换句话说：
大模型解决的是“AI 如何理解人类语言”，本体解决的是“AI 如何理解现实世界”。
对于智能作战而言，真正需要的不只是一个会回答问题的 AI，而是一个能够理解：
-
一架飞机；
-
一个编队；
-
一项任务；
-
一个目标；
-
一条规则；
-
一次行动；
并能够分析它们之间关系的智能系统。
这也是为什么 Palantir 没有把全部重点放在训练更大的模型，而是构建了一套连接数据、业务和 AI 的 Ontology 体系。
什么是 Palantir Ontology？为什么它被认为是 AI 时代连接现实世界的关键基础设施？
二、AI真正缺少的是什么？一个连接现实世界的“语义层”
大模型解决了 AI 理解语言的问题，但复杂任务需要 AI 理解世界。
现实世界不是由文本组成，而是由：
对象、关系、状态、规则和行为
共同构成。
例如：
“一架飞机执行对地攻击任务”
对于大模型来说，是一句文本描述；
对于智能作战系统来说，需要知道：
-
哪架飞机？
-
属于哪个编队？
-
当前状态如何？
-
目标在哪里？
-
是否满足攻击条件？
-
执行后会产生什么影响？
因此，AI 需要一个连接数据与现实世界的语义层。
Palantir 将这层能力称为 Ontology（本体）。
它把现实中的飞机、任务、目标、资源等元素，转换为 AI 可以理解和调用的对象模型，使 AI 从“生成答案”走向“理解场景、辅助决策”。
三、从数据到智能：Palantir Ontology的构建路径
如果说大模型解决了 AI 的语言理解能力，那么 Ontology 解决的是 AI 对现实世界的认知能力。
但一个关键问题是：[现实世界中的数据，如何变成 AI 可以理解的对象和关系？]
Palantir 的核心思路，并不是直接将所有数据输入模型，而是在数据与 AI 之间建立一层业务语义模型，将分散的数据转换为统一的数字世界。
这一过程可以概括为：
数据 → 对象 → 关系 → 行为 → 智能应用
现实世界中的信息通常隐藏在不同数据源中。
例如：
雷达数据、数据库记录、任务文档中，都可能描述同一架飞机。
Ontology 的第一步，就是从这些数据中识别出现实世界中的对象，并赋予统一语义。
例如，将分散的信息转换为：
{ "ObjectType": "Aircraft", "Object": "F-35-001", "Properties": { "model": "F-35A", "position": "35.6N, 120.3E", "fuel": "65%", "weapon": [ "AIM-120", "GBU-53" ], "status": "Mission Ready" }}
此时，“飞机”不再只是数据库中的一条记录，而成为 AI 可以理解的业务对象。
它拥有：
-
身份（是谁）
-
属性（有什么能力）
-
状态（当前如何）
-
后续关系（与谁关联）
这就是从数据走向智能的第一步。
Ontology 将分散的数据转换为 AI 可理解的世界对象。
2. 将数据转换为可理解的对象模型
原始数据只是对现实世界的片段描述，而 AI 需要理解的是一个完整的世界。
例如，数据库中可能存在：
飞机表 任务表 目标表 航迹表
这些数据对于传统系统来说，只是一条条记录。
但在 Ontology 中，它们会被重新组织为具有语义的对象：
对象：F-35A-001类型：战斗机属性：型号：F-35A位置：35.6N,120.3E燃油：65%武器：AIM-120状态：任务准备完成能力：空战 / 对地攻击
此时，“飞机”不再只是一个数据库字段，而成为 AI 可以理解和推理的现实对象。
它能够回答：
-
这是什么？
-
当前状态如何？
-
具备什么能力？
-
与哪些对象相关？
同样：
任务对象属性：任务类型执行时间目标区域关系：由编队执行由飞机参与受规则约束
通过对象化，分散的数据被转换为统一的数字世界模型，为后续的关系推理和智能决策提供基础。
3. 构建对象之间的关系网络
单个对象无法支撑复杂决策。
智能系统真正需要理解的是：
对象之间如何关联。
例如：
飞机 ↓ 执行任务飞机 ↓ 属于编队飞机 ↓ 探测目标武器 ↓ 作用于目标规则 ↓ 约束行动
这些关系让 AI 能够理解：当前有哪些资源？任务涉及哪些对象？不同对象之间有什么影响？
4. 为对象赋予行为能力
这是 Palantir Ontology 与传统知识图谱的重要区别。
传统知识图谱主要描述：世界是什么样的。
而 Ontology 进一步描述：世界中的对象能够做什么。
例如：
飞机对象不仅有：
-
位置；
-
型号；
-
武器；
还可以执行：
-
调整航向；
-
改变任务；
-
请求支援；
-
生成报告。
对象从“被描述的数据”变成“可以参与业务流程的智能实体”。
5. 形成面向 AI Agent 的世界模型
最终，Ontology 将：
-
数据；
-
对象；
-
关系；
-
状态；
-
行为；
-
规则；
统一组织起来，形成 AI 可以理解和推理的数字世界。
此时 AI Agent 不再只是：根据问题生成答案。
而是：基于当前世界状态，分析对象关系，选择可能行动，并反馈结果。
这也是 Palantir AIP 的核心理念：
让 AI 不只是回答问题，而是在理解现实世界的基础上参与决策。
四、未来智能作战系统，需要构建怎样的“战场本体”？
前面分析了 Palantir Ontology 如何将数据转换为 AI 可理解的对象、关系和行为模型。但对于智能作战而言，本体的价值并不只是管理数据，而是构建一个能够反映真实战场状态的数字化世界模型。
未来智能作战系统面对的不是单一任务，而是由装备、人员、任务、环境、规则和行动共同组成的复杂动态系统。因此，战场本体需要回答的不只是“有什么”，更需要回答：
当前战场中有哪些对象？它们处于什么状态？彼此如何关联？能够执行什么行动？行动受到哪些约束？
一个面向智能作战的战场本体，应围绕核心作战要素进行统一建模：
-
装备对象
飞机、舰艇、无人系统、武器装备等，描述其性能、状态和能力；
-
任务对象
作战任务、训练任务、行动计划等，描述目标、阶段和执行要求；
-
态势对象
目标、威胁、环境、空间位置等，描述实时战场状态；
-
规则对象
作战规则、约束条件、评估标准等，描述行动边界；
-
行为对象
机动、侦察、攻击、协同等，描述对象能够执行的动作。
通过这些对象之间的连接，战场不再是一堆孤立的数据，而成为一个具有语义结构和动态关系的认知体系。
例如，一架战斗机不再只是航迹数据中的一个编号，而是一个具有型号、位置、燃油、武器、任务关系和行动能力的智能对象；一个目标也不再只是雷达中的一个点，而是一个与任务、武器、威胁等级和处置策略相关联的动态实体。
最终，战场本体将成为连接数据、知识和 AI Agent 的基础，使 AI 能够基于当前战场状态进行理解、推理和行动。
未来智能作战系统的核心竞争，不只是拥有更强的模型，而是构建一个 AI 能够理解和作用的战场世界模型。
五、未来智能作战的竞争，是模型竞争还是认知体系竞争？
人工智能的发展让模型能力成为关注焦点，更大的参数规模、更强的推理能力似乎代表着更高水平的智能。
但对于智能作战这类复杂场景而言，单纯提升模型能力并不能解决全部问题。
战争不是一个纯粹的信息生成任务，而是一个持续变化的认知与行动过程。AI 不仅需要回答问题，更需要理解：
-
当前有哪些作战对象；
-
对象处于什么状态；
-
对象之间如何关联；
-
哪些行动可执行；
-
行动受到哪些规则约束。
因此，未来智能作战的核心竞争，不只是拥有更强的大模型，而是能否构建一个能够连接数据、知识、规则和行动的认知体系。
大模型赋予 AI 语言理解能力，战场本体赋予 AI 世界认知能力，智能体赋予 AI 行动能力。
三者结合，才能推动智能系统从“生成答案”走向“理解战场、辅助决策和支持行动”。
未来战争竞争的关键，可能不只是模型规模的竞争，而是谁能够率先构建一个 AI 可以理解和作用的数字化战场世界。
结语：未来战争竞争的核心，是构建AI理解世界的能力