2015年，优锘科技CEO陈傲寒在硅谷参加Strata大数据会议，在与Palantir的产品和项目人员的交流中发现对方也是在做“数字孪生”，但与优锘不同：优锘更强调建立数字对象，并通过可视化工具交给客户使用；Palantir则从建模到分析一路深入客户现场，做法很重，也带有强烈的项目制色彩。
“我当时是不看好Palantir的。”陈傲寒回忆。在他看来，这不像硅谷公司擅长的平台和产品生意，太重，太依赖人，复制和扩张都很困难。
十年后，Palantir成为全球资本市场最受关注的企业AI公司，而陈傲寒也推翻了自己当年的判断。让他改变看法的不是Palantir变了，而是AI出现了。
在他看来，AI同时改变了这条重路线的两端：建设侧，AI大幅降低了业务建模、治理和持续维护的成本；使用侧，AI突破了专业分析人员稀缺造成的"认知带宽瓶颈"。过去只有反恐、军事和顶级机构决策才养得起的重投入，第一次有了走向普通企业日常经营分析的经济性。
一条被判过死刑的路线，被AI整体激活了。
与此同时，企业AI要从文档问答走进经营分析，就必须理解企业中有哪些业务对象、对象之间是什么关系、数据和操作分布在哪里。本体，由此从知识图谱领域的一个专业概念，变成了AI理解企业、获取数据和调用能力的一张地图。
访谈中，陈傲寒通过实际案例说明，企业AI落地的最大瓶颈，不是模型不够聪明，而是AI不认识你的企业。通用大模型拥有近乎全部的公共知识，却不知道一家企业里有哪些业务对象、对象之间什么关系、数据和操作分布在哪里。文档问答之所以走不进经营分析，AI幻觉之所以难以根除，根源都在这里。
本体，就是补上这个缺口的东西，一张AI可理解、可计算、可操作的企业地图。人与人对不齐认知时，打开地图就能对齐；人与AI之间同样如此。当企业的对象、关系、数据与行为被语义化地组织起来，AI才真正从"会聊天"走向"懂业务"。
这也解释了优锘自身的转身：过去十余年，优诺做的是"数字孪生+可视化"，以形象化方式让人看懂现实世界；如今做的是"本体+语义化"，让AI看懂企业。过去一年多，优诺团队在原有数字对象和关系图谱的基础上，重点建设面向AI的语义与推理引擎，试图让AI从复杂的企业数据中准确取数，并进一步完成面向业务意图的分析。底层的对象与关系图谱一脉相承，服务的对象从人的眼睛，变成了AI的认知。
在本次访谈中，陈傲寒分享了他对Palantir路线、本体与数字孪生的关系、企业级记忆、AI取数准确性、经营分析场景以及中国市场商业模式的思考。
核心观点
本体在AI时代的核心价值，是为AI提供一张可理解、可计算、可操作的企业地图。过去的数字孪生主要以可视化方式帮助人理解现实世界，本体则以语义化方式帮助AI理解企业中的对象、关系、数据与行为，并让人与AI围绕同一个业务世界对齐认知。
AI打开Palantir重模式的能力上限。AI既能降低本体建模与维护的成本，也能补充企业中稀缺的分析能力，使原本只适用于反恐、军事和大型机构高价值决策的路径，开始进入更广泛的经营分析场景。
智能问数只是基础能力，本体真正释放的是面向业务意图的分析自由。用户提出一个经营问题后，分析智能体可以拆解分析维度和指标，再调用数据智能引擎逐项获取数据，将过去持续数周的分析过程压缩到分钟级。
中国大型企业大概率会走向自建，供应商需要先用场景证明价值。央国企会把本体、数据和业务知识视为核心能力，与其先卖一套抽象的平台，不如从经营分析等可见价值场景切入，在使用过程中沉淀本体资产和工程能力，不要先纠结于眼前的商业模式。
01 从数字孪生到本体：以前让人看懂，现在让AI看懂
爱分析：优锘科技是如何从数字孪生走向本体？
陈傲寒：我们最早做数字孪生时，底层就在建立大量数字孪生体，上面再加一套可视化引擎和工具，让人做交互、分析和控制。大概到2016年、2017年，行业才逐渐把我们做的事情称为数字孪生。
在我们的理解里，数字孪生从来不只是一个3D模型，而是一个与现实实体对应的数字对象。它可以接收现实对象的日志、告警和动态指标，也可以反向下发开关、参数和任务，同时，它还要整合分散在不同业务系统中的信息，并调用仿真、机理模型或机器学习算法。
对象之间还存在物理空间、逻辑架构和事件关系。一个对象收到事件后采取什么动作，又会给其他对象产生什么事件。把对象、关系、数据和操作组织起来，才构成我们理解的数字孪生图谱。
我们原来希望把这张图谱以形象化的方式交给人，让人获得一个认知和管理现实世界的数字镜像。但实践并不顺利。市场上大量数字孪生需求主要用于展示、参观和汇报，做一个3D沙盘，再挂一些数据图表就够了。
真正的深度分析为什么很少？因为现实组织是按岗位和部门切分的，一个具体岗位只管理完整世界中的一小块内容，用原有的一两个系统已经能够完成工作，并没有动力使用一张覆盖全局的图谱。
需要看全局的通常是领导，但领导又不直接做具体分析。结果是，我们前面做了很重的数据治理、对象化和关系建模，最后却没有充分发挥作用。
AI出现以后，关系发生了变化。过去是“人—数字孪生—现实世界”，现在中间多了AI。局部岗位的人未必需要一张完整图谱，但AI非常需要，因为AI拥有很强的通用知识和分析能力，却不知道一家企业中到底有哪些业务对象、对象之间有什么关系、每个对象身上有什么数据。
所以，我们原来做的是“数字孪生加可视化”，以形象化方式让人看懂；现在做的是“数字孪生加语义化”，让AI看懂。这是我们从数字孪生走向本体的基本逻辑。
爱分析：人与AI为什么需要借助这张地图对齐？
陈傲寒：人和AI仅靠语言不一定能对齐对现实世界的认知。比如两个人争论中国尊在东三环以内还是以外，继续讲语言很难解决，最后打开地图就可以对齐，地图就是对现实地理世界的一种数字孪生。
AI也无法直接跑到企业现场去看一遍，人和AI需要共同面对一个与现实业务对象、关系、数据和动作相互映射的数字世界，而本体就是这样一张地图。
当现实世界被对象化、关系化和语义化以后，AI就可以根据人的不同意图自由组合对象和能力。对象之间的关系既是组合的线索，也是推理的线索，多模态数据也可以围绕同一个对象组织起来。最终，人和AI对“企业里有什么、它们如何关联”形成一致理解。
02 AI激活了Palantir路线的价值
爱分析：您怎么看待Palantir在AI时代重新受到关注？
陈傲寒：2015年，我去硅谷参加Strata大数据会议，碰到Palantir的几位华人员工，有人做产品，有人在前端做项目。那几天我们经常一起吃饭，他们说自己也在做数字孪生，但聊下来我发现，他们更侧重于建立数字孪生之后，帮助客户完成分析，我们更侧重于提供图谱和可视化工具，让客户自己使用。
我当时很奇怪，硅谷怎么还有这样的公司？这几乎是在做项目，每个项目都要大量定制，也严重依赖人。我认为这种模式太重，很难规模化，所以当时并不看好。
这两三年，我们重新研究它，是因为它原来长期坚持的路线突然被激活了。
我认为，关键变量就是AI。
Palantir很早就把企业数据组织成业务对象和关系，并用业务语言和业务人员沟通。真正提取数据时，再通过已有的函数和对象集合完成调用。这样一来，业务人员不用理解底层有哪些明细表和字段，技术人员也不必每次都重新写大量SQL。
但在AI以前，这套做法依然很重。对象建模、关系维护和分析高度依赖专业人员，只能用于单次分析价值非常高的场景，比如反恐、军事和大型商业机构的高端决策。
AI改变了两端。一端是建设侧：它降低了建模、治理和持续维护的成本；另一端是使用侧：过去能够完成复杂经营分析的人很少，人的知识和时间构成了认知带宽瓶颈，现在AI可以参与理解业务、拆解问题和生成分析。
建设成本下降，使用能力放大，原来的路线就有了新的经济性。
爱分析：Palantir的本体，与语义网、知识图谱有什么区别？
陈傲寒：国内有一些团队一谈本体，就自然走到W3C、OWL和传统知识图谱的路线。我认为，一个重要原因是大家先搜索了“本体”这个词，而不一定真正研究过Palantir。
传统知识图谱的本体，往往希望通过严谨的概念、公理和符号推理机来理解知识，Palantir并不是这条路线，它长期依赖人的柔性认知完成语义理解，再用对象、关系、函数和动作把分析约束在可执行的工程体系里。
AI出现后，又多了一种柔性推理机，可以处理自然语言和非结构化知识，但企业仍然需要对象和关系构成的业务世界，也需要确定性的函数、动作和工程护栏。两者结合之后，AI既能理解意图，也能在受约束的业务对象世界中获取数据和调用能力。
03 企业级记忆，不是为每个Agent重复建知识库
爱分析：从企业软件的演进看，您如何看待Agent、本体与传统系统之间的关系？
陈傲寒：过去的软件，无论命令行还是图形界面，本质上都是人通过界面操作确定性规则，对数据做增删改查。到了AI时代，中间不再只是硬编码规则，而是加入了可以理解意图、动态规划任务的智能。
早期做Agent时，大家往往围绕一个固定工作流建一个助手：为它准备一套知识库、几张数据表和一组工具。我们后来越来越觉得，未来的Agent未必是一个长期存在、边界固定的应用，它可能根据一个任务临时组合所需的数据、信息、知识和技能，任务完成后，上下文就消散了。
如果走到这一步，企业不能再为每个Agent重复建设一套局部知识和数据，而需要一个企业级记忆系统。大模型可以更换，但只要企业自己的记忆被持续组织起来，通用模型加上这套记忆，就形成了企业专有的认知能力。
这套记忆不只是把数据存成图谱，而要能为AI提供服务。AI可以用接近业务语言的方式提出：我需要哪些对象、哪些信息、哪些知识，系统能够准确返回结果。
在相当长的时间里，企业会处于刚柔并济的状态。左边是柔性的AI：理解意图、规划任务、组织知识和调用Skill；右边是ERP、CRM、OA等既有系统，继续承载确定性的记录和操作。既有系统需要逐步开放API或其他可调用接口，再由面向业务的Skill进行封装。两边共享的，是本体化、图谱化的企业记忆。
04 让AI准确取数，不能只靠Text-to-SQL
爱分析：企业已经有数据平台和大模型，AI真正使用企业数据时，困难具体出在哪里？
陈傲寒：只把图谱中的对象和字段标上语义，并不能保证AI准确取数。企业的数据对象多、关系复杂，一个自然语言问题往往对应一张动态的关系子图。AI需要知道涉及哪些对象和关系，筛选条件落在哪些对象上，要提取哪些字段，最后进行什么计算。
例如，一个问题可能是：统计供应商A在2025年9月提供的原材料批次所生产的制成品中，售后反馈提及轮胎问题的订单，列出客户清单和金额，并按金额排序汇总。
这个问题背后涉及供应商、原材料批次、制成品、销售订单、售后反馈和客户等对象。系统需要先找到正确的关系路径，再把“供应商A”落到供应商对象，把“2025年9月”落到原材料批次，把“轮胎问题”落到售后反馈，最后从订单和客户对象中提取字段并完成汇总。
如果直接从自然语言跳到SQL，或者依赖黑盒式的生成，一旦表多、关系深，准确率就会明显下降。固定指标又缺少泛化能力，客户换一个问题，系统可能就回答不了。
爱分析：如何在准确性和泛化能力之间取得平衡？
陈傲寒：我们做了一套“ABC可核验推理链”。核心不是让AI一次猜出答案，而是把数据获取拆成一组必须依次完成和校验的步骤：识别对象与关系、确定筛选条件、选择提取字段、定义计算，再生成可以由底层确定性程序解析执行的声明式查询。
这背后不是一个提示词，而是多个子Agent协作，并由调度机制约束它们按照推理过程执行。能够在图谱内部完成的查询和计算，就在声明式体系内完成；图谱内部无法完成的复杂计算，再通过外部函数扩展。
同时，我们还设计了反向校验。一个Agent看不到原始问题，只看到最后生成的查询逻辑，由它反向还原“这条查询究竟在回答什么问题”；另一个Agent再比较还原的问题与原始问题是否一致，如果语义或逻辑不一致，就反馈回去重新推理。
在我们目前的测试中，只要本体关系和业务知识描述配置正确，这套方法可以实现很高的准确性。它不是面向预设指标，而是面向本体对象，所以客户提出新的指标或分析问题时，AI仍然可以动态生成计算逻辑。
爱分析：非结构化文档和多模态数据，如何进入这套体系？
陈傲寒：一个本体对象身上可以同时组织结构化数据以及文本、向量、图片、音视频和时序数据。传统RAG主要依赖文档切片和向量相似度，知识量变大以后，精准获取会遇到问题。
我们的方向是把文档和切片附着到相应的本体对象上，也可以从非结构化内容中提取对象、属性和关系。这样，AI不只是模糊地找到相似文档，还可以先通过对象条件确定范围，再获取相关简历、总结或其他知识内容。
数据、信息和知识都围绕同一个业务世界组织起来。
05 智能问数只是入口，本体释放的是分析自由
爱分析：从企业应用看，本体最先能够释放什么价值？
陈傲寒：我们现在主要从数据分析场景切入，而不是上来就向客户推销一套本体工具。智能问数是一个基础能力，但它不是在既有BI上增加一个自然语言窗口，也不只是让人换一种方式查询指标。
本质上的变化，是把数据重新组织成业务对象和关系构成的世界，让AI能够从业务视角自由获取数据、计算指标。再往上，分析智能体可以理解一个业务意图，判断应该从哪些维度分析、需要哪些指标和信息，然后把任务分发给底层数据智能引擎。底层逐项准确取数，上层再完成综合分析。
过去，一个业务分析通常需要业务专家、项目负责人、数据人员和BI人员协作，大家先对齐需要什么数据、如何生成宽表，再制作看板、解读结果和撰写报告，整个过程可能持续几周，甚至需要单独立项。
现在，这个过程有机会压缩到分钟级。更重要的并不只是速度，而是一些过去没有分析资源、没有人知道该如何分析的问题，也可以开始被处理。
爱分析：举几个案例，或者讲讲具体场景？
陈傲寒：我们在一个公共管理领域的项目中，客户希望用AI分析业务数据、提升管理效能，此前尝试过多种技术路线，效果一直不理想。我们基于本体完成第一份分析报告后，客户方的一位负责人原本只安排了二十分钟听汇报，结果看了两个多小时。
他问的第一个问题是："你们是怎么把大模型训练成我们这个行业的垂类模型的？"
实际上，我们没有训练大模型。通用大模型已经具备很强的知识和分析能力，只是不了解这家机构真实的业务世界。给它一张本体图谱，并让它能够准确获取数据和指标以后，能力才真正释放出来。
在某教育机构的应用场景中，领导提出“分析近三年组织人事发展情况”这类开放问题，分析智能体会拆解时间趋势、结构占比、排名对比和异常波动等角度，再分别提出所需指标，由数据引擎取回数据，进行分析并生成报告。过去需要多岗位协作，最快可能需要两周，现在可以在数分钟内由AI闭环形成初步结果。
用户还可以把一类分析方法做成Skill，交给分析智能体使用；也可以设置周期性任务，定期运行并把结果发送给相关人员。一次分析中生成并经过审核的指标和计算逻辑，还可以沉淀下来，供后续任务复用。
这样，本体资产不是一次性建设，而是在使用过程中不断生长。
爱分析：如果进一步从分析和决策走向执行，技术路径是否成立？
陈傲寒：技术上一定可以走到，但我认为至少有三个现实障碍。
第一个是与既有系统的关系。一个业务对象之所以已经数字化，通常意味着背后存在某个业务系统，数据和操作都已经在系统里实现了。即使本体平台能够调用操作，很多时候也是通过原系统API完成。既然原系统可以直接操作，为什么一定要从本体侧形成一个旁路？两边的职责如何划分，成本和收益是否成立，都需要具体判断。
第二个是组织分工和使用习惯。今天使用全局分析平台的人，更多是高层经营管理者或统一分析人员，真正执行具体业务的人，已经习惯在原有子系统里工作。改变岗位流程、界面习惯和已经形成的沉没成本，不会因为技术可行就自然发生。
第三个是信任。企业愿意让AI提供分析建议，与愿意让AI直接执行关键业务操作，是两个阶段。分析完成后由人确认、一键执行，和AI自主执行，也对应不同的风险边界。
我个人判断，Agent会逐渐成为主要入口，传统系统会越来越工具化。数据被同步到本体，操作也通过Skill开放给Agent，原系统最终可能只剩下界面。当人连界面也不再使用时，部分系统才可能退出，但这是一个非常漫长的过程，短期内很难一刀切。
06 中国市场大概率自建，供应商要先证明场景价值
爱分析：Palantir强调端到端解决问题。中国大型企业会更倾向于购买平台自建，还是依赖外部厂商持续服务？
陈傲寒：我判断，中国大型企业大概率会走向自建。
一方面，随着AI能力深入，本体建模和工程实践会逐渐成为公共知识。现在市场对本体的理解还比较混乱，大家对Palantir的功能、理念和工程方法都在学习，但这个阶段会过去，企业最终会逐步掌握这套能力。
另一方面，中美客户的组织和决策机制不同。对央国企来说，只要具备条件，通常更愿意把核心能力掌握在自己手里。民营企业未必都会自建，但大型央国企中的倾向会更明显。本体承载的数据、业务知识和经验，本身也会被企业视为长期资产。
爱分析：当前企业关注本体，主要由哪些需求驱动？
陈傲寒：供给侧和需求侧的出发点并不完全一样。
供应商关注本体，很多是因为Palantir在资本市场和企业AI领域受到关注，大家希望找到AI时代的企业软件平台路径。客户侧也会受到Palantir叙事影响，尤其在军工等领域，一些企业看到AI已经进入战争和制造场景，就开始学习本体，但对本体具体解决什么问题未必已经形成一致认识。
另一部分客户，尤其是一些AI应用从试水已经走向实用的企业和组织，比如银行、保险等金融机构，已经在实践中意识到，如果要降低AI幻觉，让AI真正理解企业并进入业务生产，就需要给AI提供一套业务对象世界模型，并用工程化方法确保AI能够准确、自由地获取数据、信息和知识，而Palantir式的本体路线就是当前看得见的关键解法。
爱分析：当大型企业自建、大厂进入平台市场后，其他供应商的机会在哪里？
陈傲寒：这个问题我没有确定答案。甚至在AI时代，今天的大厂未来还是不是大厂，也很难说。
AI会首先深刻改变软件和咨询行业，因为这些工作本来就高度数字化、信息化。站在软件公司的角度，与其先判断最终的市场格局，不如尽快进入真实企业场景，帮助客户把企业中的对象、关系、数据和能力组织起来，让AI真正产生业务价值。
这也是为什么我们现在不把重点放在“卖一套本体平台”上，而是从分析场景切入。Palantir目前已经被广泛验证的核心价值，首先也是分析价值。客户不一定愿意先为一套抽象能力买单，但如果一个管理问题原来需要数周才能形成报告，现在数分钟就能得到结果，价值就很直观。
对供应商而言，当前仍有一个认知和落地的窗口期，谁能够把“本体加AI”从概念变成可用的经营分析能力，谁就更有机会参与后续的企业级建设。至于长期会形成怎样的平台格局和商业模式，我认为现在还不需要过早下结论。
精彩评论