知识图谱：被大模型重新激活的AI基础设施，落地还差几步

去年以来大模型吵得最凶的问题是什么？幻觉。一本正经胡说八道的毛病，把很多想落地大模型的企业愁掉了头发。这时候突然一堆人把压箱底的知识图谱翻出来，说这就是治幻觉的解药。

不是新发明，只是被大模型翻红了

说实话，知识图谱真不是什么新鲜东西。早在上世纪七八十年代，语义网络的概念就把这个逻辑讲清楚了，2012年谷歌推出谷歌知识图谱，用来优化搜索结果，那时候国内一波公司就跟着做过。后来深度学习起来，大模型出来，知识图谱冷了好一阵子，要不是幻觉问题闹得凶，很多人还想不起它。 它的核心逻辑一点也不复杂：把现实世界的各种实体——人、物、企业、概念——都拆出来，再把实体之间的关系连起来，最后用图结构存储。你想找两个实体的关联，直接顺着路径爬就能出来，比从一堆非结构化文本里挖效率高太多，也准确太多。 谷歌知识图谱搜索结果展示页 很多人搞不清它和大模型的技术边界。简单说：大模型是靠概率猜下一个字，知识图谱是靠结构化的真实关系推结论。一个靠经验概率生成，一个靠明确事实推理。不存在谁取代谁，一开始就是两条路。 不过话说回来，现在不少创业公司拿着十年前的开源知识图谱框架改改UI，就包装成“下一代AI核心技术”割投资人，看得人忍不住想吐槽。

真能赚钱的落地场景，都在垂直领域

知识图谱这么多年，真跑通商业闭环的，基本都是垂直领域的To B生意。 最早跑出来的是金融。银行做反欺诈、担保圈排查，你想找一堆企业之间的隐形关联——比如同一个实际控制人、互相担保的关系，原来人工要查好几天，拉个知识图谱出来，点一下鼠标，整个关联网络一目了然，异常的担保链一眼就能揪出来。国内几家头部银行，早在十年前就搭了自己的知识图谱系统，每年省下的风控成本不知道多少。 然后是电商搜索和推荐。你搜“适合跑步的女生透气运动鞋”，纯大模型语义匹配可能给你乱推，但是知识图谱早就把每款鞋的品牌、适用场景、功能、适用人群这些属性标成了结构化实体，搜完直接匹配对应属性，结果准太多。 还有现在的新药研发，药企用来梳理已有研究的靶点关系，找潜在的可成药路径，知识图谱能把分散在几十万篇论文里的信息整理成关联网络，帮研发人员少走好几个月的弯路。 金融反欺诈知识图谱关联关系可视化图 但落地的坑也真的不少。最大的问题就是构建成本太高。要搭一个能用的垂直领域知识图谱，得先从海量文档里抽实体、标关系，很多专业术语大模型自动抽都错一半，最后还要领域专家人工校正，一套下来动辄百万起，中小玩家根本碰不起。其次是没有统一标准，每个行业、每个企业对同一个实体的定义都不一样，做出来的知识图谱没法复用，等于每个项目都要从头做一遍，摊下来成本更高。

未来三到五年，知识图谱会变成什么？

未来三到五年，知识图谱会变成什么？ 现在最火的方向就是知识图谱+大模型的混合架构。用大模型做交互和生成，用知识图谱做事实校验和逻辑推理，刚好补了大模型幻觉的短板，现在不少做企业大模型应用的厂商，都是这么干的。 但风险和治理问题，现在没人提，不代表不存在。知识图谱存了太多实体和关联关系，万一里面有错误的链接——比如把某件负面事件错误关联到无辜的人身上，这个错误会一直存在，比大模型单次生成的错误危害大得多。还有隐私问题，一张拉满了社会关系、企业关联的知识图谱，一旦泄露，比单独泄露单个人的信息危害大一个数量级，现在国内还没有明确的规范针对这类风险。 说实话，别指望知识图谱能解决所有问题。它治不了大模型的所有幻觉，也成不了什么“AI的终极形态”，它就是一块好用的补丁，一块重要的基础设施。 未来三到五年，我判断会出现两个趋势：第一，通用知识图谱会慢慢变成公共基础设施，就像现在的云服务一样，大厂做出来给大家用，没人会再自己从零搭通用知识图谱。第二，垂直领域的知识图谱会变成行业的核心资产，大模型的发展会把自动构建的准确率提上去，把构建成本压下来，原来只有头部企业用得起的东西，慢慢会下沉到腰部企业。 泡沫肯定有，现在这波AI热，什么概念都能被炒上天。但挤完泡沫之后，真正解决了落地成本问题，能在垂直领域跑通ROI的玩家，才能留下来。