早期工业软件的核心是以数学为基础的算法：给定变量与公式，求得更快更准的结果。新型数字工厂的第一性问题上移了一层——工厂里究竟存在什么、谁有权定义、定义如何被共享与认证。本文从 Gruber 1993 年对 ontology 的经典定义出发，说明这是哲学「存在论」的工程化借用而非取代数学，并以青璃三级数据模型、三环联动总方程式与 ONLINE 认证口径为骨架，给出四个可验证的产品先进性命题。
一句话概述
新一代工厂软件的先进性，不在于算法比上一代更强，而在于它先回答了一个更靠前的问题：工厂里究竟什么算存在。数学没有被取代——控制方程、OEE、CPK 都还在，只是它们从「散落在代码里的计算」变成了「被登记、被认证、可追溯的对象」。本体论（Ontology）在这里不是一个玄学标签，而是把「存在什么、彼此什么关系、谁有权定义」写成机器可消费规约的工程方法。
一、两个时代，两个第一性问题
早期工业软件是以数学为基础的算法系统。给定变量、约束和目标函数，工作重心是求解：控制回路怎么稳、统计量怎么估、排产怎么最优、曲线怎么分类。青璃自己的技术路径也是从这里走出来的——在线监测与 PHM 侧做过 1D-CNN、VAE、TCN、Wiener 过程与粒子滤波，边缘侧围绕 RK3588 的 NPU 做 INT8 / INT16 混合精度量化，把一次焊接周期内的推理压到毫秒级。这些今天依然是产品地基。
但当模型成为数据的第一消费者，一个更靠前的问题浮出来：这些公式里的「良率」「工单」「设备」「工序」，到底是同一个东西吗？ 数学不会回答，因为它只在定义域给定之后才开始工作。
| 维度 | 以数学为核心的软件 | 以本体为前置的软件 |
|---|---|---|
| 第一性问题 | 给定定义，如何算得更快更准 | 定义本身是什么，谁批准的 |
| 核心资产 | 算法、公式、求解器 | 概念、关系、口径、认证状态 |
| 典型产物 | 控制方程、CPK、优化调度、报表 | 领域本体、术语表、认证表达式、血缘 |
| 失败模式 | 算错、算不动 | 两边都算对了却不一致 |
必须说清楚：这是层次叠加，不是范式替换。没有本体，算法照常运行；有了本体，算法的输入与输出才有稳定身份。把这句话写成「数学过时了」，既不符合工程事实，也会让整篇文章失去可信度。
不是数学被替代，而是「先定义世界、再求解世界」成为新的第一性问题。
二、Ontology 这个词的来历
Ontology 在哲学里是存在论，属形而上学分支，追问的是「存在有哪些类型与模式」「对象与过程哪个更基本」。20 世纪 70 年代起，人工智能领域借用这个词：知识系统需要先约定一个共同词汇表，才能共享与复用知识。
1993 年 Tom Gruber 在《A Translation Approach to Portable Ontology Specifications》里给出了被广泛引用的技术定义：
An ontology is an explicit specification of a conceptualization. The term is borrowed from philosophy, where an ontology is a systematic account of Existence. For knowledge-based systems, what "exists" is exactly that which can be represented.
最后一句是整篇文章的支点：对知识系统而言，能被表达的才存在。放进工厂语境就是——某个工序、某批物料、某种损失如果没进入本体，对 Agent 而言它就不存在，再强的推理也够不着它。学界也确实有人把计算本体论称作「应用哲学」；但要准确地说，这是借用哲学的问题意识，再用形式化规约把它工程化，不是让软件改行研究形而上学。
三、为什么新型数字工厂绕不开这一层
工厂里最常见的三类冲突，都不是计算错误：
- 同名不同义：「良率」在 A 系统算一次合格率，在 B 系统算终检合格率，分母不同；
- 同义不同名：合格率、良品率、一次合格率、直通率在口语里混用，落到不同字段；
- 跨层级归属：同一个数字属于哪个工厂、哪条产线、哪道工序、哪个批次，各系统各记一套。
面对这些，数学无能为力——定义域尚未确定，方程无从列起。过去靠工程师口头对齐、靠文档约定；当查询方从人变成模型，口头约定就失效了。本体层的作用，是把「什么算存在」「什么算同一个东西」显式写下来，并交给程序执行。
三类定义冲突都不属于计算错误，数学无法裁决尚未确定的定义域。
四、青璃的本体骨架
把这套视角放回青璃的产品体系，会发现它并不是后来补上的一层 AI 功能，而是早就长在架构里：
| 本体要回答 | 青璃的承载 | 性质 |
|---|---|---|
| 存在什么 | 三级数据模型：产线层 → 工程层 → 设备层（唯一标识） | 专利 1 架构权利要求已写明 |
| 如何关联与变化 | 三环联动控制模型：设备环 H(t) / 效率环 OEE / 工单环 W(t)，三角形耦合与跨环直通 | 关系与约束 |
| 怎么算才作数 | 总方程式 W(t) = (1/W_plan)∫A·P·Q·Takt dτ；OEE = A×P×Q；Cpk；A[H(t)] 可用产能控制信号 | 数学层（被登记为本体对象） |
| 物理证据从哪来 | 青璃DAQ 多协议采集、mes-line 产线中控、在线监测三路融合、PHM 健康度 | 存在物的观测来源 |
这里最能说明「精确版」立意：总方程式依然是纯数学的积分关系，但它现在有了身份——属于哪个环、服务于哪个指标、由谁认证、每个结果能回到哪条产线哪道工序。数学负责规律，本体负责给规律上户口。
三级数据模型给出存在物，三环联动给出关系，方程式给出可计算的规律。
ONLINE 数据管理分析系统承担的是把这些约定真正落地的部分：把业务概念、字段映射与 OEE / CPK 的计算口径固化为受治理的定义，经人工认证后才对 Agent 开放；每次回答带 SQL、字段映射与认证状态（provenance）；查询走只读接口并继承登录人权限。作为参照，NVIDIA 在 2026 年 11 月开源的 auto-ontology 也采用了相近思路：Discover / Ground / Validate / Expose / Learn 五步、9 个只读 MCP 工具、刻意不提供裸库浏览。两条路径共同说明，本体层的价值不在模型多大，而在定义能否被认证与追溯。
五、先进性怎么表达才可信
产品先进性最容易被写成形容词堆砌。更稳妥的方式，是给出可以被现场验证的命题，并明确对照：
| 可验证命题 | 含义 | 传统报表 / 单层 MES |
|---|---|---|
| 可回答 | 提问前能判断语义层是否覆盖该问题 | 常常返回空集或猜一条 SQL |
| 可追溯 | 每个数字带 SQL、字段映射与认证状态 | 只给结果，口径靠人回忆 |
| 可继承 | Agent 权限等于登录人权限，不越权 | 接口级鉴权，语义边界模糊 |
| 可演进 | 口径修订走认证流程并回灌本体 | 改代码或改 Excel，历史口径漂移 |
这四条都不依赖「我们的 AI 更聪明」这类无法证伪的说法，客户可以直接拿自己最常问的几个指标来试。这也是把哲学命题落成产品语言的关键一步。
六、边界与克制
- 本体不取代数学：控制、统计、优化仍在执行层，本体只负责定义域与身份；
- 本体不解决数据质量：采集缺失、单位不一、时间不对齐仍需单独治理，模型会把「没采到」当成「零」；
- 自动生成不等于业务批准：编译出的术语与表达式只是草稿，必须经工程师认证才有治理效力；
- 生态仍年轻：相关开源框架多处于早期，适合当设计参考与试点工具，语义资产应留在自己的库里，不锁死在某套实现上。
七、结语：软件的成熟度标志变了
过去评价一套工厂软件，问的是算法多强、算得多快、报表多全。这个标准没有作废，只是不再充分。当模型开始替人读数据、替人下判断，软件必须先能说清楚：这个世界里有什么，它们之间是什么关系，哪个定义是被批准过的。
这正是 Ontology 从哲学走进新型数字工厂的意义：不是给软件披一层玄学外衣，而是把「存在」这件最基础的事，从人的默契变成系统的显式规约。数学仍然在下面稳稳地算，只是从今往后，它算的每一个数都有出处。
参考来源
本文关于 Ontology 定义与哲学渊源的表述以 Gruber 1993 论文原文为准；产品侧事实来自青璃已公开的技术资料与官网已发布文章，不含未公开的专利编号。
[3] 科普中国《本体》：哲学本体论源流与「计算本体论视为应用哲学」 — https://www.kepuchina.cn/article/articleinfo?ar_id=318611
[4] NVIDIA/auto-ontology README（语义层定位、五能力、Apache-2.0） — https://github.com/NVIDIA/auto-ontology
[6] 青璃官网博客《从 GPT Astra 看未来工厂》 — https://www.tsingley.com/blog/gpt-astra-future-factory-online
[7] 青璃官网博客《SQL 全对，数字全错：工业 AI 语义层入门》 — https://www.tsingley.com/blog/industrial-semantic-layer-primer
