人工智能应用程序可以从知识图中受益，因为它们提供了结构化、互连的数据表示。这使得AI算法能够更好地理解和利用它们正在处理的信息。
知识图谱并不新鲜。我预计，随着语言模型和 AI 应用程序越来越受欢迎，知识图谱的使用在未来几年将会增长。人工智能应用程序可以从知识图谱中受益，因为它们提供了结构化的、相互关联的数据表示。这使 AI 算法能够更好地理解和利用它们正在处理的信息。通过提供不同实体之间相互关联的关系网络，知识图使 AI 应用程序能够更好地理解数据点之间的上下文和关系。
知识图谱的使用使人工智能系统能够更有效、更高效地解决问题，而不会迷失在海量数据中。例如，想象一下要查找有关特定人的信息。知识图谱可以快速概览此人的背景、关系和相关事实，而无需搜索无数页无组织的信息。知识图谱是数字助理和搜索引擎的关键组成部分，它们为广泛的人工智能应用做出了贡献，包括链接预测、实体关系预测、推荐系统和问答系统。
知识图还可以提供补充的、真实世界的事实信息，以增加有限的标记数据来训练机器学习算法。最近的研究和实施的工业智能系统已经显示出将训练数据与知识图相结合的机器学习算法的良好性能。它们用于增强 AI 应用程序（例如推荐和社区检测）的输入数据。
知识图谱已经引起了众多医疗保健和金融服务公司以及拥有复杂供应链的企业的关注。我预计随着语言模型和基础模型的流行，会有更多的公司创建和投资知识图谱。
这是因为越来越多的公司会选择训练自己的大型模型。对于许多企业，尤其是那些在受到严格监管的行业中运营的企业而言，仅通过公共基础模型提供 API 访问可能是不够的。公司在技术上的投资程度、拥有的数据量以及将数据传输到 API 或第三方的舒适程度，都是影响决策过程的因素。一些类似 GPT 的模型不太可能垄断市场，因为组织结构的动态以及信任和成本等因素将发挥关键作用。