知识图谱与大模型之间的关系.pdf

知识图谱与大模型之间 的关系 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