單一模型無法解決生產級問題，AI落地產業有三要素。
2025中國生成(cheng)式(shi)AI大會于(yu)4月(yue)1日(ri)-2日(ri)在(zai)北京舉行，在(zai)大會首日(ri)GenAI應用論壇上，楓清(qing)科技創始人兼CEO高雪峰以《知識(shi)引擎和大模型(xing)雙輪驅(qu)動的(de)下一代行業智(zhi)能體平臺》為題發表演講(jiang)。
自2021年成(cheng)立以來，高(gao)雪(xue)峰(feng)介紹到，楓清(qing)科技（Fabarta）在過(guo)去的幾年當中一(yi)直致力(li)于(yu)把人工智能的技術跟實際的產業(ye)落(luo)(luo)地(di)的場(chang)景融合在一(yi)起，完成(cheng)真(zhen)正(zheng)的AI產業(ye)落(luo)(luo)地(di)。
總結過往經(jing)驗，高雪峰認為AI技(ji)(ji)術在產業中落地有三個(ge)關鍵要(yao)(yao)素：知識引擎(qing)、行業大(da)模型(xing)、智(zhi)能體平(ping)臺(tai)。要(yao)(yao)把(ba)生成式(shi)AI技(ji)(ji)術應用(yong)到(dao)產業端，最需要(yao)(yao)實現(xian)決策(ce)智(zhi)能。
對此，楓清科技采取了以數據為中心的AI平(ping)臺(tai)架構落(luo)(luo)地的范式(shi)，還(huan)推出知識引擎和行業(ye)大模型(xing)雙輪驅動的智能(neng)體(ti)平(ping)臺(tai)，幫助企業(ye)實現多場景(jing)價值落(luo)(luo)地。
以下為高雪峰的演講實錄：
今天將(jiang)提及三個概念：第一是(shi)知(zhi)識引(yin)(yin)擎，我(wo)們屬于多(duo)模態的知(zhi)識引(yin)(yin)擎；第二是(shi)懂行(xing)業的行(xing)業大模型(xing)；第三是(shi)行(xing)業的智能體平(ping)臺。
當(dang)人(ren)(ren)工智(zhi)能技(ji)術真(zhen)正融入產業時，必須具備這三個要(yao)素，才(cai)能實現平臺(tai)驅動下多價值場景的人(ren)(ren)工智(zhi)能技(ji)術落地。
我(wo)們先(xian)回(hui)顧(gu)這張圖，大家(jia)應該(gai)在(zai)很多場合見(jian)過(guo)，它展(zhan)示的是(shi)人工智能(neng)的發(fa)展(zhan)歷史。我(wo)們都清(qing)楚，“人工智能(neng)” 一詞于 1956 年的達特茅斯會議被提出。
自人工智能概念(nian)提(ti)出至今，至少經歷了(le)兩個(ge)波(bo)峰與兩個(ge)寒冬。
第(di)一個是在(zai)最開始，我記(ji)得在(zai)一個跳棋程序中，人工智(zhi)能借助(zhu)機器學習戰(zhan)勝了所(suo)有人類棋手，致使1956年的人們(men)就宣稱人工智(zhi)能時(shi)代即將來臨(lin)。
然而，不(bu)到(dao)十年，因算力不(bu)足無法將(jiang)機(ji)器(qi)學習能力提升至超(chao)越人類專家(jia)水平，行業(ye)迅速(su)進入首個(ge)寒冬。
隨后，基(ji)于(yu)符號(hao)邏(luo)輯推理的(de)專家系(xi)統(tong)誕(dan)生，即我(wo)們所說的(de) “符號(hao)與知(zhi)識工(gong)(gong)程”。這(zhe)推動人(ren)工(gong)(gong)智能迎來第二個(ge)波峰，各(ge)行業涌現出大(da)量專家系(xi)統(tong)。
但(dan)人們逐漸(jian)發現(xian)，此類系(xi)統難(nan)以突破(po)認知局限，無法向通(tong)用知識拓(tuo)展，且構建(jian)成本(ben)高昂(ang)，行業旋(xuan)即陷入第二個寒冬。
此后，深度學習技術(shu)不斷發(fa)展，直至當下，我們已共同見證人工(gong)智(zhi)能擁(yong)抱產業的意義重大(da)波峰來臨，或即將到(dao)來。
這一階段的標志(zhi)性(xing)技術成果，就是那篇有關(guan)Transformer的論文。深度(du)學(xue)(xue)習與(yu)強化學(xue)(xue)習的發展，已讓我們(men)認識到泛化智(zhi)能的存(cun)在。
我們常混(hun)淆一個概念：將大(da)語(yu)言模(mo)型或多模(mo)態大(da)模(mo)型這類生成式人工智能，誤作通用智能。
而把生成(cheng)式人(ren)工智能技(ji)術應用到(dao)產(chan)業端，最需要的是決(jue)策智能。
生成智能到決(jue)策智能的(de)演進是(shi)一(yi)個漫長且需(xu)構建諸多技術壁壘的(de)過程，無法單純(chun)依賴基于概率的(de)Transformer技術實(shi)現跨越(yue)。
所以，縱(zong)觀(guan)AI發展的歷史，只有(you)把(ba)符(fu)號(hao)邏輯(ji)推(tui)理和概率體系深(shen)度融合，才(cai)能真正地從(cong)生成式智能邁(mai)向企業需要的決(jue)策智能。
在過(guo)去兩(liang)年，大家對人工智能領域的關注點發生了(le)轉變。
第一(yi)，起初(chu)人(ren)們多用大語言模(mo)型聊天(tian)，如(ru)今越(yue)來越(yue)多的人(ren)開始關注人(ren)工智能技術能否真正融入產(chan)業(ye)，并帶來產(chan)業(ye)價值(zhi)的切實提(ti)升。
我國(guo)也(ye)在這兩年提出了(le)人工(gong)(gong)智能+的概念(nian)和(he)理念(nian)，并寫進(jin)了(le)政(zheng)府工(gong)(gong)作報告，強調人工(gong)(gong)智能與產業(ye)融合，發揮新質生產力的作用。
第(di)二，以往(wang)人們(men)以模型為中心(xin)(xin)進行(xing)探索，如今(jin)逐漸轉向(xiang)以數據為中心(xin)(xin)，或模型與數據雙中心(xin)(xin)的體系(xi)架構。
還有(you)最重(zhong)要的一點，大家(jia)不再盲(mang)目(mu)追(zhui)求巨量參數模型，而(er)是在模型參數增(zeng)大、泛化能(neng)力(li)提升的同(tong)時，開始注重(zhong)邏輯推理能(neng)力(li)的增(zeng)強(qiang)。
因此我(wo)們知道，連接主義(yi)、符號(hao)主義(yi)、行為(wei)主義(yi)（即具身智(zhi)能）三者融合，才能開啟真正意義(yi)上(shang)的強人(ren)工智(zhi)能時代。
一、用平臺驅動解決人工智能產業落地的四大挑戰
那(nei)么，生成式的人工智能技術在(zai)產業端(duan)落(luo)地，一(yi)定會(hui)遇到(dao)幾個無法(fa)繞開的問題：
第一是模型(xing)幻(huan)覺。無論大語(yu)言模型(xing)或多模態大模型(xing)多么強(qiang)大，都不(bu)可避免存在幻(huan)覺，即所謂 “一本正(zheng)經的胡(hu)說(shuo)八(ba)道”。
第二是可解釋性(xing)。任(ren)何大語言模(mo)型給出(chu)決策建議時，都無(wu)法提供該建議背(bei)后詳盡的邏輯依據。
第三是推理能力。即(ji)使我們通過強化(hua)學習改進模(mo)型COT（思維(wei)鏈）的(de)推理能力，但(dan)其(qi)精準推理仍存在幻(huan)覺(jue)問題。
所以在企業決策場景中，如果涉及精準(zhun)推(tui)理(li)，還是需要其他(ta)技術輔助(zhu)完成。
最后是(shi)企業級的能力以(yi)及數據的安全(quan)和(he)時效方面(mian)的考慮。
針對以上(shang)人工智能技術在企業落地必須考(kao)慮的(de)問題，楓(feng)清科技采取了兩個(ge)步驟：
第一(yi)，落地以(yi)數據(ju)為中心的人工(gong)智能平臺架構范式。
第二，推出知識引擎與(yu)行業大模(mo)型雙輪驅(qu)動的新(xin)一代(dai)行業智能體平臺，輔助企業實現人工智能場景價值落地。
這(zhe)里有諸多(duo)具體且(qie)有價值的(de)(de)創新(xin)：例如，我們把圖結構跟向量、JSON以及(ji)各種原文(wen)的(de)(de)文(wen)本信(xin)息進行多(duo)模態的(de)(de)存儲和計算；
同時自研Hybrid RAG體系，能(neng)夠更容(rong)易地提取(qu)多(duo)元異構數據與(yu)大(da)模型的提示(shi)詞(ci)（prompts）相結合(he)，融合(he)企業的多(duo)模態數據與(yu)AI能(neng)力，智能(neng)化構建知識。
我們給大型的(de)產業(ye)(ye)或是企業(ye)(ye)去做人工智能的(de)場(chang)景落地時，一定是用平臺驅動的(de)方式。
二、人工智能平臺架構的演進：從煙囪式到統一匯聚、雙輪驅動
回到人工智(zhi)能平臺，我(wo)相信大家對此(ci)都不陌生，早在十年前我(wo)們就在談人工智(zhi)能平臺的概念。
接下來來看看我們的行(xing)業智能體(ti)平臺有什么不同(tong)：
從六(liu)七年(nian)前我(wo)們(men)做人工(gong)(gong)智(zhi)能平臺的時候，應用(yong)場(chang)景、數據以及模(mo)型(xing)各自獨立，像一個(ge)個(ge) “煙囪” 般存在。所(suo)(suo)以，那時的人工(gong)(gong)智(zhi)能平臺更像是(shi)人工(gong)(gong)智(zhi)能應用(yong)的交易市場(chang)（marketplace）。隨著大語言模(mo)型(xing)的推出，所(suo)(suo)有的模(mo)型(xing)慢(man)慢(man)地匯聚到一個(ge)或(huo)者(zhe)幾個(ge)大模(mo)型(xing)體系(xi)中(zhong)。
同(tong)樣(yang)的(de)，我們會把企業的(de)所有的(de)多模(mo)態數(shu)據匯(hui)聚到企業統一的(de)知(zhi)(zhi)識引擎中。如此(ci)一來，底層的(de)數(shu)據知(zhi)(zhi)識與中間層的(de)模(mo)型至少已逐步完(wan)成了(le)匯(hui)聚整(zheng)合。
這種匯聚使(shi)得人工智能平臺驅動并實現多場景價值落(luo)地成(cheng)為可能。
那(nei)么(me)我們也不(bu)是(shi)單(dan)純拿(na)一個(ge)現成的大(da)模型，或(huo)者對一個(ge)行業模型進(jin)行調(diao)優，又或(huo)者給企業提供一款產品，讓其開箱即用就實現整個(ge)產業的智能化，這是(shi)完全(quan)不(bu)現實的。
我們會通過行業智能(neng)(neng)體的(de)平臺，結合統一的(de)模型(xing)、數據和知識，從而賦能(neng)(neng)企業當中豐富多樣的(de)智能(neng)(neng)化場(chang)景。
在切實(shi)幫助企業進行人工(gong)智能產業落地的時候，一(yi)定會(hui)經歷這(zhe)樣的幾個階(jie)段：
第一(yi)個階段是(shi)關(guan)注(zhu)。現在(zai)大家已經不用強調這一(yi)點了，從春節期間(jian)DeepSeek火爆出圈(quan)以來各行各業基本上都會與我們的團隊交(jiao)流(liu)：我們想要運用人(ren)工智能，改變場景價(jia)值(zhi)和實際產業價(jia)值(zhi)，我們可以有什么(me)樣的路徑？
第二個階段是評估。我們需(xu)要(yao)對企(qi)業的數據(ju)狀況(kuang)，以及(ji)企(qi)業對想要(yao)實(shi)現的人工智能場(chang)景價(jia)值的預期，進行梳理和評估。
接著是設計階段。要明確企(qi)業(ye)實施人工智(zhi)能時，其智(zhi)能化應用的具體形態。
最后才是(shi)搭建平(ping)臺。在搭建好的(de)平(ping)臺上選取(qu)1至3個試驗(yan)性場景(jing)來(lai)落地(di)實施。由于模型能夠完全整合(he)在一起，底層的(de)數據和(he)知識也可(ke)隨著(zhu)不同場景(jing)的(de)實現而匯聚，進而真(zhen)正達成(cheng)平(ping)臺驅(qu)動。
這是我們給所有(you)的產(chan)業中的龍頭企業、大型(xing)企業，賦能(neng)全(quan)平(ping)臺實現人工智能(neng)場景(jing)落地時(shi)，一(yi)定會采用的企業架構。
最底層存在典型(xing)的(de)基礎設施，涵(han)蓋不同的(de)大(da)模(mo)型(xing)、模(mo)型(xing)工廠，甚(shen)至還涉及(ji)模(mo)型(xing)訓練推理的(de)加速等基礎能力。
然后行業的數(shu)據集是不斷地要豐富的。
大(da)約(yue)兩年前，我們(men)跟所有(you)的大(da)型(xing)的客戶、鏈主企業溝通時發(fa)現，他們(men)只構(gou)建了最底(di)層的基座，然后就要拿底(di)層基座的能力去賦能上面豐富的場景價(jia)值，結果遭遇了前文所提及的大(da)語言模型(xing)在(zai)產業落地過程(cheng)中的各類(lei)問題(ti)。
因此，我們幫(bang)他在中間加了一層，即構建企業的知(zhi)識中臺(tai)。
其中包含我(wo)剛才(cai)所提(ti)到(dao)的(de)，我(wo)們(men)需(xu)要智(zhi)(zhi)能化地(di)搭建(jian)企業(ye)多模態(tai)知識引擎(qing)，還需(xu)構建(jian)契合該行(xing)業(ye)的(de)智(zhi)(zhi)能體平臺(tai)，從(cong)而真正通過以數據(ju)為中心的(de)這一(yi)層，將底層的(de)模型與上層豐富的(de)智(zhi)(zhi)能化應用連接起來。
三、從數據到知識再到應用：做真正懂行業的模型
談到我(wo)(wo)剛才(cai)提(ti)到的(de)三要素，我(wo)(wo)們先(xian)看一下(xia)懂行業(ye)的(de)模型。
我(wo)前一陣跟一位三甲醫院的(de)(de)科室(shi)主任(ren)交流(liu)，他(ta)提到自己(ji)正在(zai)使用DeepSeek滿血版本的(de)(de)大模型(xing)(xing)，把所有復雜的(de)(de)病例扔進去，讓它給出診斷建議（不(bu)是(shi)診療建議），據他(ta)所說，該模型(xing)(xing)的(de)(de)表現已能達到真正研究生或博士水平的(de)(de) 80%-90%。
這是由于在這個(ge)細(xi)分行(xing)業里，大(da)量開放的(de)診療路徑、醫學文獻(xian)等相關數據(ju)，都已納(na)入(ru)到泛化的(de)大(da)語言模型的(de)訓練數據(ju)之中。
所以，在任何一個精(jing)準行(xing)業(ye)里，其(qi)實我(wo)們很(hen)少會(hui)對大參數(shu)的(de)模型(xing)進行(xing)微調，因為(wei)拿少量的(de)數(shu)據進行(xing)微調反而會(hui)造成(cheng)“泥(ni)牛入海”的(de)反作用效果。
但是(shi)，懂(dong)行業(ye)的模型的需求依然(ran)存在(zai)。
在與(yu)諸多(duo)龍頭行業合作時，我們發(fa)現像新材(cai)料這(zhe)類公開數據(ju)較(jiao)少的領域，需要利用(yong)行業的推(tui)理數據(ju)來(lai)蒸餾(liu)出規(gui)模并非很(hen)大的模型，盡管生成(cheng)這(zhe)些推(tui)理訓練數據(ju)頗具難度。
這里面(mian)存(cun)在(zai)兩個關鍵訴求：
第一，細(xi)分行業的數據(ju)具有特殊(shu)性(xing)，不(bu)會出現在自然界的公(gong)域數據(ju)中。所(suo)以我們必須依靠這(zhe)些獨特數據(ju)來訓(xun)練行業模型，以提(ti)升模型在該細(xi)分行業的推理和生成能力(li)。
第二，模型尺寸問(wen)題(ti)。考慮到企業在端(duan)測、邊測等場景下(xia)的模型推理需求(qiu)，我們需要從大參數(shu)模型中蒸餾出一些(xie)中小參數(shu)模型，來實現云邊端(duan)模型智能一體化的效果。
其(qi)次是我(wo)(wo)們提到的(de)知識引(yin)擎。這是我(wo)(wo)們對整個行(xing)業的(de)多模態數據，用AI的(de)方式智能構建相應知識引(yin)擎的(de)具體(ti)步驟。
我們(men)把傳(chuan)統的數據(ju)存儲(chu)和計算轉變為(wei)知識的記憶和推理，并開放基本問答、智能(neng)問述、權限管(guan)理、安全管(guan)理以及知識反饋等(deng)眾多企業級能(neng)力(li)。通過智能(neng)體平臺(tai)的智能(neng)體大腦，連接各(ge)類處理和分析(xi)數據(ju)的工具，最終(zhong)賦能(neng)多場景價值的應用。
這里要(yao)特別提(ti)到，只(zhi)有符(fu)號邏輯推理、概率和向量融合(he)在一起，才能(neng)產(chan)生更(geng)智能(neng)的(de)價值(zhi)。
我們將圖(tu)的(de)數(shu)據(ju)(ju)結構融(rong)入產品的(de)每個角落，把多模態數(shu)據(ju)(ju)各種描述(shu)信息的(de)元數(shu)據(ju)(ju)，整個成一張龐大的(de)企業(ye)數(shu)據(ju)(ju)資產地圖(tu)。同(tong)時(shi)，抽(chou)取文本(ben)、視頻等非結構化數(shu)據(ju)(ju)的(de)元數(shu)據(ju)(ju)，借助圖(tu)結構構建知識體(ti)系。
企(qi)業結構化數據（如(ru)數倉和數據源(yuan)里(li)的數據）之間(jian)存在如(ru)血(xue)緣關(guan)系(xi)、列(lie)算子級血(xue)緣等復雜的關(guan)系(xi)，我(wo)們可智能構建呈現此類結構化數據的圖結構復雜關(guan)系(xi)。
并且(qie)，還能把結構化數據(ju)中的復雜血緣(yuan)關系(xi)，與企業文(wen)本中的實體和文(wen)本向量化數據(ju)，進一步構建出更復雜的關系(xi)。
這是我們(men)完整(zheng)的(de)企(qi)業工(gong)作(zuo)流：把多模態引擎的(de)知(zhi)識數(shu)據與(yu)企(qi)業知(zhi)識庫中的(de)數(shu)據相結合，再配合行業模型，借助智能(neng)體大腦，優(you)化梳理知(zhi)識庫與(yu)各類數(shu)據、智能(neng)問述、指標以及科技情(qing)報等分析之(zhi)間的(de)基(ji)本(ben)鏈路邏輯(ji)。
四、行業智能體平臺賦能產業：場景案例全解析
這是我們(men)為(wei)頭部央企實施的(de)方案：基于(yu)知(zhi)識(shi)引擎與行業(ye)模型(xing)，融(rong)合開放、基礎的(de)通用智能體能力，通過深諳企業(ye)知(zhi)識(shi)的(de)智能體大腦，將其賦能于(yu)企業(ye)全產業(ye)鏈周期與版圖，真正實現了(le)以企業(ye)內部知(zhi)識(shi)驅動的(de)人(ren)工智能多場(chang)景(jing)價值落地。
更深(shen)入的舉幾個例(li)子，比(bi)如(ru)說我(wo)們可以幫助企業實現(xian)更精準、豐(feng)富的知識問答，這并非簡單上傳(chuan)文檔后進行泛化聊天。
企業級的(de)知識問答會涵蓋復雜的(de)權限管控信(xin)息，甚至會精確到這(zhe)個用戶(hu)不(bu)能問該Excel文(wen)件里相關(guan)的(de)任何的(de)信(xin)息，或者是(shi)只有經理(li)級別的(de)員(yuan)工(gong)才能訪(fang)問某文(wen)件夾里面所有文(wen)檔內(nei)容。
我們都知道，這是無法(fa)通(tong)過向大模(mo)型投喂全部數據并(bing)微調來實現的(de)，但是我們知識引擎就能夠解決這樣的(de)問題(ti)。
還(huan)有企業(ye)的智能(neng)指標管理。這也并非傳統BI報(bao)表疊加自然(ran)語言處理形成的ChatBI，它是具備多模態數據深度(du)根因分析能(neng)力的。
舉個例子，財務報表場景中(zhong)，二級公司做賬時可能(neng)將退款誤納入收(shou)入計算(suan)，導致收(shou)入虛高并與供應鏈(lian)數據嚴(yan)重不(bu)匹(pi)配(pei)。此(ci)類(lei)問題(ti)僅(jin)憑 ChatBI 或常規(gui)數倉指標報表難以(yi)發現。
但是通過多(duo)模態數據(ju)——鏈(lian)(lian)接了所有供應(ying)鏈(lian)(lian)的(de)詳細數據(ju)，系統可精準識別上述風(feng)險點，提示(shi)財務收入確認與供應(ying)鏈(lian)(lian)信息存在顯著矛盾。
這才是真正意義上的企(qi)業智(zhi)能決策(ce)輔助(zhu)。
再(zai)包括我(wo)們在輔助AI科技情報上面(mian)也(ye)做了大量(liang)特定的(de)知識處理，比如(ru)論文、專利、各種(zhong)實(shi)驗數據等等。
在特定的領域(yu)里面，如晶體、化工催化和蛋(dan)白質新材(cai)料領域(yu)，都有(you)十分復雜(za)的論文或(huo)數(shu)據(ju)結構表達，天然地與(yu)圖和向(xiang)量(liang)融合的分布式存(cun)儲模(mo)式匹配起來。
基于此(ci)，我們(men)就(jiu)能夠在精準的(de)(de)知識邏輯上做復雜(za)的(de)(de)推理，調用模型的(de)(de)生(sheng)成能力，生(sheng)成相應的(de)(de)文章、綜述和翻譯(yi)等(deng)等(deng)。
還有一(yi)個多模態領域的(de)應(ying)用就是企(qi)業(ye)的(de)安全生產(chan)。這(zhe)個場(chang)景(jing)涉及高頻(pin)的(de)實時視頻(pin)流反饋，我(wo)們(men)會通(tong)過綜合分析復雜的(de)產(chan)線標準作(zuo)業(ye)流程（SOP）及各類操(cao)(cao)作(zuo)手冊，識別(bie)產(chan)線操(cao)(cao)作(zuo)中的(de)風(feng)險(xian)點，并預判(pan)可(ke)能引發的(de)嚴(yan)重后果。
在科技(ji)情報的領(ling)域(yu)里面，前(qian)兩天我們剛剛跟中(zhong)國(guo)中(zhong)化與(yu)吉(ji)林大學(xue)的計算機學(xue)院成立了(le)“AI + 新(xin)材料”的聯合實驗室。
依托我們(men)的(de)知識(shi)引擎(qing)和智(zhi)(zhi)能(neng)(neng)體平臺能(neng)(neng)力(li)(li)，真正地推動傳(chuan)統的(de)科(ke)學計算的(de)產業鏈(lian)的(de)信息向新一(yi)代AI技術智(zhi)(zhi)能(neng)(neng)規劃的(de)轉型，為傳(chuan)統科(ke)學計算領域賦予了強大(da)的(de)生成(cheng)式智(zhi)(zhi)能(neng)(neng)化能(neng)(neng)力(li)(li)。
同時，結合(he)公域和實驗室積(ji)累的(de)科技(ji)情(qing)報的(de)知識性數據，我們會在不久的(de)將來開放(fang)高質(zhi)量材料數據及科學計算智能化服務(wu)，面向全社會共(gong)享。
此次新成立的聯合實驗室，正是產學研一體化的典型(xing)實踐案例。
最后分享一個小型的(de)、基于(yu)復雜的(de)架構的(de)知識引擎和行業(ye)智(zhi)能體(ti)平臺以及我們的(de)智(zhi)能體(ti)大(da)腦產生的(de)，針(zhen)對金融客戶的(de)智(zhi)能指標問述的(de)例(li)子。
下面為大家詳細解讀，我們以(yi)企業(ye)的不良貸款這(zhe)一指標進(jin)行(xing)深(shen)入分析。
首(shou)先(xian)，智能體(ti)大腦(nao)會調用(yong)(yong)多(duo)種展示工具、生成工具和分析工具，以(yi)此(ci)來(lai)理解用(yong)(yong)戶的(de)需求，并智能檢索數倉及指(zhi)標(biao)中的(de)各類數據(ju)，以(yi)豐富多(duo)樣的(de)形式將這些數據(ju)展示出來(lai)。
其次，智能體(ti)大腦不(bu)僅能完(wan)成(cheng)上(shang)述操(cao)作，同(tong)時(shi)也(ye)能調用最基(ji)本的(de)線性分析的(de)回歸計算(suan)等傳統的(de)小模型，借(jie)助這些模型為用戶解(jie)讀數據的(de)基(ji)本規(gui)律。
再者，除了展示數(shu)據和(he)分析規律外，智(zhi)能體大腦還具(ju)備多維度(du)分析能力(li)，其中涵蓋了最(zui)基本維度(du)的根因分析。
除此之外(wai)，我(wo)們也能夠(gou)進行相應的預測，即判斷這個指標數據(ju)后期的發(fa)展趨勢。
最后，文本中(zhong)的全部數據和信息都被融合到(dao)了統一的底層知識網絡(luo)中(zhong)。
此時，我們可以發現，企業知(zhi)識庫的(de)信息以及金融監督(du)管理(li)局的(de)所有(you)風險(xian)數據，都(dou)會自動融入我們的(de)知(zhi)識網絡，這一過程是智能構建的(de)，無需人工進行數據提取、標注等任何(he)操作(zuo)。
我(wo)們(men)會梳理(li)金融監督管理(li)局的各項要求(qiu)，以此判斷具體(ti)違反了哪(na)些(xie)規定。針對不良貸款(kuan)超標的情況，可總結出可能由兩個事(shi)件(jian)原因(yin)導致。
此(ci)時能夠追溯眾(zhong)多數據源頭展開(kai)分析。具體(ti)而言(yan)，情(qing)況(kuang)分析客(ke)戶在(zai)更豐富的(de)企(qi)業數據圖(tu)譜(pu)中(zhong)存(cun)在(zai)哪些不良(liang)交易(yi)，或者存(cun)在(zai)何種風險(xian)實控(kong)情(qing)況(kuang)；也包括客(ke)戶在(zai)企(qi)業數據圖(tu)譜(pu)上，是否有不良(liang)交易(yi)，以及風險(xian)實控(kong)人的(de)擔保風險(xian)狀(zhuang)況(kuang)。
這些都可以(yi)通過龐大的地(di)下鏈接到一起的知識網絡，通過智能體的大腦(nao)去(qu)分析所有(you)的原因。
這(zhe)就是(shi)(shi)(shi)我(wo)們展示的(de)(de)一個關于智能指標(biao)的(de)(de)例子(zi)。它不再是(shi)(shi)(shi)單純的(de)(de)BI工(gong)具套上自(zi)然(ran)語言的(de)(de)外衣(yi)，而是(shi)(shi)(shi)真正(zheng)地去重構了指標(biao)和(he)BI體系的(de)(de)底層(ceng)數據(ju)到知識(shi)的(de)(de)管理架構，是(shi)(shi)(shi)智能化高效地建立的(de)(de)知識(shi)體架構。
今(jin)天我簡短的分享，是(shi)為(wei)了表達：人(ren)工智能(neng)各(ge)種技術要(yao)真(zhen)正(zheng)在(zai)實際(ji)的企業或者(zhe)產業中落(luo)地(di)，并帶來實現高價值場景(jing)，絕非依靠(kao)單(dan)一(yi)(yi)產品、單(dan)一(yi)(yi)技術或單(dan)一(yi)(yi)模型就能(neng)解決，這(zhe)是(shi)一(yi)(yi)個復雜(za)的、生產層面的問題。
只有(you)我(wo)們把各種人(ren)工智能技術融合(he)成生態跟產業(ye)相融合(he)，才能真正地讓我(wo)們當下都非常癡迷的人(ren)工智能技術的生命力變得更加完全和繁榮。
以上是高雪峰演講內容的完整整理。
