工程领域权威媒体《Engineering News-Record》在今年2月刊登了这样一则案例：

去年秋天，一家中型土木工程公司尝试了一件听起来很美的事。他们想把两年来的项目竣工报告喂给大语言模型，期望AI能从海量文档中挖掘成本超支、进度延误的规律——那些通常随着资深项目经理离职而消失的“组织知识”。他们用了6周时间，花费4万美元，最终叫停了整个项目。

问题出在哪里？不是技术不够先进，而是数据太乱。竣工报告散落在三个不同格式中，一半PDF是扫描件无法识别文字，命名规则18个月内变了两次，模型根本无法区分200万美元的公路立交和20万美元的排水维修——两者在系统中都显示为“基础设施-杂项”。

这不是特例。最新行业数据显示，工业领域大模型项目失败率高达74%，制造业更是以79%的失败率成为重灾区，失败项目平均烧掉1200万元却颗粒无收。研究显示，主流大模型在回答工业相关查询时，幻觉率波动在58%到82%之间——这意味着如果不经人工复核，AI生成的决策建议几乎不可采用。

这家公司的遭遇，暴露了一个比“数据太乱”更深层的问题：AI之所以失败，是因为它根本看不懂业务的语言。在土木工程中是如此，在制造业的生产计划中更是如此。当AI从实验室走向生产车间，“AI幻觉”是其融入工业场景过程中的最大阻碍。幻觉的根源，往往不在AI本身，而在于AI看不懂工厂的“业务规则”。

一、解构“幻觉”：AI为什么读不懂业务规则？

很多人以为，“AI幻觉”只是大模型偶尔“胡说八道”，无关痛痒。但在工业场景中，这却是能致命的硬伤。

2026年1月发表于《Processes》期刊的研究给出了一个精准的定义：大语言模型在工业控制中容易出现“过程控制幻觉”——即“听起来合理但与物理约束、传感器数据或工厂动态相冲突的诊断和解释”

这种幻觉的根源，在于大模型的底层机制与工业决策的根本逻辑存在冲突。

统计概率 vs. 业务规则：大模型基于“下一个词最可能是什么”生成答案，它擅长模仿人类语言的统计规律，却不具备真正的“求真”能力。工业领域的计划决策需要的是“在满足所有约束条件下，哪个选择最优”——这不是概率游戏，而是规则约束下的优化问题。

隐性知识 vs. 显性规则：老师傅脑子里的经验、企业沉淀的工艺规范、设备之间的互锁关系、订单与物料的复杂关联……这些规则散落在不同的系统和文档中，AI能读到碎片，却拼不出完整的业务图景，自然无法在决策时遵循。某制造企业引入通用大模型辅助排产，AI连续三次建议将紧急订单分配给某台设备——理由是“该设备效率最高”。但AI不知道的是，这台设备正在进行模具检修，实际处于停机状态。计划员不得不推翻AI的每一个建议。

更隐蔽的是，大模型的“自信”本身就是最大风险。它不会说“我不确定”，而是用流畅的语言包装错误答案。DeepSeek-R1大模型在解析西安安定门绕行问题时，不仅编造了《西安历史文化名城保护规划》中的“静默区”概念，还伪造了振动控制规范标准编号。这种幻觉如果出现在工业应用中，后果不堪设想。

正如本届SPS主论坛“制造业数智化转型高峰论坛”上被反复强调的共识：通用大模型的“幻觉”问题，使其难以直接应用于对确定性和可靠性要求极高的工业现场。

二、业务本体：让AI理解工厂的“业务语法”

要让AI告别幻觉，必须先让AI理解工厂的“业务语法”。这就是业务本体建模的核心价值。

什么是业务本体？用通俗的类比：如果说数据是“词汇”，知识库是“词典”，那么业务本体就是“语法”。在计划决策的场景里，这套“语法”规定的是：哪些订单必须优先、哪些设备不能同时开工、哪些物料可以替代——这些规则不再是散落在文档和系统里的碎片，而是AI可理解、可推理的“业务逻辑”。

这一方法论并非孤芳自赏。国际顶尖的AI驱动大数据分析平台Palantir，其核心正是在杂乱的原生数据之上构建“对象本体层”，映射现实世界的业务对象、关系和规则。欧洲ONTOCOMMONS项目正在为材料和制造领域构建一套“本体共享体系”——相当于为不同工业系统建立统一的“翻译标准”，让数据能够跨企业、跨领域互认互通。

业务本体的价值体现在三个层面

第一，让决策可追溯。每一次AI建议都能追溯到具体的业务实体和规则——“因为订单A是VIP客户，交期临近，所以优先占用设备B”。决策不再是黑箱输出，而是有据可查的逻辑链条。

第二，让逻辑可解释。可以反向查询“为什么选择这个方案”，系统会展示完整的决策路径：哪些约束条件被激活，哪些规则被触发，哪些数据被引用。

第三，让知识可沉淀。老师傅的经验不再是“只可意会”，而是显性化为可计算、可复用的业务规则。业务专家的知识以本体形式留存在系统中，成为企业的“数字资产”。

正如行业共识所言：大模型应与具体行业知识、业务流程深度绑定，在真实场景中解决具体问题。这正是业务本体建模的定位——它不是另一个知识库，而是让AI真正“懂行”的基础设施。

三、当AI懂规则：一个场景看懂“可追溯”决策

业务本体不是停留在纸面上的概念。当它被部署到计划决策系统中，AI的“思考过程”会变得透明可见。我们用制造业最常见的“紧急插单”场景，来理解这套机制如何工作。

场景：紧急插单，AI如何思考？

当一张VIP客户的紧急订单到达时，传统AI可能简单依据“效率最高”原则推荐设备。而基于业务本体的智能决策平台会这样工作：

第一步，感知插单请求，识别订单属性——客户等级、交期、产品类型。

第二步，查询业务本体定义的“紧急订单规则”：VIP客户优先，交期小于24小时自动触发插单流程。

第三步，识别当前所有设备的“负荷状态”和“物料约束”，结合设备-工艺-物料的关联本体，筛选出可行设备集。

第四步，在多约束条件下进行优化计算，输出建议，背后是清晰的决策路径：“因客户等级为VIP，订单交期T+1，故占用原定产线A，同时触发物料B的紧急调拨。”

在谷斗平台上，每一个决策都像这样可追溯、可解释。它不是黑箱输出，而是有据可查的逻辑链条。这正是工业级AI与通用AI的根本区别。

四、业务本体：计划决策的“地基”

当业务逻辑成为可计算的资产，计划决策才真正有了“靠谱”的根基。

早期探索往往走“系统+AI”的弯路——在既有ERP、MES上叠加排优算法，结果数据不通、逻辑打架。问题不在算法本身，而在于算法看不懂排产背后的业务规则：哪些订单必须优先、哪些设备不能同时开工、哪些物料有替代关系。这些规则AI读不懂，排出来的结果计划员看一眼就推翻。

业务本体建模要解决的，正是这个问题——把碎片化的规则抽离出来，变成AI可理解、可推理的“业务语法”：

一次建模，多次复用。排产模型建好后，同样的业务实体和规则，可以直接复用到库存规划、物流调度。从单车间到全工厂，不需要重新建模。

业务与算法解耦。销售政策变了、供应商交货规则变了，计划员自己就能调整本体层，不用等IT重构算法。响应速度从“周”变成“小时”。

知识可沉淀。老师傅应对紧急插单的策略、处理设备故障的预案，不再是脑子里的经验或墙上的流程图，而是可计算、可追溯、可传承的规则。这些规则，将成为企业最有价值的“计划决策数字资产”。

计划决策AI缺的不是更聪明的算法，而是一套能让它“看懂业务规则”的业务语法。