大语言模型如何理解复杂的企业可持续发展指标
大语言模型如何理解复杂的企业可持续发展指标
企业可持续发展指标的难点，很少是看不懂中文名称，而是相同名称背后藏着不同边界。“可再生能源占比”可能指采购电力占比、总终端能源占比，或按证书调整后的电力占比；“员工伤害率”又涉及承包商是否计入、工时如何估算。大语言模型若只凭词语相似度匹配指标，很容易给出语法正确、含义错误的答案。
让模型理解指标，应先建立机器可读的指标字典。每项指标记录定义、分子分母、单位、组织边界、统计周期、允许的数据来源、计算规则和适用标准版本。模型负责把用户问题映射到候选指标，再把有歧义的条件显式提出。例如询问“今年工厂用水下降多少”，系统必须确认比较基期、是否纳入新并购厂区、取水还是耗水。不能让模型默默替用户选一种口径。
语义理解还需要与计算分离。模型可以从发票识别“千瓦时”、从设备日志识别“兆瓦时”，但单位转换应交给确定性程序。面对碳排放强度，系统要先获得经批准的排放总量和合适的业务分母，再进行除法，并记录分母变化是否由产品结构改变造成。一个数值若缺少期间、边界和来源，最多只能被标为待核实数据，不能直接进入报告。
企业可采用“指标知识图谱加规则引擎”的组合。知识图谱连接公司、设施、产品、供应商和指标，说明数据属于谁；规则引擎判断可用性和计算方式；大模型在其上提供自然语言入口和异常解释。测试时不应只抽查标准问法，还要加入“把集团数据当作工厂数据”“把吨与千克混用”等对抗样例，观察系统能否拒绝错误计算。
指标字典还应管理“同名不同义”和“异名同义”。一份内部能耗表的“清洁电力”可能包括自发自用光伏，另一份采购表则只计算购电合同；不同标准对同一概念也可能要求不同披露。系统可通过本体和映射表保存这些关系，并对每次映射给出适用条件。用户提问时，模型先确认问题所属标准和决策用途，再决定使用哪个定义。这样，管理层问经营改善、审计人员问披露合规时，系统不会机械地返回同一个数，却能解释两个数为何不同。
企业还可把常见错误设计成“反向教学”材料。比如让系统解释为何“用水量下降”不一定代表水资源风险下降：取水来源可能从再生水转为地下水，产量也可能下降。能识别指标背后的业务含义和限制，才算真正理解，而不只是记住定义。
最终的理解能力体现在可追问性。用户应能沿着答案看到所用公式、每个输入值的来源、被排除的数据以及不确定性。模型把复杂指标翻译成人能理解的语言，同时保留原始定义与审计轨迹，才有资格成为管理工具。
