知识图谱与大模型之间的关系.pdfVIP

一、从认知智能的两种路径说起

我们都知道，人工智能的发展分为三个阶段：计算智能、感知智能、认知智能。

计算智能，即快速计算和记忆存储能力。感知智能，即视觉、听觉、触觉等感知

能力。认知智能，即理解、思考、推理等认知能力。我们现在已经迈进了认知智

能的阶段，目前以多模态为主。

多模态认知智能，一般来说有两种实现路径。一是，多模态大模型；二是多模态

知识工程。

多模态大模型，是典型的连接主义和经验主义的思想，从海量预训练数据中学习

概率关联，是简单而鲁棒的，它属于统计学习范畴，具备端到端、干预少和“数”

尽其用的优势，其劣势在于难以学习到从因到果、从主到次、从整体到部分、从

概括到具体、从现象到本质、从具体到一般等逻辑关系。

另一种实现路径是多模态知识工程，其代表了符号主义的思想，从精选数据和专家知识

中学习符号关联，是精细而脆弱的，它往往通过专家系统和知识图谱实现，具备易推理、

可控、可干预、可解释的优点，但是它的劣势主要在于将数据转换成符号知识的过程往

往伴随着巨大的信息损失，而其中隐性知识等难以表达的知识往往是信息损失的主体。

多模态知识图谱是多模态知识工程的主要形式。

二、知识图谱与大模型的优劣势分析

两者本质上都是一种知识库。在实时性和时效性上面临的挑战一致，都需要面对

事实性错误、时效性以及知识更新的问题。

知识图谱是知识的结构化表达，通过三元组与图网络建立起知识体系，结构清晰，

查询简单，便于理解。大模型是利用海量语料，经过神经网络和深度学习大规模

训练后，形成的巨量参数的语言模型，上下文感知能力、深层语义表示能力较强，

主打通用性。

大模型的优点是：

•

关联推理能力强：可以学习掌握大量跨模态知识模式，隐空间的关联推理能力强，

具有很强的泛化能力；

多任务通吃：一套大模型处理各类跨模态任务；

人工成本低：依赖人工schema设计与数据标注比较少；

•

适配能力强：可通过调优训练或prompt对话等方式来适配新的领域和任务。

•

而其不足之处在于：

•

可靠程度低：所生成的内容存在事实性错误，可靠性堪忧，存在误差累积、隐私

泄露等问题，无法胜任高精度严肃场景需求；

知识推理弱：基于概率的语义连接，没有真正掌握数据背后的知识，缺乏知识推

理能力，更无因果推理能力。但是，据说GPT-4推理能力提升1750%，这一条

好像快站不住脚了；

训练成本高：需要消耗大量计算资源和时间来进行训练，需要强大的计算设备和

高效的算法。

•

而与之对应的，多模态知识图谱的优点是：

•

专业可信度高：其结构和关系清晰，易于理解和解释，可为人类决策提供参考，

通常为某个具体应用场景构建，可提供更精准和针对性的知识支持；

•

可解释性好：以结构化形式表示知识，知识的可访问性、可重用性、可解释性好，

对人类友好；

•

可扩展性强：知识图谱的内容可以随着应用场景的需要进行不断扩展和更新，可

以不断完善和改进。

•

而多模态知识图谱的缺点在于：

推理能力弱：只能表示已有的知识和关系，对于未知或不确定的领域难以进行有

效的知识建模和推理；

•

•

人工成本高：其构建需要依赖于人工或半自动的方式进行知识抽取和建模，难以

实现完全自动化；

•

•

架构调整难：其基本schema架构通常是静态的，不易根据新的数据或场景进行

修改和调整。

•

由上分析可见，大模型的优点常常是多模态知识图谱的不足，而多模态大模型的不足又

往往是多模态知识图谱的优势。因此，当前阶段，大模型与知识图谱仍应继续保持竞合

关系，互相帮助，互为补充。

三、知识图谱与大模型的关系会如何发展？

1、知识图谱在一定时期内，不会被大模型替代

一是知识图谱是在现阶段有意义的，因为神经网络目前无法解决或者非常难以解

决事实性准确的问题。目前因为GPT4这种胡编乱造的情况还是很严重的，远远

达不到完美解决的阶段。它会一本正经的解释，贾宝玉为什么要葬花。

二是通用大模型的工业化落地，需要行业知识。真正落地到很多行业应用的时候，

也是需要有专业领域知识的支撑，大模型训练语料里最为致命的一点是专业知识

在大语料里边它占比非常少的，很难在训练里面把专业知识给学习出来，所以在

一个具体的应