知識庫成為大模型落地的熱門場景，現實中卻走入了 “技術炫酷卻用不起來” 的窘境。

整理｜保文；編輯｜燕子

AI 能改變傳統知識管理的困境嗎？

在「DeepTalk」的第二個系列話題欄目「AI 的爭議」對話中，崔牛會創始人 & CEO 崔強與藍凌副總裁劉向華，圍繞 “AI≈知識庫？為什么叫好不叫座？” 這一主題進行了深入討論。

劉向華認為，當下中國的企業知識管理將因 AI 技術的發展而重新回熱。在 AI 時代，構建 “AI 友好型” 知識庫將有助于企業實現數據資產價值的最大化。

但也不要為了追求 AI 技術去搞技術，什么技術好用就用什么，不應執著于用大模型解決一切問題。

以下是經牛透社編輯整理的對話內容：（有刪減）

Tips：觀看對話原視頻，可通過【牛透社視頻號-直播回放-5月28日】獲取

幻想與現實

崔強：今晚我們討論的話題是 “AI≈知識庫？為什么叫好不叫座？”。第一個話題是 AI 知識庫的幻想與現實。為什么大家覺得 AI 知識庫應該是殺手級的應用呢？

劉向華：我覺得還是要把 AI 的概念縮小一下，這波 AI 的主題是大模型，大模型是適合用來處理文本型數據的，以前我們稱非結構化數據，比如文檔、音視頻等。

大模型最適合處理的數據類型正好在傳統知識庫領域，所以知識庫就變成第一個熱門場景了。ChatGPT 出來時，我們已經非常清醒地知道國內的企業知識管理也將重新回熱。

崔強：大模型來了之后，現在的企業知識庫應用是一個什么狀態？

劉向華：藍凌主要還是面向大中型企業，中小企業的知識庫我們涉獵得不是特別多（這方面的市場空間也相對小一點）。

從大中型企業知識庫的建設角度來說，這波 AI 來了以后，絕大部分企業都會與大模型結合，主要場景有智能搜索、智能問答等。問答場景比搜索場景更加具體或碎片化，比如關于制度、客服、工單的問答等。

崔強：現在我們可以看到一些 AI 知識庫的案例，真正落地的效果怎么樣？企業級知識庫和個人知識庫之間，除了權限之外還有什么明顯的差異？

劉向華：個人知識庫跟企業級知識庫差別非常大。首先企業級知識庫存在權限管理的問題，但更大、更深的區別在于知識體系的設計，這個其實是個知識體系治理的問題。

一個公司的知識庫應該分多少類？這些知識庫有哪些是可以共用的？最重要的知識是哪些？每一類知識庫的索引標簽是什么……

而且從老板和 CIO 的全局視角看，不可能任由每個員工公有云、私有云到處搭自己的知識庫，因為除了知識重復、標準知識的版本管理之外，還可能有一些涉密知識等。

另外，企業知識庫還面臨內容一致性的問題，在企業中，不同版本的制度、SOP 等文檔可能既需要同時留存，還要讓 AI 能夠識別最新的版本避免誤導，這些問題在個人知識庫里幾乎是不考慮的。

崔強：如果站在企業級知識庫的角度，怎么看飛書剛推出的知識問答，能打幾分？

劉向華：還是偏向于個人或者小團隊級別，缺少很多東西。企業級知識庫作為 ToB 產品，除了用戶態的易用性之外，還要保障管理態（符合組織管理要求），以及生長態（可開發可擴展）。

整體上看它的用戶態是 OK，但管理態和生長態較弱，希望它能夠再成長。做 ToB 需要很多 Know-how。

崔強：大模型來了之后，藍凌的知識庫產品有了哪些變化？

劉向華：我們在做一個對 AI 更友好的知識庫。AI 沒出來之前，我們大部分知識庫系統都是給人用，可能注重的是剛才說的用戶態、管理態、生長態，歸根到底是給人用。

有了 AI 以后，要考慮知識庫如何給 AI 用。

我們在實施 AI 項目時要考慮數據質量（如何獲得更高質量的知識），讓 AI 更好地理解，同時降低大模型幻覺，保證嚴謹性。此外，還要考慮很多技術和工具，比如知識體系梳理，知識圖譜建模、自動入圖、多庫多文檔的切片策略等。

崔強：傳統知識管理最大的問題是什么？是用戶不愿意用，還是用不起來？AI 來了會改變這一點嗎？

劉向華：肯定會。傳統知識管理，項目的成功實施都需要做管理和運營的配套，主要是因為傳統知識管理系統的易用性并不是那么好。

最近五年來，許多 ToB 軟件開始學習 ToC 軟件的用戶交互，在易用性上提高了很多，但仍會出現員工不愿共享知識的問題。

如何讓員工主動自愿貢獻知識，公司要有制度或激勵措施，比如一些積分設計或流程約束等。

比如藍凌每實施一個項目，都會要求項目經理寫復盤報告，要做 “知識收割”。但 “知識收割” 是要花時間和整理的，如果沒有公司的制度要求和配套管理就很難做，這也意味著系統推廣門檻的提升。

此外，還有文化。很多知識管理做得比較好的公司，它們的企業文化也是相對比較活躍的，員工愿意主動貢獻和分享知識。

有了 AI 之后，可以幫員工提高效率，寫匯報材料更簡單，這也會激發員工有更多動機參與知識庫建設。

大模型幻覺

崔強：你怎么看待大模型和知識嚴謹性的沖突？

劉向華：我把 AI 在企業內的應用拆分成兩類：一類是與文字理解和生成相關的，這一類追求 100% 準確度是很難的，接近 OK 就可以了，所謂文無第一嘛；第二類是與現在的智能體強相關的。

智能體背后是大模型賦能的工作流，沒有大模型之前，它是基于規則流轉，而規則是符號或者確定性的東西，所以，流程自動化可以追求 100% 的準確。加了大模型以后有可能做 100% 的準確，這要看規則和大模型能力的互相滲透了。

目前很多智能體開發平臺、編排平臺，仍在走自動化的方向，追求 100% 的準確，是因為企業級應用如果做不到足夠嚴謹，就可能出事故。

崔強：如何看待大模型 “投毒” 的問題？在企業級知識庫中，如何判斷 AI 的輸出是可靠的？

劉向華：大模型和人類都是有幻覺的。首先，不能完全杜絕大模型幻覺，要清晰每個技術的邊界。其次，才是追求如何減少幻覺。此外，還要注意數據（知識）質量，這包含了剛才所說的內容一致性、知識體系搭建等問題。

原則上，如果你要找的東西就在一篇文檔內，而且知識庫里只有一篇文章，大概率不會有太大幻覺。要找的東西越少，或者給它的語料越小，大模型的回答就越準確。如果企業的知識庫中有幾十萬、上百萬文檔，在治理上就要下很大功夫。

所以，第一是數據治理問題；第二是大部分企業級知識庫都采用 RAG 去匹配大模型，因為無法把企業的知識庫通過預訓練的方式給到大模型，RAG 的本質是做切片和向量化，向量化策略也可以影響到模型輸出的幻覺。

如果只做向量檢索，當涉及多個文檔時就會造成上下文丟失，藍凌的解決方案是混合檢索，把知識圖譜、數據庫檢索等多種檢索手段合在一起，以此來減少幻覺生成。

所以，克服大模型幻覺的方法，一是要把知識治理做得更好。二是通過一些輔助算法，不能單靠大模型或者 RAG 算法。

崔強：專家體系的價值還有多少？AI 未來能不能變成專家，自主地輸出知識，能否信任它？

劉向華：最終一定會，但無法預測需要多長時間。目前專家仍是不可或缺的，特別是在知識經驗萃取角度。

隨著 AI 越來越聰明，它在不斷消化專家的思維模式時，可能在文件處理、文檔理解等某些方面替代或超越專家，但專家在某個領域的業務 Know-how 仍是無法被 AI 替代的。

此外，在很多大企業，尤其是一些知識密集型企業，要考慮知識體系的頂層設計和規劃，這方面還不可能全部依賴 AI，還要靠專家。

崔強：對結果準確度要求不是那么高的領域，比如營銷、客服等場景，AI 可能發展得比較快。在知識庫領域，哪些場景是可以模糊的，哪些場景是必須要求精準的？

劉向華：偏Copilot（輔助類）的，比如輔助生成、輔助搜索、輔助問答等，不需要 100% 準確，或者不需要太精準，文無第一；偏自動化執行的，是必須精準的，武無第二。

大模型帶來兩類主要能力，一類是語言理解能力，一類是思考或執行能力（分配工作的能力）。語言理解和生成這部分能力是免不了有幻覺的，不應苛求絕對精確。工作流程自動化，執行類的能力是可以要求比較精準的，主要方法是植入規則，或者知識圖譜等。

所以，輔助類的能力可以不苛求準確，但自動化的部分一定要嚴謹、準確。

崔強：現在看原來一部分 RPA 廠商就轉得比較快，轉到了數字員工，RPA+Agent 可能會更靠譜一些。你怎么判斷這兩者的結合？

劉向華：實際上，傳統RPA 廠商是被 AI 變革或者被顛覆的那一波。

以前的 RPA 技術，更多是通過編程方式去模擬手工電腦上的操作。現在凡是模擬人的視覺和點擊操作的這部分能力，恰恰是大模型所擅長的。

所以 RPA 廠商是一定要自我革命的，不是拿大模型去補充它，而是要盡快換代。

AI 知識庫的新變化

崔強：原來做系統是給人用，現在做系統是給 AI 用，也就是要讓 AI 能看得懂。在 AI 時代，知識庫產品的形態會發生什么變化嗎？

劉向華：大模型時代的組織級知識庫，或者知識體系，有兩個比較大的變化：一是用戶的使用態或者交互方式的變化，即不一定到知識庫檢索或查詢，可能是通過問答或個人助理的方式完成交互。

從組織態上，會存在體系梳理和整體質量優化的變化。這里我拆了兩塊東西，第一塊要有知識庫體系規劃的設計，可以借助大模型輔助做更好的體系設計；第二塊要解決知識碎片化的問題。一旦知識庫做好以后，我們可以把知識庫當作一種服務嵌入每個作業場景。

從使用態來講，以前的知識庫是只給人用，現在的知識庫是給算法用。算法根據用戶當前所在的場景和用戶意圖能夠主動推送相關知識，這是 AI 知識庫的一個發展方向。

知識庫還要提供 API 給 AI 用。不只是存儲，還要輸出服務。

崔強：Agent 有點像當年的 SaaS。剛開始大家都是在單點突破形成一個小閉環。未來這些單點是不是又要整合在一起變成一個相對 “All in one” 的東西？

劉向華：這波 AI 跟以往 PC 互聯網、移動互聯網相比至少要高出一個量級，它是工業革命級別的，這是不同的地方。

相同的地方是當 AI 或者移動端出來時，所有的產品形態或者商業模式都是不清晰的，所以就百花齊放、百家爭鳴了。

越是單點場景，場景越細碎，AI 的結果就越精準。所以，現階段一定是碎片化的場景，用碎片化的技術，再加上一些碎片化的數據（知識點、知識庫）支撐，形成產品場景的閉環。

這一點很像 2014 年前后我們做 SaaS ，當時主流大都是單點 SaaS 追求小而美，當技術發展到相對成熟的時間段，大家又開始考慮整體效率的問題，解決局部最優但全局無法最優的問題。

此外，很多企業都在追求超級入口，所以我認為，三五年后，大一統仍將是一個趨勢。

崔強：企業級會有入口嗎？企業級入口大概是什么樣子？原來說協同是入口，在 AI 時代這點會變化嗎？

劉向華：從乙方來看，大部分廠商都想追求入口；從甲方看，企業也希望有一個統一入口。

AI 時代這兩塊的入口可能是一致的，每個人只要有一個隨身超級助理，既負責記錄用戶行為，又負責傳遞公司知識，但現在還沒有到成熟的程度，也許要等三五年之后。

崔強：現在 Agent 產品和原有的產品，在使用體驗和交互邏輯上幾乎完全不同。你們在實踐中的感受是怎么樣的，用戶的使用習慣會產生哪些改變？

劉向華：現在很多企業用戶還不是特別習慣用語言對話的交互方式。我們碰到的大部分客戶還是習慣GUI（圖形用戶界面）的交互方式，但也不排斥多一個 AI 助手的幫助。

崔強：是一個加分項？

劉向華：是的。我們不能忘記語言交互的呈現豐富度是遠遠弱于圖形交互的。所以，不要為了追求技術去搞技術。

崔強：通用大模型的投入很高。在一些小的領域里邊，可能需要一些專業化的小模型。如何看待這兩者的關系，在實際應用中兩者如何配合或者互補？

劉向華：我們現在的判斷是互補關系。以藍凌的藍博士 AI 中臺為例，我們集成了若干個通用大模型，因為不同的通用大模型所擅長的領域也不同。此外，還會有許多小模型（更準確的稱呼是小型工具，如 OCR 識別等），它們可以做一部分自動識別、自動化操作等偏智能的工作。

未來它們一定是大模型的補充，幫助大模型完成一個自動化的作業流程。什么東西好用就用什么，不應該試圖用大模型來解決一切問題。

崔強：企業有那么多知識，有沒有機會形成企業的私有知識大模型？

劉向華：目前，由于預訓練成本很高，可能只有少數企業具備這樣的可能性。從科學角度說，如果一個大模型內放了全世界的知識，再把一個企業內的知識 “摻和” 進去，就像一滴水放進大海，是沒有什么意義的，不可能指望一滴水能改變大海的咸度。

所以用企業知識去訓練大模型，可能本身就是一個偽命題，沒有搞清楚大模型的原理，更可行的方式是去做通用大模型的輔助小模型，或者小的數據集、知識集，幫助大模型來降低幻覺。

崔強：多模態、情景感知、角色扮演等新特征在知識管理中會出現嗎？

劉向華：這是個好問題，一定會出現。AI 如果最終能產生 10 倍價值，一定是干了某些替代人的事情。

如果 AI 能替代人做事情，那一定具備了情景感知的能力，只要感知得到，自動化就很容易做，新的環境感知設備或者技術一定能夠催生很多大模型應用。

角色扮演是純虛擬的形式，其實更容易做。

崔強：未來 3~5 年，整個知識管理或者 AI 知識庫會發展到一個什么階段？

劉向華：我個人是偏樂觀的，它會變成企業數字化的一個必需品。以前，如果沒有知識庫，企業有網盤也可以，但現在不行了，必須對 AI 友好。

大部分企業的數據資產，只有 20% 左右是存在數據庫里的，剩下 80% 是以會議紀要、設計稿等以文件形式存放的，它們都是極好的 AI 養料。

對于大部分企業來說，我認為建設一個對 AI 友好的知識庫，是一個十分劃得來而且必需的事情，有利于最大化地挖掘企業數據資產，AI 知識庫的未來是比較樂觀的。

說明：文章為牛透社原創，未經允許謝絕轉載。