十多年前，童玲已先后在大型国有银行及互联网金融头部机构主导企业信息架构与本体相关实践，是国内较早推动本体工程化落地的实践者之一。

在大型国有银行期间，为支撑企业架构与核心系统建设，童玲主导大规模跨部门团队持续投入建设，完成覆盖全行业务的信息架构与本体建模。项目虽然获得成功，却也暴露出本体长期未能规模化落地的根本难题：建模成本高，业务变化后又很难持续 " 保鲜 "。

大模型的出现，让这项技术重新进入产业视野。作为蓝象智联创始人兼董事长，童玲认为，AI 可以加快知识抽取、降低建模门槛，当然真正决定本体质量的，仍然不是产品功能，而是参考本体、领域知识和建模经验。

童玲认为，本体的核心价值在于帮助智能体建立认知体系并完成推理和推演，行动则需要大模型与人协同完成。

对比 Palantir，中国企业建设本体还有另一条路径，这也是童玲带领的蓝象智联正在实践的路径：在数据中台或可信数据空间之上增加语义层，以语义对齐打通组织内外的数据壁垒，再结合隐私计算与访问控制，让智能体在不同数据空间之间可信用数。

近期，围绕本体为何重新受到关注、AI 建模的真实边界、场景化建设方法、语义互操作及其商业模式等议题，爱分析与童玲进行了一次交流。

核心观点

语义是一种能力，本体是实现语义能力的核心技术之一。

语义层的目标，是让智能体能够理解、认知和推理业务。本体产品不仅包含 OWL，还需要数据模型、语义映射、推演等多类技术共同支撑。

判断一家厂商是否真正具备本体能力，主要看三件事。

第一，能否显著降低本体建模门槛；第二，是否真正做过行业本体和生产级场景；第三，能否在真实使用中持续更新、治理并保持语义一致性。产品功能可以快速复制，领域建模能力和参考本体却来自长期实践。

AI 正在改变本体工程化方式，但没有替代建模方法。

如果没有参考本体，不同模型可能对同类对象给出不同命名，语义仍然无法对齐。AI 能够辅助知识抽取、语义映射和质量检查，但核心逻辑并未改变。

本体建设要坚持 " 体用合一 "，从场景出发。

一开始就建设大而全的本体，成本高且容易过时；颗粒度过小，又会产生多个彼此割裂的本体。企业需要在业务范围、复用价值与落地成本之间找到平衡。

本体的核心价值，首先是推理和推演，而不是直接行动。

在信贷等高风险业务中，智能体可以基于本体推演授信建议，但最终行动仍需要大模型与人协同完成。把推演、决策和执行全部归入本体，容易模糊不同技术的边界。

以下为本次访谈实录，在不改变原意基础上略有修改。

01

语义是能力，本体是核心实现手段

爱分析：行业内对语义和本体的表述各有各的说法，在您的理解中，两者是什么关系？

童玲：语义代表的是一种能力，就是智能体理解业务、认知业务、推理业务的能力。本体是实现这种能力的一项核心技术，但不是全部。

当前本体工程化最成熟的起点仍是结构化数据；面对文本、图片、表格等非结构化和多模态信息，可以结合大模型完成语义抽取与对齐，再进入统一的本体语义体系。我们已经在金融、矿产等领域落地，这类场景的数据结构化程度较高，本体技术会继续发挥重要作用。

但如果要处理多模态数据，还需要引入大模型等新的技术，实现多模态信息的语义抽取与对齐。

所以，在数据基础设施中，我们把整体建设对象称为 " 语义层 "，落实到语义模型时，本体是最核心的标准化载体之一。

爱分析：OWL 和本体又是什么关系？

童玲：在 W3C 的语义互联网技术体系中，OWL 对应本体层，但建设完整的语义层，还需要标识、RDF 数据模型、本体等多个技术栈，OWL 只是其中用于构建本体的一项核心技术。

今天大家说的本体，有时指哲学理念，有时指建模语言，也有时指一整套产品，这几个概念需要区分。如果说的是本体产品，它就不会只有 OWL，而是要覆盖从建模到推演的完整过程。

爱分析：蓝象智联的本体产品是什么？

童玲：我们要解决的不是单一的本体建模问题，而是完整的语义能力问题。本体是实现语义能力的核心技术之一，但要形成完整的语义层，还需要把标识、RDF 数据模型、本体建模等技术组合起来，并覆盖从建模到推理、推演的全过程。

蓝象智联的 ALITASense AI 语义可信底座，对应的是从语义建模到推理、推演的底层能力；ALITAAgent 智能体生产车间，则用于安全高效地构建智能体，并让其在真实产业环境中持续进化。

智能体平台可以提高智能体的生产效率，但不代表每个客户都必须先建设一套智能体平台。如果客户只做一个智能体，就没有必要先建一个很重的 " 生产车间 "。产品要根据客户的实际需求进行组合。

02

真正的门槛不在产品功能，而在本体建模内容

爱分析：本体并不是一项新技术，为什么现在又受到关注？

童玲：十多年前，我在大型国有银行时就做过本体。当时我们把本体作为企业信息架构的落地技术，对全行业务知识进行抽象，包括实体、属性、关系、动作和规则。这个项目集合跨部门力量持续建设，完成覆盖全行业务的信息架构与本体建模。

后来我在互联网金融头部机构参与早期建设时，也使用过这套技术。但当时本体很难大规模推广，最大的问题就是建模门槛和成本太高。模型建成以后，业务还在持续变化，维护和 " 保鲜 " 同样困难。

从 2025 年开始，我们重新研究本体，是因为大模型已经能够显著降低建模门槛，提高知识抽取和模型维护的效率。也就是说，本体过去面临的产业化条件正在发生变化。

爱分析：现在很多厂商都在做本体平台，您会用什么标准判断一家厂商是否真正具备本体能力？

童玲：我主要看三个问题。第一，能否显著降低本体建模门槛；第二，是否真正做过行业本体和生产级场景；第三，能否在真实使用中持续更新、治理并保持语义一致性。

本体建设的核心在内容，不在功能。一个团队如果没有真正做过建模，只是把某些产品功能搬过来，很难抓住本体的核心。产品界面和功能可以借鉴，但业务理解、业务抽象和建模方法无法简单复制。

爱分析：大模型已经可以自动抽取实体、属性和关系，为什么还需要长期积累？

童玲：AI 抽取知识的能力会越来越接近，最终拉开差距的，是平台有没有高质量的参考本体。

如果让大模型完全泛化地抽取，同一个对象，在我的模型里可能叫 " 客户 "，在另一个模型里可能叫 " 病人 "。命名和定义不统一，两个模型就无法语义对齐。因此，AI 建模不能只是抽取，还要有参考本体作为规范和约束。

蓝象智联的参考本体，源于创始团队在大型国有银行及互联网金融头部机构的本体建模实践经验与方法论，并在后续产业实践中持续沉淀和完善。

爱分析：AI 只是把过去的人工建模流程自动化？

童玲：可以这样理解。AI 并没有替代本体建模方法，但正在改变本体工程化方式：它能够辅助知识抽取、语义映射和质量检查，也使本体有条件随着真实业务使用持续发现变化并受治理地更新。

如果一家企业过去没有做过建模，也没有参考本体，仅仅引入大模型，结果大概率不可靠。AI 可以降低门槛、加快速度，但它不能替代对业务的理解和抽象。

爱分析：蓝象智联如何用 AI 降低建模门槛？

童玲：蓝象正在持续利用 AI 降低本体建模门槛，让领域专家更聚焦于业务判断和结果核验。

我们希望最终由一名领域专家借助 AI 完成本体建设，领域专家负责提供业务文档和资料，并对结果进行核验，这样可以减少大量重复的手工工作，把人的精力放在业务判断上。

03 

" 体用合一 "：先有场景，再有本体

爱分析：领域专家与普通业务系统项目中的业务专家，有什么区别？

童玲：做普通业务系统，业务专家往往还要理解一定的技术实现；做本体，更重要的是他真正懂业务，并且能够对业务进行抽象和泛化。

比如建设信贷业务本体，不能只熟悉某一个贷款产品，还要理解住房贷款、抵押贷款等不同产品背后共同的业务知识。如果只做一个很小的住房信贷智能体，对专家抽象能力的要求会低一些；但场景切得太小，又可能造成不同本体之间无法互通。

爱分析：本体建设的范围应该如何确定？

童玲：这就是颗粒度的问题。范围太大，建模成本很高，模型也难以及时更新；范围太小，今天一个场景建一套本体，明天另一个场景再建一套，最后彼此割裂。

我们的方法叫 " 体用合一 "，也就是本体和用途场景不能分开。要从一个真实场景出发，在使用中逐步扩展，并通过语义对齐解决不同本体之间的互通问题，需要根据实际业务把握范围。

爱分析：为什么不先建设一套企业级本体，再去寻找应用？

童玲：如果一家企业投入大量成本建设全量本体，其中很多知识长期不用，很快就会过时，这样的本体没有价值。

本体中的实体、关系、动作和规则，都会随业务变化。所以，我们不会脱离智能体单独建设本体，而是先确定场景，让智能体与本体同步上线，再随着一个个场景的使用持续完善本体。

爱分析：这种持续完善如何实现？

童玲：我们提出了 " 自演化本体 "，即本体不是一次建设完成，而是随着真实业务使用持续发现候选变化，并通过验证和治理机制不断完善正式本体。自演化不等于系统未经治理地自动修改正式本体。

本体要跟随智能体的使用持续更新，保持知识的新鲜度。

爱分析：目前哪些场景更适合率先落地？

童玲：金融是本体落地比较快的行业，因为金融机构是用数大户。我们正在推进科技金融、绿色金融等场景，例如把银行的数据与公共数据连接起来，帮助银行对科技企业进行预授信判断。

在矿产能源领域，我们也在做铁矿石定价预测智能体。客户拥有国内铁矿石产量等数据，我们再连接物流数据和进口信息，通过多源数据进行定价预测。

无论是金融还是能源，都是从明确的业务问题出发，再建设相应的本体和智能体。

04 

本体负责推演，行动需要 AI 与人协同

爱分析：Palantir 把 Function、Action 等动态能力也纳入本体，蓝象智联如何看待本体中的 " 动作 "？

童玲：我们的参考本体既有名词，也有动词。名词对应客户、企业等实体及其属性，动词用于生成关系，并支持后续推理。其中，动词库与 Function 有相近之处。

但本体最核心的价值，首先是推理和推演。现在一些产品的推演能力还没有夯实，就直接强调 " 行动 "，我认为这会把客户带偏。

以信贷授信为例，本体负责统一客户、产品、风险规则以及模型输入输出的语义，并对业务约束进行推理；再结合风控模型，对还款概率、授信额度等进行预测和推演。最终是否执行，仍需经过审批、授权和责任确认。

在高风险业务中，企业负责人不会把这种权力完全交给智能体。

爱分析：那么，本体、大模型和人应该如何分工？

童玲：我把它理解为左脑和右脑的协同。本体是逻辑脑，帮助智能体建立认知体系、看清世界，形成推理和推演能力；大模型更擅长规划和生成。最终要不要采取行动，应该由 AI 与人共同完成。

左右脑并不是简单的先后关系，而是在思考过程中不断切换、共同形成结果。本体不能替代大模型，大模型也不能替代本体。把大模型的规划、生成和执行能力全部包装成本体能力，会模糊真正起作用的技术。

本体要把认知、推理和推演做好，推演结果出来后，再交给大模型与人协同决策。尤其在金融等强监管场景中，行动必须有审批、授权和责任机制，不能把推演结果直接等同于执行指令。

05 

从语义互操作走向智能体运营

爱分析：现有数据中台、可信数据空间已经汇集了大量数据，为什么还需要语义层？

童玲：现有数据基础设施主要解决的问题，是数据汇集，以及把数据加工成普通数据产品，但这些产品不能直接交给智能体使用，原因有两个。

第一，智能体不理解数据背后的业务含义，需要通过语义层建立认知；第二，智能体访问数据必须有安全护栏，我们把本体、访问控制和隐私计算结合起来，让智能体在最小必要范围内使用数据。

所以，语义层不是替代现有基础设施，而是在可信数据空间、公共数据运营平台或其他数据基础设施之上，增加一层面向智能体的能力。

爱分析：蓝象智联所说的 " 语义互操作 " 具体包括什么？

童玲：我们把语义互操作分为四层。

最下面是互联互通，让不同节点之间通信和传输可达；第二层是语法互操作，让各方基于统一语法建设和读取语义资产；第三层是语义互操作，通过语义对齐，让不同组织对同类对象的不同命名能够建立映射；最上面是智能体互操作，让不同智能体在统一语义、权限和可信约束下，跨域理解和调用数据、模型、工具与智能服务。

例如，同一家企业的标识，在一个系统中可能叫 " 企业信用代码 "，在另一个系统中可能叫 " 企业 ID"。如果没有语义对齐，智能体就可能无法识别它们指向同一个对象。

爱分析：这套能力只适用于企业之间的数据流通吗？

童玲：不只适用于企业之间。大型集团内部也有多家子公司和多个业务部门，只要数据之间存在壁垒，就需要语义对齐。

所以，跨域既可以是组织外部，也可以是组织内部。企业不一定要先购买一套很重的可信数据空间，只要存在数据墙，又希望智能体跨域访问数据，就有建设语义层的需求。

爱分析：语义可信底座与可信数据空间是什么关系？

童玲：蓝象智联的产品是解耦的，GAIA 系列解决隐私计算和可信数据空间问题，ALITA 系列解决语义层和智能体问题。客户可以在蓝象智联的可信数据空间之上部署语义可信底座，也可以在已有的第三方数据基础设施之上部署。

可信数据空间不会被语义产品完全替代，它们解决的问题不同，但能力可以组合。如果客户同时需要数据流通、语义理解和智能体应用，我们就把它们组合成完整解决方案；如果客户只需要语义层，也可以单独部署。

爱分析：在数据安全方面，本体和隐私计算如何结合？

童玲：蓝象通过基于本体的访问控制 OBAC，把权限从传统的表、接口、字段进一步提升到语义对象层，可围绕概念、实例、属性、关系以及用途、角色、场景配置访问规则；对于敏感信息，再结合隐私计算实现 " 可算不可见 "。简而言之，从锁数据进一步升级到锁含义。

例如，企业可以允许智能体读取员工合同中的大部分字段，但工资数据不能以明文开放。通过访问控制和隐私计算，智能体可以计算工资总额或平均值，却看不到个人工资明细，也就是 " 可算不可见 "。

这种安全需求并不只存在于金融机构，只要企业把经营分析、财务等核心数据交给智能体，就需要明确它能访问什么、以什么方式访问，以及哪些结果可以输出。

爱分析：蓝象智联围绕本体的商业模式是怎样的？

童玲：我们的模式分为平台和智能体两部分。语义可信底座是一套通用软件，主要采用软件许可的方式，上层智能体则更适合按年收费，因为它不是一次建设完成后就不再变化。

智能体像企业的数字员工。以银行信贷为例，几个月后业务知识可能已经变化，我们需要持续调优智能体，也要同步优化它背后的本体和知识。按年收费对应的是持续维护、训练和升级，而不是一次性交付。

爱分析：为什么智能体运营会成为重心？

童玲：我们未来不希望以项目交付为主，而是希望做智能体运营。过去的数据运营，是把数据封装成数据产品，现在可以进一步把数据、知识和业务能力封装成智能体，由客户按年付费使用。

平台解决底层能力，运营保证智能体和知识持续更新。只有这样，本体才能在真实使用中不断完善，而不是建设完成后很快过时。

注：点击左下角" 阅读原文 "，查看更多洞察内容。