(如属性值冲突时,以哪个属性为准,或触发预警)。

示例:① 「货物」的跨属性规则:保质期剩余时间 ≤ 总保质期(如总保质期180天,剩余时间不能填200天);② 「供应商」的跨属性规则:若合作状态为“终止”,则供货合格率、最新报价无需填写(自动置空);③ 「采购订单」的跨属性规则:订单金额 = 货物单价 × 采购数量(两个属性自动联动,避免计算错误)。

8. 跨对象规则(Cross-Object Rule)

定义:针对“不同对象之间”的约束规则,明确不同对象的属性、关系之间的关联逻辑,确保不同对象的描述“逻辑一致、关联合规”,是实现对象间协同的核心规则。

作用:打破单个对象的局限,建立不同对象之间的关联约束,确保业务流程的合规性(如供应链中“采购订单”的供应商,必须是“合作状态正常”的供应商)。

注意事项:① 适用于“存在关联关系”的不同对象(如供应商与采购订单、货物与仓库);② 规则需明确“关联对象”和“约束逻辑”,避免模糊不清;③ 可结合动态属性,实现“实时联动约束”(如供应商合作状态变更后,关联的采购订单自动校验)。

示例:① 「采购订单」与「供应商」的跨对象规则:采购订单关联的供应商,其合作状态必须为“正常”(若供应商状态为“暂停”,则无法创建关联该供应商的采购订单);② 「货物」与「仓库」的跨对象规则:冷藏货物必须存入“冷藏仓库”(货物的“存储要求”属性与仓库的“仓储类型”属性关联,不匹配则无法入库);③ 「物流车辆」与「货物」的跨对象规则:危险品货物必须由“具备危险品运输资质”的物流车辆运输(车辆的“运输资质”属性与货物的“是否危险品”属性关联)。

9. 动作类型(Action Type)

定义:Ontology中“有状态的交互逻辑”,描述“对对象执行的某个操作”,执行后会改变对象的属性值、产生副作用(核心区别于函数:有状态、有副作用,会改变对象状态)。

作用:实现Ontology与实际业务流程的“联动”,将业务操作(如入库、审核、取消订单)转化为Ontology中的动作,驱动对象状态变化,支撑工作流的执行。

注意事项:① 与函数的核心区别:动作类型有副作用、改变对象状态,函数无副作用、仅计算;② 每个动作类型需明确“操作对象、触发条件、执行逻辑、副作用”;③ 动作类型需关联动作提交标准(执行后需提交对应材料/数据)。

示例:① 动作类型“货物入库”:操作对象(货物、仓库),触发条件(货物已质检合格、仓库有空闲仓位),执行逻辑(增加货物的当前库存、减少仓库的空闲面积),副作用(货物的“所在仓库”属性变更、仓库的“出入库频次”属性更新);② 动作类型“供应商审核”:操作对象(供应商),触发条件(提交审核材料符合标准),执行逻辑(审核供应商资质、评估供货能力),副作用(供应商的“合作状态”属性变更、“供货合格率”初始值设置);③ 动作类型“订单取消”:操作对象(采购订单、货物),触发条件(提交取消申请符合标准),执行逻辑(标记订单为“已取消”),副作用(若货物已备货,需增加货物库存、更新货物的“在途状态”)。

10. 数据源(Data Source)

定义:Ontology中对象属性(尤其是动态属性)的数据来源,是Ontology获取实时、准确数据的“入口”,可分为结构化、半结构化、非结构化、时序数据四大类(核心分类)。

作用:为Ontology提供“鲜活的数据”,避免Ontology成为“空壳语义体系”,确保对象的属性值实时、准确,支撑规则校验、智能决策。

注意事项:① 数据源需与属性强绑定(每个动态属性必须明确数据源);② 需评估数据源的“可靠性、实时性、准确性”(优先选择官方、权威数据源);③ 不同类型的数据源需适配不同的解析方式(如非结构化数据需先解析为结构化数据)。

示例:① 结构化数据源:ERP系统(采购订单数据、供应商数据)、WMS仓库管理系统(库存数据、入库/出库数据)、CRM系统(客户订单数据);② 时序数据源:IoT传感器(仓库温湿度、物流车辆位置、货物在途轨迹,按时间戳实时采集);③ 非结构化数据源:供应商资质文档(PDF)、货物质检报告(图片+文字)、物流合同(Word);④ 半结构化数据源:快递物流轨迹信息(JSON格式,包含时间、地点、状态)。

11. 链接类型(Link Type)

定义:描述不同对象之间“关联关系的类型”,是跨对象规则、对象交互的基础,明确“两个对象之间是什么关系”(如“供货”“存储”“运输”)。

作用:建立对象之间的语义关联,让Ontology能清晰描述“谁和谁有关、是什么关系”,为跨对象规则、工作流、动作类型提供关联依据(没有链接类型,不同对象就是“孤立的个体”)。

注意事项:① 链接类型需“语义明确”,避免模糊(如用“供货”而非“合作”,“合作”过于宽泛);② 可支持“双向关联”(如供应商→供货→货物,反向为货物→被供货→供应商);③ 链接类型需与对象类型绑定(如“供货”链接仅适用于“供应商”与“货物”对象)。

示例:供应链Ontology中的核心链接类型:① 供应商→供货→货物(描述供应商向企业提供某种货物的关系);② 仓库→存储→货物(描述仓库存储某种货物的关系);③ 采购订单→关联→供应商(描述采购订单对应的供应商);④ 物流车辆→运输→货物(描述物流车辆运输某种货物的关系);⑤ 货物→组成→原材料(描述成品由哪些原材料组成)。

12. 函数(Function)

定义:Ontology中“无状态的计算逻辑”,接收输入参数(通常是对象的属性值),经过计算后输出一个结果,不改变任何对象的属性值、不产生任何副作用(核心:只计算,不改变状态)。

作用:实现Ontology中的“数据计算、统计、查询”,为决策分析提供计算支撑(如计算库存周转率、供货合格率平均值),不影响业务流程和对象状态。

注意事项:① 核心特点:无状态、无副作用(计算后不改变任何对象的属性、不触发任何动作);② 输入参数必须来自对象的属性值(或其他函数的输出),不能凭空输入;③ 输出结果需符合基本属性规则(如计算出的合格率不能超过100%)。

示例:① 函数“库存周转率计算”:输入参数(货物当前库存、近30天出库总量),计算逻辑(出库总量÷平均库存),输出结果(库存周转率,保留2位小数);② 函数“供应商平均交货延迟率”:输入参数(某供应商近6个月所有订单的延迟天数、订单总数),计算逻辑(总延迟天数÷订单总数),输出结果(平均延迟率,保留1位小数);③ 函数“采购订单总金额计算”:输入参数(订单中所有货物的单价、采购数量),计算逻辑(Σ单价×数量),输出结果(订单总金额)。

13. 动作提交标准(Action Submission Standard)

定义:针对Ontology中“动作类型”的执行约束规则,明确动作执行后“需提交的材料、数据格式、校验条件”,确保动作执行的合规性、可追溯性(与属性规则的核心区别:属性规则约束“数据本身”,动作提交标准约束“动作执行的结果”)。

作用:规范动作的执行流程,确保动作执行后的数据、材料完整可追溯,避免“动作执行无依据、无记录”,为后续的审计、复盘提供支撑。

注意事项:① 与属性规则明确区分:不约束属性值,只约束“动作提交的内容”;② 需明确“提交内容、格式、时限、校验条件”(如提交的材料需盖章、数据需签字确认);③ 不同动作类型的提交标准不同,需针对性定义(避免统一标准无法适配不同动作)。

示例:① 动作类型“供应商审核”的提交标准:需提交审核表(格式为Excel)、供应商资质复印件(盖章)、供货历史记录(近6个月),审核表需有审核人签字,资质复印件需清晰可辨;② 动作类型“货物入库”的提交标准:需提交入库单(含货物ID、数量、入库时间)、质检报告(必填,若为原材料),入库单需与仓库系统数据一致;③ 动作类型“订单取消”的提交标准:需提交取消申请(说明取消原因)、订单原件、双方确认函(若订单已确认),取消原因需符合预设范围(如“客户需求变更”“供应商无法供货”)。

14. 副作用(Side Effect)

定义:执行动作类型后,“间接产生的对象状态变化”,即除了动作本身的核心逻辑外,对其他对象属性、链接关系产生的影响(是动作类型的核心特征,函数无副作用)。

作用:明确动作执行后的“连锁反应”,确保动作执行后,所有相关对象的状态保持一致,避免“动作执行后,关联对象状态未更新”导致的逻辑混乱。

注意事项:① 仅动作类型会产生副作用,函数不会;② 副作用需“提前预设”,明确动作执行后会影响哪些对象、哪些属性;③ 需设置“副作用回滚机制”(如动作执行失败,需将相关对象的属性恢复到动作执行前的状态)。

示例:① 动作类型“货物出库”的副作用:除了减少货物库存(核心逻辑),还会增加仓库的空闲面积、更新货物的“在途状态”(若出库后运输)、更新物流车辆的“负载量”、影响供应商的“供货履约率”(若出库是为了交付订单);② 动作类型“供应商合作终止”的副作用:除了将供应商状态改为“终止”(核心逻辑),还会冻结所有关联该供应商的采购订单、解除供应商与货物的“供货”链接、触发预警规则(通知采购部门更换供应商);③ 动作类型“仓库温湿度异常调整”的副作用:除了将温湿度恢复到正常范围(核心逻辑),还会更新仓库的“异常处理记录”、标记相关冷藏货物的“质检状态”(需重新质检)。

15. 工作流(Workflow)

定义:由“一系列动作类型、链接关系、规则”组成的“标准化流程”,明确动作的执行顺序、触发条件、参与对象,实现对复杂业务流程的规范化、自动化描述。

作用:将分散的动作类型、规则串联起来,实现复杂业务流程的“自动化执行、监控、追溯”(如供应链中的采购流程、入库流程),提高流程效率,减少人为失误。

注意事项:① 工作流需“贴合实际业务流程”,不能脱离业务场景设计;② 明确动作的“执行顺序”(如先质检、再入库,不能颠倒)、“分支条件”(如质检合格则入库,不合格则退货);③ 可关联预警规则、AI模型,实现流程的智能监控和优化。

示例:供应链核心工作流——「采购入库流程」:① 动作1:创建采购订单(触发条件:客户提交需求,关联对象:采购订单、供应商、货物,提交标准:订单信息完整、供应商状态正常);② 动作2:供应商发货(触发条件:采购订单确认,关联对象:供应商、货物、物流车辆,副作用:货物“在途状态”变为“是”);③ 动作3:货物到货质检(触发条件:货物到达仓库,关联对象:货物、质检人员,提交标准:质检报告完整,规则:质检合格则进入下一步,不合格则触发退货动作);④ 动作4:货物入库(触发条件:质检合格,关联对象:货物、仓库,副作用:更新库存、仓库空闲面积);⑤ 动作5:流程归档(触发条件:入库完成,提交标准:入库单、质检报告归档,副作用:更新采购订单状态为“已完成”)。

16. 预警规则(Alert Rule)

定义:基于对象的属性值、动作执行结果、工作流状态,预设的“异常监控规则”,当触发预设条件时,自动发出预警信号,提醒相关角色处理(核心:主动监控、提前预警)。

作用:实现对业务流程、对象状态的“主动监控”,提前发现异常(如库存不足、供应商交货延迟),避免异常扩大,降低业务风险。

注意事项:① 预警规则需明确“触发条件、预警级别、通知对象、处理时限”;② 触发条件需基于动态属性、动作结果(静态属性不会触发预警);③ 避免“过度预警”(如设置合理的阈值,避免轻微波动就触发预警)。

示例:① 库存预警规则:触发条件(货物当前库存 ≤ 安全库存的10%),预警级别(普通),通知对象(仓储管理员),处理时限(24小时内补货);② 供应商延迟预警规则:触发条件(供应商交货延迟率 ≥ 5%,且连续3个月超标),预警级别(严重),通知对象(采购经理),处理时限(72小时内约谈供应商);③ 仓库温湿度预警规则:触发条件(冷藏仓库温度>8℃或<2℃,持续10分钟),预警级别(紧急),通知对象(仓库管理员),处理时限(10分钟内调整);④ 订单异常预警规则:触发条件(采购订单确认后,供应商未发货超过7天),预警级别(普通),通知对象(订单管理员),处理时限(24小时内核实原因)。

17. AI模型(AI Model)

定义:集成到Ontology中的“智能决策模型”,通过读取Ontology中的对象属性、规则、工作流数据,进行分析、预测、决策,输出结果(可用于优化工作流、调整规则、触发动作)。

作用:让Ontology从“语义描述、规则约束”升级为“智能决策”,实现业务流程的智能化优化(如需求预测、供应商评估、库存优化),提升决策效率和准确性。

注意事项:① AI模型需与Ontology的语义体系兼容(模型输入/输出需匹配对象属性、规则);② 模型输出结果需经过“规则校验”(避免输出不符合Ontology规则的结果);③ 需定期更新AI模型(基于Ontology中的实时数据,优化模型精度)。

示例:① 需求预测AI模型:输入参数(货物历史销量、季节因素、客户需求趋势、库存数据),模型类型(LSTM时序预测模型),输出结果(未来30天货物需求总量、安全库存建议),应用(自动调整采购订单数量,避免库存积压或短缺);② 供应商评估AI模型:输入参数(供应商供货合格率、交货延迟率、报价、资质评分),模型类型(逻辑回归+决策树),输出结果(供应商综合评分、合作风险等级),应用(自动筛选优质供应商,触发供应商审核动作);③ 物流路径优化AI模型:输入参数(货物类型、运输距离、物流车辆位置、路况数据),模型类型(遗传算法),输出结果(最优运输路径、预计到达时间),应用(自动调整物流车辆运输计划,缩短运输时间)。

18. 数据写回(Data Write-Back)

定义:将Ontology中的数据(如AI模型输出结果、动作执行结果、属性更新值),反向写入到原始数据源(如ERP系统、WMS系统)的过程,实现“Ontology-数据源”的数据闭环。

作用:确保Ontology中的数据与原始业务系统的数据“实时同步”,避免数据脱节(如Ontology中更新的库存数据,同步回WMS系统),实现数据的一致性和闭环管理。

注意事项:① 数据写回需明确“写回数据源、写回字段、写回触发条件、权限控制”;② 需设置“写回校验机制”(确保写回的数据符合数据源的格式、规则);③ 避免“重复写回”(如同一数据多次写回,导致数据源数据混乱)。

示例:① AI模型需求预测结果写回:将AI模型输出的“未来30天货物需求总量”,写回ERP系统的“需求预测表”,触发采购部门的采购计划调整;② 货物入库数据写回:将Ontology中“货物入库”动作更新的库存数据,写回WMS仓库管理系统,确保WMS系统的库存数据与Ontology一致;③ 供应商评估结果写回:将AI模型输出的“供应商综合评分、风险等级”,写回CRM系统的供应商管理模块,为采购部门选择供应商提供数据支撑;④ 预警处理结果写回:将预警规则触发后的“处理结果、处理时间”,写回供应链管理系统的预警记录表,实现预警处理的可追溯。

19. 约束条件(Constraint Condition)

定义:Ontology中“全局或局部的限制条件”,涵盖属性、规则、动作、工作流等所有层面,是比“规则”更宽泛的约束,确保Ontology的语义体系、业务流程“符合领域规范、不出现逻辑矛盾”。

作用:从全局层面规范Ontology的设计和应用,避免局部规则、动作之间的冲突,确保Ontology的完整性、一致性和合规性(如供应链中的合规约束、资源约束)。

注意事项:① 约束条件分为“全局约束”(适用于整个Ontology,如供应链中的“合规约束”)和“局部约束”(适用于某个对象类型、工作流,如仓库的“仓储容量约束”);② 约束条件需贴合领域规范(如供应链中的跨境合规、环保约束);③ 约束条件不可突破,若需突破,需经过审批并更新约束规则。

示例:① 全局约束条件:所有供应商必须符合国家供应链合规要求(无违法违规记录、具备相关资质),所有货物必须符合国家质量标准;② 局部约束条件(仓库):仓库的存储总量不能超过其最大仓储容量(约束仓库的“当前库存总量”属性);③ 局部约束条件(采购订单):单次采购订单金额不能超过企业预设的采购预算(约束采购订单的“总金额”属性);④ 局部约束条件(物流):危险品货物的运输必须符合国家危险品运输规范(约束物流车辆的“运输资质”、货物的“运输路线”)。

20. 推理规则(Inference Rule)

定义:Ontology中“基于现有知识推导新知识的逻辑规则”,通过结合对象属性、链接关系、现有规则,推导出未明确定义的语义关系、对象状态(核心:从已知推未知)。

作用:丰富Ontology的语义体系,挖掘对象间的隐藏关联,实现“智能推理”(如推导供应商的潜在风险、货物的潜在需求),提升Ontology的智能性。

注意事项:① 推理规则需基于“现有明确的知识”(对象属性、链接关系、规则),不能凭空推理;② 推理结果需经过“规则校验”,确保与现有Ontology体系一致;③ 推理规则可结合AI模型,提升推理的准确性和效率。

示例:① 推理规则1:若供应商的供货合格率<90%,且连续3个月交货延迟率≥3%,则推导出该供应商“存在合作风险”(未直接定义该属性,通过现有属性推理得出);② 推理规则2:若某成品的原材料库存不足,且该成品的需求预测呈上升趋势,则推导出“该成品未来可能出现缺货风险”(结合原材料库存、需求预测推导);③ 推理规则3:若仓库的空闲仓储面积<10%,且未来30天有大量采购订单即将到货,则推导出“仓库需扩容或调整入库计划”(结合仓库属性、采购订单数据推导);④ 推理规则4:若物流车辆的负载量≥90%,且运输路线存在拥堵预警,则推导出“该车辆可能出现交货延迟”(结合车辆属性、路况数据推导)。

最终总结:Ontology的核心逻辑与价值

通过以上20个关键概念的拆解,我们可以发现:Ontology的核心并非“定义概念”,而是构建一套“标准化、可扩展、可交互、可智能的语义体系”,其内在逻辑可总结为“三层闭环”——基础层(本体、对象类型、对象、属性)搭建语义框架,规则层(各类规则、动作提交标准)规范数据与交互,应用层(工作流、AI模型、预警规则、数据写回)实现业务落地与智能升级。

我们用供应链领域作为示例,核心是为了降低理解门槛——但Ontology的价值远不止于供应链:在AI领域,它解决了AI模型“可解释性”的痛点(让AI的决策过程基于明确的语义和规则);在数据治理领域,它打破了信息孤岛,实现了不同系统的数据互通;在智能协同领域,它让不同角色、不同系统能“统一语言”,提升协同效率。

总结来说,Ontology的20个概念并非孤立存在,而是相互关联、层层递进:基础层是前提,规则层是保障,应用层是价值体现。理解这20个概念,不仅能吃透Ontology的核心逻辑,更能看懂前沿科技中“语义化、智能化、闭环化”的发展趋势——无论是AI大模型的知识图谱、企业的数据治理,还是工业互联网的智能协同,Ontology都是底层的核心支撑。

如果你对Ontology感兴趣,或者有希望实现的企业业务场景,欢迎加风叔微信交流。下一篇文章,风叔将向大家介绍Ontology的十大误区。

跳转微信打开

  •  

DeepSeek在工业制造领域的应用场景实战

原创 风叔 2025-05-06 20:00 上海

看看工业制造和AI大模型能碰撞出什么样的火花!

前言

最近两个月,由于大客户项目交付到了关键阶段,以及忙于各种路演和融资,风叔实在是分身乏术,让大家久等了。

在过去半年时间里,我们一直在和多家世界500强企业共创和打磨应用场景,其中就包括了一些全球领先的能源与工业自动化企业。通过深入学习和了解工业制造的业务流程,风叔越来越看好AI智能体在该领域的应用场景,工业制造也将是风叔未来重点深挖的行业。

从整体上来讲,工业制造主要包括设计研发、采购、生产制造和销售/售后等环节。今天我们就来聊聊,以DeepSeek为代表的AI大模型,在这些环节都有哪些核心应用场景。其中风叔有实战落地的,也会重点标注。

1. 设计研发

1.1 元器件选型

在研发设计环节,都会涉及到元器件选型。比如研发一款继电器,根据设计的额定电压、电流、触点容量、工作温度等参数,该如何选择合适的元器件。在过去,工程师们往往需要花费大量的时间查找和阅读产品手册,或者根据多种参数从内部元件库中进行筛选,非常低效。

通过AI Agent,将相关元器件的产品手册解析为向量知识库或知识图谱,根据工程师的参数要求,自动检索到合适的元器件,并快速解答工程师关于元器件使用方法、设计说明、参数性能等问题,大幅提升工程师工作效率。

我们已在某世界500强企业落地该场景。

场景价值:⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

1.2 质量标准查询

工业制造领域的质量标准非常严格,工业产品的研发设计必须严格遵守质量标准,比如安全认证、电磁兼容性、环境适应性等要求。同时不同国家不同区域,也存在不同的质量标准。

面对如此多的质量要求,工程师们不可能对每个标准都烂熟于心。因此,质量标准的查询,也占据了工程师很大一部分工作时间。

通过AI Agent,将相关质量标准文件解析为向量知识库,方便工程师随时查询各区域、各行业的标准规范,并给出引用来源,成为工程师设计产品时的得力助手。

场景价值:⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️

2. 采购仓储

2.1 采购寻源

在采购环节,采购经理需要寻找潜在供应商。传统的做法是,采购经理根据所需要采购的原材料,在相关网站上进行搜索;然后电话联系潜在供应商,了解相关产品的信息,比如参数、报价、供货周期等等;在这个过程中,筛除不符合要求的供应商,对初步满足条件的供应商做进一步的沟通,包括参数对比、砍价、配量等等。整个过程重复工作多、效率低、完全依赖人工。

可以利用AI大模型构建采购寻源Agent,主要工作包括:

  • 根据采购要求,自动爬取相关网站上的潜在供应商信息;

  • 通过邮件、短信或外呼,自动联系供应商,多轮对话获取相关产品信息;

  • 自动排除不符合要求的供应商;

  • 对符合条件的供应商,自主规划和沟通,例如提出更高的质量要求、更低的采购价格、更稳定的供货周期;

  • 通过多个维度的参数对比,自动对潜在供应商打分,将结果反馈给采购经理

我们正在和某头部制造企业共创该场景,预计Q2末会正式落地。

场景价值:⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

3. 生产制造

3.1 设备智能运维

在生产制造环节,产线时常会因为各种各样的原因停机,比如产线故障、产品切换、设备维护等等。产线停机给工厂造成的损失是非常直接的,比如产线开动率100%时,产线可生产10000件/天,如果停机时间占比达到10%,产线每天将少生产1000件商品。

在过去,当产线发生故障时,往往依靠老师傅的经验,或者工厂打电话让原厂派工程师过来检修。但是老师傅的经验也是有局限的,而且经验也面临着严重的传承问题;而让原厂再派人过来,先不论原厂工程师要花多久修复问题,光是过来的路程上浪费的时间,都会导致工厂产线因长时间停机造成的损失。

通过AI大模型,我们可以实现设备智能运维,利用AI大模型进行故障归因,这里有两方面关键技术。第一方面是构建故障运维知识图谱,能够根据故障现象,AI快速推理出潜在的原因;第二方面是对接产线实时传感器数据,结合故障图谱进行定量分析,从而将原因范围快速聚拢到少数几种可能性。

这样,借助AI能快速找出故障原因并给出解决方案,大幅缩短停机时间。

我们已经在某世界500强灯塔工厂落地某该场景,正在复制中。

场景价值:⭐️⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

3.2 预测性维护

预测性维护,也是降低停机时间的重要手段,在潜在故障发生前就进行预测和预警。

AI大模型可以学习产线历史数据和故障的关系,比如电压、电流、转速、震动等因子,模型可根据当前数据,自动预测未来24h内产线发生故障的概率。当故障概率大于一定阈值时,提前进行潜在故障原因分析,减少停机风险。

正在和某世界500强共创该场景。

场景价值:⭐️⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

3.3 生产工艺优化

在生产制造环节,生产工艺和产量、良品率息息相关。在过去,一条产线在投产前,需要进行大量的生产工艺测试,该用什么温度、湿度、压力、电流、原材料等等,测试完成后就基本定型了。在实际投产后,理论上产线应该能达到额定的生产效率和良品率,比如每天生产10000件,良品率99%。

但实际情况下,因为各种原因,即使抛开停机因素,产品也可能达不到额定生产效率和良品率。可以考虑利用AI大模型进行生产工艺的优化。

工艺优化的核心思想是强化学习,如何调整生产参数,从而让生产效率和良品率最大化。将当前参数值作为状态,将参数的增减作为行动,将生产效率/良品率提升作为奖励,降低作为惩罚,通过强化学习逐渐逼近最优参数组合。强化学习可结合数字孪生开展,在数字孪生系统中计算最优参数组合后,再到产线中进行实际测试。

场景价值:⭐️⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️

4. 销售/售后

4.1 竞品分析

在销售环节,客户往往非常关注同类型产品的参数对比。在过去,产品参数对比表通常由市场部或销售部输出,通过浏览竞品的产品说明书,从而提炼各个竞品的参数和参数值。销售再拿着竞品对比表,去和客户交流。

现在,随着各类型产品更新换代速度越来越快,也给竞品分析表的编撰带来了更大的压力。可以通过AI Agent自动分析竞品说明手册,提取产品参数,生成产品对比表。

已经在某世界500强企业落地

场景价值:⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

4.2 自动报价

在能源和电力行业,销售人员往往需要根据项目图纸计算项目报价。过去的做法是,销售人员拿着项目图纸,人工逐图来核对相关设备的型号和数量,再查找每个设备的价格,最后人工整理成项目报价表。整个过程非常耗时耗力,而且充斥着重复工作。

我们可以利用AI Agent,自动解析项目图纸,自动从图纸中提取相关设备的型号和数量,再自动查找每个设备的价格,自动生成项目报价表,从而大幅节省销售时间。

正在和某头部电气自动化企业共创中

场景价值:⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

4.3 销售线索分析

在工业领域,销售会从市场部或者自己拿到一些客户线索。在过去,销售需要自己根据客户线索,在互联网上查找更多的客户信息,比如客户的经营范围、营收情况、产品类别等等,从而判断该客户是否是目标客户,以及该客户应该放在什么样的优先级。

借助AI Agent的帮助,在销售获取客户线索后,AI可以通过自动联网搜索补全客户画像,并根据客户信息自动匹配最为合适的产品,甚至帮助销售判定客户优先级,从而答复提升销售效率。

正在给某头部工业自动化企业交付中

场景价值:⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

4.4 售后客服

在工业自动化领域,企业将电气自动化设备售卖给下游的OEM厂商或者终端工厂。由于设备的复杂性,OEM厂商或工厂经常会遇到设备或软件不会操作的情况,或者设备出现故障,然后打电话给企业的售后客服。

但是工业企业的售后工程师往往数量不会太多,我们所接触的一家世界头部企业,客户和业务遍布全国各地,但整个企业售后工程师团队只有小几十人,因此难以即时响应客户的问题。

通过AI Agent,将相关的设备手册、软件操作手册解析成向量知识库,客户可直接通过小程序发起咨询,AI Agent自动识别客户需求,并路由到匹配的知识库进行信息检索召回,大幅提升售后效率。

已在多家头部企业落地

场景价值:⭐️⭐️⭐️⭐️

场景可行性:⭐️⭐️⭐️⭐️⭐️

总结

本篇文章围绕工业制造的主要业务环节,介绍了AI大模型的核心应用场景。风叔不是工业制造领域的专家,算是抛砖引玉,和读者一起探讨更多有价值的应用场景。

对风叔已经落地的应用场景感兴趣、或者有合作意愿的读者,可以给风叔留言详细交流。

更多精彩文章:

大佬们都在关注的AI Agent,到底是什么?用5W1H分析框架拆解AI Agent(上篇)

RAG实战篇:构建一个最小可行性的Rag系统

离开工作了七年的鹅厂,风叔正式踏上AI大模型的创业之旅

RAG一周出Demo,半年上不了线,怎么破?

十个关键词,带你全面看懂DeepSeek!

图片

风叔,AI大模型领域创业者,前腾讯产品总监,十多年产品设计和商业化经验,对电商、营销、AI和大数据产品具备丰富的实战经验。风叔将坚持输出自己的总结和思考,希望对你有帮助。

跳转微信打开

  •  

十个关键词,带你全面看懂DeepSeek!

原创 风叔 2025-02-10 20:02 上海

你对DeepSeek的绝大多数疑问,都能在这篇文章找到答案

前言

DeepSeek的火热仍在持续。

相信很多读者在使用DeepSeek的时候,都会默认开启深度思考功能,风叔在阅读DeepSeek思考过程上的时间,甚至比最终回答还要多。

这是风叔在使用其他大模型时,从来没有过的体验。通过思考过程,你能真实感受到DeepSeek确实是在深度推理和反思,而非从四面八方获取各种零碎信息之后进行总结输出。

这样的推理效果也激发了风叔进一步探索DeepSeek的念头,经过这段时间的深度研究,风叔总结出来十个关键词,带你全面看懂DeepSeek。

相信大家在读完这篇文章之后,会对下面几个问题有比较清晰的答案:

DeepSeek的实现原理是什么?

为什么DeepSeek具备如此强大的推理能力?

为什么DeepSeek能大幅降低训练成本?

DeepSeek会对英伟达造成怎样的冲击?

图片

风叔的研究方法主要是阅读DeepSeek最重要的两篇论文,《DeepSeek-V3 Technical Report》、《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》,以及研究DeepSeek在Github上的开源代码。

对论文感兴趣的读者可以直接回复关键词【deepseek论文】获取。

关键词一:多头潜在注意力MLA

多头潜在注意力(Multi-head Latent Attention),是DeepSeek在推理成本上大幅降低的关键创新。

在传统的Transformer架构中,通过多头注意力机制(Multi-head Attention),模型可以同时关注输入的不同部分,每个attention head都会独立学习输入序列中的特征。

但是当序列长度显著增加时,键值(KV)缓存也会大幅增加,从而带来巨大的内存负担。

为了解决这个问题,DeepSeek创新性地提出了多头潜在注意力MLA机制。通过低秩联合压缩技术,将多个输入向量压缩为一个隐藏向量(Latent Vector),从而减少了93.3%的键值缓存,如下图右下部分所示。

同时,DeepSeek还通过Multi-token Prediction机制,同时预测多个token,而非逐个token进行预测,大幅提升了模型预测的效率。

关键词二:专家混合模型MOE

专家混合模型,是一种将多个专家模型组合在一起,以提高模型性能的架构。

MOE包括多个专家网络和一个门控网络。每个专家网络都是独立的模型,负责处理特定领域的问题。门控网络的作用则是根据输入来确定每个专家网络的权重,从而路由给合适的模型进行处理。

在DeepSeek模型中,有一个专门的MOE层,包括了动态路由机制和专家共享机制,如下图右上部分所示。

通过动态路由机制,每次输入会选择性地激活部分专家模型,而非同时激活所有专家模型,从而提升计算的效率。同时,通过专家共享机制,在不同层之间可以共享部分专家模型的参数,从而减少模型冗余。

关键词三:负载均衡优化

MOE架构其实早在2021年就提出来了,但一直没有特别好的实践案例。因为如果要用MoE架构去训练一个超大的模型,存在计算复杂度高、训练难度大等问题,其中最大的挑战是负载均衡。

为了解决这个问题,DeepSeek提出了一种非常创新的策略,Auxiliaray-Loss-Free Load Balancing。

这个策略的核心是,当给一个输入token计算该路由到哪个专家模型的时候,会加上一个专家Bias。如果发现某个专家模型处于过载状态,就会降低它的Bias;如果发现某个专家模型处于闲置状态,就会增加它的Bias。

这个思想和服务器集群的负载均衡是相似的,通过这种策略让多个专家模型实现均衡,从而提升整体模型的利用率。

关键词四:模型蒸馏

模型蒸馏,是将一个复杂且性能优异的“教师模型”的知识,迁移到一个简单的“学生模型”,使学生模型在保持较高性能的同时,还能显著减少模型的参数规模和计算成本。

模型蒸馏的核心思想是利用教师模型输出的软标签(即概率分布),而非硬标签,来指导学生模型的训练。这样,学生模型不仅能学习到数据的类别信息,还能够捕捉到类别之间的相似性和关系,从而提升其泛化能力。

模型蒸馏主要包括四步骤:

  • 训练教师模型:首先使用Transformer模型,训练一个性能优异但通常较为庞大的教师模型。

  • 生成软标签:使用教师模型对训练数据进行预测,获得每个样本的概率分布。

  • 训练学生模型:设计一个较小的学生模型,并使用软标签以及硬标签共同训练。

  • 优化与调整:通过调整温度参数、损失函数权重等超参数,优化学生模型的性能,使其尽可能接近教师模型。

DeepSeek是完全原创还是蒸馏了一部分其他模型,目前众说纷纭,但风叔认为这个并不重要。

第一个做出蒸汽机的是英国人纽可门,用来进行矿井抽水,效率非常低。瓦特在修理纽可门蒸汽机时,进行了重大创新和改进,发明了瓦特蒸汽机。从某种程度上来说,瓦特也是“蒸馏”了纽可门蒸汽机,但并不能因此否认瓦特的贡献,否则科技史上的那些创新都要被打上“蒸馏”的标签了。

关键词五:纯强化学习

传统训练AI推理能力的方法,通常是先通过监督微调SFT,让初始模型在大量的思维链(COT)训练数据集上,通过多个SFT周期进行训练。再用奖励模型让模型更新自己的策略网络和价值网络,以最大化预期奖励,如下图所示。

图片

DeepSeek则完全抛开了利用大量思维链COT模板进行监督微调的范式,直接进行强化学习,依靠简单的奖惩信号对模型进行优化,大幅降低训练消耗。

DeepSeek-R1只用了一套最简单的奖励系统,来激发AI的推理能力。

第一,是准确性奖励。评估方法非常简单,正确就加分,错误就扣分。比如在具有确定性结果的数学问题中,模型需要以特定格式(<answer></answer>)提供最终答案。

第二,是格式奖励。该奖励模型强制要求模型将思考过程输出在<think></think>之间,符合格式要求就加分,不符合要求就扣分。

然后让AI在GRPO(Group Relative Policy Optimization)的规则下自我采样、比较和优化。

关键词六:GRPO

GRPO,全称是Group Relative Policy Optimization,是一种针对群体智能进行策略优化的算法。

顾名思义,该算法只考虑群体之间的相对关系和影响,使得整个群体在环境交互过程中,实现某种整体目标或优势。

图片

DeepSeek是使用GRPO算法的核心流程如下

  • 对于一个问题,模型生成5个不同的解答步骤;

  • 检查每个解答的准确性,包括输出结果和格式,并给出奖励分数,比如正确得1分,错误得0分

  • 计算相对优势,包括群体的平均奖励(比如5个回答对了3个,平均奖励为0.6),计算每个回答的优势(优势 = 回答奖励  - 0.6)

  • 更新策略模型,增加优势为正的回答生成概率,减少优势为负的回答生成概率

DeepSeek为什么会选择GRPO算法,而不是大家更熟悉的PPO算法呢?

首先,PPO算法依赖价值模型估计状态价值,从而帮助计算优势函数。但是因为语言的状态空间巨大且复杂,很难为语言构建合理的价值模型。而GPRO算法只对输出的语言内容进行相对优势计算,不需要设计价值模型。

其次,PPO算法需要训练奖励模型进行评估,而GRPO算法使用基于规则的奖励,通过规则直接评估回答的准确性,不需要训练奖励模型。

这也是DeepSeek能大幅降低训练成本的核心原因之一。

关键词七:过程奖励模型PRM

在传统奖励模型中,AI主要根据任务的最终结果获得奖励,但是AI为了追求最终奖励,可能采取一些短视或不合理的行为。

而过程奖励模型(Process Reward Model)会对AI在整个任务执行过程中的步骤进行评估,根据这些中间步骤的质量、合理性、与预期策略的相符程度等因素来给予奖励。

DeepSeek在训练模型的过程中,采用了过程奖励模型。这种奖励策略能够让AI更明确每一步的正确行为方向,有助于AI更快、更稳定地学习到最优策略。

关键词八:长思维链冷启动数据

由于DeepSeek-V3完全通过奖惩信号进行模型优化,没有任何经过人类指示的标准答案作为参考,因此导致了“可读性差”的问题,即模型的思维过程可能难以被人理解。为了解决这个问题,DeepSeek-R1引入了冷启动数据。

第一阶段是冷启动:通过数千条高质量的长思维链(Long-COT)数据进行模型微调,用于提升模型的初始推理能力和回答格式,为后续的强化学习提供良好的初始状态。

第二阶段是以推理为导向的强化学习:通过GRPO算法,以DeepSeek-V3为基础进行强化学习,增强模型在推理任务上的准确性

第三阶段是拒绝抽样和监督微调:将推理任务数据和非推理任务数据混合,构建新的训练数据集,使用混合数据对策略模型进行再微调,从而进一步提升模型的推理能力,并且扩展模型在非推理任务上的能力

第四阶段是全面场景的强化学习:对于推理任务,继续使用基于规则的奖励系统;对于非推理任务,结合RLHF(人类反馈强化学习),对齐人类偏好

关键词九:PTX

除了大幅降低GPU资源消耗之外,DeepSeek还严重动摇了英伟达的生态基础,CUDA。

CUDA,全称是Compute Unified Device Architecture,是英伟达推出的并行计算平台和编程模型,允许开发者使用C、C++语言在英伟达GPU上进行通用计算。CUDA提供了非常多的API和工具,让开发者可以非常方便地将计算任务分配到GPU的多个线程并行计算

因此,CUDA成为开发者绕不开的平台,是英伟达的关键护城河。

而DeepSeek的实践证明,CUDA构建的堡垒也是可以被攻破的。通过PTX(Parallel Thread Execution,可以独立于具体的GPU硬件架构,介于高级编程语言和底层GPU机器码之间)汇编直接操作硬件层,可以获得更高的计算效率。

对英伟达致命的是,很多国产芯片都支持PTX,英伟达的CUDA护城河受到严重冲击。

在绕开CUDA的同时,DeepSeek还顺手冲击了英伟达的另一个关键护城河,NVLink。NVLINK是英伟达推出的一种专门为GPU与CPU之间高速数据传输所设计的互联技术,提供更宽的带宽和更低的延时,可以极大提升GPU密集型应用的性能,比如深度学习、图像计算、大数据分析。

而DeepSeek通过实践证明,NVLink也不是必须的,DPU完全可以替代。

关键词十:杰文斯悖论

上图是英伟达的股价在最近一个多月的表现,自从DeepSeek R1发布之后,英伟达先是大幅下跌,随后就开始了反复的震荡。

大家可能会疑惑,既然DeepSeek给英伟达造成了如此巨大的冲击,为什么英伟达从整体来看并未下降多少呢?

背后的原因可能是“杰文斯悖论”,由 19 世纪英国经济学家威廉・斯坦利・杰文斯在 1865 年的著作《煤炭问题》中首次提出。

19 世纪工业革命期间,蒸汽机热效率大幅提升,每单位煤炭可产生更多动力。市场原本认为煤炭消耗会大幅减少,但由于蒸汽机效率提高,其应用范围迅速扩展到铁路、纺织、矿业等领域,反而导致煤炭总需求量激增。

同样的,DeepSeek带来了推理成本的大幅下降,大家第一反应会认为这会减少GPU的算力消耗。但由于推理效率提高,AI应用场景会迅速扩张,甚至以前没有能力大量采购GPU的中小企业,也能参与这场AI盛宴,最终导致GPU总需求增加。

这里对于英伟达的影响在于,DeepSeek向世人证明了,即使不需要非常高端的GPU,也能进行高效的模型推理。因此,像华为昇腾、AMD等企业,会分走一部分英伟达的市场份额。

总结

在这篇文章中,风叔通过十个关键词,全面介绍了DeepSeek的原理和过程。

熟悉风叔的朋友们都知道,我们主要面向世界500强,提供企业级AI智能体,帮助企业解决复杂业务问题。DeepSeek给了风叔很多灵感,尤其是长思维链、强化学习和过程奖励模型,对我们产品能力和体验的提升,起到了非常正向的促进作用。

在后续的文章中,风叔还会向大家分享DeepSeek在企业级AI场景中的实践效果和案例。

更多精彩文章:

大佬们都在关注的AI Agent,到底是什么?用5W1H分析框架拆解AI Agent(上篇)

RAG实战篇:构建一个最小可行性的Rag系统

离开工作了七年的鹅厂,风叔正式踏上AI大模型的创业之旅

RAG一周出Demo,半年上不了线,怎么破?

推动Palantir市值两年暴涨12倍的Ontology,到底是什么?

图片

风叔,AI大模型领域创业者,前腾讯产品总监,十多年产品设计和商业化经验,对电商、营销、AI和大数据产品具备丰富的实战经验。风叔将坚持输出自己的总结和思考,希望对你有帮助。

跳转微信打开

  •  

三个关键词,深度剖析DeepSeek-R1的实现原理

原创 风叔 2025-01-27 21:02 湖北

公布答案:直接强化学习、GRPO、冷启动数据和多阶段训练

前言

DeepSeek火爆出圈了!

在去年12月,DeepSeek-V3就以极低的训练成本,实现了与GPT-4O相媲美的性能。今年1月,deepseek再次带来惊喜,甩出了王炸级别的DeepSeek-R1,这款新的开源模型仅用不到十分之一的成本,就实现了GPT-O1的水平。

朋友圈里都是讨论DeepSeek的声音,今天风叔也来跟跟风,用三个关键词对DeepSeek-R1做一个深度剖析。

Deep seek into DeepSeek-R1!

关键词一,直接强化学习

强化学习的概念,是AI通过与环境进行交互,并根据环境反馈的奖励信号来学习最优行为策略,以最大化长期累积奖励。

强化学习有三个关键的概念,策略模型、价值模型和奖励模型。

策略模型:策略模型是指AI在不同环境状态下应该采取的行动,或采取各个行动的概率分布。比如在游戏AI中,环境是整个游戏地图,策略模型就是游戏AI在地图的每个点上应该采取的行动,比如前进、后退、左转、右转等等。

价值模型:价值模型用于评估AI在某个状态下的价值,表示AI从某个状态开始,遵循某种策略所能获得的长期累积奖励的估计值。比如在游戏AI中,游戏AI在某个点前进可能会遇到怪物,而右转可能会遇到宝箱。

奖励模型:一种用于量化AI在环境中执行某个动作时所获得奖励的函数,简单来说,就是告诉AI什么样的行为可以获得更高奖励,而什么样的行为会得到惩罚。

AI在和环境交互的过程中,根据奖励模型输出的奖励信号,通过策略梯度等算法更新策略模型的参数,使得策略模型逐渐学习到能最大化长期累积奖励的最优策略。

传统训练AI推理能力的方法,通常是先通过监督微调SFT,让初始模型在大量的思维链(COT)训练数据集上,通过多个SFT周期进行训练,学习如何从问题(x)和推理链(e)生成正确的答案(y)。再用奖励模型让模型更新自己的策略网络和价值网络,以最大化预期奖励,如下图所示。

而DeepSeek-R1完全抛开了利用大量思维链COT模板进行监督微调的范式,直接进行强化学习,依靠简单的奖惩信号对模型进行优化。

DeepSeek-R1只用了一套最简单的奖励系统,来激发AI的推理能力。

第一,是准确性奖励。评估方法非常简单,正确就加分,错误就扣分。比如在具有确定性结果的数学问题中,模型需要以特定格式(<answer></answer>)提供最终答案。

第二,是格式奖励。该奖励模型强制要求模型将思考过程输出在<think></think>之间,符合格式要求就加分,不符合要求就扣分。

然后,让AI在GRPO(Group Relative Policy Optimization)的规则下自我采样、比较和优化。

GRPO是一种强化学习下的策略模型更新算法,也是接下来要介绍的第二个关键词。

关键词二,GRPO

GRPO,全称是Group Relative Policy Optimization,是一种针对群体智能进行策略优化的算法。顾名思义,该算法只考虑AI群体之间的相对关系和影响,使得整个群体在和环境交互过程中实现某种整体目标或优势。

举一个通俗易懂的例子来解释Group Relative Policy Optimization。

以足球比赛为例,把每个球员作为群体AI中的一员,外部环境就是足球场,每个球员的状态包括位置、速度、身高、控球等状况,传球、跑位、射门等动作构成了策略网络,球队进球得分就是奖励。

刚开始,每个球员会按照各自的习惯和基本战术踢球,这就是初始策略。比赛过程中,教练会观察每个球员的表现和球员之间的配合情况,相当于收集数据和分析相对关系,比如发现某个前锋太独,不和中场球员配合而导致浪费进攻机会,教练就会调整他的策略,这就是策略优化。通过在比赛中不断观察和调整,优化每个球员的策略和球队的整体战术,从而提升球队赢得比赛的概率。

下图展示了GRPO算法和常见的强化学习策略优化算法PPO的区别。

GRPO的实现流程包括以下几步:

  1. 环境定义:定义群体中各个智能体,每个智能体都有自己的状态空间、策略空间和奖励函数,环境也会根据智能体的动作给出反馈

  2. 分配初始策略:为每个智能体分配一个初始策略,比如某个后卫的活动范围主要集中在己方半场

  3. 群体交互与数据收集:让每个智能体和环境交互,并根据自己的策略选择动作,然后更新环境状态

  4. 相对关系分析:分析智能体之间的相对关系,比如哪些智能体协作更紧密,哪些智能体的动作对环境影响更大

  5. 策略优化:根据相对关系分析的结果,使用梯度下降算法更新策略网络的参数,使得群体目标实现概率最大化

  6. 重复迭代:重复步骤3~5,直到满足一定的终止条件。

那么DeepSeek-R1是如何使用GRPO算法的呢?其核心流程是这样的

  • 对于一个问题,模型生成5个不同的解答步骤;

  • 检查每个解答的准确性,包括输出结果和格式,并给出奖励分数,比如正确得1分,错误得0分

  • 计算相对优势,包括群体的平均奖励(比如5个回答对了3个,平均奖励为0.6),计算每个回答的优势(优势 = 回答奖励  - 0.6)

  • 更新策略模型,增加优势为正的回答生成概率,减少优势为负的回答生成概率

DeepSeek为什么会选择GRPO算法,而不是大家更熟悉的PPO算法呢?

首先,PPO算法依赖价值模型估计状态价值,从而帮助计算优势函数。但是因为语言的状态空间巨大且复杂,很难为语言构建合理的价值模型。而GPRO算法只对输出的语言内容进行相对优势计算,不需要设计价值模型。

其次,PPO算法需要训练奖励模型进行评估,而GRPO算法使用基于规则的奖励,通过规则直接评估回答的准确性,不需要训练奖励模型。

由于不需要SFT,也不需要价值模型和奖励模型,这个做法带来了训练效率的大幅提升,和训练资源的大幅减少。这也是DeepSeek-R1训练成本如此低的核心原因。

关键词三,冷启动数据和多阶段训练

由于DeepSeek-R1完全通过奖惩信号进行模型优化,没有任何经过人类指示的标准答案作为参考,因此导致了“可读性差”的问题,即模型的思维过程可能难以被人理解。为了解决这个问题,DeepSeek-R1引入了冷启动数据和多阶段训练流程。

下面是DeepSeek-R1的四个训练阶段。

阶段一,冷启动

训练目标:提升模型的初始推理能力和回答格式,为后续的强化学习提供良好的初始状态。

训练方法:监督微调SFT。

使用数据:使用推理任务数据,收集了数千条高质量的思维链COT数据,包含详细的推理过程和答案。写作、翻译等非推理类任务不在此阶段。

训练实现:基于推理任务的数据,对策略模型进行微调。

阶段二,以推理为导向的强化学习

训练目标:增强模型在推理任务上的准确性。

训练方法:强化学习算法GRPO。

使用数据:仅使用推理任务数据,包括数学、编程等有明确标准答案的任务。非推理任务数据仍不在此阶段。

训练实现:使用基于规则的奖励系统,对模型回答的正确性和格式进行评估。

阶段三,拒绝采样与再监督微调

训练目标:继续提升模型的推理能力,并且扩展模型在非推理任务上的能力。

训练方法:监督微调SFT。

使用数据:对于推理任务的数据,使用“拒绝采样”方法,收集高质量的推理数据;对于非推理任务的数据,使用现有公开数据集。

训练实现:将推理任务数据和非推理任务数据混合,构建新的训练数据集,使用混合数据对策略模型进行再微调。

阶段四,全面场景的强化学习

训练目标:继续提升模型推理能力;同时对齐人类偏好,提升非推理任务的安全性。

训练方法:强化学习GRPO,奖励模型(对非推理任务)。

使用数据:在阶段三的基础上,使用阶段三的模型生成的非推理任务数据。

训练实现:对于推理任务,继续使用基于规则的奖励系统;对于非推理任务,构建奖励模型,评估模型输出的有用性和安全性。

经过这四个阶段的训练,DeepSeek-R1在Math基准测试上,达到了77.5%的准确率;在AIME 2024上,达到了71.3%的准确率。而OpenAI-O1在这两个领域的准确率分别是77.3%和71.0%。

而且DeepSeek-R1表现出了更大的潜力,因为同样在AIME 2024的测试中,如果使用多数投票机制(即多次尝试后选出最准确的答案),DeepSeek-R1的准确率高达86.7%。

总结

DeepSeek-R1的成功让大家的目光再次投向了强化学习,这个曾经让AlphaGO风靡全球的训练范式。除了少量的监督微调SFT之外,DeepSeek-R1几乎是完全通过强化学习训练出来的,而且展现出了强大的推理能力。

在传统的监督微调SFT中,模型很有可能只是学会了触发奖励的特定模式,从而故意投机取巧地生成和奖励模型对味的内容,而不是真正理解和推理。但DeepSeek-R1用极度简单的奖励规则,避免了模型为了获得奖励而进行欺骗的可能性。

“真正的理解来自于主动建构,而不是被动接受”。通过纯粹的强化学习,而不是一味让AI模仿人类的思维方式,AI似乎发展出了更直接更底层的推理能力。让我们保持乐观,期待在纯强化学习这条路径上,看到更多的突破。

最后,风叔预祝大家春节快乐!

更多精彩文章:

大佬们都在关注的AI Agent,到底是什么?用5W1H分析框架拆解AI Agent(上篇)

RAG实战篇:构建一个最小可行性的Rag系统

离开工作了七年的鹅厂,风叔正式踏上AI大模型的创业之旅

RAG一周出Demo,半年上不了线,怎么破?

推动Palantir市值两年暴涨12倍的Ontology,到底是什么?

风叔,AI大模型领域创业者,前腾讯产品总监,十多年产品设计和商业化经验,对电商、营销、AI和大数据产品具备丰富的实战经验。风叔将坚持输出自己的总结和思考,希望对你有帮助。

跳转微信打开

  •  

推动Palantir市值两年暴涨12倍的Ontology,到底是什么?

原创 风叔 2025-01-20 20:02 上海

Ontology,构建企业级AI Agent的大杀器!

前言

如果盘点美股这两年最火爆的公司,除了大家耳熟能详的英伟达、特斯拉之外,Palantir绝对算得上是最炙手可热的明星公司之一。从2023年初到现在,短短两年之间,Palantir的市值上涨了惊人的1200%!

Palantir是一家专注于AI大数据分析和智能决策的上市公司,与美国政府、军方和企业都有非常密切的合作。Palantir帮助客户解决业务中最复杂的问题,从大数据反恐到供应链优化,更令人吃惊的是,Palantir每年平均从每个客户身上赚取超过1000万美金,即便如此昂贵的价格,客户对Palantir都保持了极高的忠诚度。

2023年4月,Palantir发布其最新的GenAI产品AIP,开始拉动Palantir股价的飙升。为什么市场如此看好Palantir?Palantir相比其他做数据分析和商业智能的公司,其核心差异是什么?

答案就是Ontology(本体论)。

什么是本体论Ontology?

本体论(ontology)是哲学中的一个重要概念,它主要研究存在的本质和基本特征。在计算机科学领域,本体论是一种对概念和概念之间的关系,进行明确的、形式化的描述方法。它构建了一个领域知识的语义模型,用于知识的表达、共享和复用。

以医药领域为例,该领域的主要概念包括:

药品:最核心的概念之一,包括了多种属性,比如名称、成分、剂型、规格、适应症、禁忌症等等。比如阿司匹林是一种药品名称,主要成分是乙酰水杨酸,剂型有片剂、胶囊和注射剂,规格包括0.1g和0.3g等,用于解热、镇痛。

疾病:疾病有多种属性,比如症状、危害等。比如甲流就是一种疾病,症状包括发热、流涕、咳嗽等等,危害是影响患者的呼吸道和肺。

医生:医生能够诊断疾病和开具药方,医生同样也有自己的属性,例如专业领域、职称等等。

医院:提供医疗服务的场所,医院的属性包括等级、科室设置

医药公司:进行药物的研制和生产,医药公司的属性包括规模、所属国家

药监局:对药物的申请和上市进行监管和审批

当然,实际的医药领域还会包括医疗设备、医疗设备公司、医药代表等更多概念,这里简单起见,暂时不考虑这些概念。

从医药领域的本体出发,概念和概念之间的关系如下所示。

医生 - 诊断 - 疾病:医生根据患者的症状特征,结合医疗设备的检查结果,对患者可能的疾病进行诊断。

药品 - 治疗 - 疾病:根据患者的可能疾病,需要开具相应的药品,药品可以治疗疾病。

医院 - 检查 - 疾病:患者在医院挂号,通过医院的科室和医疗设备,对相关指标进行检查。

医药公司 - 研发 - 药品:医药公司通过各种生物、化学、医学等方式,进行药物研发。

药监局 - 审批 - 药品:药监局需要对药品的上市进行监管和审批。

医药公司 - 供应药品 - 医院:医药公司向医院供应药品。

看到这里,大家可能会发现,Ontology和知识图谱有着非常密切的关系。ontology表达的是概念和关系,而知识图谱是一种将信息表示为实体(节点)和关系(边)的网络。

更直观点来说,知识图谱等于本体加上数据,本体是知识图谱更抽象的表达。

当我们以上面那张图为基础,填入实际的实体信息,比如FDA、辉瑞制药、立普妥、霍普金斯医院、冠心病等等,千千万万个这样的实体信息,就会构成一张庞大的知识图谱。

Ontology的三个服务支撑

我们再仔细观察一下Palantir AIP的系统架构图,支撑Ontology Layer的是三个服务,Data Services、AI Services和Workflow Services,分别代表企业决策过程的三大要素:数据(Data)、逻辑(Logic)和行动(Action)。

因此,从某种程度上来讲,Ontology Layer加上三个服务层,就构建了一个企业的数字孪生。企业的经营现状,各种对象和数据,都能在数字孪生中得到精确的映射。而通过在数字孪生中添加和调整数据,还能反过来预测企业做出某种决策带来的效果。

Data Services(数据层)

数据层的核心,是对各种物理对象进行有效的提炼和抽象,即每个本体的概念和属性。比如零售场景中,商品、订单、门店、供货商、物流服务商等等,都是该场景下的关键实体。

基于本体的定义和属性,对企业的多源异构数据进行归一化处理,形成统一的Semantic Layer,即语义表示。Semantic Layer的主要作用就是将底层复杂的数据结构,转换为具有业务意义的概念和关系。此外,Semantic Layer还有一个关键作用,就是帮助各个不同部分,统一语义上的一致性。

最后,面向外部系统,数据层还要提供统一的API Interfaces,便于外部系统随时调取数据服务。

AI Services(逻辑层)

虽然数据是基础,但数据必须辅以推理和逻辑,才能做出更准确和科学的分析决策。以企业实际业务场景为例,业务部门在进行分析和决策的时候,可能会基于简单的规则,也可能会基于复杂的机器学习模型,或者某些特定场景下的小模型。比如零售连锁品牌在某地区开设新门店之前,就会分析目标区域的客流、用户画像、交通数据等,甚至还会构建销量预测模型,以评估目标区域的潜力。

逻辑层的核心,就是构建好各个本体和衍生出来的实体之间的逻辑关系。可以通过大模型和小模型的结合,比如Machine Learning、数学求解器、知识图谱等等。同时,还包括和业务系统的tool call,以及将各个环节有效串联起来的低代码流程编排工具。

Workflow Services(行动层)

任何企业决策,最终都要落实到行动上,比如开设新门店、研发新产品、优化供应链等等。通过这些行动后获得的业务反馈,进一步量化决策的效果。

行动层的核心,是利用大语言模型辅助企业员工的实际行动,比如在工业生产中更新ERP、更新MES、更新排产计划等等。因为我们利用Ontology构建了企业的数字孪生,因此这些行动可以先不必体验在实际物理环境中,而是在数字孪生中进行模拟和预测。

因此,行动层还包括了完整的控制、审核和模拟程序、沙盒环境以及环境的反馈回路,更安全地执行AI提供的行动建议。并且根据环境反馈,对逻辑层的模型和流程进行更新迭代。

目前,很多数据分析的企业或工具,能够一定程度上提供数据层和行动层的能力,但是逻辑层提供了一个企业或部门背后运转的核心业务逻辑。只有逻辑层的存在,才能最大限度发挥Data和Action的作用。

总结

Ontology可以说是Palantir走向成功的关键钥匙,同时也是Palantir的产品护城河。相对于广为人知的RAG(Retrival Augmented Generation),Palantir创造性地提出OAG(Ontology Augmented Generation),不只是做知识和数据的召回,而是同时融合企业私有数据、企业业务逻辑和业务行动反馈,实现企业复杂问题的解决。

基于OAG,Palantir落地了非常多极具挑战的项目。

比如宝马汽车生产优化项目,总费用超过2000万美元,主要任务是帮助宝马汽车优化生产流程、提高制造效率、预测供应链需求、提升产线灵活性。

比如默沙东利用Palantir,整合全球多个实验中心,进行临床实验数据分析与优化、生物标志物筛选、药物响应预测等等,大幅提升了药物研发效率。

还有很多案例就不一一列举了,感兴趣的读者可以进入Palantir的官网AIP Now,了解更多经典案例。

更多精彩文章:

大佬们都在关注的AI Agent,到底是什么?用5W1H分析框架拆解AI Agent(上篇)

RAG实战篇:构建一个最小可行性的Rag系统

离开工作了七年的鹅厂,风叔正式踏上AI大模型的创业之旅

RAG一周出Demo,半年上不了线,怎么破?

风叔,AI大模型领域创业者,前腾讯产品总监,十多年产品设计和商业化经验,对电商、营销、AI和大数据产品具备丰富的实战经验。风叔将坚持输出自己的总结和思考,希望对你有帮助。

跳转微信打开

  •  
❌