AI 能理解语言，却不一定理解战场。
过去几年，人工智能的发展似乎给出了一个明确答案：更大的模型，会带来更强的智能。
从数十亿参数到万亿参数，大模型展现出了惊人的语言理解、知识生成和推理能力。很多人开始设想，未来战争中，只需要将海量战场数据输入 AI，模型就能够像一名经验丰富的指挥员一样，自动分析态势、制定方案、辅助决策。
但真正进入复杂作战环境后，一个问题逐渐暴露：
AI 能理解语言，却不一定理解战场。
它可以回答“什么是空战优势态势”，却未必知道当前这架飞机是否具备形成优势态势的条件；它可以总结历史战例，却未必知道某个任务中编队、装备、规则、限制条件之间的真实关系；它可以生成一份看似合理的方案，却难以解释方案依据什么数据、遵循什么规则、为什么这样选择。
因为战争并不是一个文本世界，而是一个由装备、人员、任务、环境、规则和行动共同构成的动态系统。
未来智能作战系统真正需要的，可能不仅仅是一个更大的模型，而是一个能够描述和连接战场世界的“数字世界模型”——战场本体（Battlefield Ontology）。
这也是 Palantir 长期坚持的发展方向。
在 Palantir 的理念中，AI 的核心能力并不只是生成答案，而是理解业务对象、掌握对象之间的关系，并能够基于这些对象执行行动。本体将现实世界中的飞机、任务、目标、资源、规则、行动等元素映射为 AI 可以理解和调用的结构化对象，使 AI 从“语言智能”进一步走向“决策智能”。
换句话说：
大模型赋予 AI 思考能力，本体赋予 AI 理解世界和行动的能力。
未来智能作战系统的竞争，可能不只是模型规模的竞争，更是如何构建一个能够连接数据、知识、规则和行动的战场认知体系的竞争。
本文将从 Palantir Ontology 出发，分析为什么本体正在成为 AI 时代的重要基础设施，以及一个面向智能作战的战场本体应该如何构建。
一、从语言智能到战场智能：为什么大模型还不够？
过去几年，大模型技术的发展重新定义了人工智能的能力边界。
从 GPT 系列到各种行业大模型，模型参数规模不断提升，训练数据持续扩大，AI 展现出了前所未有的语言理解和推理能力。它能够阅读大量文档，总结复杂信息，回答专业问题，甚至生成看似完整的分析报告和行动建议。
这让很多人开始思考：
如果 AI 已经具备接近人类的知识理解能力，未来是否只需要将海量战场数据输入模型，就能够自动完成态势分析、任务规划和辅助决策？
表面来看，这似乎是一个合理的发展方向。
但当 AI 真正进入复杂军事场景后，一个关键问题逐渐暴露：
AI 能理解语言，却不一定理解战场。
1. 大模型理解的是“描述”，而不是“现实世界”
大模型的核心能力，是从海量数据中学习语言规律和知识模式，因此它能够很好地处理文档描述、历史案例、作战条令、专家经验以及任务报告等信息。
例如，当用户提出：“如何提高空战任务中的突防成功率？”大模型可以结合已有知识，生成包含战术思想、行动建议和经验总结的回答。
但问题在于，这类回答更多是在理解“关于战场的描述”，而不是理解“当前正在发生的战场状态”。
真实作战环境中的关键问题并不是：
“什么是空战突防？”
而是：
“当前这架飞机是否具备执行突防任务的条件？”
回答这个问题，需要同时掌握飞机性能、燃油和武器状态、编队位置、敌方雷达覆盖、目标威胁等级、任务约束以及交战规则等动态信息。
而这些信息并不是存在于某一份文本中，而是分散在不同的数据系统、传感器和业务流程中。
因此，AI 面临的核心挑战并不是“是否知道某个概念”，而是能否理解一个真实、动态、持续变化的场景。
知道一个概念，不等于理解一个具体场景。
2. 战争不是文本世界，而是一个动态关系网络
大模型天然面对的是一个“语言世界”。
在语言世界里：
飞机是一句话中的一个名词；
目标是一段描述中的一个概念；
任务是一份文档中的一段内容。
但在真实战场中：
飞机不是一个词，而是一个具有状态、能力和行为的作战对象；
目标不是一个概念，而是一个需要发现、识别、跟踪和打击的动态实体；
任务不是一句描述，而是一组由人员、装备、资源和规则共同约束的行动过程。
例如：
“一架战斗机执行对地攻击任务。”
这句话对于大模型来说，是一个语义表达。
但对于智能作战系统来说，需要进一步回答：
-
哪架飞机？
-
属于哪个编队？
-
当前在哪里？
-
携带什么武器？
-
目标在哪里？
-
是否满足攻击条件？
-
执行动作后会产生什么影响？
也就是说，作战决策依赖的不是单个信息，而是：
对象之间持续变化的关系。
战场本质上是一个由：
-
装备；
-
人员；
-
任务；
-
环境；
