> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 本体论、知识图谱与人工智能
- URL: https://www.hubwiz.com/blog/ontologies-knowledge-graphs-and-ai/
- Published: 2026-06-18T13:33:53.000Z
- Updated: 2026-10-13T15:06:40.000Z
- Description: 本体论和知识图谱是已有数十年历史的概念，但大多数人仍然把它们搞混。人工智能是重塑这两者的新力量——借助 WebLLM，它现在可以运行在一个浏览器标签页中。以下三者如何协同工作。
- Author: admin
- Tags: AI, #Import 2026-10-14 14:41

![封面图片](https://www.hubwiz.com/blog/content/images/2026/06/1-EtMP2QN24t296qj6Gg_aZg.png)

本体论和知识图谱源自语义网世界，人们经常把它们混为一谈——说"知识图谱"时其实指的是本体论，说"本体论"时其实只是指带箭头的图表。这两者确实是不同的东西，而区别正是本文首先要厘清的。

人工智能不是这个组合中的第三个同义词——它是作用于两者的新力量。几十年来，构建知识图谱意味着需要大量人工策展人员或脆弱的、手工调优的提取器，而编写本体论意味着专家伏案于形式化编辑器前。大语言模型改变了这一切：给LLM一段文字，它会在几秒钟内返回实体和关系。那些古老而费力的学科突然有了一个快速、粗糙、却出奇强大的新引擎。

[WebLLM](https://github.com/mlc-ai/web-llm?ref=hubwiz.com) 让这一转变变得几乎荒诞：它*完全在浏览器中*运行LLM——没有服务器、没有云推理、没有数据离开你的机器。将文本转化为图谱的门槛降到了只需一次粘贴和点击。

我希望让人们更容易理解本体论和知识图谱的*基础*——不是通过阅读另一个定义，而是通过观察它们从真实文本中成形。所以我构建了一个小型实验工具 GraphBaby 来做这件事：粘贴文本，一个本地LLM就会起草一个真实的 OWL 本体——包括类、属性和个体——然后你可以编辑它、以层级结构浏览、以图谱形式可视化并导出。它将三者放在同一个地方：AI 执行提取，本体论提供规则，填充的个体形成知识图谱。它刻意*停下来*的地方，和它做的事情一样有启发意义——但稍后再谈。

演示: [https://vishalmysore.github.io/graphbaby/](https://vishalmysore.github.io/graphbaby/?ref=hubwiz.com)

本文利用这个小实验来厘清这三者的关系。让我们从基础开始。

![None](https://www.hubwiz.com/blog/content/images/2026/06/0-B1RG_ElpH4IhriKT.png)

*GraphBaby的三窗格编辑器——类树（左）、带有公理的实体编辑器（中）和实时使用面板（右）。此处加载的是捆绑的 Pizza 教程本体。*

## 1、什么是本体论？

本体论是一个领域中*概念*以及支配这些概念如何关联的*规则*的形式化、明确的规范。它是意义的模式——蓝图，而非建筑。

借自哲学（其中"本体论"是对*存在什么*的研究），在计算机科学中，它回答了关于一个领域的三个问题：

1. 存在哪些种类的事物？（类/类型）——例如 `Person`、`Organization`、`Disease`、`Medication`。
2. 它们如何关联？（属性/关系）——例如 `Person` 可以 `worksAt` 一个 `Organization`；`Medication` `treats` 一个 `Disease`。
3. 哪些规则必须成立？（公理/约束）——例如"每个 `Patient` *是一个* `Person`"，"`treats` 只连接 `Medication` 和 `Disease`"，"一个 `Person` 有且仅有一个 `dateOfBirth`"。

## 2、定义性特征：可推理的规则

使本体论成为本体论——而不仅仅是一个带标签的图表——是它编码了机器可以推理的逻辑。如果你的本体说明：

- `Cardiologist` 是 `Doctor` 的子类
- `Doctor` 是 `Person` 的子类

……那么一个推理器可以*推断*，在没有额外数据的情况下，每个 Cardiologist 都是 Person。没有人需要写下那个事实。这种推理能力是这个概念的核心。

本体论通常用形式化语言编写：

| 语言            | 功能                   |
| ------------- | -------------------- |
| RDFS          | 基本的类、子类、属性           |
| OWL (Web本体语言) | 丰富逻辑：基数、不相交性、传递性、等价性 |
| SHACL         | 形状约束/验证规则            |

一个用 Turtle（RDF语法）编写的小型本体片段如下：

```
:Doctor      rdfs:subClassOf :Person .
:Cardiologist rdfs:subClassOf :Doctor .
:treats   rdfs:domain :Medication ;
          rdfs:range  :Disease .

```

这没有说明任何*具体*的医生。它描述了医学领域的现实形状。这就是本体论：词汇和规则，与任何特定数据分离。

![None](https://www.hubwiz.com/blog/content/images/2026/06/0-h56GYO_joZrGexfy.png)

可视化的模式：GraphBaby的图谱视图单独显示了类层级——`Pizza`、`PizzaBase` 和 `PizzaTopping` 分支出子类，通过 `subClassOf` 和属性边连接。看不到任何一个具体的披萨；这是蓝图。

## 3、什么是知识图谱？

知识图谱是一个以图谱形式表示的真实、具体事实的网络：节点（实体）通过边（关系）连接。它是数据，是填充后的实例——是建筑，而非蓝图。

事实以三元组形式存储：

```
(主体) --[谓词]--> (客体)

```

例如：

```
(阿尔伯特·爱因斯坦) --[提出了]--> (相对论)
(阿尔伯特·爱因斯坦) --[工作于]--> (普林斯顿大学)

```

知识图谱通过遍历边来回答诸如\*"爱因斯坦在哪里工作？"\*的问题。它是具体的、实例层面的，并通过添加更多事实来增长。Google的知识图谱（搜索结果中的信息框）、Wikidata 和企业客户360图谱都是知识图谱：大量具体实体和关系的集合。

在 GraphBaby 中，这些事实作为个体存在——`Einstein`、`Princeton`——每个都由本体中的类来定型，并通过本体的对象属性链接。裸三元组是*概念*；类型化的、受模式约束的个体才是工具实际存储的内容。我们稍后会看到为什么这个区别很重要。

![None](https://www.hubwiz.com/blog/content/images/2026/06/0-pqdludA_LGTCp7Po.png)

个体是事实存在的地方。这里 `Arjuna`（来自捆绑的摩诃婆罗多教程）被定型为 `Pandava`，并与具体断言相连：`hasParent → Kunti`、`hasSpouse → Draupadi`、`allyOf → Krishna`、`enemyOf → Karna`、`foughtIn → Kurukshetra War`。每一条边都指向另一个真实个体；这就是知识图谱。

## 4、人工智能的切入点

这就是使 GraphBaby 成为2026年项目而非2006年项目的原因。

传统上，本体论首先出现——由专家在形式化本体编辑器中费力地手工编写——然后数据才由人工策展人员或脆弱的基于规则的提取器注入其模具。两个步骤都很慢。

GraphBaby 将*两个*步骤都交给了 AI，按正确的顺序。一个本地大语言模型——通过 WebGPU 上的 [WebLLM](https://github.com/mlc-ai/web-llm?ref=hubwiz.com) 完全在浏览器中运行——分两次完成工作，而顺序就是关键：

1. 首先，起草模式。系统提示字面意思是\*"你是一个 OWL 本体类层级设计者。"\*模型读取文本并提出类及其 `subClassOf` 层级——即 TBox，本体本身。
2. 然后，在约束下填充。第二个提示——*"你是一个 OWL 个体提取器……不要发明新类"*——向模型提供*已批准的*类和属性，并要求它提取符合它们的个体。第一步的模式成为第二步的缰绳。

这是实验的关键，它有两面性：

- AI 使本体论变得廉价。过去需要一个本体论专家*和*一个 NLP 团队的工作，现在变成了一次粘贴和点击。*第一个*本体的门槛降到了接近零。
- AI 本身是不可靠的。不加约束的话，模型会发明类、错误标记类型、断言无意义的关系。GraphBaby 的答案是让 AI 自己的第一轮*本体*来约束其第二轮*提取*——模式就是护栏。

这正是这三者向我展示它们关系的方式：AI 是引擎，本体论是护栏，而个体的知识图谱是当你将第一个指向第二个时得到的结果。

## 5、核心区别，简洁陈述

> *本体论是数据引擎*

> *本体论说知识图谱说AI 就是将句子"爱因斯坦在普林斯顿工作"转化为那个三元组的东西——带着猜测和一切。*

一个来自数据库的有用类比：

![None](https://www.hubwiz.com/blog/content/images/2026/06/1-LePqKXprYSJuCvUPQ0tiyQ.png)

以及前两者之间的关键关系：

- 知识图谱可以建立在本体论之上（这时它是一个"语义丰富"或"基于本体"的知识图谱——可以被验证和推理）。*这正是 GraphBaby 所生产的：每个个体都由一个本体类定型。*
- 知识图谱也可以在没有本体论的情况下存在——只是带有自由格式标签的节点和边，没有强制规则。这些有时被称为"标注属性图"，就是从没有模式的纯文本到图谱的提取器所得到的。

![None](https://www.hubwiz.com/blog/content/images/2026/06/1-m4yK9bhhLDSou3-v8BG6JA.png)

本体论是一个领域的形式化模式——类、允许的关系和机器可以*推理*的逻辑规则。知识图谱是填充的数据——具体实体和连接它们的事实。人工智能是现在可以在几秒钟内将原始文本转化为*两者*的引擎——出色地，而且没有内置的正确性保证。

我构建 GraphBaby 作为实验，将三者放在一个浏览器标签页中观察它们交互，而令人惊讶的是一个浏览器内 LLM 能做到什么程度：它起草了一个真正的 OWL 本体，然后用遵守它的类型化个体来填充。它停下来的地方——*存储*公理但没有*推理*它们——正是可读的本体和会思考的本体之间的那条线。蓝图、建筑和浇筑混凝土的机器：只有当你看到单个工具试图成为三者时，你才能真正看到每个在哪里结束。

---

原文链接: [Ontologies, Knowledge Graphs, and Artificial Intelligence (Live Demo)](https://freedium-mirror.cfd/https://medium.com/@visrow/ontologies-knowledge-graphs-and-artificial-intelligence-live-demo-3f0671052372?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处

> **这是「RAG / 数据 / 文档智能」专题的一部分。**完整地图见：[RAG / 数据 / 文档智能完全指南](https://www.hubwiz.com/blog/rag-data-stack/)