AI圈最火的词 ＂本体论 Ontology＂

QUOTE

架构图三天画完，映射表三年填不完。

最近 AI 圈有个特别有意思的现象：一个两千五百年前的哲学词，突然变成了行业热词—— 本体论，本体论（Ontology）。

你去听大厂发布会，Palantir 把本体论（Ontology） 当成整个平台的招牌；你去看大模型社区，人人都在讲知识图谱、讲给大语言模型（LLM，Large Language Model）接地，说光靠模型自己会产生幻觉，得有一层结构化的知识兜底；你去看智能体的讨论，又有人说 智能体（Agent，能够自主调用工具、执行多步骤任务的系统）需要“世界模型”，需要知道世界上有什么、什么动作会改变什么。

三拨人，嘴里都是本体论（Ontology）。但你要是凑近了听，会发现一件微妙的事：他们说的根本不是同一个东西。 有人说的是产品里的业务对象层，有人说的是图数据库，有人说的才是那个哲学传统里的老词。同一个词，三个意思，这事儿吧，就特别不本体。

本文看点

那到底什么是本体呢？我先问你个问题：“血压”是什么？

你可能说，不就是收缩压舒张压吗！138/85。错了，那是读数——读数是信息，可以复印十份发给十个医生。那是“量血压”吗？也不是，量血压是个过程——套袖带、充气、放气，有始有终，结束了就永远结束了。血压本身，是你身体的一种状态——它附着在你身上，一刻不停地存在，不管有没有人量，而且搬不到别人身上去。

一个附着在人身上的状态，一个在时间里展开的行为，一段可以无限复制的信息——三样东西，三种完全不同的存在方式。哲学管这叫范畴。搞混范畴，叫范畴错误，好比问“星期三是红色的吗”。

这事有多重要？我给你举个例子：“疑似肺炎”不是一种肺炎。 世界上不存在一种病叫疑似肺炎，存在的是肺炎、以及医生的一个判断状态——“我怀疑”。前者是关于世界的，后者是关于我们对世界的认识的。一套系统要是把这两样搅在一起，它统计“肺炎患者”时，就会把一堆“被怀疑过”的人算进去。范畴错误不是哲学洁癖，它会变成错误的统计数字。

这种给“世界上的存在分类”的学问，就叫本体论。这是这个词的本义。记住它，后面所有名词都从它长出来——你也就能听出来，市面上哪些“本体论（Ontology）”是真在干这个，哪些只是借了个高级名字。

现在，咱们来看看那些医疗信息领域你常听到的那些词，他们其实各自站在四层楼里，每层楼回答一个问题。

第一层楼，管现实：世界上有什么？

BFO，Basic Formal Ontology，基本形式本体。一个叫巴里·史密斯的哲学家，把两千年的范畴学问做成了计算机能用的框架，2021年拿到了ISO国际标准编号——哲学体系拿ISO，史上头一遭。它最顶上就一刀：东西要么在时间中持存（你、你的心脏、你的血压），要么在时间中展开（手术、测量）。刚才那三个“血压”在这里各归各位。生命科学领域上百个专业本体——管疾病的、管解剖的、管实验的——全部长在这个骨架上，所以它们互相之间不打架。

在这一楼的还有几个从 BFO 长出来的东西：

OGMS（Ontology for General Medical Science，通用医学科学本体）——建立在 BFO 之上的医学本体

FMA（Foundational Model of Anatomy，解剖学基础模型）——解剖学领域的参考本体

OBI（Ontology for Biomedical Investigations，生物医学研究本体），OBI 专门给“检测、测量、实验”这类行为建本体的。

IAO（Information Artifact Ontology，信息制品本体） 信息内容实体（information content entity），是测量行为输出的信息本体

第二层楼，管编码：全世界怎么说同一个词？

你家医院管一个检验项目叫“血常规”，隔壁市叫“全血细胞分析”，两家对数据，鸡同鸭讲。所以需要全球统一的号码册：

SNOMED CT，Systematized Nomenclature of Medicine——Clinical Terms，系统化临床医学术语集，几十万个临床概念，每个一个全球唯一号码，而且号码之间记着家谱——青霉素的上面是“青霉素类”，再上面是“抗生素”。LOINC，Logical Observation Identifiers Names and Codes，检验观测指标逻辑命名与编码系统，专管检验项目，它给每个项目从六个维度定身份：测什么物质、什么标本、什么单位性质……六个维度全对上，才算同一个项目。ATC，Anatomical Therapeutic Chemical Classification System，解剖学治疗学化学分类系统，世卫组织的药品分类树，科研统计用药基本靠它。还有UCUM，Unified Code for Units of Measure，统一度量单位编码，管单位——你家用克每升，他家用克每分升，得先统一。还有放射影像领域的 RadLex（放射学词汇表）和 LOINC-RSNA 影像手册（把检查按模态、部位、造影剂等轴分解，思路和 LOINC 六轴同构） 都在这一楼。

这层楼有个内部丑闻，顺便讲了：SNOMED CT虽然是老大，但它恰恰在第一层楼的问题上和过稀泥——它的概念树里，“肺炎”“疑似肺炎”“肺炎家族史”长在同一棵树上。史密斯那派人批了它二十年。所以你看，连全球最大的术语系统，都会犯范畴错误。这个词有多容易被用歪，可见一斑。

第三层楼，管记录：这件事怎么写进病历？

到这里有个漂亮的转折。病历不是世界的镜子，病历是一连串有署名的断言：“我，张医生，几点几分，判断该患者血红蛋白偏低。”它要处理的是：谁说的？改没改？改了旧版还能不能查？出了纠纷法庭调阅，链条完整不完整？这些不是“世界上有什么”的问题，是关于责任和证据的问题。

openEHR，Open Electronic Health Record，开放电子健康档案，就是管这个的。它明确说：我不是本体，我也不想是。它的聪明设计是分两层：底下的参考模型——记录的骨架，署名、版本、审计这些规矩——工程师定好，十年不动；上面的原型——“血压该怎么记”“检验报告有哪些格子”——临床专家用专门的语言定义，全球一个社区一起维护，随时可改。临床知识天天变，软件不用重写，这是它的立身之本。

第四层楼，管交换：怎么发给别人？

FHIR，Fast Healthcare Interoperability Resources，快速医疗互操作性资源，读作“fire”。医院之间传数据的信封格式，把临床内容切成一个个标准资源包，用现代互联网接口传输。它的哲学是务实：只标准化最常用的八成场景，好用、快、大家都肯接。openEHR管存得深，FHIR管递得快，现在的主流做法就是：openEHR做底座，FHIR做门面。

好，四层楼串起来了：现实（BFO和它的子孙）→ 编码（SNOMED、LOINC、ATC）→ 记录（openEHR）→ 交换（FHIR）。每层回答一个问题，谁也不越界。

现在你可以回头看开头那三拨人了。产品里的“业务对象加动作”，大概在第三、四层楼之间，再加一个工作流引擎；图数据库，是个存储技术，哪层楼都能用它，但它本身不是任何一层；而哲学本义的本体论，站在第一层。都没错，但都别自称是全部。你以后再听到谁把本体论（Ontology） 说成万能钥匙，就问一句：你在哪层楼？

铺了这么多，我们到底想干什么？说野心的时候到了。

我们想做的事，一句话：让医院里各个系统的数据，汇到一个地方，被稳定地理解，然后——按需变形。

前半句不新鲜，难的是最后四个字。我给你举三个越来越过分的例子。

第一个例子，不过分的：“查出所有用过抗生素的患者。”听着简单，但医院数据库里存的是一条条具体药名——阿莫西林、头孢呋辛。“抗生素”这个词根本不在库里。要回答这个问题，得靠第二层楼：ATC的家谱树把“抗生素”展开成几百个具体编码，再拿去数据库里匹配。这就是编码层的价值：它让你能用分类问问题，而不是只能用具体名字问。

第二个例子，过分一点的：“把A医院的血常规和B医院的全血细胞分析，合并成同一条曲线。”这需要LOINC把两家的项目在成分层面对齐——不是套餐名对套餐名，是“血红蛋白”对“血红蛋白”；需要UCUM统一单位；还需要一个诚实的提醒：仪器不同、方法不同，有些数值就是不能直接合并，系统得把这个“不能”也明确告诉你。

第三个例子，最过分的，也是真正的野心：按需结构化。

某个临床研究者跑来问：“我想知道这批术后患者，下床活动时先迈的哪条腿。”这个字段，任何数据库里都没有，任何标准里也没有——它只可能藏在护理记录的自由文本里。传统做法是：雇一群研究生，人肉翻几千份病历，翻三个月。

我们想要的做法是：系统接到这个问题，自动定义一个临时的数据结构，派大模型去几千份护理记录里读，把“先迈哪条腿”抽出来，填进结构，附上每一条的出处——哪份文件、哪句话、谁写的——交给研究者一张能直接分析的表。

数据结构不再是提前设计好的，而是问题来了，现场生成。 这就是“按需变形”的完整含义。做到这一步，病历这座沉睡的文本矿山，才真正变成研究资产。

这个野心成立的前提，恰恰是前面四层楼都得立住：编码层立住，抽出来的东西才对得上标准；记录层立住，出处和署名才追得回去；范畴纪律立住，“我怀疑先迈左腿”和“确实先迈左腿”才不会被搅成一锅粥。这也是我对当下 AI 热潮的一点冷静：大模型让“读文本”的成本降了两个数量级，这是真的革命；但读出来的东西放进哪个格子、格子和格子怎么对齐，这些活儿一点没少，只是从聚光灯下挪到了后台。

现在，坑来了。注意，这五个坑不是泛泛的“数据质量问题”——每一个都精确地长在通往按需结构化的路上。我一个一个讲，句式统一：你想要什么，但什么东西会咬你。

坑一：你想按需抽取一个患者的全部历史——但“这个患者”可能是两个人拼的。

按需结构化天然是纵向的：研究者要的是“这批患者术后三个月内”的记录。可A系统里的张三和B系统里的张三是不是同一个人？身份证录错一位、新生儿挂在妈妈名下、还有人借医保卡看病——借卡这种，数据完美匹配，生物学上是两个人。人一旦对错，你抽取得再准，填进表格的是两个人的腿。所以患者主索引必须先行：三级匹配加人工仲裁，而且匹配的置信度要跟着数据走，让研究者可以说“我只要高置信的病例”。

坑二：你想问“术后第几天下床”——但病历上的时间戳可能是假的。

按需抽取出来的变量，几乎都要挂在时间轴上才有意义。可护士忙完抢救，下班前统一补录六条记录，时间戳全写16：50；医嘱的开立时间和执行时间差着几小时。你算“用药后两小时的反应”，算出来的因果可能根本不存在。所以事件时间和记录时间必须分开存，时间精度要显式标注。不做这个，按需结构化输出的每一条时间序列都是危房。

坑三：你想让研究可以发表——但源头数据三个月后被改了。

医院系统会回头改历史：危急值复核、病理补做免疫组化后诊断升级、错录作废。研究者上个月导出的数据集已经写进论文了，审稿人来复核，平台里的数字对不上了。这不是小事，这是信任塌方。所以流出的每一份数据集必须是带版本号的冻结快照，连当时用的抽取模型、提示词版本一起归档——因为在按需结构化的世界里，抽取逻辑本身就是研究方法的一部分，论文要能写清楚、要能复现。

坑四：你想让大模型读几千份病历——但病历文本是隐私最深的矿。

自由文本里藏着家属姓名、工作单位、“患者系我院职工”。结构化字段好脱敏，叙事文本漏一处就是一次泄露。安全部署可以走两条路径：对于明确要求数据不出院的任务，在院内部署能力合适的本地模型；对于经过数据分级、合规评估和院方授权，允许使用云端机密计算的任务，可以采用 AICC（Artificial Intelligence Confidential Computing，人工智能机密计算）等技术支持的安全模型，把推理放进可信执行环境（TEE）或机密容器，并配合加密传输、远程证明、密钥治理、最小权限访问和全链路审计。这样既能获得更强的模型能力，也能让云端基础设施和平台运营方无法直接读取明文数据。哪些数据可以离开院区、以何种形态处理，仍要由法律要求、医院制度和具体场景共同决定。合规从第一天就在塑造技术架构。

坑五：也是最阴的——你想让平台常年可用，但它每天都在无声地烂。

前面所有能力，都建立在一堆映射表上：本院药品字典对 ATC 的表、检验项目对 LOINC 的表。这些表需要持续更新——新药每月入库，检验科每年换套餐，某天医院换一套系统，本地编码全变；还有科室嫌字段不够，把“备注2”偷偷拿来记体重指数，两年后没人记得这项约定。每件事都小，加起来，数据质量每年悄悄掉几个百分点，而所有报表照常出数，没人察觉。按需结构化会把答案直接递到研究者手上，地基发生漂移，结论就会跟着偏移。靠人工逐条维护，很难覆盖全院、全年和成千上万个本地编码。AI 应当成为持续治理的工作层：自动发现新增编码和语义漂移，结合名称、规格、单位、标本、科室语境和历史映射，生成 ATC、LOINC、SNOMED CT 等标准的映射候选，同时给出置信度与依据，把低置信度和冲突项推给责任人审核。最终发布由有权限的专业人员确认，系统保存版本、证据、变更原因和回滚路径。这样，维护映射表才能成为可持续的生产流程：AI 负责规模化发现与候选生成，专家负责语义边界，审计机制负责追溯。监控指标还要做成管理者看得见的界面，让“数据在腐烂”成为一件可见的事，治理预算才守得住。

盘一下今天这条线。

AI 圈把一个哲学老词炒热了，但热词底下，不同的人在说不同的东西。我们借医疗这个最较真的行业，把它拆成了四层楼：BFO管现实，SNOMED和LOINC管编码，openEHR管记录，FHIR管交换。四层楼立住了，我们才敢许那个愿：让数据按需变形，让研究者的任何问题都能变成一张现场生成的表。而通往这个愿望的路上，埋着五个坑：人要对得上，时间要标得准，改动要追得回，隐私要守得住，地基烂了要看得见。

架构图三天画完，映射表三年填不完。AI 的价值，是让这项三年工程第一次具备持续完成、持续更新的可能。

如果你也在这条路上，评论区聊。下期见。