大模型+知识管理发展趋势及标准化工作介绍
大模型时代下企业知识管理的转型与挑战，这个话题最近越来越热。随着以大模型为代表的AI技术加速迭代，各方都开始认真审视企业知识能力的建设——一方面，大模型要在行业里真正落地，离不开企业高质量的知识积累；另一方面，大模型驱动的知识库、知识中台，正在给企业内部的知识服务和应用带来全新的变革。
这次分享主要围绕几个核心点展开：部门工作背景、企业知识管理的现状与挑战、知识中台的发展趋势，以及相关的标准化工作。当然，最后还有一个问答环节，可以针对大家关心的具体问题做交流。
导读
本次分享会围绕下面几点展开：
- 部门及工作简介
- 企业知识管理
- 知识中台发展趋势
- 标准化工作介绍
- Q&A
01 部门及工作简介
1. 中国信通院简介——信息社会创新发展的思想库和使能者
中国信息通信研究院是工信部直属的事业单位。早在2018年，信通院就启动了知识图谱领域的研究，并且制定了国内知识图谱的首个行业标准。之后一直在这个领域深耕，持续推动标准化研究，也为多项政策提供了支撑。信通院的工作其实主要集中在两个方向：一是为工信部提供全方位的支撑服务；二是搭建产业创新发展的平台，邀请各家企业和机构一起参与标准制定和方法论输出，持续完善国内产业生态，为产业逐步健全提供智库参考。
2. 云大所简介——聚焦信息领域新技术、新业态、新模式
我们所在的云大所大数据与智能化部，主要围绕数据和智能两大领域开展标准化研究及相关工作，同时也提供一定的咨询服务。
3. 重点工作方向及体系架构——大数据与智能化部门
大数据与智能化部有六大业务板块，覆盖了基础设施、中台治理、流通应用、安全等多个方面。知识图谱相关的工作主要是在流通应用板块推进的。每年，我们都会开展一系列相关工作：制定标准，征集编制产业图谱、星河案例、白皮书、研究报告等。各方参与度很高，这也是我们的优势所在——能够汇总最新的资讯、方法论和行业痛点，归纳成标准、图谱、研究报告等形式，一方面为产业赋能，另一方面也为国家相关政策提供支撑。
02 企业知识管理
1. 从数据到知识
早在2014年大数据概念兴起时，云计算与大数据研究所就成立了。后来为什么开始聚焦“知识”这个概念？因为数据与知识之间有着本质差别。从定义上看，数据是对真实世界的客观记录，价值密度相对较低。随着互联网和数字经济的发展，数据增长速度越来越快，非结构化数据已经占了主要地位。从数据到信息，再到知识，价值密度逐步提升，重要性也越来越明显。甚至有些知识可以直接赋能业务决策。知识的特点是：更新相对缓慢，价值较高，通常需要具备真实性，能够指导实践，并且通过实践得到验证。知识的价值不言而喻，在大模型时代更是如此——无论是做RAG（检索增强生成），还是推进领域大模型的应用落地，都离不开知识的支撑。
2. 企业知识能力建设过程中面临的三大困境
企业在知识能力建设过程中，往往会遇到不少难题。很多知识掌握在资深从业者手里，要把这些知识归集到企业内部、统一汇总，难度不小。知识来源于长期的行业积累，尤其是在医疗、法律等行业，知识积累对从业者来说至关重要。不少行业存在大量隐性知识，比如工业、生产制造领域，这些知识分散在各处，需要特定的挖掘方式才能汇总整理成文本或方法论。而且，很多知识之间存在矛盾，更新也不及时，缺乏协同机制——这会给知识体系建设带来很多麻烦。另外，知识挖掘加工对智能化技术的门槛也不低。举个例子：大模型时代下，很多医院虽然有信息化支撑公司，但大模型出现后，他们迫切想知道有哪些厂商能解决医疗知识相关问题，比如构建大模型与智能体、打造知识库等，这方面的需求相当旺盛。
3. 企业知识管理的发展演进
知识管理的发展大致可以分为三个阶段：
- 主要关注知识的存储、查阅、检索、共享等基本能力。由于知识价值密度高，知识管理可以说是计算机应用最早的场景之一，比如档案、政府机构文件、大企业相关信息的管理都属于这类。
知识管理阶段：
- 随着数字化发展，医疗、司法、教育等重点知识密集型行业涉及的文件数量庞大，知识密集程度高。除了简单的知识管理，这一阶段还进行了进一步的加工挖掘，也就是知识工程。在一些知识关联较多的场景（比如风险控制），会用图谱的方式来组织信息。
信息化时代（知识工程阶段）：
- 大模型出现后，分散在各个部门、团队的知识呈现出集中化的趋势。很多大型企业开始规划整体的知识服务体系，把分散的知识汇总起来，训练行业垂直领域的大模型。因此，知识汇总很有必要。除了知识管理和知识工程的工作，这个阶段最重要的是通过RAG或精调等方式，赋能垂类大模型，实现知识应用——包括支撑问答、知识库搜索、相关领域创作编码、数字员工等。这离不开对企业知识体系的详细梳理，以及知识汇聚、知识质量管理等工作。在大模型前期落地时，很多企业追求速度和创新性；但到了持续运营阶段，知识管理的运营效果直接影响大模型落地的最终成效，所以各方都非常关注。
大模型时代（中台时代）：
03 知识中台发展趋势
1. 大模型时代知识管理新模式
企业在构建知识中台时，通常采用三层架构：知识资源层、知识中台核心能力层和上层行业应用层。知识中台是企业知识汇聚、组织管理与应用的综合载体，从知识资源出发，一路延伸到上层知识服务，最终落地到各类应用。价值方面，知识中台可以沉淀业务知识，驱动创新应用（比如构建数字员工、智能客服、智能助手等），还能助力企业制度管理，为员工培训赋能。实际上，很多企业很早以前就建立了相关知识库——尤其是医疗、法律等行业，在大模型出现之前就有相关知识储备。大模型的出现，特别是像DeepSeek这类模型的问世，极大地推动了大模型的普惠发展。对于众多中小企业，尤其是知识密集型行业来说，DeepSeek的意义很大：一方面部署成本相对较低，另一方面具备强大的思维链功能，而且原生适配知识密集型行业。
2. 大模型同知识中台双向赋能，飞轮效益显著
大模型与知识管理之间存在双向赋能效益。从能力角度看，大模型可以看作是一种具有通用知识的知识库，它拥有强大的通用性和泛化能力，具备一些通用常识。但是要在行业应用中落地，行业领域的专业知识必不可少。通常会以RAG（检索增强生成）的形式提供领域专业知识，这样不仅更新方便，而且具有很强的可解释性，还能进行图形化展示。在大模型时代，数据驱动的小模型与知识驱动的大模型相互结合、共同赋能决策，已经成为最常见的形式，也是未来的发展趋势。
3. 大模型的应用落地促进了知识中台关键技术发展
大模型可以对企业知识中台知识管理的各个环节进行深度赋能——涵盖知识的抽取、汇聚、存储、计算、加工、服务、应用等方方面面。以医疗领域为例，之前企业在处理病例、X光片等分析工作时，会涉及大量图像、图片、文本等多模态数据的处理，在大模型出现之前难度很大。尽管不少科研院所进行了相关实践，但总体而言这些技术还没有普及，只停留在科研层面。然而DeepSeek出现后，情况有了明显变化。很多医院积极推进相关项目，探索构建多模态数据分析处理的方式。在知识存储计算层面，大模型能更有效地对非结构化知识进行解析、挖掘和加工。最终在服务层面，大模型可以提供更便捷的知识检索、问答、知识洞察等服务。比如在搜索方面，以前可能只能做到关键词匹配搜索，现在借助大模型，企业可以更好地开展内部知识检索，实现模糊搜索、多模态搜索等多种形式，大大提升了知识应用的效率。
4. 知识中台建设需明确建设目标，借助业务驱动
我们与很多做知识管理的企业交流过，涉及供给侧和应用侧，大致了解了各方在知识库或知识中台（尤其是大模型引发知识建设热潮下的中台建设）上的情况。一般来说，成功的项目通常有一些经验可循：首先要明确中台建设的目标，目标通常分为几个部分。比如，有些知识中台的建设是为了训练大模型，相对更强调知识的分布和真实度，借助这些知识帮大模型减少“幻觉”；另一方面，有些企业建知识中台是为了满足内部使用，实实在在地赋能业务部门，提供知识和服务。可见各方的建设目标不尽相同，关键是要明确具体往哪个方向发展，并借助业务驱动力。例如，有些运营商建设相关内容，是为了营销人员的培训——像产品信息介绍、营销陪练等，他们重点围绕这些方面梳理知识，构建相关工具平台。还有些知识中台服务于内部管理，比如外部标准规范、报告的管理等。知识中台建设有三个要点：技术平台的构建、管理体系的构建以及运营工作。
5. 知识中台的应用持续深化，正在深入各行各业
我们汇聚了相关案例，与众多企业协同撰写了知识中台发展报告，对各行业知识管理体系建设进行了梳理。在知识密集型行业中，制造业（尤其是军事工业、半导体以及尖端设备研发等领域）发展比较领先。这些行业拥有大量领域内的隐性知识，如何把这些隐性知识显性化、梳理并沉淀出来，是各方关注的重点。而医疗、法律、金融、电信等行业，更关注知识服务——这些行业已经有了一定的知识沉淀，比如医疗行业的往期病例、诊疗规范操作，法律行业的条文等。它们更关心如何提供更智能的知识服务，赋能一线从业者，让医疗、法律等人员能更高效地开展工作，避免被取代。目前这些行业在建设过程中，多以助手形式赋能一线人员。在金融、电信领域，智能客服、营销、投研等方面已经有不少落地应用。此外，政务、交通、建筑等行业一般以知识管理为核心，着重于更好地统一纳管知识，并训练大模型等。总体来看，知识中台的应用正在持续深化，深入各行业、各业务场景。
6. 人工智能时代知识中台发展报告
我们编制了知识中台发展报告，该报告即将发布，众多领域内的头部企业也参与了此次报告的编写工作。
7. 企业知识中台能力成熟度模型
去年，我们联合多家企业共同完成了企业知识中台能力成熟度模型标准的编制。这一标准汇总了企业在知识中台能力建设过程中的方法论，涵盖如何搭建工具平台，如何进行知识的汇聚、抽取、构建、加工与管理，以及其服务应用等方面。具体包括如何开展知识协作、检索推荐、内容生成等相关服务应用，还有如何支撑智能体或智能算法的相关服务。
8. 通用知识图谱工具技术要求与测试方法
《通用知识图谱工具 技术要求与测试方法》标准，是我们在知识图谱领域最早制定的标准，覆盖了数据接入、元数据定义、抽取、存储、查询、融合，以及数据推理与分析、图谱展示等多个维度。目前，国内知识图谱领域的头部厂商基本都通过了这项知识图谱技术要求的相关测试，可以很好地证明其在相关方面的能力。
04 标准化工作介绍
在大模型发展进程中，我们联合众多知识图谱相关企业，制定了《大模型驱动的智能知识图谱技术要求》标准。实际上，在GraphRAG概念出现之前，我们就已经开始制定这个标准了。当时，这个标准重点强调如何运用知识大模型技术赋能知识图谱——比如在知识交互、知识推理方面，以及如何通过大模型更便捷地构建知识图谱。大模型能够处理文本或非结构化数据，企业可以尝试借助它实现智能化本体建模、知识抽取、知识融合，自动化完成部分图谱构建工作。不过图谱构建完成后，仍然需要人工进行梳理。GraphRAG出现后，大模型与知识图谱的结合受到了更多关注。另外，在大模型驱动的智能问答方面，我们强调如何将大模型技术与智能对话助手、问答助手有机结合，实现知识的高效检索与应用。
《检索增强生成（RAG）技术要求》这个标准是我们在去年年初制定的。该标准涵盖了知识构建、检索内容生成等相关能力，我们协同各企业梳理了一系列评价指标，目的是帮助企业进行RAG技术选型与实施。
《大模型驱动的智能知识管理平台技术要求》标准于今年3月刚刚完成制定。这个标准的制定有相关领域厂商以及医疗、法律等行业的甲方参与。近期，尤其是DeepSeek出现后，各方明显感觉到大模型应用的落地在逐步加速。我们发现，大模型应用落地比较密集的场景主要包括ChatBI、智能代码助手等。而对于医疗、法律等行业，落地最大的场景是智能知识库，也可以叫智能知识管理平台。
