Palantir与本体论 · 番外七：从亚里士多德的四因论看两种本体

凯叔Kev

发布于 2026-07-15 16:52:28

番外五从定义层面讲了学术Ontology和Palantir Ontology的区别——一个是知识表示工具，一个是可执行的业务操作系统。但"为什么"会有这个区别？两者都叫Ontology，都声称在做"对业务世界的建模"，分岔点到底在哪里？

亚里士多德的四因论提供了一个很好的分析框架。

四因论是什么

亚里士多德认为，要完整认识任何一个事物，必须回答四个"为什么"：

质料因——它由什么构成？一尊雕像的质料因是青铜。

形式因——它是什么？雕像的形式因是人像的造型和本质定义。

动力因——谁或什么让它成为现在这个样子？雕像的动力因是雕刻者的技艺。

目的因——它为了什么而存在？雕像的目的因是纪念英雄或装饰殿堂。

四因不是并列的。亚里士多德特别区分了自然物和人造物：自然物（树木、天体）的目的内在于自身，形式因是核心；但人造物（雕像、房屋、工具）的目的来自制造者的意图，目的因统摄其余三因——你先决定要造什么、为了什么，然后才决定用什么材料、做成什么样子、怎么做。

企业的Ontology是人造物。这一点决定了一切。

计算机Ontology：形式因优先，目的因缺失

Gruber 1993年的定义是"对概念化的一个显式规约"。翻译成四因论的语言：

形式因极强。计算机Ontology的核心工作就是定义概念分类——什么是类、什么是子类、什么是属性、什么是关系、公理约束是什么。OWL、RDF、描述逻辑、推理机，整个技术栈都在服务"形式"的精确性和逻辑自洽性。斯坦福七步法的七个步骤，全部集中在形式因上——定义类、定义属性、定义约束。

质料因弱。学术Ontology往往脱离实际数据。你可以在Protege里画一个完美的红酒本体，定义清楚"赤霞珠是红酒的子类""红酒有产地属性"，但这个本体可能从来没有接入过真实的酒庄数据库。形式是完整的，质料是空的。

动力因几乎没有。学术Ontology不支持执行——没有Action、没有Write-back、没有触发业务动作的能力。你可以查询"哪些红酒产自波尔多"，但不能在Ontology里下单买一瓶。它是只读的。

目的因模糊。"为了知识共享和逻辑推理"——这是一个泛化的、学术性的目标，不指向任何具体的业务决策。你建了一个医学Ontology，但它服务于什么决策？帮医生判断用什么药？帮保险公司判断要不要理赔？帮患者判断要不要换医院？目的不同，Ontology的结构就应该不同。但学术Ontology追求的是"领域的完整表示"，不区分目的。

这就是问题所在。一个人造物如果没有明确的目的因，形式因就失去了裁剪标准——你不知道该保留什么、砍掉什么，只能追求"尽可能完整"。这正是番外五讲的斯坦福七步法的发散倾向，也是第五篇批评的"全量建模"的认识论根源。

Palantir Ontology：目的因先行，四因齐全

Palantir的做法完全倒过来。

目的因是第一因。番外四讲的五步方法论，第一步就是"从决策开始"——你要做什么决策？你现在看不见什么？这就是在锁定目的因。Palantir官方文档说Ontology的设计目标是"表示企业的复杂决策，而不仅仅是数据"。目的不是"完整描述一个领域"，而是"支撑特定的业务决策和行动"。

形式因由目的裁剪。目的确定之后，形式因就有了裁剪标准——只保留跟决策有因果关系的实体、属性和关系。番外四第三步的奥卡姆剃刀就是在做这件事：集装箱容积、仓库面积跟"三周后会不会断货"没有因果关系，砍掉。反恐场景只建模人员、资金、通讯、据点，无关的全部舍弃。形式不追求完整，追求对决策有用。

质料因由形式筛选。不是"手里有什么数据就建什么模型"，而是"形式框架定好了再去找匹配的数据"。Palantir的数据集成与映射机制就是在做这件事——把语义层定义的实体映射到实际数据源，让数据按业务语义组织，而不是按数据库schema组织。无用的质料（跟决策无关的数据）直接过滤，不进入Ontology。

动力因保障落地。这一层又分两个维度。技术维度是动力层和动态层——数据持续同步、Action执行、Write-back写回源系统、Branching审批机制。人的维度是FDE——在现场做范畴判断，把业务专家的内隐知识翻译成Ontology定义。两个维度的动力因都由目的因约束：高敏感情报场景强调审计和多层权限，工厂运营场景强调自动化批量动作，全部设计为"安全地落地决策目标"服务。

四因齐全且有序：目的→形式→质料→动力。这个顺序不是偶然的。

为什么计算机Ontology走了另一条路

回到哲学源头可以理解这个分岔。

计算机Ontology诞生于1990年代的语义网运动和知识表示研究。那个时代的核心问题是"怎么让机器理解人类的概念"——这是一个认识论问题，不是一个实践问题。研究者关心的是"概念的逻辑结构是否严密""推理是否自洽""不同系统的概念能否互操作"。在这个语境下，形式因自然成为核心——因为目标就是"建一个形式上完美的概念模型"。

Palantir诞生于2004年的反恐需求。那个时代的核心问题是"怎么从散落在十几个系统中的碎片化情报里找到威胁"——这是一个实践问题，而且是一个有生死后果的实践问题。在这个语境下，目的因天然具有优先性——因为目标是"支撑行动"，不是"建一个漂亮的概念模型"。

两种Ontology的分岔，根源不在技术选择上，在它们诞生时面对的问题不同。学术Ontology要回答的是"世界的概念结构是什么"，Palantir要回答的是"我怎么基于对世界的理解采取行动"。前者是认识论问题，后者是实践论问题。用亚里士多德的话说，前者追求的是episteme（可传授的理论知识），后者追求的是phronesis（在具体情境中做出恰当判断的实践智慧）。

一张表看清差异

用四因论做一个对比：

传统数仓和数据湖：质料因优先。先收集数据，再想怎么用。形式因弱（表结构由数据决定），动力因有（ETL），目的因基本缺失（建好了再找用途）。

OWL/RDF语义Ontology：形式因优先。先定义概念分类，追求逻辑自洽。质料因弱（往往脱离实际数据），动力因几乎没有（不支持执行），目的因模糊（为了"知识表示"，但不指向具体决策）。

Palantir Foundry Ontology：目的因优先。先锁定业务决策目标，反向定义实体模型，筛选匹配数据，搭建执行机制。四因齐全且有序。

这个对比也解释了为什么很多企业的数字化项目失败。传统路径是质料因先行——先花大价钱建数据湖，把所有数据都汇集起来，然后发现不知道拿这些数据做什么决策。或者形式因先行——花半年建一个"全量数据模型"，两百个实体类型，但一线调度员说"我还是看不到我最想知道的东西"。两种路径的共同问题是目的因缺失——没有先想清楚"这套系统到底要支撑什么决策"。