以本體與 Graph Studio 筑牢可信底座，推動制造業 AI 從試驗走向規模化

西門子中國 Intelligence Center X 總經理

過去一年，我和不少制造企業的 CIO、數字化負責人聊過 AI。大家談起 AI 時都很興奮：模型越來越強，應用越來越多，有的企業已經開始部署自己的知識助手和智能體。

但聊到最后，我經常會聽到一句話：“這些 AI 看上去都不錯，可真到了關鍵業務上，我們還是不太敢用。”

我一直覺得，這句話很真實。今天企業面臨的問題，已經不是有沒有 AI，而是 AI 給出的結論，業務人員到底敢不敢相信。一個答案可以寫得很流暢，邏輯也很完整，但它究竟來自企業的真實數據，還是模型根據語言規律推測出來的？這兩者看起來可能很像，對制造業來說，含義卻完全不同。

因為一旦 AI 開始參與質量處置、生產調整、供應鏈協同，判斷錯了，代價就不再是一次不好的使用體驗，而可能是一批產品、一個客戶，甚至一次召回。

有一個客戶場景，給我留下了很深的印象

這是一家大型跨國制藥企業。他們的數據基礎其實非常好，很多數據已經集中在成熟的數據平臺中。也就是說，他們并不缺數據，基礎設施也不落后。

但管理層提出了一個很具體的問題：如果某一批原材料被發現含有受管控物質，它后來去了哪里？進入了哪些生產批次？哪些產品已經發貨？最終會影響哪些客戶？

這個問題聽起來不復雜，真正查起來卻要跨越制造、質量和供應鏈多個系統，還要沿著幾層批次關系一路追蹤。過去，幾個部門需要分別查詢、導出數據，再放在一起核對。有時需要幾個小時，有時甚至需要幾天。

這件事給我的感受很直接：企業的數據都在，但數據之間的業務關系沒有真正連起來。AI 可以告訴你遇到受管控物質時通常應該怎么處理，卻不知道這家企業究竟是哪一批材料、哪一張工單、哪一批產品和哪一個客戶受到了影響。

所以我后來越來越確信，企業 AI 最危險的“幻覺”，不只是回答錯了一個問題，而是在缺少完整業務上下文的情況下，給出了一個聽起來很合理、實際上無法核實的判斷。

我們已經有大模型和 RAG 了，為什么還不夠

說到這里，很多人會問：現在的大語言模型已經很強了，再把企業文檔通過 RAG 交給它，不就可以了嗎？

大語言模型當然很重要。它擅長理解人的問題，也擅長組織答案。RAG 也很有價值，尤其是查詢技術文檔、維修手冊和質量規程時，它能很快找到相關內容。

但如果問題是“哪些產品使用了這批問題物料”，企業需要的不是一段相似的文字，而是一條準確的關系路徑。模型需要知道，PLM 里的“零件”、ERP 里的“物料”和 MES 里的“投料記錄”之間究竟是什么關系。

還有一種很常見的思路，是給每個系統部署一個智能體，再讓它們相互協作。這也沒有錯。但如果每個智能體只能看到自己的數據孤島，最后得到的仍然是幾個局部答案。把幾個答案放到一起，并不等于 AI 已經理解了這家企業。

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共同的業務上下文。沒有這層基礎，AI 知道很多通用知識，卻不知道眼前這家企業究竟是怎么運轉的。

我更愿意把本體理解為一張企業地圖

這就談到了本體和企業知識圖譜。很多人第一次聽到“本體”時，會覺得這是一個很學術、很復雜的概念。其實不用把它想得那么玄。

我更愿意把本體理解為一張企業業務地圖。它先把幾個最基本的問題講清楚：在這家企業里，什么是物料，什么是批次，什么是工單、設備、產品和客戶？這些對象之間允許存在什么關系？哪些業務規則始終成立？

企業知識圖譜則把真實數據放到這張地圖上。某一批物料來自哪家供應商，投入了哪張工單，形成了哪一批產品，最終交付給了哪個客戶，這些過去隱藏在不同系統和表格里的關系，變成了可以直接查詢和驗證的路徑。

這樣一來，AI 回答問題時就不再只是依靠語言模式去猜。業務人員可以繼續追問：你用了哪些數據？這條關系來自哪個系統？為什么會得到這個結論？

我認為，這才是“可信”真正開始建立的地方。它不是要求人們無條件相信 AI，而是讓 AI 的每一個判斷都能夠被看見、被追溯，也能夠被業務人員復核。

Graph Studio 做的，是讓這張地圖真正運行起來

理解本體的價值是一回事，真正把它放進企業環境里運行，是另一回事。因為企業的數據不會只存在于一個系統中，業務也一直在變化。今天是質量追溯，明天可能又要加入客戶訂單和售后服務。

Graph Studio 并不是要替換企業原有的 PLM、ERP、MES 或者數據平臺。它做的是在這些系統和數據之上建立一層統一的業務語義，把分散的數據關系組織起來，形成可以持續擴展的企業知識圖譜。

企業也不需要一開始就建設一張覆蓋所有業務的“大圖”。完全可以從一個小而具體的問題開始，比如一批原材料的質量追溯，先把解決這個問題需要的對象和關系連接起來。等到業務需要擴大，再逐步加入訂單、客戶和售后數據。

在前面提到的跨國制藥企業場景中，知識圖譜把原來分散在多個系統中的批次關系連起來后，復雜影響分析的時間被顯著縮短。真正讓我印象深刻的，并不是圖譜里裝了多少數據，而是業務人員第一次可以沿著一條清晰的路徑，看到風險從哪里開始，又影響到了哪里。

Graph Studio 還需要保留數據從哪里來、經過了怎樣的轉換。因為企業不僅要得到答案，還要在需要的時候解釋這個答案。開放語義標準和 MCP 等技術在這里很重要，但對業務人員而言，最直觀的價值仍然是：AI 終于可以基于同一套、可追溯的企業事實工作。

但到這里，事情還沒有結束

即使 AI 已經能夠得到可信的企業上下文，它最終還是要回到實際工作中。質量負責人要確認結論，生產團隊要接收任務，相關系統要執行流程，處理結果還要反饋回來。否則，AI 仍然只是一個更好的問答工具。

這也是西門子推出 Intelligence Center X 的原因。我們希望把企業上下文、專業智能和業務行動真正連接起來。

Graph Studio 幫助 AI 理解企業中的對象、關系和規則；AI Studio 結合企業運營數據，完成預測、異常識別、風險評分和參數優化；Mendix 則把這些判斷帶入業務應用和流程，讓人員可以確認、派發、執行并反饋。治理、權限和審計貫穿整個過程。

如果用一句簡單的話概括，就是 Graph Studio 解決“AI 是否理解這家企業”，AI Studio 解決“AI 能否形成專業判斷”，Mendix 解決“這個判斷能不能真正進入業務”。

一個值得每位 CIO 問自己的問題

我經常在客戶會議結束時問這樣一個問題：

“你們今天部署的 AI，如果給出一個關于供應商質量問題影響范圍的判斷，你們的質量總監會基于這個判斷直接作出召回決策嗎？”

如果答案是“不會，我們還需要人工核實”，那么這個 AI 的價值，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 AI 的下一個臺階，不是部署更多 AI 工具，而是讓 AI 真正可信——可信到足以支撐關鍵業務決策，可信到足以驅動業務行動，也可信到讓 CIO 在審計時能夠清楚解釋每一個 AI 判斷的來龍去脈。

這個臺階的基礎，是企業知識圖譜，是本體，是把幾十年的制造業領域知識轉化為 AI 能夠識別、查詢和推理的語義結構。

這是西門子正在做的事，也是我們認為制造業 AI 從“有”到“可信”、從“實驗室”走向“規模化”的關鍵所在。