行業(yè)性中游KG的實踐范例與解說

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)設計>，其中的核心是：訓練<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，這AI模型對世界潛在邏輯的無聲咀嚼。而人類專家的反事實直覺，則像是一陣陣富有靈性的風，為知識樹注入主觀判斷與未來想象的氣息（圖1）。

圖1

GNN不斷向樹內(nèi)注入可能的連結(jié)（如同春天的芽）。專家思辨則回應、取舍、養(yǎng)護（如同秋天的修枝）。于是，KG隨著一次次有機回饋，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)的本地專屬性KG（中游），搭配企業(yè)專屬性KG（下游），兩這結(jié)合來提供主權(quán)式的語境，讓LLM入鄉(xiāng)隨俗，也讓本地專家反事實思考來持續(xù)更新KG（圖2）。于是，「中游+ 下游KG的語境融合設計」正是實踐主權(quán)AI的關(guān)鍵路徑之一。

圖2

這個新架構(gòu)，能讓LLM成為「受過企業(yè)訓練的AI助理」：

●   用中游+下游KG作為LLM的「訓練文化背景」與「工作目標指令」。

●   再用RAG機制或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「反事實思考」這道人類控制關(guān)卡，是一項安全的創(chuàng)新設計。

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

于是，這項創(chuàng)新流程，從知識圖譜到GNN，到大型語言模型整合，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。未來，不論是餐飲、醫(yī)療，還是供應鏈管理，都能靠這樣的方法，走向更智慧、更有主控權(quán)的AI 時代。

2   復習：中游KG+GNN模型訓練

剛才已經(jīng)說明了，上述<三層KG架構(gòu)>的核心是：訓練< 主權(quán)式> 中游領(lǐng)域性GNN模型。在訓練時，首先從上游DRKG里讀取藥物實體的嵌入向量（Embeddings），成為這中游MutationKG的< 藥物>節(jié)點的起始特征（Initial Features）。同時，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)點的起始特征。然后，搭配本地機構(gòu)自主性癌癥及其類型數(shù)據(jù)，就準備就緒了（圖3）：

圖3

這樣可以順利訓練出一個能夠把突變數(shù)據(jù)轉(zhuǎn)換成嵌入向量的GNN模型， 能產(chǎn)生節(jié)點的嵌入向量（Embedding），來提供給后續(xù)的下游任務使用（如分類、群聚、或與影像特征融合等）。例如，下游任務可以結(jié)合醫(yī)學影像特征（Ultrasound/MRI）進行多模態(tài)推論，也將GNN輸出的嵌入與CNN影像特征進行融合，提供AI輔助診斷（如預測、分類）等各種應用。

3   實踐范例

此范例使用Python代碼來實踐模型訓練，并搭配xlwings和openvino套件，來提供可操作的Excel畫面和部署（Deployment）環(huán)境。首先，開啟ee01.py，如下：

Step-1：建立中游KG

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

這個中游KG含有4 種節(jié)點（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，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)庫有何不同？中游KG是一個語義結(jié)構(gòu)化的知識層，不只是儲存數(shù)據(jù)，而是讓機器理解本地知識與語境的推理支持系統(tǒng)。

中游KG是行業(yè)語境的橋梁，也有助於解決LLM的通用性盲點：

●   LLM強在語言理解與生成，但弱在「行業(yè)知識的語境精準性」。

●   而中游KG 是來自行業(yè)、地區(qū)、語言語意等本地知識、地區(qū)文化、專業(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），強化模型語境理解，提升語義精度。正是補足LLM「不懂地方、不懂細節(jié)」的關(guān)鍵資產(chǎn)。

●   中游KG讓LLM能「入鄉(xiāng)隨俗」，說得專業(yè)、理解場域，是可信AI 的知識背景層（Context layer) ---即讓LLM能「說行話、講道理、不亂編（有資料依據(jù))」。

Step-2：訓練GNN模型

接著，按下<訓練GNN模型>，就展開訓練流程，如下：

訓練完成了，就生成各節(jié)點的嵌入（Embeddings），并儲存于c:/ox_M3_embeddgins/里， 將提供給下游任務使用。由于當今的下游AI部署流程，常常缺乏語境在地化（Contextualization），導致模型布署后難以完全貼合本地知識、生產(chǎn)流程與客戶需求。于是，以中游KG作為語境支撐層，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。

其核心做法是：

●   先構(gòu)建一個企業(yè)或行業(yè)專屬的中游KG（知識圖），承載本地知識、術(shù)語、作業(yè)流程。

●   當AI模型要智能布署到各種終端（Edge）設備時，可透過這個中游KG來提供實時語境信息。

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

因有語境支撐，模型可自動或半自動地針對本地變化（新流程、新規(guī)范）進行增量學習或推薦修正，增加AI持續(xù)更新與微調(diào)能力，降低模型老化風險。中游KG可本地部署，無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，來讓部署端實時獲得「語境智慧加持」，具有跨設備與異質(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探索反事實邊（CF_Links），例如：針對ID是<C0001202>的癌癥，GNN探索出3項反事實邊，然後提出潛在的用藥推薦（如上圖所示）。其目的是：由GNN探索反事實邊，來激發(fā)人類專家的反事實思維（CF_Thinking）。人機協(xié)作完成知識誕生與AI可解釋推理，這是主權(quán)AI的治理核心，保有人類主導權(quán)，防止AI幻覺或誤導。亦即：人類CF思考+ 創(chuàng)新決策。然後，將人類專家的創(chuàng)新決策回饋更新KG，讓靜態(tài)KG 變成有生命的KG，成為動態(tài)AI 推理資產(chǎn)，也讓LLM 響應與企業(yè)內(nèi)知識結(jié)合。于是，完整實踐了< 知識– 推理– 決策– 更新> 的人機協(xié)作模式，也落實了主權(quán)AI 精神。

4   結(jié)語

行業(yè)性中游的實踐效益是：

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

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

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

（本文來源于《EEPW》202506）