很多技术厂商都曾认为，大语言模型的到来会给“知识图谱”技术带来“替代性”的威胁，毕竟二者都是服务于知识，服务于文本。
当和一些做AI方面技术公司洽谈项目时，对方一听到我们还在用“知识图谱”这样的技术，竟无意间表现出一丝轻蔑。认为AIGC时代，大模型可以做任何事，不再需要任何“过时”的AI技术了。
这种反应并不奇怪，因为大模型在出现以来，一直被宣传得很“热闹”。人们在热情的驱动下，总是容易高估新技术的能力。
有时候，客户在不完全了解的情况下，也会如此。有了一些新需求，动不动就直接给建议，“这东西大模型应该可以做，一点也不难，马上部署一套吧”。
其实，从本质上来看，大模型和其他任何AI模型没有任何值得区别对待的，所有的AI技术模型都是“平等”的关系。
不同技术有不同的技术特点，适用于不同的业务场景，“数字化转型”也不会厚此薄彼。
知识图谱技术和大模型技术虽然都面向知识服务，但是定位完全不同。
知识图谱是用符号表示知识，内容严谨、结构化强，能够对复杂的数据关联进行记录，适合于推理类任务。
大模型是用向量表示知识，语义信息丰富，支持高效检索和各类数据格式的输入和生成，适合交互类任务。
大模型技术能够更好地理解用户需求，帮助用户完成数据分析结论的总结生成，但是这种“端到端”的技术策略，并不符合“透明化”的数据服务运营理念。
仅依靠大模型本身获得业务结论，对于用户来说风险太大了。
“里面是个黑盒，如果答案不是我想要的，我就不用了”。这也是大模型相关的技术产品为什么留存率低的问题。
用户对大模型的评价过于随机，换个场景，换个提问方式，效果可能立刻就会大打折扣。
模型即服务，这是所有从事大模型技术创新者都希望实现的理念。希望交付的模型本身就可以直接拿来应对各式各样的问题。
这种“大一统”的技术愿景，仍然任重道远。
每个行业，每个业务条线的底层运行逻辑和专业性要求都不一样。
我们需要为不同的业务需求各自搭建知识框架以及对应的知识库，如果是知识图谱这种用“明文”表示的结构，则更加利于管理和维护，让更多业务人员参与到知识管理与加工的数字化的进程中。
知识图谱可以更好地对业务对象和业务过程进行表示，整个业务推理的过程是“透明化”、“可控的”。
如果AI结果非预期，也可以通过知识图谱的记录以及查询策略的修改，来有针对性地改进，这符合一个面向数据治理的完整PDCA闭环逻辑。
当前主流的AI产业落地思想是：大模型与知识图谱以及和其他传统AI技术框架的关系，应该是柔性协同的关系，而非完全替代的关系。
大模型负责从用户侧解析需求，对需求进行分发和路由，在具体的AI处理节点上，还是移交给特定的Agent来处理：比如针对图数据库的查询和推理，甚至基于传统的回归模型或决策树的预测。
这样做一方面充分利用了企业现有的知识和技术资源，同时，也降低了大模型技术的构建和应用门槛（须认识到，大模型本质是个半成品，无法直接解决业务问题）。
同时，大模型也负责把来自各Agent的数据结论进行重新编排和总结输出。
“分而治之”的思想永远是不过时的，一个复杂的任务得以分解成多个AI单元进行操作，而大模型只需要完成它自身的技术使命。
数易达科技，长期关注数据价值开发和应用场景构建的前沿AI技术，希望通过大数据工具和平台帮助企业快速建立成熟的数据资产管理体系（了解更多）。
往期精彩推荐
为什么很多行业巨头，至今不愿做数字化 ...
为什么这两年，“大数据”谈得越来越少了 ...
数字化下半场，建“中台”还重要吗？
数字化转型中的重要管理思想！
数字化转型，为什么一定要谈“架构”？
后数字化时代，数据部门的窘境渐显！
30条金句，说透数字化转型真相！
数字化咨询，正在走向“廉价化” ...
数字化，“抓住”这几点就够了 ...
如何理性看待，中小企业数字化转型！
搞懂“数据要素”，需要了解这些事儿 ...
大型传统企业数字化转型难点与策略洞悉！
从“数据科学”视角，看懂数字化转型
公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个在看或把本号置顶！提供数字化咨询和技术支持，有意欢迎添加留言！点击这里 查看技术服务清单
