行業(yè)性中游KG的實(shí)踐范例與解說(shuō)

1 前言：中游KG的關(guān)鍵角色

在上一期里，介紹了< 三層KG架構(gòu)設(shè)計(jì)>，其中的核心是：訓(xùn)練<主權(quán)式>中游領(lǐng)域性GNN模型。這GNN模型就如同光影般在枝干之間流轉(zhuǎn)，發(fā)掘那些隱形的脈絡(luò)，這AI模型對(duì)世界潛在邏輯的無(wú)聲咀嚼。而人類(lèi)專(zhuān)家的反事實(shí)直覺(jué)，則像是一陣陣富有靈性的風(fēng)，為知識(shí)樹(shù)注入主觀判斷與未來(lái)想象的氣息（圖1）。

圖1

GNN不斷向樹(shù)內(nèi)注入可能的連結(jié)（如同春天的芽）。專(zhuān)家思辨則回應(yīng)、取舍、養(yǎng)護(hù)（如同秋天的修枝）。于是，KG隨著一次次有機(jī)回饋，在冬藏與夏茂之間，持續(xù)拓枝展葉（如同夏天得茂盛）。垂直行業(yè)的本地專(zhuān)屬性KG（中游），搭配企業(yè)專(zhuān)屬性KG（下游），兩這結(jié)合來(lái)提供主權(quán)式的語(yǔ)境，讓LLM入鄉(xiāng)隨俗，也讓本地專(zhuān)家反事實(shí)思考來(lái)持續(xù)更新KG（圖2）。于是，「中游+ 下游KG的語(yǔ)境融合設(shè)計(jì)」正是實(shí)踐主權(quán)AI的關(guān)鍵路徑之一。

圖2

這個(gè)新架構(gòu)，能讓LLM成為「受過(guò)企業(yè)訓(xùn)練的AI助理」：

●   用中游+下游KG作為L(zhǎng)LM的「訓(xùn)練文化背景」與「工作目標(biāo)指令」。

●   再用RAG機(jī)制或LoRA微調(diào)，只需少量數(shù)據(jù)就可讓模型變得非常貼近企業(yè)需求。

●   其中，保留了「反事實(shí)思考」這道人類(lèi)控制關(guān)卡，是一項(xiàng)安全的創(chuàng)新設(shè)計(jì)。

亦即，讓LLM變得「入鄉(xiāng)隨俗」，又能由企業(yè)自己主導(dǎo)更新與推理。在生成式AI快速普及的時(shí)代，數(shù)據(jù)不再只是資源，更可能成為風(fēng)險(xiǎn)，并引發(fā)信任危機(jī)。于是，以企業(yè)專(zhuān)屬的中游主權(quán)KG，不是替代LLM，而是給AI一個(gè)可信的語(yǔ)境，從而產(chǎn)生可信的判斷。

于是，這項(xiàng)創(chuàng)新流程，從知識(shí)圖譜到GNN，到大型語(yǔ)言模型整合，讓企業(yè)能夠打造出真正屬于自己的AI系統(tǒng)，而不是完全依賴外部云端平臺(tái)。未來(lái)，不論是餐飲、醫(yī)療，還是供應(yīng)鏈管理，都能靠這樣的方法，走向更智慧、更有主控權(quán)的AI 時(shí)代。

2   復(fù)習(xí)：中游KG+GNN模型訓(xùn)練

剛才已經(jīng)說(shuō)明了，上述<三層KG架構(gòu)>的核心是：訓(xùn)練< 主權(quán)式> 中游領(lǐng)域性GNN模型。在訓(xùn)練時(shí)，首先從上游DRKG里讀取藥物實(shí)體的嵌入向量（Embeddings），成為這中游MutationKG的< 藥物>節(jié)點(diǎn)的起始特征（Initial Features）。同時(shí)，也從上游KDGene里讀取基因?qū)嶓w的嵌入向量（Embeddings），成為這中游MutationKG的< 基因> 節(jié)點(diǎn)的起始特征。然后，搭配本地機(jī)構(gòu)自主性癌癥及其類(lèi)型數(shù)據(jù)，就準(zhǔn)備就緒了（圖3）：

圖3

這樣可以順利訓(xùn)練出一個(gè)能夠把突變數(shù)據(jù)轉(zhuǎn)換成嵌入向量的GNN模型， 能產(chǎn)生節(jié)點(diǎn)的嵌入向量（Embedding），來(lái)提供給后續(xù)的下游任務(wù)使用（如分類(lèi)、群聚、或與影像特征融合等）。例如，下游任務(wù)可以結(jié)合醫(yī)學(xué)影像特征（Ultrasound/MRI）進(jìn)行多模態(tài)推論，也將GNN輸出的嵌入與CNN影像特征進(jìn)行融合，提供AI輔助診斷（如預(yù)測(cè)、分類(lèi)）等各種應(yīng)用。

3   實(shí)踐范例

此范例使用Python代碼來(lái)實(shí)踐模型訓(xùn)練，并搭配xlwings和openvino套件，來(lái)提供可操作的Excel畫(huà)面和部署（Deployment）環(huán)境。首先，開(kāi)啟ee01.py，如下：

Step-1：建立中游KG

接著，執(zhí)行它（即ee01.py），并且在Excel畫(huà)面按下< 建立中游KG> 按鈕，就建立了一個(gè)中游KG（圖-2）：

這個(gè)中游KG含有4 種節(jié)點(diǎn)（Node），以及5種邊（Edge）。為什么需要中游KG ？中游KG 讓推理不只是輸出結(jié)果，而是結(jié)合本地知識(shí)，做出更貼合使用情境的智慧推理。中游KG是什么？它和一般數(shù)據(jù)庫(kù)有何不同？中游KG是一個(gè)語(yǔ)義結(jié)構(gòu)化的知識(shí)層，不只是儲(chǔ)存數(shù)據(jù)，而是讓機(jī)器理解本地知識(shí)與語(yǔ)境的推理支持系統(tǒng)。

中游KG是行業(yè)語(yǔ)境的橋梁，也有助於解決LLM的通用性盲點(diǎn)：

●   LLM強(qiáng)在語(yǔ)言理解與生成，但弱在「行業(yè)知識(shí)的語(yǔ)境精準(zhǔn)性」。

●   而中游KG 是來(lái)自行業(yè)、地區(qū)、語(yǔ)言語(yǔ)意等本地知識(shí)、地區(qū)文化、專(zhuān)業(yè)詞匯、歷史案例（例如在醫(yī)療中同一病名的不同處理方式），強(qiáng)化模型語(yǔ)境理解，提升語(yǔ)義精度。正是補(bǔ)足LLM「不懂地方、不懂細(xì)節(jié)」的關(guān)鍵資產(chǎn)。

●   中游KG讓LLM能「入鄉(xiāng)隨俗」，說(shuō)得專(zhuān)業(yè)、理解場(chǎng)域，是可信AI 的知識(shí)背景層（Context layer) ---即讓LLM能「說(shuō)行話、講道理、不亂編（有資料依據(jù))」。

Step-2：訓(xùn)練GNN模型

接著，按下<訓(xùn)練GNN模型>，就展開(kāi)訓(xùn)練流程，如下：

訓(xùn)練完成了，就生成各節(jié)點(diǎn)的嵌入（Embeddings），并儲(chǔ)存于c:/ox_M3_embeddgins/里， 將提供給下游任務(wù)使用。由于當(dāng)今的下游AI部署流程，常常缺乏語(yǔ)境在地化（Contextualization），導(dǎo)致模型布署后難以完全貼合本地知識(shí)、生產(chǎn)流程與客戶需求。于是，以中游KG作為語(yǔ)境支撐層，結(jié)合智慧布署技術(shù)（如OpenVINO），即可讓AI 真正入鄉(xiāng)隨俗、自主成長(zhǎng)。

其核心做法是：

●   先構(gòu)建一個(gè)企業(yè)或行業(yè)專(zhuān)屬的中游KG（知識(shí)圖），承載本地知識(shí)、術(shù)語(yǔ)、作業(yè)流程。

●   當(dāng)AI模型要智能布署到各種終端（Edge）設(shè)備時(shí)，可透過(guò)這個(gè)中游KG來(lái)提供實(shí)時(shí)語(yǔ)境信息。

●   這讓AI模型在布署時(shí)，不只是推理（Inference），而是帶著在地知識(shí)智能地推理與更新。

因有語(yǔ)境支撐，模型可自動(dòng)或半自動(dòng)地針對(duì)本地變化（新流程、新規(guī)范）進(jìn)行增量學(xué)習(xí)或推薦修正，增加AI持續(xù)更新與微調(diào)能力，降低模型老化風(fēng)險(xiǎn)。中游KG可本地部署，無(wú)須上云傳輸大量敏感數(shù)據(jù)，符合GDPR、CCPA 等合規(guī)需求：數(shù)據(jù)隱私與主權(quán)保障。無(wú)論是CPU、GPU、VPU 或其他異質(zhì)硬件，各種布署環(huán)境（如OpenVINO）都能結(jié)合中游KG，來(lái)讓部署端實(shí)時(shí)獲得「語(yǔ)境智慧加持」，具有跨設(shè)備與異質(zhì)環(huán)境靈活性。

Step-3：探索CF_Links

接著，按下< 探索CF_Links>，就出現(xiàn)：

GNN探索反事實(shí)邊（CF_Links），例如：針對(duì)ID是<C0001202>的癌癥，GNN探索出3項(xiàng)反事實(shí)邊，然後提出潛在的用藥推薦（如上圖所示）。其目的是：由GNN探索反事實(shí)邊，來(lái)激發(fā)人類(lèi)專(zhuān)家的反事實(shí)思維（CF_Thinking）。人機(jī)協(xié)作完成知識(shí)誕生與AI可解釋推理，這是主權(quán)AI的治理核心，保有人類(lèi)主導(dǎo)權(quán)，防止AI幻覺(jué)或誤導(dǎo)。亦即：人類(lèi)CF思考+ 創(chuàng)新決策。然後，將人類(lèi)專(zhuān)家的創(chuàng)新決策回饋更新KG，讓靜態(tài)KG 變成有生命的KG，成為動(dòng)態(tài)AI 推理資產(chǎn)，也讓LLM 響應(yīng)與企業(yè)內(nèi)知識(shí)結(jié)合。于是，完整實(shí)踐了< 知識(shí)– 推理– 決策– 更新> 的人機(jī)協(xié)作模式，也落實(shí)了主權(quán)AI 精神。

4   結(jié)語(yǔ)

行業(yè)性中游的實(shí)踐效益是：

●   跳脫單向推論模型：這方法是「知識(shí)推理+ 人類(lèi)決策」雙循環(huán)，不是死數(shù)據(jù)庫(kù)，也不是死推論器

●   融入反事實(shí)思維（CF Thinking）：這符合全球最新的AI推理領(lǐng)域趨勢(shì)，特別是醫(yī)療、金融、制造業(yè)開(kāi)始要求AI能模擬「如果……那會(huì)如何？」這種推理。

●   主權(quán)AI治理完整框架：除了本地部署之外，也設(shè)計(jì)了知識(shí)版本控制、人機(jī)共生更新。這正是主權(quán)AI最難、最稀缺的部分。

（本文來(lái)源于《EEPW》202506）