大模型与企业知识管理-数字化转型网www.szhzxw.cn

数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。

“知识管理”在当下的企业语境里属于“熟悉的陌生人”。

有的人觉得知识这东西过于抽象，知识管理这事也虚无缥缈，企业里人机料法环这些都管不过来，为什么还要管理知识。有的人觉得知识管理不就是把企业里各种文档堆在一起搞个知识库吗，除此之外还有什么可管理的。有的人觉得知识管理这个事好是好，但做不做知识管理好像对业务影响不大，推进起来难度又很大，非我企业所能及。

然而大模型出现之后，知识管理的意义、价值、门槛、如何落地，较以往已经有所不同。在现在大模型即将进一步铺开使用的时间窗口，让我们一起看一看企业知识管理在大模式时代的变与不变。先说四个变化，分别是知识的来源变丰富了、知识加工的难度降低了、知识应用的门槛变低了、知识管理的意义被重新发现了。

（一）知识来源增加了

企业知识可能散落在产品说明书、项目报告、会议记录、培训PPT、录音、视频等等原始资料中。但这只是理论上的。以往技术能力不足时，其实大量知识并没有从这些资料中提取出来，形成易查、易用、易理解、易被系统调取的知识形态。实际使用时还是得靠人工自己去阅读、总结，或者靠人工去提取。甚至在企业日常实践中，那些文字类的材料才会当作“知识”，放到企业知识库里，并且后续还能被用到。其他类型的材料往往不会得到整理，或者即使整理了也是束之高阁。

大模型时代，对图像、视频、音频类资料的处理能力越来越强了。以会议录音举例，在线会议的声音可以即时转成文字，会议结束后立即通过大模型总结，形成会议纪要、待办事项等。一些月度、季度总结类的会议，还可以通过大模型生成经验总结、问题总结、教训总结等可以复用的知识。再以视频为例，以往从视频中学习知识，只能硬花时间去观看，现在则可以通过模型从视频中提取声音、将声音再转化为文字、再将文字中意思抽取出来，供使用者询问、查询。

还有一个好消息是当前语言大模型正在逐步升级扩展为多模态大模型（比如最近ChatGPT最新升级支持识别图像、语音），之前可能没想到的一些原始资料，也可以成为知识来源，比如随手画下的草图、某个短会讨论的idea、一段现场录取的视频、一个群里的聊天记录、沉积在数据库里的数据表，等等。

（二）知识加工效率提高了

多数企业通常都是积累了不少文档资料的。我们想要的高质量知识，也常常散落在各种日常文档资料中。从原始知识里面抽取出可用的知识，比如Q&A、标准化作业流程、知识图谱等，要么采用技术手段，如图像识别、文档解析，要么投入大量人工来整理，或者两个路径皆而有之，技术搞不定的部分又投入一些人力来搞定。总的来说，从既有文档、资料中抽取知识，不管是技术视角，还是人工参与，都需要投入较多资源。

而这些投入对于各个部门来说，通常是不能直接产生效益的，这也就导致大家普遍动力不足，也给企业知识管理实践带来很高的门槛。

大模型出现之后，带动了已有相关技术在知识管理上的应用，如图像识别、文档解析、切片、向量化等。这一系列技术组合使用，显著加快了从现有文档中提取出可用知识的速度，比如从一份冰箱说明书中提取出关于该款冰箱的若干个问答对，之前人工来抽取的话可能要花半小时到一小时，现在只需要几分钟。当然，相关技术的准确率目前还不够高，小部分知识仍然需要人工抽取。但企业在有数千份、数万份产品说明书需要转化的情况下，这个事在以前是很难下决心投入那么多人力来推进的，而大模型及相关技术的意义就在于现在容易下决心了。

简单来说，在大模型及相关技术加持下，各种“死”资料现在更容易变成“活”知识了。

（三）知识应用门槛降低了

我们的日常工作经验，如果写份PPT、写份报告、写份总结，通常需要查询N个来源的信息、数据、知识，东找西找、东问西问，找回来还得自己再整合加工、修改格式，才能真正成为一份完整的材料。究其原因，实在是企业内部的数据、知识太不好找，也太不好用了。

而在大模型的支持下，一方面，知识应用界面发生了变化，比如ChatGPT就是典型的聊天模式，可以想象未来的企业内部知识互动大概率也是聊天模式，在一个窗口里获取企业里各种数据和信息。另一方面，改造现有的生产力工具（指word、excel、ppt或类似基础工具），将大模型能力嵌入到工具中的产品也越来越多，比如WPS出了智能版、钉钉出了文档智能助手、微软出了copilot，能够提供总结、改写、绘图、画表、写代码等等各种辅助功能。

这些工具还可以进一步与企业内部知识库结合，围绕着你的需求来提供各种信息和知识，真正的做到企业知识管理界常吹的牛皮：从“人找知识”到“知识找人”。

（四）知识管理的意义被重新发现了

大模型本身是拥有大量知识的，OpenAI最新的发布会上，说GPT的知识已经更新到2023年4月，这意味着问这个时间之前的各种公开知识，问GPT大模型都知道。

但有经验的大模型落地者会发现，在企业内部如果想用好大模型，在很多场景还需要基于企业内部的知识，比如问答、推荐、搜索等。这些场景都有一个共同特点，不太可能基于互联网上可以找到的公开的、通用的知识，因为那些知识缺乏针对性和精确性，比如你问A企业的某款冰箱如何速冻、具体如何操作，网上搜到的B企业冰箱的信息往往并不符合A企业冰箱的特点。

企业大模型落地者还发现，大模型还需要运用企业知识做专门的微调训练，才能在各项任务上生成企业想要的结果。而这些训练用的知识，通常需要精心准备，形成问答对（一对一对的问题和答案）、图文对（一对一对的图片和说明文字）、代码注释对（一对一对的代码和注释）等等。这些以“输入/输出”为基本单元的成对知识，都是为了让大模型有样学样，生成/回答出基于企业实际的个性化答案。

这两个角度，都意味着企业以往积累的数据/知识越多、质量越好，越容易用好大模型，越能发挥大模型的潜力。当然，从现在开始做好知识的搜集、整理、管理，也属于亡羊补牢、犹未晚矣。

以上的四个变化是正在进行时。综合起来看，以后的企业知识管理将变得越来越容易，如果企业有比较好的知识共享文化和技术投入，甚至可以做到润物细无声：各种过程文档都可以成为知识来源，知识加工的时间短至秒级，知识获取和应用将变得随时随地。

深入到企业日常实践，我们会发现即使大模型带来了以上便利，实践起来还是比较困难的。那些不变的问题，仍然要面对。

一是组织文化问题，如果企业内不同部门（个人）之间还是有深厚的“部门墙”，日常的文档资料还是敝帚自珍、藏着掖着，即使新技术层出不穷，企业（部门）也无法从中获益。企业中80%的数据/知识在企业内部是没有保密需求的，对这类知识托言保密的，都是企业生产力的阻碍。组织文化的改变往往是一把手工程，需要企业一把手亲自下场，一直吆喝、时时树典型、不断破除障碍。

二是知识采集问题，各个部门生产的知识，需要采集到统一的知识平台中。有价值的知识通常是网络状的，比如销售的问题可能要回到生产环节去解决，集中的知识可以相互关联，发挥1+1大于2的作用，而散落在各处的知识并没有这样的作用。但知识怎么集中、知识之间如何建立有机联系，仍然需要深入地思考和实践。

最后，知识管理再怎么重要，仍旧要回到原初，回到业务问题本身。当一个企业想到我们要解决一下知识管理问题了，通常是协同、协作出了问题，更往下深入挖掘，往往是某块横向业务出现问题了。企业内部发现和解决纵向业务问题是比较容易的，而发现和解决横向业务是比较难的。知识管理在这种情况下往往要和其他解决方案配合在一起，共同促进问题的解决。

其实不光知识管理如此，大模型等AI新技术的引进，亦如此。花钱之前，最好先想一想，我究竟要解决什么问题。

声明：本文来自沈宏萧，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。数字化转型网www.szhzxw.cn

数字化转型网人工智能研习社包含哪些内容