ONTOS v3.2 · 本体原生操作系统

问题

AI 入企的最后一公里

AI 进入核心业务，面临的不只是技术问题，更是认知、治理、进化与信任的断层。

AI 与业务脱节

AI 不理解业务语义，输出不可信、不可控，只能做“副驾驶”，不敢进入决策链。

治理缺失

缺乏硬性约束与审计机制，AI 行为无法被校验、追溯，合规风险高。

进化停滞

系统交付即定型，无法随业务变化自适应，持续维护成本高昂。

黑盒运行

AI 决策过程不透明，无法追溯根因，业务团队无法建立信任。

三场景范式诊断

统一诊断维度：上下文 → AI → 环 → 法 → 料 → 机 → 人 → 可观测

中储无锡物流中心

规划实例化

诊断要素	现状	诊断结论	严重程度
上下文	WMS/TMS/YSM/地磅/视频数据孤立，人脑拼接	上下文缺失	严重
AI	调度依赖人工经验，无 AI 决策引擎	AI 缺位	严重
环	月台/库区/堆场靠人工观察，无动态编排	环未受控	严重
法	交割规则/安全规程靠人记忆，无自动校验	法未硬化	中等
料	货物/批次/订单靠人工追踪	料未溯源	中等
机	行车/叉车靠对讲派单	机未匹配	严重
人	人是“系统胶水”，拼接信息、手工传递	人是瓶颈	严重
可观测	收益/效率/合规靠事后统计	可观测不足	中等

五大断裂：库存-出库 / 设备-任务 / 月台-车辆 / 仓储-运输 / 实物-结算

头门港

已实证

范式要素	内测前断裂	典型表现	内测后验证
上下文	TOS/OBD/地磅三源未闭环	计划变更凌晨发布，司机 8h 后仍在问泊位	三源通过 taskContextId 融合
AI	无 AI 决策引擎	料斗分配靠目测，末车控量靠人工	RAOR + 末车锁定 + 进度跟踪
环	泊位/料斗/堆场人工观察	料斗扎堆、门机等车	电子围栏 + 料斗状态实时分配
法	人工现场督查，无自动校验	超装后平车返工 0.5h/次	地磅净重 >63t 触发宪法门禁，自动提醒平车
机	车辆/门机/料斗/路线/卸料点对讲派单	改计划经 3–5 环节，信息层层衰减	VHAE + RAOR 毫秒级分配
人	地磅员+放料员+司机+中控员全程协同	末车精度 3–5 吨	系统自动锁定末车，精度 ≤1 吨
可观测	利润偏差事后统计	根因定位 2–3 天	日级利润归因

42 → 67

短驳单车日趟次

▲ +59.5%

3h → 1.58h

直提趟次运时

▼ -47%

3–5t → ≤1t

末车精度

平车返工归零

+1,382.6 万

年利润增长（税后）

回收期 23 个月

某港口集团国家人工智能中试基地

方案推荐

范式要素	现状断裂	具体表现	ONTOS 锚定
上下文	28 个数据集语义不通	分属不同系统、不同口径	领域本体做语义抽象
AI	大模型与产线断层	大模型“想”的，A-TOS“做”时易偏离	中核翻译+门禁校验
环	各港口 TOS 厂商/版本/规则各异	智能体无法跨港	适配器插件库
法	规则未统一、未硬化	合规靠事后审计	宪法门禁
料	数据资产未映射为语义实例	数据集彼此孤立	数据集入本体
机	国产 AI 芯片“只看不控”	能看到危险但停不住	本体到芯片毫秒级硬兜底
人	19 个智能体外挂调接口	复杂度指数增长	本体事件总线内生协同
可观测	场景各自为战	规则/数据不可复用	统一语义树+驾驶舱

五大痛点：TOS 碎片化 / 大模型与产线断层 / 芯片只看不控 / 智能体接口爆炸 / 场景各自为战

ONTOS 锚定的增强问题集

问题集	中储无锡	头门港	某中试基地	ONTOS 统一解法
上下文断裂	数据孤岛	三源未闭环	28 数据集语义不通	领域本体 + 语境图 + 三源闭环
AI 与执行断裂	无 AI 决策	人工控量	大模型与产线断层	三核递进：大核想、中核译、小核做
环-机-法断裂	月台/车辆/仓储独立	料斗（门机）/车辆/路线/卸料点（堆场）人工协同	TOS 异构、规则不一	双总线 + 适配器 + 门禁
治理断裂	规则靠人记忆	人工现场督查	合规靠事后审计	71 宪法门禁，设计时/部署时/运行时
价值断裂	利润事后统计	根因定位 2–3 天	场景价值不可复用	利润归因 + 四阶飞轮 + 驾驶舱

特征	含义	港口	物流
离散批次	以批次/票/订单为单元流转	趟次	订单/批次
载具流转	作业通过载具完成位移	疏运车辆	行车/叉车/配送车
批次计量	每批次有明确量纲和计量节点	地磅	地磅/件数/托数

方案

五层架构 · 三核 · 双总线 · 宪法门禁

技术不是堆栈，而是可治理、可追溯、可进化的执行闭环。

五层解耦架构

接入层/执行层

原有智能体与 IT 系统（A-TOS、YSM、WMS、M-TMS、19 智能体）

ONTOS 中枢

三核智能集成中枢：大核（治理层）+ 中核（管理层）+ 小核（执行层）

适配器层

TOS/WMS/TMS 适配器插件库，松耦合，零修改原有系统

资产层

数据、模型、算力、芯片（33P 算力、28 数据集、国产 AI 芯片）

数据反馈层

执行状态 → 管理洞察 → 治理层，语境图全链路因果链

三核递进

大核 · 治理层

天/月级。战略、运力规划、制度优化。LLM 皮层 + 优化引擎。

想

中核 · 管理层

分钟/小时级。语义翻译、门禁校验、泛化、裁决。元认知推理引擎 + 语境图。

译

小核 · 执行层

毫秒/秒级。调度、设备控制、硬兜底。确定性 ML 模型 + 工具调用。

做

中核缝合“大模型 + 执行系统”的断层：把大核输出翻译成本体标准事件，经 71 门禁硬校验后，才允许下发执行。

双总线协同

生产作业总线

负责生产指令下发与执行，回答“做什么”。干活。

执行通道

智能语义总线

负责语义理解、规则校验、因果追溯，回答“怎么做才对”。把关。

语义通道

宪法门禁：法的硬化

CP 系列 · 设计时

约 40–45 个。坏设计图无法入库。示例：CP53_REF_ORDER（超限超载底线）、CP_FIELD_COVERAGE（字段完整性）、CP_INHERITANCE（继承合法性）。

GD 系列 · 部署时

约 12–15 个。不稳定服务无法上线。示例：GD_CONFIG_ALIGN（配置对齐）、GD_DEPENDENCY_CHECK（依赖检查）。

GR/QR 系列 · 运行时

约 14–16 个。烧钱、变慢、违规自动熔断。示例：QR-LATENCY-001（延迟门禁）、QR-LLM-TOKEN-001（Token 预算）、QR-PUE-001（绿色 IT）。

数字孪生与仿真推演（多场景验收）

回溯

历史场景回放，支持任意时间点作业状态回放，延迟 ≤3 秒

掌控

实时状态映射，物理世界 → 数字空间同步 ≤1 秒

预测

仿真推演，调度方案发布前沙盘验证，支持 ≥3 套方案对比

验收项	中储无锡	头门港	某中试基地
作业时长预测误差	≤10%	≤8%	≤10%
月台/泊位占用预测误差	≤15%	≤10%	≤12%
设备可用性预测准确率	≥85%	≥90%	≥85%
趟次/车次预测误差	—	≤5%	—
末车精度	≤1 吨	≤1 吨	—
料斗分配准确率	—	≥95%	—
利润归因误差	≤2%	≤2%	—
新 TOS 适配周期	—	—	≤4 周（↓90%）
智能体接入修改量	—	—	零修改
硬兜底响应	—	≤50ms	≤50ms
跨港复用成本下降	—	—	≥60%

四阶飞轮

健康度 → 泛化 → 治理 → 利润，驱动系统持续自优化

健康度

模型漂移检测
精度衰减 >5% 自动重训

泛化

新场景认知
偏差 >15% 触发模式匹配

治理

门禁强化
同类型违规 7 天 ≥3 次

利润

策略调整
利润偏差 >5% 自动校准

系统

ONTOS 实例化的三场景验证

统一框架：问题锚点 → 资源禀赋 → ONTOS 实例化 → 核心功能 → 业务成效/预期 → 验证状态。

4.1 头门港：已实证

✅ 真实环境内测完成

问题锚点

计划变更同步延迟 8h13min、末车精度 3–5t、车辆改计划 3–5 环节、利润根因 2–3 天

资源禀赋

散货港口、疏运车辆、地磅、TOS、OBD、门禁；服务商自建自用，港口提供数据接口与岗位协同

ONTOS 实例化

三源闭环（TOS计划层 + OBD执行层 + 地磅事实层）+ RAOR + 末车锁定 + 进度跟踪 + 宪法门禁

核心功能

料斗分配、进度跟踪、末车控制

业务成效

趟次 +59.5%，运时 -47%，末车 ≤1t（平车返工归零），年利润 +1,382.6 万，回收期 23 个月

验证状态

✅ 已完成；21,641 节点 / 84,637 边 / 71 门禁 / 46 模式 / 1,054 扩展点

4.2 中储无锡：规划实例化

🟡 规划方案 v9.1

问题锚点

五大断裂：库存-出库、设备-任务、月台-车辆、仓储-运输、实物-结算

资源禀赋

31 万㎡园区、8.2 万㎡室内库、12 万㎡露天货场、2 条铁路专用线、京杭运河 3 级航道、27 辆自有车、305 万+ 平台货车、上期所/广期所交割资质（16 品种）、360+ 客户

ONTOS 实例化

领域本体 + 三核 + 双总线 + DLV-001~006 交割门禁 + 四阶段路线

核心功能

预约-月台-库位调度、仓储-运输联合编排、设备任务匹配、多式联运协调、交割合规引擎、未单控制、进度跟踪、利润归因

预期成效

基准情景：年可调度 200 万吨 × 1.8 元/吨 = 360 万增量毛利；净增 230 万；投资 650 万；回收期约 2.8 年

验证状态

🟡 规划方案 v9.1，待阶段 0 现场采集 2023–2025 实际吞吐量后校准

2026-07-08 上期所[2026]154 号正式获批集团交割中心 DLV-001-LOCAL 仅限城南路主库 GROUP 作用域需交易所批准 + 交割主管审批

4.3 某港口集团国家人工智能中试基地：方案推荐/待验证

🔵 方案推荐阶段

问题锚点

TOS 碎片化、大模型与产线断层、国产 AI 芯片只看不控、19 智能体接口爆炸、26 场景各自为战

资源禀赋

33P 国产算力、自研垂域大模型与港航服务大模型、国产港口 AI 芯片、28 个高质量数据集、19 个智能体、26 个场景分三批验收（2026Q4 / 2027Q2 / 2027Q4）

ONTOS 实例化

五层解耦架构 + 双总线 + 三核递进 + TOS 适配器插件库 + 71 宪法门禁 + 四阶飞轮；不改变 A-TOS 核心架构，叠加智能语义增强层

核心功能

跨 TOS 适配、本体事件总线、中核翻译校验、芯片毫秒级硬兜底、综合决策仪表盘

预期成效

新 TOS 适配周期 3 个月→4 周（↓90%）；系统复杂度指数→线性；人工介入率 >30%→<5%；跨港复用成本 ↓60%；按 10 个外部港口年服务收入 1.0~1.45 亿元，回收期 ≤2 年

验证状态

🔵 方案推荐阶段，尚未真实落地；建议作为 ONTOS 下一阶段 POC 验证场

适配范围：A-TOS / 哪吒 / 海勃 / 中控 / 定制版 TOS 新增 TOS 适配周期 4 周/版本非侵入承诺：只读不写，订阅核心事件流约 15%

技术

本体 · 图数据 · 三源闭环 · 信息链闭环

从语义底座到执行闭环，从数据血缘到算法性能，ONTOS 用工程化规范保证可信。

5.1 领域本体

21,641

节点

84,637

边

478

业务实体

1,690

标准化事件

        // 建设四步

        建模 → 数据集入本体 → 约束公理化 → 版本演化

落地关键原则：本体必须可机读、可被智能体实时查询与推理、能随业务增量演化。

5.2 图数据资产与语义架构

59 种节点类型 / 75 种边类型；可归纳为节点/边模板。

L1 原子类型层

NC、N_GENERIC、ND、N_META —— 系统不可再分的基础类型

L2 业务实体层

N_ENTITY_TYPE、NS、N_EVENT、NR —— 业务世界由什么构成

L3 AI 与决策层

NAI、N_ASSET、N_INDEX、N_DESIGN —— AI 如何理解、计算、推理、决策

L4 治理与规范层

N_QUALITY_RULE、N_GOVERNANCE_CHAIN、N_QUALITY_CRITERION、N_SIGNAL_CONFIG —— 什么能做、什么不能做

L5 扩展与模式层

N_EXTENSION_POINT、N_DESIGN_PATTERN、N_SUBTYPE、N_WECHAT_*、N_ARCH_* —— 系统如何复用、扩展、进化

域	节点类型	数量	核心用途	典型问题
业务实体	N_ENTITY_TYPE	478	港口业务实体（船舶、门机、车辆、堆场等）	“电7是什么车？能装多少吨？”
业务实体	NS	2,288	业务场景定义（12 核心场景 + 变体）	“直提外堆场场景怎么运作？”
业务实体	N_EVENT	1,690	标准化事件（泊位就绪、过磅完成、故障等）	“过磅完成后触发什么事件？”
业务实体	NR	128	业务角色（调度员、司机、安全管理员等）	“计划变更后谁需要被通知？”
AI 与决策	NAI	533	AI 模型（11 核心预测模型 + 泛化变体）	“节拍预测模型怎么工作？”
AI 与决策	N_ASSET	1,571	利润资产、成本模型、数据资产	“日级利润怎么算出来的？”
AI 与决策	N_INDEX	2,606	五效指标、类型目录	“碳效指标怎么定义的？”
治理与规范	NC	40	宪法核心类型	哪些是不可动摇的顶层约束？
治理与规范	N_QUALITY_RULE	1,274	质量规则（含 71 门禁）	哪些规则会硬拦截？
治理与规范	N_GOVERNANCE_CHAIN	1,822	治理链	多规则如何编排？
治理与规范	N_DESIGN	1,994	设计任务资产	为什么这样设计？
扩展与模式	N_EXTENSION_POINT	1,054	扩展点	哪些能力可插拔？
扩展与模式	N_DESIGN_PATTERN	46	设计模式	哪些经验可复用？

唯一性

每种节点类型内部标识符全局唯一

可追溯

标识符承载主实体关联信息，可从 ID 反推主实体

分层

业务层与架构层分离，跨层通过边关联

命名

节点 ID 必须包含类型前缀，如 N_ENTITY_TYPE:VH-VEHICLE

5.3 三源闭环与数据血缘

TOS · 计划层

应该干什么、计划干多少

OBD · 执行层

车辆实际怎么跑、实时状态如何

地磅 · 事实层

实际干了多少、是否合规

        // 通过 taskContextId 关联，形成 trips_fact 融合事实表

        四类核心校验：

        ① 五效告警 vs OBD 状态 → 触发纠偏指令

        ② 计划吨位 vs 实际净重 → 偏差分析，触发归因推理

        ③ OBD 载重估算 vs 地磅净重 → 模型精度验证，触发模型重训

        ④ 地磅净重 >63 吨 → 触发宪法门禁，自动提醒平车

5.3.1 AI 上下文构建：从三源闭环到人机闭环

AI 上下文构建与人机闭环

flowchart LR subgraph Source["数据源（上下文原料）"] TOS["TOS计划层
'应该干什么'"] OBD["OBD执行层
'实际怎么跑'"] Scale["地磅事实层
'实际干了多少'"] end subgraph Context["AI上下文构建"] C1["任务上下文
（CTX_TASK）"] C2["车辆上下文
（CTX_VEHICLE）"] C3["审核上下文
（CTX_REVIEW）"] C4["语境图因果链
（ContextChain）"] end subgraph AI_Drive["AI驾驶决策"] AI1["调度引擎
（RAOR+VHAE）"] AI2["NLU意图解析
（图数据驱动）"] AI3["路由分发
（N_WECHAT_ROUTING）"] AI4["飞轮闭环
（偏差检测+泛化）"] end subgraph Output["输出（人接收）"] O1["任务卡片
（司机）"] O2["审核卡片
（调度员）"] O3["告警通知
（干系人）"] O4["驾驶舱
（指挥员）"] end TOS --> C1 OBD --> C2 Scale --> C3 C1 --> AI1 C2 --> AI2 C3 --> AI3 C4 --> AI4 AI1 --> O1 AI1 --> O2 AI3 --> O3 AI4 --> O4 O1 -.->|"人确认"| AI2 O2 -.->|"人裁决"| AI1 O3 -.->|"人处理"| AI4

该图展示 AI 上下文如何从三源数据构建，如何驱动 AI 驾驶决策，如何输出给人，以及人如何反馈回 AI。任务上下文（CTX_TASK）、车辆上下文（CTX_VEHICLE）、审核上下文（CTX_REVIEW）分别对应 TOS、OBD、地磅三源数据；语境图因果链（ContextChain）为 AI 驾驶决策提供历史记忆。人通过任务卡片、审核卡片、告警通知、驾驶舱接收 AI 输出，并通过确认、裁决、处理反馈回 AI，形成人机闭环。

5.3.2 数据血缘全景图：从 TOS 到利润归因

数据血缘全景图（实例）

flowchart TB subgraph Source["🔹 源数据层（TOS系统）"] S1["生产计划表
（昼夜生产计划）
每日 09:00 前传入"] S2["作业计划单
（昼夜装卸作业计划）
每日 16:00 前传入"] end subgraph Adapter["🔹 适配与解析层"] A1["生产计划解析器
提取：船舶列表、货种、吨位、
计划靠离泊时间、效率目标"] A2["作业计划解析器
提取：作业模式、设备、路线、
资源清单"] A3["数据血缘追踪器
记录来源、版本、解析时间、
映射关系"] end subgraph Instance["🔹 图实例化层"] I1["NS场景实例化"] I2["TT运输任务创建"] I3["SH船舶节点更新"] I4["GC门机分配记录"] end subgraph Execution["🔹 调度执行层"] E1["VPA车辆加计划"] E2["VPC车辆改计划"] E3["RAOR实时调度"] E4["VITM在途监控"] end subgraph Feedback["🔹 监控与反馈层"] F1["地磅过磅数据"] F2["OBD轨迹数据"] F3["门机作业效率"] end subgraph Value["🔹 价值闭环层"] V1["利润归因分析
（D1驾驶舱）"] V2["五效雷达图
（D2驾驶舱）"] V3["宪法门禁校验
（G-01/CP53）"] end S1 --> A1 S2 --> A2 A1 --> A3 A2 --> A3 A3 --> I1 A3 --> I2 A3 --> I3 A3 --> I4 I1 --> E1 I1 --> E2 I2 --> E3 I4 --> E3 E1 --> E4 E2 --> E4 E3 --> E4 E4 --> F1 E4 --> F2 E4 --> F3 F1 --> V1 F1 --> V3 F2 --> V2 F3 --> V2

该图展示 TOS 生产计划表/作业计划单如何经过解析、实例化、调度执行、监控反馈，最终到达利润归因、五效雷达图、宪法门禁校验。数据血缘追踪器（A3）记录每一跳的来源、版本、解析时间、映射关系，确保核心字段 100% 可追溯。

路径	起点	终点	关键节点
路径1	利润偏差	TOS 原始计划	D1 → SRV-MGT-04 → 船舶/航次 → TOS 作业计划单 → TOS 生产计划表
路径2	超载告警	OBD 原始数据	G-01 → 地磅过磅记录 → 车辆 ID → VRTD 时序表 → OBD 标准化数据
路径3	载重精度	地磅 Ground Truth	TIM-50 验证 → OBD-Simulator / 地磅 CSV → referenceLoad → TIM-43 精度验证

5.4 企微上下行闭环

企微从“人-人通讯工具”升级为“AI-人通讯枢纽”。

下行

TOS 计划 → AI 调度引擎 → 派车草案 → 审核裁决 → VPA 锁定 → 企微推送 → 司机

上行

司机语音 → ASR → NLU → 状态校验 → 动作触发 → AI 执行 → 语境图写入

反馈

OBD 执行 → 地磅过磅 → trips_fact → 利润归因 → 飞轮闭环 → 优化调度

5.5 信息链闭环：AI 进入业务流程后的人-AI交互新断点与人机融合方案

传统系统断的是“通信链”；AI 驾驶业务断的是“信息链闭环”。ONTOS 的核心方案点之一，就是把这些新断点逐一修复，形成人机融合方案。

编号	新断点	传统表现	AI 引入后新表现	根因	人机融合方案	图数据载体	融合状态
N1	上下文断点	人脑拼接信息	AI 收到任务但缺少环境/历史/约束	上下文未语义化	领域本体 + 语境图补全	N_ENTITY_TYPE、NS、N_EVENT、语境图	✅
N2	语义-执行断点	人翻译指令	大核自然语言输出无法直接执行	大模型输出非结构化	中核翻译为本体标准事件 + 71 门禁校验	N_WECHAT_ACTION、N_WECHAT_VALIDATION	✅
N3	执行-事实断点	执行完再补记录	指令下发后实际结果未回流	缺少任务上下文贯穿	taskContextId + 三源闭环 + trips_fact	TT-TRANSPORT_TASK、VSI、WEIGHING	✅
N4	人-AI 意图断点	人看签名脑补	司机语音模糊、调度员反馈非结构化	自然语言歧义	ASR/NLU + 状态机 + 二次澄清	N_WECHAT_INTENT、N_WECHAT_STATE、N_WECHAT_CONTEXT	✅
N5	干系人触达断点	人翻通讯录	异常需通知正确角色但无角色语义	角色与企微账号未绑定	N_WECHAT_ROUTING + NR.wechatUserId	NR、N_WECHAT_ROUTING、TARGETS_ROLE	✅
N6	治理-业务断点	事后审计	合规规则在业务执行后才检查	规则未硬化	设计时门禁 + 运行时熔断 + VDR 工单	N_QUALITY_RULE、N_GOVERNANCE_CHAIN	✅
N7	价值归因断点	财务人工统计	利润偏差无法归因到具体决策	缺少因果链	利润归因服务 + 语境图 + 边际价值校准	N_ASSET、N_ATTRIBUTION_TREE、语境图	✅

AI 驾驶业务后新增的 7 类信息链断点，已通过 ONTOS 信息链闭环修复。

5.6 算法与性能：多场景算法集

算法/模型	场景	问题类型	复杂度	性能基线	头门港实测/预期
RAOR 料斗分配	头门港	加权最短队列	O(n)	≤50ms	分配毫秒级，门机等车损失大幅降低
VHAE 车辆-料斗分配	头门港	实时指派	O(n²)	≤100ms	支撑 42→67 趟/日
载重估算	头门港	回归	O(n)	误差 ≤15%	与地磅 Ground Truth 校准
VSI 状态识别	头门港	规则+ML	O(r×n)	置信度 ≥0.80	装料/卸料/在途状态识别
LastVehicleLocker	头门港	前瞻锁定	O(n)	精度 ≤1t	末车精度 3–5t→≤1t
LOADING_SESSION	头门港	会话追踪	O(1)	写入 ≤100ms	在途卸料量追踪
偏差率三色	头门港	阈值分级	O(1)	≤10ms	🟢≤5% / 🟡5–15% / 🔴>15%
节拍预测	头门港	时序预测	O(n)	P95≤200ms	支撑趟次 +59.5%
卸料进度预测	头门港	时序预测	O(n)	P95≤200ms	6 次泛化
MIXED_SCHEDULER	头门港	RL	O(n²)	≤500ms	4 次泛化
TBCO/BCO/BO/GC	头门港	RL/分类	O(n³)	≤30s	三业务协调、瓶颈识别
EEA 碳效分析	头门港	分类	O(n)	≤200ms	碳效分析
VRP 变体	中储无锡	设备匹配	O(n³)	n≤200 ≤30ms	—
约束求解	中储无锡	预约调度	O(n²)	n≤1000 ≤50ms	—
FSM 模式匹配	中储无锡	规则条件匹配	O(r×n)	≤500ms	—
LP/IP	中储无锡	运力策略	O(n³)	n≤500 ≤30s	—
TOS 适配器	某中试基地	协议转换	O(1)	≤5ms	—
本体事件总线	某中试基地	事件路由	O(n)	≤10ms	—
中核翻译校验	某中试基地	语义翻译+门禁	O(r×n)	≤500ms	—
芯片硬兜底	某中试基地	轻量 ONNX	O(1)	≤50ms	—

大核 SLA

≤30 秒

中核 SLA

≤500ms

小核 SLA

≤50ms

维度	Palantir Foundry（AI 移民）	ONTOS（AI 原住民）
治理	事后监控 · 检测坏数据	设计时硬拦截 · 拒绝坏数据 71 门禁
泛化	复用工具 · 重写管道	复用经验 · 语义特征继承 46 模式 + 1,054 扩展点
升级	人管图 · 人工评审	图自进化 · 健康度驱动升降级
追溯	数据血缘 · “知其然”	设计追溯 · “知其所以然” 1,994 项 N_DESIGN
架构	只观业务 · 架构为黑盒	观测自身 · N_ARCH_* 100 节点 L1-L8 实时监控

维度	AITOS（上港）	ONTOS
路径定位	交互智能：听得懂人话	执行智能：干得稳、可追溯
知识表示	隐式经验包，换港需重训	显式本体，可计算、可追溯
跨港能力	绑定自有 TOS，难推广	松耦合适配器，天生跨港
生产兜底	未披露毫秒级机制	SA5200 ≤50ms 硬拦截

编号	驾驶舱名称	简称	三层归属	决策时间尺度	信号灯数量
D1	利润归因	—	执行层	日级	8 路
D2	五效雷达图	—	执行层	日级	11 路
D3	飞轮健康度	—	管理层	分钟/小时级	12 路
D4	边际价值校准	—	治理层	天/月级	10 路
D5	绿色合规碳效	—	执行层	日级	10 路
A1	架构自治指挥中心	SERAC	管理层	分钟/小时级	10 路
A2	IT成本控制中枢	FinOps	管理层	分钟/小时级	9 路
A3	架构健康诊断五维雷达图	ArchRadar	治理层	天/月级	7 路
A4	绿色IT能效仪表盘	GreenIT	执行层	日级	8 路
A5	IT投资边际价值校准与决策引擎	ITInvest	治理层	天/月级	6 路

ONTOS 本体原生操作系统

AI 入企的 最后一公里

AI 与业务脱节

治理缺失

进化停滞

黑盒运行

三场景 范式诊断

中储无锡物流中心

头门港

某港口集团国家人工智能中试基地

ONTOS 锚定的 增强问题集

ONTOS：工业过程的自动驾驶

本体驱动

三核递进

宪法门禁

四阶飞轮

“六可” 目标体系

可理解

可计算

可推理

可运行

可治理

可进化

适用边界：离散批次工业过程

五层架构 · 三核 · 双总线 · 宪法门禁

五层解耦架构

三核递进

大核 · 治理层

中核 · 管理层

小核 · 执行层

双总线协同

生产作业总线

智能语义总线

宪法门禁：法的硬化

CP 系列 · 设计时

GD 系列 · 部署时

GR/QR 系列 · 运行时

数字孪生与仿真推演（多场景验收）

回溯

掌控

预测

四阶飞轮

健康度

泛化

治理

利润

ONTOS 实例化的 三场景验证

4.1 头门港：已实证

4.2 中储无锡：规划实例化

4.3 某港口集团国家人工智能中试基地：方案推荐/待验证

本体 · 图数据 · 三源闭环 · 信息链闭环

5.1 领域本体

5.2 图数据资产与语义架构

唯一性

可追溯

分层

命名

5.3 三源闭环与数据血缘

TOS · 计划层

OBD · 执行层

地磅 · 事实层

5.3.1 AI 上下文构建：从三源闭环到人机闭环

5.3.2 数据血缘全景图：从 TOS 到利润归因

5.4 企微上下行闭环

下行

上行

反馈

5.5 信息链闭环：AI 进入业务流程后的人-AI交互新断点与人机融合方案

5.6 算法与性能：多场景算法集

大核 SLA

中核 SLA

小核 SLA

八大核心功能 + 十大驾驶舱

料斗分配

进度跟踪

末车控制

利润归因

五效雷达

碳效仪表盘

飞轮健康度

ONTOS
本体原生操作系统

AI 入企的最后一公里

三场景范式诊断

ONTOS 锚定的增强问题集

ONTOS 实例化的三场景验证

四阶段路线与经济模型