大家好，我是人月聊IT。今天繼續(xù)聊AI和大模型方面的話題。即什么是AI原生，如何構(gòu)建一個(gè)真正意義上的AI原生系統(tǒng)？

對(duì)于這個(gè)問題，我們先看下AI大模型自己給出的答案。

即AI原生是指從設(shè)計(jì)之初就將AI能力作為核心架構(gòu)和功能基礎(chǔ)來構(gòu)建的系統(tǒng)或應(yīng)用，而不是在傳統(tǒng)系統(tǒng)上后期添加AI功能。

一個(gè)個(gè)真正的AI原生系統(tǒng)通常具備以下特點(diǎn)：

1. 架構(gòu)層面

• AI優(yōu)先設(shè)計(jì)：架構(gòu)圍繞AI模型的訓(xùn)練、推理和持續(xù)學(xué)習(xí)來設(shè)計(jì)
• 數(shù)據(jù)驅(qū)動(dòng)核心：數(shù)據(jù)流和AI模型是系統(tǒng)的中樞，而非輔助組件
• 動(dòng)態(tài)適應(yīng)性：系統(tǒng)能夠根據(jù)AI模型的輸出自動(dòng)調(diào)整行為和決策

2. 功能層面

• 智能是主要價(jià)值：核心功能依賴AI實(shí)現(xiàn)，去掉AI后價(jià)值大幅降低
• 持續(xù)學(xué)習(xí)能力：系統(tǒng)能夠從用戶交互和新數(shù)據(jù)中不斷學(xué)習(xí)優(yōu)化
• 個(gè)性化體驗(yàn)：基于AI為每個(gè)用戶提供定制化的服務(wù)

3. 用戶體驗(yàn)層面

• 自然交互：支持對(duì)話式、語音、視覺等AI驅(qū)動(dòng)的交互方式
• 預(yù)測性服務(wù)：主動(dòng)預(yù)測用戶需求而非被動(dòng)響應(yīng)
• 智能自動(dòng)化：自動(dòng)完成復(fù)雜任務(wù)，減少人工干預(yù)

我們可以將類似ChatGPT,Claude，GitHub Copilot,Midjourney理解為AI原生應(yīng)用。但是對(duì)于傳統(tǒng)IT系統(tǒng)增加了AI知識(shí)庫，AI智能報(bào)表，AI智能排產(chǎn)或圖像識(shí)別等，只能叫AI賦能或AI集成，而非AI原生。

圖片

所以從上面的AI自己的回答也可以看到基本把AI原生的關(guān)鍵點(diǎn)都講到了。AI原生必須是土生土長的，系統(tǒng)一開始構(gòu)建就原生在系統(tǒng)里面的能力，而不是已有系統(tǒng)后簡單嫁接或集成AI大模型能力。那些把傳統(tǒng)IT系統(tǒng)改造集成AI大模型能力后叫AI原生是相當(dāng)錯(cuò)誤的說法。

AI原生-大模型原生+知識(shí)原生+價(jià)值原生

一個(gè)系統(tǒng)能夠稱之為叫AI原生系統(tǒng)呢？這里面核心的一個(gè)關(guān)鍵就是整個(gè)系統(tǒng)核心的能力是架構(gòu)在底層的AI大模型和底層的知識(shí)層上面的。你如果滿足這么一個(gè)條件，那你們做一個(gè)系統(tǒng)就可以叫做AI原生系統(tǒng)。

我原來談AI原生的時(shí)候談到過，AI原生核心是知識(shí)原生，為何你當(dāng)前企業(yè)有數(shù)據(jù)庫數(shù)據(jù)，有資料文檔，不能快速的構(gòu)建AI原生應(yīng)用？里面的關(guān)鍵就是數(shù)據(jù)到智能的轉(zhuǎn)化，中間需要知識(shí)層。

所以你拿著我這個(gè)問題你可能就會(huì)思考，我現(xiàn)在基于AI大模型的能力，基于我已有的數(shù)據(jù)，我去開發(fā)了上層很多AI Agent智能體應(yīng)用，這些AI智能體的應(yīng)用是不是一個(gè)AI原生應(yīng)用呢？

圖片

所以在這里再做一個(gè)說明：

當(dāng)前業(yè)界有另外一個(gè)說法，就是AI原生應(yīng)用就是基于AI大模型能力開發(fā)的應(yīng)用，即AI原生應(yīng)用的特征是其區(qū)別于傳統(tǒng)應(yīng)用的核心。AI原生應(yīng)用是基于大模型開發(fā)的。這里的大模型指的是具有強(qiáng)大計(jì)算能力和豐富數(shù)據(jù)訓(xùn)練的AI算法，如GPT-4、百度的文心一言等，它們構(gòu)成了應(yīng)用的核心驅(qū)動(dòng)力。大模型不僅僅是完成特定任務(wù)的工具，更是AI原生應(yīng)用創(chuàng)新的基石。

注意這個(gè)說法只解決了AI原生應(yīng)用的大模型原生問題，并沒有解決知識(shí)原生的問題。如果按這個(gè)說法所有的AI智能體應(yīng)用都是AI原生應(yīng)用，但是我的理解，AI原生應(yīng)用的核心重點(diǎn)應(yīng)該是在知識(shí)原生上面。

大家可以自己看一下，或者是復(fù)盤一下你開發(fā)的AI智能體，實(shí)際上你在AI智能體應(yīng)用里面仍然出現(xiàn)了大量的業(yè)務(wù)規(guī)則邏輯處理或者是相關(guān)的業(yè)務(wù)流的編排，這些內(nèi)容并沒有內(nèi)置到底層的大模型的里面。

也就是說我底層雖然說有相關(guān)的一些數(shù)據(jù)支持，但是涉及到相關(guān)的業(yè)務(wù)處理規(guī)則邏輯，涉及到我個(gè)人的一些處理經(jīng)驗(yàn)的內(nèi)容，仍然是在上層，沒有在我底層的大模型里面，所以對(duì)于AI智能體應(yīng)用，我個(gè)人的理解也很難稱之為一個(gè)AI原生應(yīng)用。

知識(shí)本體論-從數(shù)據(jù)到信息，從信息到知識(shí)

圖片

注意DIKW知識(shí)管理金字塔模型的都知識(shí)，在整個(gè)模型里面從下到上為數(shù)據(jù)-信息-知識(shí)-智慧。大家一定要注意，數(shù)據(jù)不能直接產(chǎn)生智慧，知識(shí)才是產(chǎn)生智慧的基礎(chǔ)。

經(jīng)過加工清晰的有用數(shù)據(jù)可以變成信息，而經(jīng)過我們大量實(shí)踐驗(yàn)證的信息最終才能夠轉(zhuǎn)變?yōu)橹R(shí)和經(jīng)驗(yàn)。知識(shí)就是我們大量實(shí)踐經(jīng)驗(yàn)的高度顯性化表達(dá)。

我原來在講知識(shí)管理的時(shí)候舉過一個(gè)例子，知識(shí)不是最終你形成的這么一個(gè)文檔這個(gè)結(jié)果，而是你思考形成文檔的過程，這個(gè)過程才是核心的知識(shí)或者是經(jīng)驗(yàn)。才是我們構(gòu)建AI原生的關(guān)鍵基礎(chǔ)能力。

那么當(dāng)前企業(yè)在數(shù)字化轉(zhuǎn)型或構(gòu)建AI原生的時(shí)候面臨的實(shí)際情況是什么呢？其一就是連數(shù)據(jù)這個(gè)層次都沒搞明白，數(shù)據(jù)不標(biāo)準(zhǔn)，不一致，重復(fù)等問題嚴(yán)重，連體現(xiàn)數(shù)據(jù)驅(qū)動(dòng)都難；其二就是我們應(yīng)用數(shù)據(jù)或應(yīng)用系統(tǒng)的經(jīng)驗(yàn)沒有濃縮為知識(shí)沉淀下來，或者簡單說缺少知識(shí)這個(gè)重要分層。

所以在前面我曾經(jīng)談到過Palantir這家公司，一開始我的理解僅僅是大模型賦能下的一個(gè)數(shù)據(jù)中臺(tái)和提供數(shù)據(jù)服務(wù)的公司，但是實(shí)際這家公司核心是基于是基于Ontology本體系統(tǒng)構(gòu)建了一個(gè)核心的知識(shí)中臺(tái)。

Palantir 的核心架構(gòu)是基于 Ontology（業(yè)務(wù)本體），它不僅整合數(shù)據(jù)，更定義了企業(yè)中的“決策邏輯”。AI 模型被嵌入到這個(gè)本體中，成為可復(fù)用、可治理的“決策函數(shù)”，從而實(shí)現(xiàn)：

• AI+規(guī)則混合決策：既可用 AI 預(yù)測需求，也可用業(yè)務(wù)規(guī)則設(shè)定庫存閾值，系統(tǒng)會(huì)自動(dòng)協(xié)調(diào)兩者
• 實(shí)時(shí)反饋閉環(huán)：AI 的預(yù)測結(jié)果會(huì)寫回 Ontology，成為下一次決策的輸入，形成持續(xù)優(yōu)化的閉環(huán)。

本體=對(duì)象+屬性+關(guān)系

而知識(shí)本體類似我們經(jīng)常談到的知識(shí)圖譜，知識(shí)圖譜重要的不僅僅是實(shí)體，而是實(shí)體間的關(guān)系。有了關(guān)系才能夠形成完整的推理能力。類似我們?cè)谶M(jìn)行面向?qū)ο蠓治鼋Ｒ粯?，不僅僅有對(duì)象和對(duì)象熟悉，更加重要的是有方法和行為。而方法和行為形成了對(duì)象間的關(guān)系連接。在整個(gè)本體建模中真正重要的是行為建模，關(guān)系建模。有了關(guān)系才能夠形成相應(yīng)大模型推理的邏輯基礎(chǔ)。

類似我們拿醫(yī)療供應(yīng)鏈業(yè)務(wù)舉例，我們?cè)诮r(shí)講相關(guān)數(shù)據(jù)映射到 Ontology 的三類元素：

• 對(duì)象（Objects）：口罩生產(chǎn)線、供應(yīng)商、倉庫、客戶訂單、運(yùn)輸路線……
• 屬性（Properties）：每條產(chǎn)線的當(dāng)前產(chǎn)能、每個(gè)倉庫的庫存量、訂單的交付截止日期。
• 關(guān)系（Links）：供應(yīng)商 A 為 生產(chǎn)線 B 提供 熔噴布；訂單 C 由 倉庫 D 履行。

傳統(tǒng)IT系統(tǒng)構(gòu)建方式的變革

圖片

在前面我也談到過AI軟件工程3.0，包括AI時(shí)代對(duì)軟件軟件構(gòu)建方式的影響，包括AI編程和VibeCoding。但是這些內(nèi)容更多的都是在從技術(shù)層面談AI時(shí)代對(duì)軟件開發(fā)構(gòu)建模式上的影響和變革。

基于前面談到的本體論的思想，實(shí)際在AI原生時(shí)代，更大的變革來自于AI應(yīng)用模型構(gòu)建上面的變更，來源于對(duì)數(shù)據(jù)和知識(shí)構(gòu)建模式的變革。

所以再回過頭來我們?cè)偃タ紤]一下我們?cè)瓉韎t系統(tǒng)的構(gòu)建模式，當(dāng)然很簡單，你有了相關(guān)的需求分析，你去做架構(gòu)設(shè)計(jì)，然后再去做開發(fā)實(shí)現(xiàn)，最后部署出一個(gè)完整的it系統(tǒng)，一般的it系統(tǒng)它都有底層的數(shù)據(jù)庫和上層的應(yīng)用。包括到了微服務(wù)架構(gòu)階段，上層應(yīng)用出現(xiàn)了前后端進(jìn)一步分離。

知識(shí)=對(duì)象+屬性+行為關(guān)系

但是我們?nèi)匀豢梢钥吹接猩蠈拥膽?yīng)用和底層的數(shù)據(jù)庫兩層的一個(gè)劃分，底層的數(shù)據(jù)庫，數(shù)據(jù)架構(gòu)和數(shù)據(jù)模型，沉淀了相關(guān)的數(shù)據(jù)，包括數(shù)據(jù)和數(shù)據(jù)之間的一些關(guān)系，但是這一些數(shù)據(jù)很難說叫一個(gè)完整的知識(shí)，知識(shí)是什么東西呢？那么對(duì)于一個(gè)it系統(tǒng)這些知識(shí)在哪里呢？

這些知識(shí)實(shí)際上是沉淀在你上層的應(yīng)用里面，沉淀在你上層應(yīng)用實(shí)現(xiàn)的代碼里面，包括代碼里面，我們實(shí)現(xiàn)的數(shù)據(jù)應(yīng)該怎么樣去處理和流轉(zhuǎn)，相關(guān)的業(yè)務(wù)規(guī)則應(yīng)該怎么樣去處理？這些東西都是在代碼里面，并沒有沉淀到下層的我們的數(shù)據(jù)庫里面。

包括前面我談到的，我們雖然在面向?qū)ο蠓治鼋５臅r(shí)候，構(gòu)建了完整的對(duì)象，屬性和行為關(guān)系。但是轉(zhuǎn)到IT系統(tǒng)構(gòu)建實(shí)現(xiàn)的時(shí)候?qū)嶋H這兩個(gè)部分內(nèi)容進(jìn)行了分離。對(duì)象和屬性落地到數(shù)據(jù)庫模型里面，而行為和關(guān)系邏輯實(shí)際體現(xiàn)在了上層應(yīng)用的代碼里面。

也就是當(dāng)前的傳統(tǒng)IT系統(tǒng)，你僅僅是通過底層的數(shù)據(jù)庫和數(shù)據(jù)，這個(gè)不是完整意義上的知識(shí)，缺乏了數(shù)據(jù)形成的知識(shí)，缺乏了數(shù)據(jù)之間的關(guān)系和行為邏輯。因?yàn)檫@個(gè)邏輯沒有進(jìn)行模型化沉淀，是在你上層應(yīng)用代碼里面。

圖片

所以你現(xiàn)在要構(gòu)建一個(gè)AI原生系統(tǒng)，里面有相當(dāng)重要的兩個(gè)核心的內(nèi)容，第一個(gè)就是我原有的數(shù)據(jù)庫數(shù)據(jù)，這些信息我怎么樣經(jīng)過進(jìn)一步的加工和興起，朝我的核心的知識(shí)庫轉(zhuǎn)移。第二個(gè)點(diǎn)就是我原來構(gòu)建在上層應(yīng)用里面的相關(guān)的處理規(guī)則和邏輯，怎么樣進(jìn)一步下成為相關(guān)的模型，沉淀到我的知識(shí)庫里面，只有這樣你才能夠逐漸形成一個(gè)關(guān)鍵的知識(shí)中臺(tái)。

只有這樣才能夠形成完整意義上的知識(shí)層，有了知識(shí)這一塊內(nèi)容，再加上AI大模型的能力，你才能夠真正的去構(gòu)建AI原生的應(yīng)用。

所以這個(gè)其實(shí)就是我一直強(qiáng)調(diào)的，我們真正的離AI原生應(yīng)用還有相當(dāng)長的一個(gè)距離。至于我個(gè)人的想法就是至少在3~5年的時(shí)間都很難真正達(dá)到一個(gè)AI原生應(yīng)用的這么一個(gè)理想的狀態(tài)。里面還有一個(gè)很核心的原因，就是我原來講過的，對(duì)于AI大模型，它的天生的能力是在處理模糊的東西，而不是處理精確的規(guī)則。很多精確的規(guī)則，你即使前期做了相關(guān)的規(guī)則化的定義，規(guī)則的定義，形成提示語，基于上下文的工程，你把它落地到了大模型里面，那么你在用這一些精確規(guī)則的時(shí)候，大模型往往也會(huì)出現(xiàn)相應(yīng)的處理的幻覺，這個(gè)問題短期其實(shí)是很難克服的。

最后，當(dāng)我們重新在思考AI原生應(yīng)用的時(shí)候，可以先問自己三個(gè)問題，或許你就有了這個(gè)應(yīng)用是否AI原生的正確答案，即：

• 去掉AI后，這個(gè)系統(tǒng)還能實(shí)現(xiàn)其核心價(jià)值嗎？
• AI是后期添加的功能，還是從第一天就是系統(tǒng)基礎(chǔ)？
• 系統(tǒng)的競爭力主要來自AI能力，還是傳統(tǒng)軟件工程？

AI原生代表了軟件開發(fā)的新范式，它改變了我們思考和構(gòu)建應(yīng)用的方式，讓智能成為軟件的基因而非附加功能。

今天的分享就到這里，希望對(duì)大家有所啟發(fā)。