人法地地法天天法道道法自然. ------《道德经》26.3.12有幸参加了用友的培训为期2天的时间里学到了很多东西。第一个收获就是平台的了解。用友有自己的一套大模型平台平台支持知识库、数据库等的RAG问答并且2个都支持知识图谱的问答方式。平台还和内部IM对接agent可以通过简单的配置上线。以前我一直有个强强联合的想法ragflow的知识库dify的流程引擎sqlbot的问数功能知识图谱这样的一种集成业内精华的组合态。现在看到用友的平台不愧是老牌企业至少平台层面从功能全面性角度是大大由于我上面的组合的里面还集成了各种开箱即用的算法。当然不足之处我认为平台的绑定严重流程过于复杂但是整体还是瑕不掩瑜。除了平台方面的收获第二个收获就是在一天一个新名词的时代了解学习了本体大模型的思想不得不说本体的用词还是很厉害的。我个人的角度来说碰巧最近李飞飞提出了世界模型的概念qwen3.5最近开源模型都切换为全模态模型在几个因素的刺激下也对几个概念进行了对比学习。巧合中蕴含着必然比如同样是洗澡阿基米德发明了浮力定律谢皮罗发现了地球自转规律。第三个收获通过多个案例培训了解了平台从我个人的角度公司也许未必会采购这么大平台我得从dify自己编程的角度去思考实现类似的功能2者实现模式的区别和优劣等。整体来看培训的维度算是全面文档知识库的问答、数据库问数、时序问题预测、图片的多模态问答、搜索引擎使用都有涉及。具体的案例细节就不多赘述。其中时序问题上由于用友平台集成了很多算法个人也就利用空挡时间对各个算法做了对比学习算是从以前的arima、xgb、dl的层面深化到了eswmacrostonarima随机森林xgbgbmrnndeepartft这些方法。搜索引擎方面感觉新时代应该是AI搜索的趋势了或者说本地搜索联网搜索、传统es搜索AI搜索比如夸克、秘塔等。最后培训完还发了一个小证书。本体概念的由来FIBO 是 Financial Industry Business Ontology 的缩写中文译为金融行业业务本体或金融业业务本体。这是一个由企业数据管理委员会EDM Council开发和维护的全球性金融行业标准旨在为金融行业提供标准化的语义框架和数据定义。FIBO的核心定义FIBO是一个正式的本体Ontology它定义了金融业务应用中相关事物的集合及其相互关系为描述金融业务的数据电子表格、数据库、XML文档等赋予精确含义提供一套通用的词汇和语义模型涵盖金融工具、商业实体、合同、市场数据和相关流程用友本体大模型YonLOM企业AI的新范式论文出处《Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management》论文提出了**大型本体模型LOM**的统一框架解决企业级知识管理中多源异构数据整合和语义推理的挑战。通过构建-对齐-推理的三层架构实现从结构化数据库和非结构化文本构建企业本体并通过三阶段训练管道实现指令对齐推理将AI决策准确率提升至89.47%。### 核心定位与定义用友发布的**本体大模型YonLOM**是其BIP企业AI产品矩阵的核心组件基于本体论技术构建致力于解决通用大模型在企业场景中的幻觉问题实现从概率预测到确定性执行的关键跨越。### 技术架构与特点1. 三层架构设计 - 底层依托通用大模型的自然语言理解与泛化能力- 中层核心差异构建包含行业术语、业务规则、实体关系的专属 本体库Ontology- 上层对接企业业务系统ERP、MES、CRM等形成感知-推理-执行-反馈闭环2. 关键技术优势 - 将企业运营要素转化为动态可推理的知识图谱- 实现业务语义与AI能力的深度对齐- 提升AI决策准确率至99%以上- 支持全链路追溯与多维决策本体大模型、多模态大模型、全模态大模型、世界模型对比维度本体大模型 (Ontology Large Model)多模态大模型 (Multimodal Large Model)全模态大模型 (Full-modal Large Model)世界模型 (World Model)核心定义基于本体论构建的、专注于知识结构化表示与逻辑推理的大模型将企业知识从静态存储升级为动态可推理的智能资产能同时处理两种或两种以上不同模态数据文本、图像、音频、视频等实现跨模态理解与生成的AI模型覆盖所有常见模态数据实现更深度、更全面模态融合的智能模型构建对真实世界的数字化模拟能够预测未来状态和事件发展的智能模型核心目标解决企业级知识管理中的异构数据整合、语义推理和幻觉问题实现从概率预测到确定性执行打破单一模态局限通过多模态协同提升任务处理准确性和丰富性实现全模态数据的统一理解与生成打造更接近人类感知的智能系统理解世界运行规律预测未来变化支持智能决策与规划技术架构- 双层企业本体结构数据库非结构化文本- 三阶段训练本体指令微调、文本-本体对齐、多任务指令调优- 融合知识图谱与大语言模型- 模态编码器针对不同数据类型- 输入投影器统一语义空间- 大语言模型核心推理- 输出投影器与模态生成器- 统一编码器架构- 全模态注意力机制- 深度融合网络- 自适应模态选择- 状态表示网络- 动态预测模型- 因果推理引擎- 环境交互接口数据模态主要处理结构化数据和非结构化文本构建知识体系处理文本、图像、音频、视频等两种或以上模态处理所有常见模态文本、图像、音频、视频、传感器数据、3D点云等整合多模态数据构建世界状态表示核心能力- 知识结构化表示- 逻辑推理与规则执行- 知识图谱构建与维护- 业务语义理解- 跨模态理解图文/音视频理解- 跨模态生成文生图/图生文等- 多模态融合推理- 全模态统一理解- 无缝跨模态生成- 自适应模态处理- 复杂场景感知- 世界状态建模- 未来预测- 因果关系推理- 规划与决策应用场景- 企业知识管理- 智能决策支持- 业务流程自动化- 合规性检查- 图文问答- 内容创作文生图/视频- 多模态检索- 智能助手- 元宇宙构建- 智能机器人- 沉浸式体验- 复杂场景分析- 自动驾驶- 机器人控制- 天气预报- 战略规划代表模型- 用友BIP本体大模型(LOM)- Palantir本体模型- GPT-4V- Google Gemini- 通义千问Qwen-VL- 豆包多模态- GPT-5规划中- Gemini Advanced- 下一代盘古大模型- DeepMind World Models- OpenAI GPT-4部分能力- AlphaFold蛋白质结构预测关键优势- 高准确性与可解释性- 业务规则刚性约束- 知识可追溯与审计- 适合企业级关键业务- 丰富的信息获取渠道- 自然的人机交互方式- 多样的内容生成能力- 广泛的应用场景- 更全面的环境感知- 更自然的智能体验- 更强大的场景适应能力- 前瞻性的决策支持- 复杂系统的模拟与优化- 不确定性的有效应对局限性- 领域专业性强泛化能力有限- 知识构建与维护成本高- 对非结构化数据处理能力相对较弱- 模态融合深度有限- 计算资源消耗大- 仍存在幻觉问题- 技术复杂度极高- 数据需求庞大- 部署成本高昂- 建模难度大准确性受限- 计算资源需求巨大- 伦理与安全挑战相互联系可作为多模态/全模态模型的知识底座提供结构化知识支撑是全模态模型的基础全模态是多模态的扩展包含并扩展了多模态模型的能力可整合多模态/全模态模型作为感知层构建更高级的智能系统