为什么意义一直是 AI 最难的部分 // 本体论、语义学与 NLP
为什么意义一直是 AI 最难的部分 // 本体论、语义学与 NLP
为什么意义一直是 AI 最难的部分，以及我们是如何走到今天的。
每一波 AI 最终都会撞上同一个问题。
不是规模，不是算力，不是模型。
而是意义。
早在大语言模型、检索流水线或「代理式 AI」出现之前，智能系统中最难的挑战始终是同一个：
我们如何表示事物的意义——一致地、明确地、并且可用地？
这个问题正位于本体论、语义学和自然语言处理的交汇处。理解它们之间的关系，既能解释 AI 为何能走到今天，也能解释它为何仍以可预见的方式失败。
本体论：什么存在（按系统的定义）
本体论不是一个流行词，它是一种承诺。
就其核心而言，本体论定义了：
- 存在哪些实体
- 它们如何被分类
- 它们彼此如何关联
- 适用哪些约束
换句话说，本体论回答的是：
这个东西是什么，它与其他一切如何关联？
在企业系统中，本体论无处不在：
- 客户 vs 账户 vs 当事方
- 产品 vs SKU vs 条目 vs 配置
- 订单 vs 发货 vs 发票
即使没人称它们为本体论，它们依然存在——或隐式、或显式。当它们是隐式的时候，系统会漂移；当它们是显式的时候，系统才能扩展。
语义学：事物的意义是什么
如果说本体论定义了什么存在，那么语义学则定义了这些东西意味着什么。
语义学处理的是：
- 解释
- 上下文
- 意图
- 跨系统的一致性
两个系统可以共享相同的本体论，却在语义上仍然不一致。
例如：
- 「订单日期」
- 「可用库存」
- 「客户状态」
这些听起来很简单——直到不同团队对它们做出不同的解释。语义学正是大多数集成项目悄然失败的地方。不是因为数据缺失——而是因为意义没有对齐。
早期 NLP：规则、语法与显式意义
早期的 NLP 系统建立在「意义可以被工程化」的假设之上。
它们依赖：
- 语法
- 词典
- 符号化表示
- 手工构建的本体论
这些系统脆弱、昂贵且缓慢——但它们有一个优势：
意义是显式的。
如果出了什么问题，你可以追溯原因。
问题不在于方法错了，而在于语言远比我们期望的要杂乱得多。
统计 NLP 与对意义的背离
随着数据和算力的增长，NLP 从符号系统转向了统计系统。词语变成了向量，意义变成了概率，结构让位于规模。这非常有效——搜索改善了，翻译改善了，语音识别改善了。但一些重要的东西在途中丢失了：
显式的语义。
模型学到的是模式，而不是意义。相关性取代了表示。对许多任务来说，这已经足够。但对于需要推理、行动或深度集成的系统——这远远不够。
大语言模型：回归语义——却缺失本体论
大语言模型再次改变了游戏规则。它们：
- 编码了大量隐式的语义知识
- 捕捉跨领域的关系
- 生成看似有意义的语言
但大语言模型没有本体论。
它们不知道什么存在，不强制执行约束，也不区分「真实」、「允许」与「看似合理」。
它们近似地逼近意义——但并不真正拥有它。
这就是为什么大语言模型会：
- 产生幻觉
- 漂移
- 自相矛盾
- 在系统级一致性上苦苦挣扎
它们是强大的语义引擎，却运行在没有显式本体论根基的情况下。
为什么现在本体论更重要，而非更不重要
现代 AI 并没有消除对本体论和语义学的需求。
它让这些需求变得无法回避。
随着 AI 系统从：
- 回答问题
- 到给出建议
- 到触发行动
- 到协调工作流
它们必须与以下内容交互：
- 业务规则
- 约束
- 权限
- 问责
而这些东西恰恰存在于本体论和语义学之中——而非嵌入向量里。系统越自主，隐式的意义就越危险。
正在浮现的真实模式
当今最有效的 AI 系统结合了：
- 统计智能（大语言模型、嵌入、模型）
- 显式结构（本体论、模式、规则）
- 语义清晰度（人类达成共识的定义）
这不是倒退，而是一种综合。我们正在重新发现：没有结构的智能无法扩展，而没有智能的结构无法适应。
最后的思考
AI 未能理解语言，并非因为它缺少模型。
它之所以挣扎，是因为意义是社会性的、情境化的，并且受约束的。
本体论定义世界，语义学定义意义，NLP 将人类语言与二者连接起来。
AI 的未来不属于生成最多文本的系统——而属于知道自己到底在说什么的系统。
而这一切，从意义开始。
结尾的问题：
- 如果你的 AI 系统能够生成语言、给出建议并触发行动——那么今天，你业务的权威意义究竟存在于哪里：在人们的脑海里、在代码里，还是根本不存在？
- 组织中的「意义」应该由业务部门拥有（因为它定义现实）、由 IT 拥有（因为系统在执行它），还是真正的问题在于大多数公司从未把这种归属明确化？