中国的知识图谱发展历程可以概括为以下几个阶段:
早期研究阶段:在20世纪70年代,专家系统作为人工智能的一个重要分支,利用知识和推理过程来解决特定问题。在这个阶段,研究者们主要关注图论和图算法的基本问题,如图的表示、图的遍历、图的匹配等。
知识库与推理机阶段:从20世纪80年代开始,研究者们开始构建知识库与推理机,这是早期版本的知识图谱的雏形。这些系统侧重于知识表示和知识推理,但受限于规模小和应用场景不明确,发展较为缓慢。
语义网和本体论阶段:21世纪初,语义网和本体论成为知识图谱发展的重要组成部分。语义网由万维网发明者Tim Berners-Lee提出,旨在通过结构化的三元组信息实现语义搜索。本体论的研究为知识图谱提供了宝贵的技术和方法。
大规模知识图谱阶段:2012年,谷歌发布了包含570亿实体的大规模知识图谱,这标志着知识图谱领域的一次重大突破。同时,深度学习技术的发展为知识图谱的构建和应用提供了新的技术支持。
深度学习时代的知识图谱:随着深度学习技术的兴起,知识图谱的研究和应用进入了新的阶段。研究者们开始探索如何将神经网络引入知识图谱的研究,以提高知识图谱补全和推理的能力。
认知图谱阶段:近年来,认知图谱的概念被提出,它依据人类认知的双加工理论,动态构建带有上下文信息的知识图谱并进行推理。认知图谱的提出旨在解决传统知识图谱在表示和推理方面的一些局限性。
产业化发展:随着数字经济的发展,知识图谱在中国的产业化进程加速,特别是在金融和公安等行业中得到了广泛应用。预计到2026年,中国知识图谱核心市场的规模将超过296亿元,2021-2026年的复合年增长率为22.5%。
行业应用与生态构建:知识图谱的应用逐渐深入到各个行业,同时产业生态也在逐渐构建,包括监管引导方、供给方、需求方、投资方、高校及科研院所等共同参与,推动产业生态的成长和壮大。
这些阶段反映了中国知识图谱从理论研究到技术实现,再到产业化应用的逐步发展过程。
知识图谱(Knowledge Graph,KG)是一种揭示实体之间关系的语义网络,可以对现实世界的事物及其相互关系进行形式化地描述。知识图谱于2012年5月17日被Google正式提出,其初衷是为了提高搜索引擎的能力,增强用户的搜索质量以及搜索体验。知识图谱可以将Web从网页链接转向概念链接,支持用户按照主题来检索,实现语义检索。
而且还有一个更大的问题等待解决,就是LLM这种由数据驱动的概率模型,和由第一性原理建立的数理模型,这两者究竟哪一种才可以更好的模拟世界,以及两者能否有一种很好的融合方式来共同模拟世界。在当前这个时间点,讨论落地或许还稍显幼稚,毕竟AGI的逐步推进会附带将前面的落地方案步步推翻,不过这也算是技术发展的必经之路,从幼稚中逐步萌芽茁壮。下面会从三个方面进行一些应用的分析:自然语言、ToB、ToC1、自然语言首先从自然语言出发,毕竟LLM是语言模型,他带来的影响最直观能想到的就是对之前自然语言相关技术能力的提升。22年之前,国内自然语言的业务应用发展已经相对稳定,而发展较快的时期是16年智能音箱带来的NLP业务快速落地以及18年小红书、头条抖音带来的推广搜发展;NLP与知识图谱是主要的落地类型,NLG相对难以落地;20年后整个自然语言的应用进入较长时期的瓶颈期。在瓶颈期时,NLP和知识图谱的业务还是在不断的推进中,但是其落地的项目多为定制且低效。比如: