北京
2026年，AI智能体将在企业级应用中迎来关键跨越——从“能说会道”到真正理解业务语义。Snowflake最新公布的一项本体感知基准测试表明，在22个高难度推理问题上，融合正式本体知识的企业AI智能体，有望在准确性与可靠性上取得实质性提升。 Snowflake正持续投入，让AI智能体能够更轻松地原生理解并推理业务概念及其关系。许多行业早已维护着正式本体，为基于表、列和连接关系所表达的语义推理，补充一层领域专属推理能力。这种能力让AI智能体理解层级关系、同义词，以及仅靠语义层未必能够完整捕获的领域概念。 然而，多数企业AI与分析系统仍主要运行在关系抽象之上，也就是表、列、键和连接，并不能原生访问定义概念继承、传递关系、等价映射或领域约束的知识层。组织对真实世界含义的建模方式，与AI系统检索和推理业务数据的方式之间，存在一道鸿沟。 以供应链场景为例：当分析师提出“显示所有电子元器件的总支出”时，“电子元器件”位于分类体系顶端，其下包含电容器、电阻器、集成电路以及数十个子类别。在生物医学场景中，研究者提问“显示PD-1抑制剂在上皮来源癌细胞系中的药物疗效”时，系统需要将一个父概念扩展到数十种细胞类型和13个组织类别。这类推理无法仅靠表结构完成。Snowflake的Semantic View提供了关系构造基础，而递归CTE这一SQL扩展能力提供了动态路径长度查询机制，可支持层级类型以及subclass-of、传递属性和逆属性等关系公理。 为衡量“把更深层本体语义引入Snowflake”的增量价值，团队构建了一个高度简化的生物医学数据集，将基于Semantic View的Cortex Agent基线方案，与基于知识图谱、GraphRAG和针对性术语映射的本体感知方案进行系统比较。 测试数据整合了两个公开资源：Cell Ontology（细胞本体，CL）包含33,651个术语，由约50,000条层级边和关系边连接；PRISM（Profiling Relative Inhibition Simultaneously in Mixtures）药物再利用数据集则记录4,518种药物在578个人类癌细胞系上的生长抑制活性，共产生260万余条细胞存活率测量数据。 难点在于：PRISM按组织类型标注，如肺、乳腺；而Cell Ontology按细胞谱系组织概念，如上皮细胞、基质细胞。智能体必须跨越这道语义鸿沟，才能回答分析问题。团队设计了22个高难度问题，刻意聚焦术语解析、队列比较、跨组织分析、药物排序、分布分析和多类别比较等任务。为衡量一致性，每种智能体配置重复运行5次。 基准测试的起点是Semantic View与Cortex Analyst组合方案。在此基础上，三种本体感知增强方案——知识图谱、GraphRAG和针对性术语映射——分别被引入。结果表明，在所评估的条件下，更充分的结构化知识锚定有望提升准确性与可靠性，同时为需要构建更精准、可解释、更可信的企业级AI智能体的团队，提供了一套可落地的参考框架。 在Snowflake看来，随着2026年企业加速拥抱AI智能体，将正式本体融入数据云平台已不再是一个可选项，而是确保AI系统真正理解业务概念的必答题。点击下载《2026年AI与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
