【導(dǎo)讀】過去一年，我和不少制造企業(yè)的 CIO、數(shù)字化負(fù)責(zé)人聊過 AI。大家談起 AI 時(shí)都很興奮：模型越來越強(qiáng)，應(yīng)用越來越多，有的企業(yè)已經(jīng)開始部署自己的知識(shí)助手和智能體。
但聊到最后，我經(jīng)常會(huì)聽到一句話：“這些 AI 看上去都不錯(cuò)，可真到了關(guān)鍵業(yè)務(wù)上，我們還是不太敢用。”
我一直覺得，這句話很真實(shí)。今天企業(yè)面臨的問題，已經(jīng)不是有沒有 AI，而是 AI 給出的結(jié)論，業(yè)務(wù)人員到底敢不敢相信。一個(gè)答案可以寫得很流暢，邏輯也很完整，但它究竟來自企業(yè)的真實(shí)數(shù)據(jù)，還是模型根據(jù)語(yǔ)言規(guī)律推測(cè)出來的？這兩者看起來可能很像，對(duì)制造業(yè)來說，含義卻完全不同。
因?yàn)橐坏?AI 開始參與質(zhì)量處置、生產(chǎn)調(diào)整、供應(yīng)鏈協(xié)同，判斷錯(cuò)了，代價(jià)就不再是一次不好的使用體驗(yàn)，而可能是一批產(chǎn)品、一個(gè)客戶，甚至一次召回。
有一個(gè)客戶場(chǎng)景，給我留下了很深的印象
這是一家大型跨國(guó)制藥企業(yè)。他們的數(shù)據(jù)基礎(chǔ)其實(shí)非常好，很多數(shù)據(jù)已經(jīng)集中在成熟的數(shù)據(jù)平臺(tái)中。也就是說，他們并不缺數(shù)據(jù)，基礎(chǔ)設(shè)施也不落后。
但管理層提出了一個(gè)很具體的問題：如果某一批原材料被發(fā)現(xiàn)含有受管控物質(zhì)，它后來去了哪里？進(jìn)入了哪些生產(chǎn)批次？哪些產(chǎn)品已經(jīng)發(fā)貨？最終會(huì)影響哪些客戶？
這個(gè)問題聽起來不復(fù)雜，真正查起來卻要跨越制造、質(zhì)量和供應(yīng)鏈多個(gè)系統(tǒng)，還要沿著幾層批次關(guān)系一路追蹤。過去，幾個(gè)部門需要分別查詢、導(dǎo)出數(shù)據(jù)，再放在一起核對(duì)。有時(shí)需要幾個(gè)小時(shí)，有時(shí)甚至需要幾天。
這件事給我的感受很直接：企業(yè)的數(shù)據(jù)都在，但數(shù)據(jù)之間的業(yè)務(wù)關(guān)系沒有真正連起來。AI 可以告訴你遇到受管控物質(zhì)時(shí)通常應(yīng)該怎么處理，卻不知道這家企業(yè)究竟是哪一批材料、哪一張工單、哪一批產(chǎn)品和哪一個(gè)客戶受到了影響。
所以我后來越來越確信，企業(yè) AI 最危險(xiǎn)的“幻覺”，不只是回答錯(cuò)了一個(gè)問題，而是在缺少完整業(yè)務(wù)上下文的情況下，給出了一個(gè)聽起來很合理、實(shí)際上無(wú)法核實(shí)的判斷。
我們已經(jīng)有大模型和 RAG 了，為什么還不夠
說到這里，很多人會(huì)問：現(xiàn)在的大語(yǔ)言模型已經(jīng)很強(qiáng)了，再把企業(yè)文檔通過 RAG 交給它，不就可以了嗎？
大語(yǔ)言模型當(dāng)然很重要。它擅長(zhǎng)理解人的問題，也擅長(zhǎng)組織答案。RAG 也很有價(jià)值，尤其是查詢技術(shù)文檔、維修手冊(cè)和質(zhì)量規(guī)程時(shí)，它能很快找到相關(guān)內(nèi)容。
但如果問題是“哪些產(chǎn)品使用了這批問題物料”，企業(yè)需要的不是一段相似的文字，而是一條準(zhǔn)確的關(guān)系路徑。模型需要知道，PLM 里的“零件”、ERP 里的“物料”和 MES 里的“投料記錄”之間究竟是什么關(guān)系。
還有一種很常見的思路，是給每個(gè)系統(tǒng)部署一個(gè)智能體，再讓它們相互協(xié)作。這也沒有錯(cuò)。但如果每個(gè)智能體只能看到自己的數(shù)據(jù)孤島，最后得到的仍然是幾個(gè)局部答案。把幾個(gè)答案放到一起，并不等于 AI 已經(jīng)理解了這家企業(yè)。
所以問題并不是大模型、RAG 或者智能體沒用，而是它們還需要一個(gè)共同的業(yè)務(wù)上下文。沒有這層基礎(chǔ)，AI 知道很多通用知識(shí)，卻不知道眼前這家企業(yè)究竟是怎么運(yùn)轉(zhuǎn)的。
我更愿意把本體理解為一張企業(yè)地圖
這就談到了本體和企業(yè)知識(shí)圖譜。很多人第一次聽到“本體”時(shí)，會(huì)覺得這是一個(gè)很學(xué)術(shù)、很復(fù)雜的概念。其實(shí)不用把它想得那么玄。
我更愿意把本體理解為一張企業(yè)業(yè)務(wù)地圖。它先把幾個(gè)最基本的問題講清楚：在這家企業(yè)里，什么是物料，什么是批次，什么是工單、設(shè)備、產(chǎn)品和客戶？這些對(duì)象之間允許存在什么關(guān)系？哪些業(yè)務(wù)規(guī)則始終成立？
企業(yè)知識(shí)圖譜則把真實(shí)數(shù)據(jù)放到這張地圖上。某一批物料來自哪家供應(yīng)商，投入了哪張工單，形成了哪一批產(chǎn)品，最終交付給了哪個(gè)客戶，這些過去隱藏在不同系統(tǒng)和表格里的關(guān)系，變成了可以直接查詢和驗(yàn)證的路徑。
這樣一來，AI 回答問題時(shí)就不再只是依靠語(yǔ)言模式去猜。業(yè)務(wù)人員可以繼續(xù)追問：你用了哪些數(shù)據(jù)？這條關(guān)系來自哪個(gè)系統(tǒng)？為什么會(huì)得到這個(gè)結(jié)論？
我認(rèn)為，這才是“可信”真正開始建立的地方。它不是要求人們無(wú)條件相信 AI，而是讓 AI 的每一個(gè)判斷都能夠被看見、被追溯，也能夠被業(yè)務(wù)人員復(fù)核。
Graph Studio 做的，是讓這張地圖真正運(yùn)行起來
理解本體的價(jià)值是一回事，真正把它放進(jìn)企業(yè)環(huán)境里運(yùn)行，是另一回事。因?yàn)槠髽I(yè)的數(shù)據(jù)不會(huì)只存在于一個(gè)系統(tǒng)中，業(yè)務(wù)也一直在變化。今天是質(zhì)量追溯，明天可能又要加入客戶訂單和售后服務(wù)。
Graph Studio 并不是要替換企業(yè)原有的 PLM、ERP、MES 或者數(shù)據(jù)平臺(tái)。它做的是在這些系統(tǒng)和數(shù)據(jù)之上建立一層統(tǒng)一的業(yè)務(wù)語(yǔ)義，把分散的數(shù)據(jù)關(guān)系組織起來，形成可以持續(xù)擴(kuò)展的企業(yè)知識(shí)圖譜。
企業(yè)也不需要一開始就建設(shè)一張覆蓋所有業(yè)務(wù)的“大圖”。完全可以從一個(gè)小而具體的問題開始，比如一批原材料的質(zhì)量追溯，先把解決這個(gè)問題需要的對(duì)象和關(guān)系連接起來。等到業(yè)務(wù)需要擴(kuò)大，再逐步加入訂單、客戶和售后數(shù)據(jù)。
在前面提到的跨國(guó)制藥企業(yè)場(chǎng)景中，知識(shí)圖譜把原來分散在多個(gè)系統(tǒng)中的批次關(guān)系連起來后，復(fù)雜影響分析的時(shí)間被顯著縮短。真正讓我印象深刻的，并不是圖譜里裝了多少數(shù)據(jù)，而是業(yè)務(wù)人員第一次可以沿著一條清晰的路徑，看到風(fēng)險(xiǎn)從哪里開始，又影響到了哪里。
Graph Studio 還需要保留數(shù)據(jù)從哪里來、經(jīng)過了怎樣的轉(zhuǎn)換。因?yàn)槠髽I(yè)不僅要得到答案，還要在需要的時(shí)候解釋這個(gè)答案。開放語(yǔ)義標(biāo)準(zhǔn)和 MCP 等技術(shù)在這里很重要，但對(duì)業(yè)務(wù)人員而言，最直觀的價(jià)值仍然是：AI 終于可以基于同一套、可追溯的企業(yè)事實(shí)工作。
但到這里，事情還沒有結(jié)束
即使 AI 已經(jīng)能夠得到可信的企業(yè)上下文，它最終還是要回到實(shí)際工作中。質(zhì)量負(fù)責(zé)人要確認(rèn)結(jié)論，生產(chǎn)團(tuán)隊(duì)要接收任務(wù)，相關(guān)系統(tǒng)要執(zhí)行流程，處理結(jié)果還要反饋回來。否則，AI 仍然只是一個(gè)更好的問答工具。
這也是西門子推出 Intelligence Center X 的原因。我們希望把企業(yè)上下文、專業(yè)智能和業(yè)務(wù)行動(dòng)真正連接起來。
Graph Studio 幫助 AI 理解企業(yè)中的對(duì)象、關(guān)系和規(guī)則；AI Studio 結(jié)合企業(yè)運(yùn)營(yíng)數(shù)據(jù)，完成預(yù)測(cè)、異常識(shí)別、風(fēng)險(xiǎn)評(píng)分和參數(shù)優(yōu)化；Mendix 則把這些判斷帶入業(yè)務(wù)應(yīng)用和流程，讓人員可以確認(rèn)、派發(fā)、執(zhí)行并反饋。治理、權(quán)限和審計(jì)貫穿整個(gè)過程。
如果用一句簡(jiǎn)單的話概括，就是 Graph Studio 解決“AI 是否理解這家企業(yè)”，AI Studio 解決“AI 能否形成專業(yè)判斷”，Mendix 解決“這個(gè)判斷能不能真正進(jìn)入業(yè)務(wù)”。
一個(gè)值得每位 CIO 問自己的問題
我經(jīng)常在客戶會(huì)議結(jié)束時(shí)問這樣一個(gè)問題：
“你們今天部署的 AI，如果給出一個(gè)關(guān)于供應(yīng)商質(zhì)量問題影響范圍的判斷，你們的質(zhì)量總監(jiān)會(huì)基于這個(gè)判斷直接作出召回決策嗎？”
如果答案是“不會(huì)，我們還需要人工核實(shí)”，那么這個(gè) AI 的價(jià)值，仍然停留在輔助參考的層面，而不是真正的決策支持。
制造業(yè) AI 的下一個(gè)臺(tái)階，不是部署更多 AI 工具，而是讓 AI 真正可信——可信到足以支撐關(guān)鍵業(yè)務(wù)決策，可信到足以驅(qū)動(dòng)業(yè)務(wù)行動(dòng)，也可信到讓 CIO 在審計(jì)時(shí)能夠清楚解釋每一個(gè) AI 判斷的來龍去脈。
這個(gè)臺(tái)階的基礎(chǔ)，是企業(yè)知識(shí)圖譜，是本體，是把幾十年的制造業(yè)領(lǐng)域知識(shí)轉(zhuǎn)化為 AI 能夠識(shí)別、查詢和推理的語(yǔ)義結(jié)構(gòu)。
這是西門子正在做的事，也是我們認(rèn)為制造業(yè) AI 從“有”到“可信”、從“實(shí)驗(yàn)室”走向“規(guī)模化”的關(guān)鍵所在。
