爱数新闻

领域大模型是大模型的重点发展方向，因为基础大模型与行业应用场景之间存在鸿沟，需要通用大模型向领域适配。知识图谱技术由于是静态的，目前也难以满足以工业互联网为代表的领域应用需求，需要发展动态的、能够持续学习的知识图谱，发展下一代知识图谱技术。

领域认知智能离不开大模型

实现领域认知智能离不开大模型，因为通用认知是实现领域认知的前提。大模型的出现宣告了通用人工智能（AGI）时代的带来，意味着机器的通识能力显著提升，而只有掌握广泛而多样的通识，才能有理解领域内的专业知识的能力，所以领域认知智能是建立在实现通用人工智能基础之上的。

语言模型编码了数据中蕴含的大量通用知识，能够与知识图谱中的知识形成互补，同时也模拟了人脑的思维能力，包括语言理解、逻辑推理、常识理解能力等。除此之外，大模型具备了复杂任务拆解与规划、组合创新、评估评价等重要的能力，这使大模型成为了智能的新基座，能够显著赋能不同领域、不同形式的下游任务。

领域认知智能离不开知识图谱

知识图谱仍是解决问题过程中重要的力量，目前，大模型仍存在着一些问题。第一，大模型在垂直领域的专业知识仍然匮乏。第二，生成式大模型回避不了幻觉问题，容易胡编乱造一些虚假事实，其自身无法从根本上解决这一问题。第三，大模型对领域缺乏“忠诚度”，并不会按照领域里的规范解决问题。第四，大模型不可控、难编辑，对于敏感、不安全的内容难以控制其生成和展示。

对于以上问题，利用知识图谱对大模型进行干预能够有效优化。大模型相关的绝大多数常规任务能够被分解为“提示（prompt）、生成（Generation）、评估（Evaluation）”三个阶段，其中，提示、评估是大多知识图谱等外部工具容易干预的环节知识图谱对大模型优化的主要方式。知识图谱能够指引prompt生成、评估生成结果，并能够通过使用知识图谱增强生成效果。同时，数据库、知识图谱存储了大量高质量数据、知识，将数据、知识接入语言模型，能有效提升模型的信息丰富度与知识水平，从而缓解幻觉现象。最后，知识图谱可以降低语言模型的学习成本，提升其推理能力以及可解释性。

总体来说，实现领域认知智能，关键是深度融合数据驱动的大模型与知识驱动的知识图谱，从而赋能产业发展与变革，成为推动社会发展与生产力提升的有力工具。

未来，大模型将承担“基础设施”功能，以AI技术赋能千行百业，大模型与知识图谱数据的融合将成为解决专业领域问题的新思路。作为释放数据价值、实现数据驱动创新的关键一步，爱数在人工智能领域持续投入大量研发力量，基于领域知识图谱与领域大模型打造领域认知智能，全面升级产品的智能化水平，并推出领域认知中台方案，与客户共创，让AI深入应用场景，真正赋能客户的数据。