相信很多人对“领域认知智能”这个词并不陌生，但关于这个词的概念却不甚了解。简而言之，领域认知智能（Domain Cognitive Intelligence），是指利用人工智能的手段，基于业务模型，从各类数据中提取领域知识，并利用领域知识和大模型进行知识问答、内容生成和推理分析，解决领域内问题的技术体系。下面的简介可以增加我们对领域认知智能的认识。
简介：随着社会信息的快速增长与各类系统的日益复杂，作为生物智能的人类个体难以认知复杂世界与应对复杂挑战。所以，让机器具备人类的高阶认知能力，是人们对人工智能发展的期待，这也是认知智能发展的目标。认知智能可以归结为数据智能，数据智能使得机器能够认知行业数据，大幅提升了数据价值变现的效率。
认知智能是指机器具有主动思考和理解的能力，不用人类事先编程就可以实现自我学习，有目的推理并与人类自然交互。[1] 现阶段的人工智能技术，距离让机器和人一样具有自我意识（即强人工智能）还有相当长的距离。而领域认知智能，则暂时抛开机器自我意识不谈，基于认识论的基础，从业务域出发，让机器获取特定知识，辅助人们解决特定的问题，则有其现实可行性和价值。[1]要想进一步认识领域认知智能，就要了解它的定义。
定义：一直以来，实现认知智能有着两种路径：第一种是将数据转换成符号知识，比如知识图谱、规则等，但是这种方式往往伴随着巨大的信息损失。第二种是用统计模型将数据建模，大模型本质上也是一种统计模型，这种方式的优点是可以保留数据中所有信息，包括信息中蕴含的隐性知识，使得“数”尽其用。
这两种路径对于实现智能都是不可或缺的，两者需要协同。根据双系统认知理论（DPT），人的思维包含两种不同的历程。系统一是隐性的、无意识的，即直觉，系统二则是显性的、有意识的，也就是理性思考。直觉与理性思考对于人类认知世界，思考问题都是必要的组成部分。
目前，大模型基本能够实现系统一，本质上是数据驱动的直觉性思维。而传统的知识图谱，本质上实现了知识驱动，即系统二理性思考。将大模型和知识图谱相结合，两者形成循环，把统计得出的结论沉淀为知识增强知识图谱，并利用已沉淀的知识提升大模型的学习效率，能够促进双方进一步发展，形成领域认知智能。
基于此，我们需要了解领域认知智能和大模型、知识图谱的密切关系。
领域认知智能与大模型
实现领域认知智能离不开大模型，因为通用认知是实现领域认知的前提。大模型的出现宣告了通用人工智能（AGI）时代的带来，意味着机器的通识能力显著提升，而只有掌握广泛而多样的通识，才能有理解领域内的专业知识的能力，所以领域认知智能是建立在实现通用人工智能基础之上的。
语言模型编码了数据中蕴含的大量通用知识，能够与知识图谱中的知识形成互补，同时也模拟了人脑的思维能力，包括语言理解、逻辑推理、常识理解能力等。除此之外，大模型具备了复杂任务拆解与规划、组合创新、评估评价等重要的能力，这使大模型成为了智能的新基座，能够显著赋能不同领域、不同形式的下游任务。
领域认知智能与知识图谱
但是单靠大模型无法实现领域认知智能落地。第一，大模型在垂直领域的专业知识仍然匮乏。第二，生成式大模型回避不了幻觉问题，容易胡编乱造一些虚假事实，其自身无法从根本上解决这一问题。第三，大模型对领域缺乏“忠诚度”，并不会按照领域里的规范解决问题。第四，大模型不可控、难编辑，对于敏感、不安全的内容难以控制其生成和展示。
对于以上问题，利用领域知识网络对大模型进行干预能够有效优化。大模型相关的绝大多数常规任务能够被分解为“提示（prompt）、生成（Generation）、评估（Evaluation）”三个阶段，其中，知识网络能够指引prompt生成、评估生成结果，并能够通过使用知识网络增强生成效果。同时，知识网络中存储了大量高质量数据、知识，能有效提升模型的信息丰富度与知识水平，从而缓解幻觉现象。最后，知识网络可以降低语言模型的学习成本，提升其推理能力以及可解释性。
实现领域认知智能，可以赋能产业发展与变革，有力推动社会的发展和促进生产力的提升，因此它所带来的变革意义非凡。
意义：领域认知智能的核心是帮助组织实现数据知识化，从而实现业务智能化，这是实现数据驱动型组织的重要组成部分。实现领域认知智能，组织有两方面的好处：[1]
将组织中散落在各个业务系统、各种类型的数据中蕴藏的知识提取出来，这些知识往往是企业经营中的核心数据资产，让企业能够更好地理解自己的数据以及知识。[1]
将人类的各类认知，比如领域知识、概念层级、价值观念注入到大模型，确保垂直领域大模型的可解释性，并使其成为可信赖的工具。
第三，有了这些知识，可以低成本地开发智能应用，帮助企业提升各个环节的用户体验和运营效率。[1]
比如帮助智能运维系统发现 IT 系统的异常并推荐解决方案；为知识管理系统提供各个领域的知识，增强员工学习效率；通过构建各行各业的产业链知识，服务于城市、园区的智慧招商等等。[1]
在经济发展面临数字化升级转型的当下，众多企业，尤其是知识密集型企业的生产方式正在悄然发生巨大的需求变化。而领域认知智能的应用范围也在不断扩大。
应用范围
各行业的知识管理
知识主题发现：归集各来源知识文档，根据领域知识网络从中快速发现领域的知识主题；
文档自动关联：从文档中自动抽取领域标签，并将主题与领域标签相关联，实现文档自动分类与关联；
知识精准推荐：理解用户搜索意图，精准推荐相关联知识。[1]
智能运维领域
智能推荐：基于运维人员岗位和行为习惯，形成针对性的关联知识推荐，帮助DevOps团队成长；
智能搜索：基于运维场景快速、准确的找到想要的知识，提高运维效率和服务质量；
智能问答：更高效、精准的帮助DevOps团队解决问题。[1]
工业制造领域
构建设备、产品、物料、工艺等多维度知识网络，实现人机料法环的360°分析；
在大量离散制造场景中，用机器辅助流程操作知识点、关联注意要点等，降低工人现场经验不足或者经验过头的风险；
基于意图理解和知识网络关联，实现辅助设计、生产和运营决策的智能搜索和问答。[1]
智慧城市领域
通过领域认知智能实现“三融五跨”，三融包括业务、数据和技术的融合，五跨覆盖跨地域、跨层级、跨部门、跨系统、跨业务，助力智慧城市转型升级。
数据作为城市的新能源，以数据知识化促进数据要素化，促进城市公共数据开放利用，实现公共利益最大化。[1]
数据治理与数据资产管理运营
面向数据仓库/数据湖，采用Data Fabric架构，通过知识图谱连接数据与数据，数据与业务，业务与业务的关系，通过大模型实现数据表、字段、标准的语义理解，简化数据编目和数据质量贯标，也可以结合大模型实现找数据、分析数据的自动化，甚至生成精加工分析的SQL语句。在此基础上，可以围绕业务目标建立数字化运营框架，逐业务域实现数据运营监控、分析，提升业务效率和质量，管理异常和风险，赋能全业务域数字化运营。
以上关于领域认知智能的应用，其实只是冰山一角，它的价值和潜力远远超乎我们的想象。在数字经济的发展浪潮中，它将会成为实现产业数字化的重要推手，从而创造出更多新的可能性，勾勒出一个全新的发展蓝图。那么领域认知智能又将会如何实现呢？
实现步骤
数据驱动的领域大模型与知识驱动的领域知识网络的深度融合是实现领域认知的关键。
第一步：建立业务认知模型。
业务认知模型，即领域内的业务模型，需要领域专家和技术人员共同协作，根据业务对象、关系、规则定义相关的领域模型，所以领域认知即业务域认知，领域认知智能也是业务域认知智能。[1]
第二步：构建领域大模型和领域知识网络
领域大模型编码了大量的通用知识，可以理解常识和拆解任务，让机器在“形式上”具备了人类思维的核心能力。领域落地往往需要多层次的模型，才能真正解决好行业问题。通用预训练生成大模型、行业领域预训练模型、任务小模型以及领域知识网络将构成一个模型共同体，协作解决行业复杂问题。
领域知识网络是一种大规模的知识组织形式，包含多种知识表示方式。包含知识图谱，用于保存和展示领域内或者企业经营中的实体以及他们之间的关系；领域规则库，可以通过自动化或者手工方式生成，用于保存辅助决策、进行推理或者知识抽取的各类业务规则；领域词库，同样可以通过自动的方式来生成领域专业名词和词组的集合，可以增强实现意图理解、实时识别等能力。
第三步：开发认知助手来实现认知智能应用。
利用认知搜索、智能问答、图分析等认知能力，开发认知助手，让应用具备“能理解、会思考”的能力，极大地将人类从重复体力劳动和简单脑力劳动中解放出来。
人工智能时代的到来，必定会给各种产业带来日新月异的变化。领域认知智能的不断发展也会加速实现各领域数据知识化，业务、内容管理智能化，从而进一步释放内容生产力，推动生产力变革，提升企业数字化水平。我们企望在领域认知智能的引领下，走向这个充满惊喜和希望的新领域。
