第 10 章：语义与推理
本体论的核心不仅是对象和关系，还包括语义与推理。
语义回答：这些词到底是什么意思？
推理回答：在这些对象、关系、规则之上，我们能推出什么？
这两个东西非常关键。因为很多系统看起来有数据、有字段、有流程，但语义不一致，推理就会错。
比如“客户”这个词，在销售部门可能指潜在客户，在财务部门可能指已付款客户，在产品部门可能指实际使用者，在法务部门可能指合同主体。如果一个企业系统不统一“客户”的语义，后面的数据分析、AI 推理、流程自动化都会出问题。
再比如“收入”这个词，可以是签约金额、确认收入、现金收入、经常性收入、净收入。不同语义混在一起，会导致严重误判。
公司研究里也一样。很多争论不是事实分歧，而是语义分歧。
比如“平台”是什么意思？有人把有很多用户的产品叫平台；有人把多边网络叫平台；有人把开发者生态叫平台；有人把基础设施叫平台。如果语义不清，讨论就会乱。
“护城河”也是这样。有人把规模大叫护城河，有人把品牌强叫护城河，有人把短期领先叫护城河。但从本体论看，护城河应该定义为：关键对象关系难以被竞争对手重构。这个语义一清楚，很多伪护城河就会暴露。
语义一致，是推理的前提。
推理不是神秘能力。它本质上是在对象、属性、关系、状态、规则之间做连接。
比如：
- 如果一个产品进入客户核心工作流；
- 如果客户每天高频使用；
- 如果使用产生高质量数据；
- 如果数据能改善产品；
- 如果替换产品会打断客户流程；
那么我们可以推理：这个产品可能有较高切换成本和反馈飞轮。
这就是推理。
再比如：
- 如果一个 AI 产品只在演示中表现好；
- 但不能处理客户权限、数据安全、流程规则；
- 也不能进入生产环境；
- 客户使用后没有持续反馈；
那么我们可以推理：它更可能是 demo 产品，而不是企业级工作流产品。
语义越清楚，推理越稳。
Palantir 的 ontology 之所以重要，一个原因就是它为企业建立共享语义层。不同系统、部门、数据源里的信息，可以映射到同一个对象世界。这样，人和 AI 才能围绕同一套对象语言工作。
没有语义层，AI 可能会看似聪明，实际乱连。它不知道“订单完成”在这个企业里到底意味着发货、签收、收款，还是收入确认；不知道“高风险客户”是信用风险、合规风险、流失风险，还是操作风险；不知道“负责人”是审批人、执行人、销售 owner，还是法律责任人。
企业 AI 的真正难点，不是模型不会说话，而是模型是否理解企业语义。
公司研究也要建立自己的语义纪律。每次用一个关键词，都要尽量定义清楚。
比如：
- “入口” = 用户高频开始任务的位置，不只是流量大；
- “平台” = 连接多方对象并定义规则的系统，不只是用户多；
- “工作流” = 用户完成任务的连续动作链，不是单点功能；
- “商业模式” = 对象关系如何创造、捕获并增强价值，不只是收费方式；
- “护城河” = 关键对象关系难以被重构，不是短期领先；
- “AI Agent” = 能在对象世界中感知状态、调用工具、遵守规则并改变对象状态的系统，不只是聊天机器人。
定义语义，是为了后续推理不乱。
推理还需要可证伪。好的推理不是漂亮解释，而是能指出如果哪些对象关系不存在，判断就错了。
比如我们说 Anthropic 的 coding 工作流可能形成飞轮，就必须能被证伪：如果 Claude Code 没有高留存，不能进入真实工程流程，客户反馈不能改进模型，企业不愿为生产力付费，那这个飞轮判断就要降级。
这就是本体论推理和普通故事的区别。普通故事只讲“听起来合理”；本体论推理要说明“对象、关系、规则、状态如何连起来，以及哪里会断”。
J 系统以后做公司研究，可以固定使用这个推理格式：
- 定义关键概念语义；
- 列出核心对象；
- 标注关键属性；
- 画出对象关系；
- 识别状态变化；
- 加入规则与约束；
- 推出商业判断；
- 给出反证条件。
最后压缩：
语义让对象世界不混乱，推理让对象世界产生判断。
没有语义，数据越多越乱；没有推理，本体论只是图谱。真正有用的本体论，是能在清楚语义之上，推出可验证、可反证的判断。