當AI走進供應(yīng)鏈、風控、資金調(diào)度等需要大規(guī)模、高確定性決策的企業(yè)核心場景時，一個根本的矛盾出現(xiàn)了：業(yè)務(wù)決策要求唯一可靠的答案，而當下主流AI的本質(zhì)仍是概率性“猜測”。如何跨越這道鴻溝？
用友AI Lab全新發(fā)布的LOM本體大模型研究論文指出，當前大語言模型面臨一道“概率墻”——單純擴大參數(shù)規(guī)模，在邏輯一致性方面帶來的收益正在遞減。在復(fù)雜的圖推理任務(wù)上，傳統(tǒng)概率模型難以保證多步推理的邏輯嚴謹性，而LOM通過創(chuàng)新的技術(shù)架構(gòu)，實現(xiàn)了超越參數(shù)規(guī)模增長的推理能力。
如何跨越這道墻？論文給出了LOM的三大核心技術(shù)突破：端到端統(tǒng)一架構(gòu)、動態(tài)本體更新機制、強化學習優(yōu)化推理。本文將深入解讀，這三者如何協(xié)同，系統(tǒng)性地回應(yīng)企業(yè)AI對“確定性”的終極追問。
企業(yè)AI規(guī)?；瘧?yīng)用的四大”確定性“困境
在追求復(fù)雜企業(yè)環(huán)境下的確定性決策時，企業(yè)普遍面臨四重困境。
財務(wù)數(shù)據(jù)在ERP，客戶數(shù)據(jù)在CRM，供應(yīng)鏈數(shù)據(jù)在SCM——企業(yè)數(shù)據(jù)散落在孤島，字段名只是一個標識符，其業(yè)務(wù)含義需要人工解讀；同一概念在不同系統(tǒng)中使用不同名稱。論文指出：“企業(yè)積累了海量數(shù)據(jù)，但其中大部分仍然混亂且實際上處于休眠狀態(tài)?！?/p>
在小規(guī)模場景下，人工梳理或許還能應(yīng)付。但當業(yè)務(wù)擴展到成百上千個系統(tǒng)、數(shù)以萬計的業(yè)務(wù)概念時，沒有任何團隊能手工完成如此龐大的知識梳理工作。沒有對業(yè)務(wù)邏輯的準確理解，推理就成了無源之水。
目前主流的神經(jīng)符號方法大多采用“相互分離的管道”架構(gòu)：一個模型負責抽取實體，另一個負責構(gòu)建關(guān)系，第三個負責推理驗證。論文明確指出，這種“相互分離的管道”不僅“導(dǎo)致顯著的工程復(fù)雜性和碎片化”，更致命的是“難以避免錯誤傳播”——第一階段的小錯誤會在后續(xù)階段被不斷放大。
當數(shù)據(jù)規(guī)模擴大到數(shù)百萬實體、數(shù)千萬關(guān)系時，第一個模型的1%誤差，到了推理階段可能演變成30%的結(jié)論錯誤。分離管道式的設(shè)計，本質(zhì)上是在大規(guī)模場景下層層放大不確定性。
論文將大語言模型的根本局限定義為“概率墻”：單純擴展參數(shù)規(guī)模，在邏輯一致性方面帶來的收益持續(xù)遞減。標準LLM擅長基于統(tǒng)計的“猜”，但“缺乏穩(wěn)定的、時間獨立的邏輯結(jié)構(gòu)”，在需要多步邏輯推演的任務(wù)上，“經(jīng)常導(dǎo)致復(fù)雜場景中的幻覺”。
在單點問答場景下，偶爾的“幻覺”可能只是鬧個笑話。但在復(fù)雜推理中——比如需要跨10個環(huán)節(jié)、涉及上百個實體的供應(yīng)鏈風險傳導(dǎo)分析——概率模型的每一次“猜”都在累積不確定性。
企業(yè)數(shù)據(jù)是動態(tài)變化的。新訂單產(chǎn)生，新合同簽訂，新供應(yīng)商入庫，舊關(guān)系失效。論文強調(diào)：“本體必須隨著新數(shù)據(jù)的到達瞬間演化?！比欢?，傳統(tǒng)方法每次更新都需要重新構(gòu)建，成本高昂且滯后嚴重。
在低頻變化的業(yè)務(wù)中，每日更新或許夠用。但在高頻交易的場景下，以小時計的更新延遲就意味著決策依據(jù)已經(jīng)過時。當靜態(tài)的知識基座面對動態(tài)的業(yè)務(wù)現(xiàn)實，基于過時知識的推理注定無法給出確定的答案。
這四重困境環(huán)環(huán)相扣，每一重都在復(fù)雜企業(yè)環(huán)境下被急劇放大，共同侵蝕著企業(yè)AI決策的確定性。
針對上述困境，LOM在技術(shù)架構(gòu)上實現(xiàn)了三項根本性突破。
端到端統(tǒng)一架構(gòu)
從源頭消除錯誤傳播
LOM將“構(gòu)建-對齊-推理”（CAR）三個階段集成于端到端的統(tǒng)一架構(gòu)之中。與傳統(tǒng)方法將這些視為單獨的工程任務(wù)不同，LOM將它們集成到一個連貫的認知過程中，在單一連貫的架構(gòu)中實現(xiàn)了本體構(gòu)建、語義對齊和確定性推理的無縫集成。
這一設(shè)計的核心在于三個階段互為支撐：構(gòu)建階段從原始數(shù)據(jù)中自主生成領(lǐng)域特定的本體；對齊階段將抽象結(jié)構(gòu)錨定在語義現(xiàn)實中；推理階段在自構(gòu)建的公理系統(tǒng)內(nèi)執(zhí)行確定性算法。
一體化設(shè)計從根本上消除了傳統(tǒng)流水線中的錯誤傳播。實驗數(shù)據(jù)顯示，LOM在多項推理任務(wù)上表現(xiàn)優(yōu)異，LOM-4B平均準確率達93%，LOM-32B達94%，證明了端到端架構(gòu)在處理多樣化推理任務(wù)時的有效性。對于大規(guī)模企業(yè)環(huán)境，這意味著即使數(shù)據(jù)量激增，推理準確性也不會因組件間的信息損耗而衰減。
動態(tài)本體更新機制
讓AI與企業(yè)“同頻共振”
LOM支持本體與實時數(shù)據(jù)同步演化，通過鏈接預(yù)測動態(tài)調(diào)整圖結(jié)構(gòu)。論文將對齊機制的核心功能概括為兩點：一是將拓撲結(jié)構(gòu)靜態(tài)錨定在現(xiàn)實世界業(yè)務(wù)語義中，確保抽象節(jié)點對應(yīng)具體實體；二是促進本體更新，允許圖結(jié)構(gòu)響應(yīng)實時數(shù)據(jù)流入而動態(tài)適應(yīng)。
具體機制是：將企業(yè)環(huán)境概念化為稀疏圖，節(jié)點代表帶有密集文本屬性的實體，邊代表潛在關(guān)系。當新數(shù)據(jù)流入，模型通過鏈接預(yù)測判斷圖狀態(tài)是否需要更新，實現(xiàn)增量狀態(tài)變化。論文用公式描述這一機制：
該公式表示：模型能夠根據(jù)新數(shù)據(jù)增量ΔD?實時調(diào)整知識結(jié)構(gòu)G?，確保邏輯宇宙與業(yè)務(wù)現(xiàn)實同步演化。
這一機制將概率噪聲‘坍縮為確定性結(jié)構(gòu)表示’。靜態(tài)的本體無法支撐實時決策，而LOM支持動態(tài)增量更新，能夠在秒級完成知識基座的同步。當新訂單產(chǎn)生、新供應(yīng)商入庫時，知識基座實時演化，確保每一次推理都基于最新的業(yè)務(wù)現(xiàn)實。
強化學習優(yōu)化推理
在自建公理內(nèi)執(zhí)行確定性算法
LOM引入強化學習讓模型自主發(fā)現(xiàn)最優(yōu)且邏輯嚴謹?shù)耐评砺窂健Ｕ撐闹赋?，在現(xiàn)實世界企業(yè)數(shù)據(jù)固有的嘈雜和模糊環(huán)境中，查詢需要在基于內(nèi)容的過濾和基于結(jié)構(gòu)的演繹之間取得微妙的平衡，標準監(jiān)督學習方法難以泛化。
為此，LOM采用GSPO算法，為每個查詢生成多個候選推理軌跡，用獎勵函數(shù)評估。獎勵函數(shù)的設(shè)計兼顧答案準確性與推理路徑的邏輯嚴謹性：
論文通過強化學習優(yōu)化推理路徑，有效提升了模型在復(fù)雜查詢下的邏輯嚴謹性。這意味著，LOM不僅知道答案，更能展示出完整的、可追溯的推理鏈條——這正是企業(yè)敢在大規(guī)模場景下將關(guān)鍵決策交給AI的前提。
論文基于大量真實企業(yè)數(shù)據(jù)進行嚴格實驗驗證，完整還原了企業(yè)真實數(shù)據(jù)環(huán)境的復(fù)雜性。這些數(shù)據(jù)為企業(yè)AI建設(shè)提供了三點關(guān)鍵啟示。
架構(gòu)創(chuàng)新比參數(shù)規(guī)模更有價值。
LOM-4B以4B參數(shù)實現(xiàn)了超越數(shù)十億乃至百億參數(shù)模型的邏輯能力——本體補全任務(wù)鏈接預(yù)測準確率88.8%，圖推理任務(wù)中LOM-4B平均準確率93%，LOM-32B達94%。相比之下，Qwen2.5-32B在最小生成樹任務(wù)上準確率為0，DeepSeek-V3.2在最短路徑任務(wù)上僅0.09。實驗印證了論文的核心觀點：“架構(gòu)創(chuàng)新而非簡單縮放是關(guān)鍵”。
動態(tài)適應(yīng)能力是應(yīng)對實時決策的關(guān)鍵。
LOM支持動態(tài)本體更新，能夠隨實時數(shù)據(jù)流入同步演化。增量更新機制的效率，使得“活”的本體成為技術(shù)現(xiàn)實。未來企業(yè)AI的核心資產(chǎn)，是能夠?qū)崟r映照、同步演化的動態(tài)知識基座，而非靜態(tài)知識庫。
可追溯的推理路徑是實現(xiàn)企業(yè)級信任的基石。
LOM在自構(gòu)建的邏輯公理內(nèi)運行形式化算法，結(jié)果具有數(shù)學確定性。同時，其通過強化學習優(yōu)化的推理路徑是可追溯、可審計的。當系統(tǒng)建議“更換供應(yīng)商A”時，決策者能夠清晰地復(fù)現(xiàn)完整的邏輯鏈。這種“白盒”特性，是AI融入高風險、高價值企業(yè)決策流程的信任基石。
對于渴求可靠智能的企業(yè)而言，LOM的三大突破構(gòu)建了一條實現(xiàn)企業(yè)級確定性推理的可行路徑。當AI能夠從混沌數(shù)據(jù)中自主構(gòu)建邏輯體系，并用嚴謹?shù)耐茖?dǎo)回應(yīng)每一個追問，企業(yè)才敢把關(guān)鍵決策真正托付。
本體大模型論文地址，免費下載：
https://chinaxiv.org/abs/202603.00072
掃描上方二維碼
獲取本體大模型資料
更有機會參加企業(yè)AI訓練營
產(chǎn)品大型企業(yè)成長型企業(yè)
售前熱線: 
