Ontology

这个词原本是哲学术语，探讨「存在事物的体系」，但在IT领域，它指的是把某个领域的概念及其关系整理成计算机可以处理的地图。就像「OpenAI —开发→ GPT」「GPT —搭载于→ ChatGPT」这样，把概念作为节点（点），把关系作为连线的设计图。

把这张设计图填满实际数据，就叫做知识图谱（Knowledge Graph）。在谷歌搜索人物时右侧弹出的信息框就是典型例子——它不是从文档中读取内容，而是从预先整理好的关系网络中直接提取答案。

在LLM时代，这个概念重新受到关注是有原因的。语言模型说起话来头头是道，但事实关系却可能出错（幻觉），而本体正好相反——关系是明确写死的，不会出错。因此，人们不断尝试把「LLM的流畅表达」和「知识图谱的准确性」结合起来。METAL LAB也运营着一套本体，把文章不是当作孤立的单篇内容，而是挂载在公司、模型、论文等节点之上——本词典中「提到该术语的文章」以及文章底部的相关文章链接，都是建立在这套本体之上的。

「为了抓住幻觉问题，我们结合了知识图谱」——这是企业AI落地类文章中常见的表述，指的是为流畅的LLM配上一套准确关系网络的结构。

1. 试着让聊天机器人做这件事：「把以下六个作为节点，用箭头整理出它们之间的关系：OpenAI、GPT、ChatGPT、微软、英伟达、GPU」
2. 你会得到一张带有「开发」「搭载于」「投资」「供应」等关系标签的地图——你刚刚做出来的，就是一个迷你知识图谱。
3. 再进一步：随便粘贴一篇AI新闻文章，让它「把这篇文章中出现的公司、产品、人物提取为节点，把关系提取为连线」。当这篇文章开始看起来像是关系网络中的一个片段时——这正是媒体和企业构建本体的原因。