世界、本体与代码：LLM 驱动下仿真范式的演进

认识客观规律的范式变化

人类文明的发展过程，实际上就是不断认识规律、利用规律、改造世界的过程。长期以来，理论推导与物理实验构成认识客观规律的两条主要路径。理论推导以公理、假设和数学形式化为基础，通过演绎获得可证明、可推广的结论。其局限在于，复杂系统往往难以获得解析解；例如，三体问题通常不存在一般意义上的闭式解，湍流系统难以完全解析，供应链网络中的级联效应亦难以由有限公式穷尽。此外，数学模型往往难以直接映射为现实系统中的可操作方案。

物理实验通过干预真实系统获取数据，为理论提供经验约束和检验依据。然而，实验的可实施性受到成本、伦理、时空尺度和技术能力的共同限制。例如，药物研究不能越过临床前环节，气候变化难以通过等待足够长的时间直接观察，地震亦难以被人为触发。因此，在规律已知或可假设、但直接实验不可行的情境中，理论推导与物理实验之间仍存在认识上的空缺。

仿真作为补充性认识路径

仿真的价值不应被简化为计算过程本身，而在于其能够在模型内部实施可重复、可控、可干预和可进行反事实分析的数值实验[1]。当系统规律已知而真实实验难以开展时，仿真可提供近似的实验环境；当理论模型过于复杂而无法解析求解时，仿真还可作为理论分析的延伸，用于识别非直观的系统后果。

仿真并不取代物理实验，而是扩展了可实验问题的边界。对于存在安全风险、成本过高、时间跨度过长或组合数量过大的问题，仿真可将其转化为可计算和可复现的虚拟实验。仿真可信度则取决于模型对现实对象、机制和约束的表征质量。

世界—本体—代码三元关系

仿真的构建与运行可概括为世界、本体和代码的三元关系（表 1）。

三者可形成如下关系：

世界 → 本体 → 代码 → 仿真 → 世界

世界提供问题、数据和约束；本体提供形式化的语义结构；代码赋予该结构以可执行语义；仿真产生的结果再返回现实世界，作为解释、决策或模型修正的依据。

在传统实践中，该链条通常呈现出人工性、断裂性和单向性。具体而言：第一，本体通常是缺位的，隐含在代码中，而隐含本体难以提取，模型之间以及模型与业务语言之间缺乏稳定映射；第二，仿真结果往往停留于报告层面，难以系统地驱动本体修订；第三，场景变化时需要重新建模，既有经验难以复用。

LLM 对三元关系闭环的作用

LLM 为缩短上述链条提供了技术可能，但其作用应被限定在可验证的范围内。

在“世界 → 本体”环节，LLM 可从自然语言文档、数据库与日志中识别实体、关系和事件类型，将隐性领域知识转化为可操作的候选本体。在“本体 → 代码”环节，本体可被编译为类型、约束和验证器，并为仿真代码生成提供明确的结构边界；LLM 在此主要承担参数和值的填充任务。在“代码／仿真 → 世界”环节，LLM 可辅助解释结果、识别异常，并提出需由人工审查的本体修订假设。

因此，LLM 并不自动消除建模风险，而是在模板明确、数据可得、确定性规则充分且有人类审核的条件下，使传统上耗时较长的链条获得更短的迭代周期。本文提出的 ODEVS（Ontology-based Discrete Event System Specification）框架旨在实现这一链路的完整演进。

基于三元关系的本体仿真实践

在实际仿真系统中，世界、本体和代码必须被操作化。ODEVS 将三元关系映射为以下技术对象（表 2）。

该体系的基本判断是：本体不应仅被视为中间文档，而应作为结构的唯一权威来源。传统仿真中的结构假设往往隐含于代码、建模者经验或模型设计之中。ODEVS 将其抽离为独立、显式且可审查的本体层：结构由本体定义，代码作为其执行性实现。

由此可得一项重要的工程约束：结构应通过确定性推理由本体派生，LLM 仅在既定空位中填入场景原文所支持的数值和分布参数，不应删除或改变结构。若同一份本体在相同规则下能够产生同一份结构，则对本体的审查能够在相当程度上覆盖下游代码的结构性审查。

ODEVS 的三段式流程

ODEVS 的核心流程为“场景本体 → 仿真本体 → 仿真代码”[4]。各阶段承担不同任务，阶段间的结构性转换应当是确定性的。

第一阶段：自然语言场景至场景本体

本阶段的任务是从场景文档中提取对象、关系和参数，并形成可核验的结构化清单。该过程不是摘要或复述，而是将信息固定为三类规范表示：

1. 分类树：描述场景中的对象类型、分类关系及属性；属性需标明其为固定数值、随机分布、标识符或可计算表达式。
2. 关系三元组：以“主语—谓词—宾语”表示交互关系；必要时保留原文约束作为可选第四项，不进行语义改写。
3. 实例表：记录特定场景中的参数取值，并逐项标注其在场景文档中的来源。

在进入人工审查前，系统应实施确定性检查，包括概念名称重复、父子层级属性重叠、三元组端点不存在、孤立概念、实例类型不匹配及参数缺少来源标注等。人类审查主要聚焦于机器难以独立判定的语义问题，例如概念分类是否恰当、关系方向是否正确、数值及其来源是否与原文相符。由于后续结构派生具有确定性，将审查点前置于该阶段有助于控制全链路的语义风险。

第二阶段：场景本体至仿真本体

本阶段使用上位本体将场景本体映射为仿真元概念。上位本体可限定为组件、连接、动作和流程四类，其分类依据是对象是否具有意图的发起者：有发起者的行为归为动作，如装载、翻卸和发运；描述可达性、物料或信息传递、物理耦合或容量约束的对象归为连接，如铁路、联络线和传送带；具有时间语义的事件序列归为流程；具有身份、资源能力、独立状态或可观测性的对象归为组件，如列车、矿源组和翻车机。

在该阶段，分类树可被视为类型系统，对象沿祖先链继承类型特征；关系可按谓词映射为动作、连接、观测或时长；触发、动作与状态的关联可形成流程。上述结构推理应由确定性算法完成。LLM 的任务仅限于为已确定的骨架填写场景原文支持的数值和分布参数。

第一阶段关注“系统是否正确理解场景”，第二阶段则关注“系统将以何种计算语义处理场景”。

第三阶段：仿真本体至仿真代码

本阶段以仿真本体驱动可运行代码生成。技术职责应明确划分：资源池、库存容器、到达生成器、事件日志和随机种子注入等确定性 SimPy 骨架，可由规则直接生成；LLM 则仅填充行为时长、分布参数和守卫条件。最终产物包括仿真器主程序、标准化结果包和参数账本。

对传统仿真问题的回应

第一，针对本体隐含于代码的问题，本体驱动管线将结构假设显式化。直接由 LLM 根据场景文档生成代码时，结构可能随生成过程发生不稳定变化；在本体链路中，确定性推理层和编译器先形成投影草稿与仿真骨架，LLM 的自由度被限定在参数填充范围内。

第二，针对业务人员难以阅读代码的问题，ODEVS 将人工审查点设置在以业务语言呈现的场景本体层。业务人员只需核验结构化清单，而无需直接审查程序实现。

第三，针对结果不可审计的问题，每一个参数值均应携带来源与真值标签，例如官方观测、可推导值、基准抽象或待校准值。模型无法确定的缺口必须登记于假设账本，而不应被静默补全。由此，审计对象从“模型作出了何种推断”转化为“模型掌握了何种信息、采用了何种假设以及各自的依据”。

第四，针对结果难以验证的问题，ODEVS 可设置两类验证：语义自洽检验要求场景文档中给出的机制承诺能够在日志或结果中被观察到；金标准回测则使用历史数据校准模型，并以未参与校准的年度数据进行验证。后者用于检验模型是否仅拟合已见数据，或是否捕捉到具有跨期稳定性的系统结构。

技术证据：确定性门禁系统

ODEVS 可为每一层产物设置由本体机械派生的确定性门禁，避免完全依赖专家的事后审查。五类核心门禁及其对应失效模式如下（表 3）：

该类门禁的目标是识别语义与结构错误，而非评判文本或代码风格。曾有运行将“列车编组”误建模为到达流，导致全年仅有一列车运行，系统检测到本体预言吞吐量为实际值的 1/52 ，从而在结果解释之前发现建模错误。该案例表明，本体可作为结构性验证机制，用于检验结果是否与已声明的建模承诺一致。

上述门禁及其方法论可移植到多个领域：

• 供应链网络仿真：资源消费门禁可检验每个仓库、运输节点的库存声明与代码中实际读写的库存变量是否一一对应；实例对账门禁可用于将 BOM 表（物料清单）逐行映射为仿真中的物料实例，防止出现“文档中列出的零件在模型里凭空消失”或“模型里多了文档中不存在的零件”。
• 化学反应动力学仿真：物料守恒门禁可检验反应方程式是否配平——若某元素在反应器入口的总摩尔数与出口加中间态产物之和不一致，门禁在编译期即触发；吞吐量区间门禁可用于校验关键产物的产率是否落在化学计量比预言的范围内。

当前技术定位

ODEVS 目前主要对应 What if 层次：在规律已知、实验难以直接开展的条件下，本体对仿真代码生成施加显式约束，以提高仿真对既有规律的忠实性。此时，本体的主要功能是约束、验证和追溯。

该体系尚未实现完整的反馈闭环：仿真结果尚不能以系统化方式触发本体修订。因此，ODEVS 应被理解为通向闭环本体仿真的基础阶段，而非其最终形态。

仿真范式的未来演进

仿真的未来发展可被理解为本体逐步内嵌、反馈闭环逐步完善的过程。该过程可由三个认识问题加以刻画（表 4）。

三者并非相互替代，而是递进关系：随着本体的可执行性和可演化性增强，仿真的认知功能由执行既有假设逐步扩展至发现与修正假设。

What if：本体约束仿真

在 What if 层次中，已知规律或可接受的假设被编码为显式本体，并约束仿真代码的生成与执行。本体应具备可验证和可追溯的特征，但尚未构成自动反馈闭环。ODEVS 的本体驱动离散事件仿真属于这一类型。

该层次的核心问题是：在真实实验难以实施时，仿真是否能够以可审计方式近似实现既有机制？本体的作用在于确保代码结构与已声明规律的一致性。然而，其根本局限在于本体仍是静态的：若前提假设有误，仿真可能忠实地执行错误假设并产生系统性偏差。

What else：本体约束符号回归与规律发现

在 What else 层次中，面对过于复杂而难以推演全部逻辑后果的理论，仿真可成为理论的计算性延伸。本体的作用由约束代码生成扩展为约束搜索空间，并与符号回归相结合以支持潜在规律的发现。

符号回归可从数据中搜索数学表达式 [5]，但其搜索空间庞大，所得结果可能缺乏物理可解释性。将本体先验嵌入搜索过程，可缩减候选表达式空间并引入物理约束。例如，在化学动力学中，将化学计量约束纳入符号回归框架，有助于从浓度时间序列中提取可解释的反应机理和速率方程，并降低纯数据驱动方法产生物理上无意义过拟合的风险。

该层次的关键问题是：当理论无法穷尽其后果时，仿真能否辅助发现新的、可解释的规律？在此，本体承担的是发现过程的先验约束，而非仅仅是代码生成的结构约束。

Where is it wrong：本体的自我修正

Where is it wrong 对应完整的认识闭环。仿真结果、实验观测或二者之间的偏差可反过来质疑、修正乃至重构关于目标世界的基本假设。本体由静态约束集合转变为可演化、可执行并具有自省能力的认知结构。

在这一设想中，仿真结果可以暴露实体缺失、关系错误或假设不成立等问题；LLM 辅助解释偏差并提出本体修订候选；经审核后的本体形成新版本，代码随之重新生成，仿真再次运行。LLM 可以承担抽取、生成与解释任务，而本体则继续承担约束、验证和追溯任务。

该层次关注的问题是：现有假设究竟在哪些位置失效？仿真不再仅用于验证或发现，也成为暴露本体缺陷、驱动模型更新并反馈现实认识的机制。

本体角色的转变

从 What if 到 What else，再到 Where is it wrong，本体的作用呈现出以下演化方向（表 5）。

LLM 能力的提高使得这一转变更具现实意义，同时也引出一个问题：如果 LLM 已在参数中压缩了大量世界知识，显式本体是否仍然具有必要性？

更强的 LLM 是否削弱本体价值

一种可能的反论是：若 LLM 能够从自然语言直接生成正确的仿真代码 [6, 7]，显式本体可能仅增加上下文负担，甚至退化为可被绕过的事后合规层。对此，有必要区分上下文本体与编译性本体（表 6）。

编译性本体的价值在于将约束前置于生成过程，而非仅在生成后评估其是否合规 [8]。若约束能够作用于语法受限解码、工具调用 schema、仿真编译器和验证器，则不合规结构可在运行前或运行时被阻断。相较之下，单纯的事后检查难以保证结构性一致。

LLM 可以掌握大量知识，但其参数化知识本身并不天然保证跨环节一致性、可审计性或因果责任。本体的核心价值因此不只是知识的外部化，更是对模型承诺、信息来源与可执行约束的外部化。它未必需要完整进入提示词，而可进入系统架构：例如，以语法约束解码限制输出结构，以工具调用 schema 规定 agent 可执行的操作，以仿真编译器生成可运行模型，以验证器检验守恒律、类型约束与因果假设，并以审计日志记录承诺、来源和版本。

结论

仿真的认识角色可由 What if 逐步扩展至 What else 与 Where is it wrong。在这一过程中，本体由约束代码生成的结构层，演化为约束发现过程的先验，并最终可能成为能够依据反馈修订自身的认知基础设施。

世界—本体—代码的闭环在 LLM 支持下具有更高程度自动化的潜力：LLM 可承担知识抽取、代码与参数生成以及结果解释；本体负责结构约束、验证与溯源；代码负责执行和记录。需要强调的是，本体不会因模型能力提升而失去作用，而更可能从知识表示工具转变为责任表示机制。

LLM 降低了知识处理的成本；本体则为知识的可验证性、可追溯性和可负责性提供结构性基础。

JOTO 企业落地观察

• 企业部署仿真系统时，若跳过显式本体层而直接用 LLM 生成代码，将丧失对模型结构承诺的可审计锚点；本体作为责任表示机制，是满足金融、能源等领域强监管合规要求的刚性基础设施。
• 智能体工程中，ODEVS 提出的“场景本体→仿真本体→仿真代码”三段式流程，可迁移为“业务需求本体→Agent 协议本体→可执行 Agent 编排”的确定性构造路径，避免多智能体协作中因语义漂移导致的协同失效。
• RAG 知识工程需应对“知识幻觉”与“结构失配”双重风险；本文强调的“参数值必须标注来源与真值标签”，可直接转化为 RAG 系统中 chunk 元数据的强制字段规范，支撑细粒度溯源与责任界定。
• AI 安全治理要求对模型输出的因果链进行可验证追踪；本体驱动的门禁系统（如物料守恒、吞吐量区间）提供了脱离黑箱推理的轻量级验证层，适用于边缘侧或低算力场景下的实时安全护栏部署。