知识图谱：被大模型掩盖的AI基础设施，正在悄悄重构产业逻辑

去年跟某大厂AI部门的负责人喝咖啡。 他翻着手机里的一周融资新闻笑。“现在出门说自己做知识图谱，都不好意思开口，全改头换面做大模型应用了”。 说实话，这两年大模型的风头太盛，知识图谱好像硬生生被打成了“上个时代的落后技术”。投资圈不看好，创业圈换赛道，连很多高校的实验室都把方向转去微调大模型了。 但真相是，知识图谱从来没走，它只是藏到大模型的光环背后，成了当前AI落地最离不开的隐形骨架。

技术边界：它从来不是大模型的对手，是底座

很多人对知识图谱的误解，从一开始就错了。 有人说知识图谱就是把知识点存在库里，跟传统数据库没区别。不对。 知识图谱的核心，是用网状结构存储实体、实体属性以及实体之间的关系。比如“刘德华”是一个实体，“出生于1961年”是属性，“参演了《无间道》”是他和《无间道》这个实体的关系。这种结构化的表达，完全符合人类认知世界的逻辑。 对比一下大模型，大模型是靠概率猜下一个字，知识图谱是明确告诉你“谁和谁是什么关系”。一个是黑箱的概率生成，一个是白箱的确定性表达。 通用领域知识图谱实体关系示意图 说白了，两者从诞生起就是互补的，不是替代关系。知识图谱能解决大模型天生的缺陷——幻觉问题，而大模型能解决知识图谱过去最大的痛点：自动构建成本太高。过去做一个领域知识图谱，要请大量行业专家手动标注，一两年出不来能用的东西，现在大模型可以自动抽取实体和关系，标注成本直接降了八成以上。

产业落地的真坑：很多人从第一步就走错了

知识图谱发展快二十年了，为什么真正大规模落地的场景其实不算多？ 我接触过不下十个传统企业的知识图谱项目，十个里有七个烂尾了。问题出在哪？ 大部分企业刚接触知识图谱，上来就喊着要做“全行业全场景的企业知识大图谱”，要把公司几十年攒的产品文档、技术资料、客户数据全都结构化进去，预算砸了几千万，做了一年多发现，知识永远补不全，今天改了一个产品参数，明天又出了新的品类，更新维护的成本比构建成本还高，最后只能放在服务器落灰。 现在活得好的知识图谱项目，全都是切小场景、解决具体问题的。 比如金融行业的反欺诈，骗贷的人最喜欢用空壳公司层层嵌套，人工查关联要查半个月，知识图谱把所有企业法人、股东、出资方的关系一拉，关联交易、循环出资一眼就能看出来，现在国内主流银行的反欺诈系统，核心就是知识图谱。 还有电商的商品知识图谱，你搜“轻薄笔记本2024款”，平台能精准给你匹配符合你要求的所有商品，还能给你推适配的鼠标、拓展坞，靠的就是知识图谱对商品属性的结构化梳理，大模型裸跑根本做不到这么精准。 金融反欺诈知识图谱企业关联关系网络图 不过话说回来，哪怕是落地好的场景，也绕不开现存的问题。最大的问题就是数据隐私和知识版权。做知识图谱要爬大量公开数据，很多内容的版权归属说不清楚，一不小心就吃官司。要是做面向个人的知识图谱，比如把你的社交、消费、出行数据整合起来做个性化推荐，那隐私风险更大，一旦泄露就是灭顶之灾。还有一个问题是标准不统一，不同企业做的领域知识图谱，实体和关系的定义不一样，根本没法互通，重复造轮子的情况太普遍。

未来三年：知识图谱会重新回到舞台中央

未来三年：知识图谱会重新回到舞台中央 现在业内已经有越来越多人意识到，纯大模型落不了地，To B的产业AI更是如此。企业要的不是能侃大山的聊天机器人，要的是能准确输出业务知识、不出错的AI助手，而能把大模型的能力框在正确范围里的，就是知识图谱。 现在火得一塌糊涂的检索增强生成（RAG），本质就是把知识图谱作为结构化知识库，给大模型提供准确的参考来源，从根源上减少幻觉。我接触到的几个大模型创业公司，今年都在悄悄补知识图谱的课，原来只靠大模型做客服，出错率超过10%，加了垂直领域知识图谱之后，出错率降到1%以下，客户一下就买单了。 未来三到五年，我判断产业AI的主流形态一定是“知识图谱+大模型”的融合。知识图谱做确定性的骨架，负责存储、推理和管控业务知识，大模型做柔性的能力，负责理解、生成和交互，两者各干各擅长的事。 不会有谁取代谁。那些喊着知识图谱已死的人，要么是不懂行，要么就是想蹭大模型的热度割韭菜。 你看今年开的几次AI产业大会，知识图谱的分论坛反而比前两年更热闹了，参会的全是实体产业的人，他们不搞概念，只找能解决问题的技术。 说白了，技术从来不是追风口，能解决真问题的，永远不会被淘汰。