AI 能改變傳統(tǒng)知識(shí)管理的困境嗎？

在「DeepTalk」的第二個(gè)系列話題欄目「AI 的爭(zhēng)議」對(duì)話中，崔牛會(huì)創(chuàng)始人 & CEO 崔強(qiáng)與藍(lán)凌副總裁劉向華，圍繞 “AI≈知識(shí)庫？為什么叫好不叫座？” 這一主題進(jìn)行了深入討論。

劉向華認(rèn)為，當(dāng)下中國的企業(yè)知識(shí)管理將因 AI 技術(shù)的發(fā)展而重新回?zé)帷Ｔ?AI 時(shí)代，構(gòu)建 “AI 友好型” 知識(shí)庫將有助于企業(yè)實(shí)現(xiàn)數(shù)據(jù)資產(chǎn)價(jià)值的最大化。

但也不要為了追求 AI 技術(shù)去搞技術(shù)，什么技術(shù)好用就用什么，不應(yīng)執(zhí)著于用大模型解決一切問題。

以下是經(jīng)牛透社編輯整理的對(duì)話內(nèi)容：（有刪減）

幻想與現(xiàn)實(shí)

崔強(qiáng)：今晚我們討論的話題是 “AI≈知識(shí)庫？為什么叫好不叫座？”。第一個(gè)話題是 AI 知識(shí)庫的幻想與現(xiàn)實(shí)。為什么大家覺得 AI 知識(shí)庫應(yīng)該是殺手級(jí)的應(yīng)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(shù)據(jù)的，以前我們稱非結(jié)構(gòu)化數(shù)據(jù)，比如文檔、音視頻等。

大模型最適合處理的數(shù)據(jù)類型正好在傳統(tǒng)知識(shí)庫領(lǐng)域，所以知識(shí)庫就變成第一個(gè)熱門場(chǎng)景了。ChatGPT 出來時(shí)，我們已經(jīng)非常清醒地知道國內(nèi)的企業(yè)知識(shí)管理也將重新回?zé)帷?/strong>

崔強(qiáng)：大模型來了之后，現(xiàn)在的企業(yè)知識(shí)庫應(yīng)用是一個(gè)什么狀態(tài)？

劉向華：藍(lán)凌主要還是面向大中型企業(yè)，中小企業(yè)的知識(shí)庫我們涉獵得不是特別多（這方面的市場(chǎng)空間也相對(duì)小一點(diǎn)）。

從大中型企業(yè)知識(shí)庫的建設(shè)角度來說，這波 AI 來了以后，絕大部分企業(yè)都會(huì)與大模型結(jié)合，主要場(chǎng)景有智能搜索、智能問答等。問答場(chǎng)景比搜索場(chǎng)景更加具體或碎片化，比如關(guān)于制度、客服、工單的問答等。

崔強(qiáng)：現(xiàn)在我們可以看到一些 AI 知識(shí)庫的案例，真正落地的效果怎么樣？企業(yè)級(jí)知識(shí)庫和個(gè)人知識(shí)庫之間，除了權(quán)限之外還有什么明顯的差異？

劉向華：個(gè)人知識(shí)庫跟企業(yè)級(jí)知識(shí)庫差別非常大。首先企業(yè)級(jí)知識(shí)庫存在權(quán)限管理的問題，但更大、更深的區(qū)別在于知識(shí)體系的設(shè)計(jì)，這個(gè)其實(shí)是個(gè)知識(shí)體系治理的問題。

一個(gè)公司的知識(shí)庫應(yīng)該分多少類？這些知識(shí)庫有哪些是可以共用的？最重要的知識(shí)是哪些？每一類知識(shí)庫的索引標(biāo)簽是什么……

而且從老板和 CIO 的全局視角看，不可能任由每個(gè)員工公有云、私有云到處搭自己的知識(shí)庫，因?yàn)槌酥R(shí)重復(fù)、標(biāo)準(zhǔn)知識(shí)的版本管理之外，還可能有一些涉密知識(shí)等。

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

崔強(qiáng)：如果站在企業(yè)級(jí)知識(shí)庫的角度，怎么看飛書剛推出的知識(shí)問答，能打幾分？

劉向華：還是偏向于個(gè)人或者小團(tuán)隊(duì)級(jí)別，缺少很多東西。企業(yè)級(jí)知識(shí)庫作為 ToB 產(chǎn)品，除了用戶態(tài)的易用性之外，還要保障管理態(tài)（符合組織管理要求），以及生長(zhǎng)態(tài)（可開發(fā)可擴(kuò)展）。

整體上看它的用戶態(tài)是 OK，但管理態(tài)和生長(zhǎng)態(tài)較弱，希望它能夠再成長(zhǎng)。做 ToB 需要很多 Know-how。

崔強(qiáng)：大模型來了之后，藍(lán)凌的知識(shí)庫產(chǎn)品有了哪些變化？

劉向華：我們?cè)谧鲆粋€(gè)對(duì) AI 更友好的知識(shí)庫。AI 沒出來之前，我們大部分知識(shí)庫系統(tǒng)都是給人用，可能注重的是剛才說的用戶態(tài)、管理態(tài)、生長(zhǎng)態(tài)，歸根到底是給人用。

有了 AI 以后，要考慮知識(shí)庫如何給 AI 用。

我們?cè)趯?shí)施 AI 項(xiàng)目時(shí)要考慮數(shù)據(jù)質(zhì)量（如何獲得更高質(zhì)量的知識(shí)），讓 AI 更好地理解，同時(shí)降低大模型幻覺，保證嚴(yán)謹(jǐn)性。此外，還要考慮很多技術(shù)和工具，比如知識(shí)體系梳理，知識(shí)圖譜建模、自動(dòng)入圖、多庫多文檔的切片策略等。

崔強(qiáng)：傳統(tǒng)知識(shí)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(huì)改變這一點(diǎn)嗎？

劉向華：肯定會(huì)。傳統(tǒng)知識(shí)管理，項(xiàng)目的成功實(shí)施都需要做管理和運(yùn)營(yíng)的配套，主要是因?yàn)?strong>傳統(tǒng)知識(shí)管理系統(tǒng)的易用性并不是那么好。

最近五年來，許多 ToB 軟件開始學(xué)習(xí) ToC 軟件的用戶交互，在易用性上提高了很多，但仍會(huì)出現(xiàn)員工不愿共享知識(shí)的問題。

如何讓員工主動(dòng)自愿貢獻(xiàn)知識(shí)，公司要有制度或激勵(lì)措施，比如一些積分設(shè)計(jì)或流程約束等。

比如藍(lán)凌每實(shí)施一個(gè)項(xiàng)目，都會(huì)要求項(xiàng)目經(jīng)理寫復(fù)盤報(bào)告，要做 “知識(shí)收割”。但 “知識(shí)收割” 是要花時(shí)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(tǒng)推廣門檻的提升。

此外，還有文化。很多知識(shí)管理做得比較好的公司，它們的企業(yè)文化也是相對(duì)比較活躍的，員工愿意主動(dòng)貢獻(xiàn)和分享知識(shí)。

有了 AI 之后，可以幫員工提高效率，寫匯報(bào)材料更簡(jiǎn)單，這也會(huì)激發(fā)員工有更多動(dòng)機(jī)參與知識(shí)庫建設(shè)。

大模型幻覺

崔強(qiáng)：你怎么看待大模型和知識(shí)嚴(yán)謹(jǐn)性的沖突？

劉向華：我把 AI 在企業(yè)內(nèi)的應(yīng)用拆分成兩類：一類是與文字理解和生成相關(guān)的，這一類追求 100% 準(zhǔn)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(xiàn)在的智能體強(qiáng)相關(guān)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(guī)則流轉(zhuǎn)，而規(guī)則是符號(hào)或者確定性的東西，所以，流程自動(dòng)化可以追求 100% 的準(zhǔn)確。加了大模型以后有可能做 100% 的準(zhǔn)確，這要看規(guī)則和大模型能力的互相滲透了。

目前很多智能體開發(fā)平臺(tái)、編排平臺(tái)，仍在走自動(dòng)化的方向，追求 100% 的準(zhǔn)確，是因?yàn)槠髽I(yè)級(jí)應(yīng)用如果做不到足夠嚴(yán)謹(jǐn)，就可能出事故。

崔強(qiáng)：如何看待大模型 “投毒” 的問題？在企業(yè)級(jí)知識(shí)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(gè)技術(shù)的邊界。其次，才是追求如何減少幻覺。此外，還要注意數(shù)據(jù)（知識(shí)）質(zhì)量，這包含了剛才所說的內(nèi)容一致性、知識(shí)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(nèi)，而且知識(shí)庫里只有一篇文章，大概率不會(huì)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(zhǔn)確。如果企業(yè)的知識(shí)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(shù)據(jù)治理問題；第二是大部分企業(yè)級(jí)知識(shí)庫都采用 RAG 去匹配大模型，因?yàn)闊o法把企業(yè)的知識(shí)庫通過預(yù)訓(xùn)練的方式給到大模型，RAG 的本質(zhì)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(dāng)涉及多個(gè)文檔時(shí)就會(huì)造成上下文丟失，藍(lán)凌的解決方案是混合檢索，把知識(shí)圖譜、數(shù)據(jù)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(shí)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(qiáng)：專家體系的價(jià)值還有多少？AI 未來能不能變成專家，自主地輸出知識(shí)，能否信任它？

劉向華：最終一定會(huì)，但無法預(yù)測(cè)需要多長(zhǎng)時(shí)間。目前專家仍是不可或缺的，特別是在知識(shí)經(jīng)驗(yàn)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(shí)，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(gè)領(lǐng)域的業(yè)務(wù) Know-how 仍是無法被 AI 替代的。

此外，在很多大企業(yè)，尤其是一些知識(shí)密集型企業(yè)，要考慮知識(shí)體系的頂層設(shè)計(jì)和規(guī)劃，這方面還不可能全部依賴 AI，還要靠專家。

崔強(qiáng)：對(duì)結(jié)果準(zhǔn)確度要求不是那么高的領(lǐng)域，比如營(yíng)銷、客服等場(chǎng)景，AI 可能發(fā)展得比較快。在知識(shí)庫領(lǐng)域，哪些場(chǎng)景是可以模糊的，哪些場(chǎng)景是必須要求精準(zhǔn)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(zhǔn)確，或者不需要太精準(zhǔn)，文無第一；偏自動(dòng)化執(zhí)行的，是必須精準(zhǔn)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(zhí)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(yīng)苛求絕對(duì)精確。工作流程自動(dòng)化，執(zhí)行類的能力是可以要求比較精準(zhǔn)的，主要方法是植入規(guī)則，或者知識(shí)圖譜等。

所以，輔助類的能力可以不苛求準(zhǔn)確，但自動(dòng)化的部分一定要嚴(yán)謹(jǐn)、準(zhǔn)確。

崔強(qiáng)：現(xiàn)在看原來一部分 RPA 廠商就轉(zhuǎn)得比較快，轉(zhuǎn)到了數(shù)字員工，RPA+Agent 可能會(huì)更靠譜一些。你怎么判斷這兩者的結(jié)合？

劉向華：實(shí)際上，傳統(tǒng) RPA 廠商是被 AI 變革或者被顛覆的那一波。

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

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

AI 知識(shí)庫的新變化

崔強(qiáng)：原來做系統(tǒng)是給人用，現(xiàn)在做系統(tǒng)是給 AI 用，也就是要讓 AI 能看得懂。在 AI 時(shí)代，知識(shí)庫產(chǎn)品的形態(tài)會(huì)發(fā)生什么變化嗎？

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

從組織態(tài)上，會(huì)存在體系梳理和整體質(zhì)量?jī)?yōu)化的變化。這里我拆了兩塊東西，第一塊要有知識(shí)庫體系規(guī)劃的設(shè)計(jì)，可以借助大模型輔助做更好的體系設(shè)計(jì)；第二塊要解決知識(shí)碎片化的問題。一旦知識(shí)庫做好以后，我們可以把知識(shí)庫當(dāng)作一種服務(wù)嵌入每個(gè)作業(yè)場(chǎng)景。

從使用態(tài)來講，以前的知識(shí)庫是只給人用，現(xiàn)在的知識(shí)庫是給算法用。算法根據(jù)用戶當(dāng)前所在的場(chǎng)景和用戶意圖能夠主動(dòng)推送相關(guān)知識(shí)，這是 AI 知識(shí)庫的一個(gè)發(fā)展方向。

知識(shí)庫還要提供 API 給 AI 用。不只是存儲(chǔ)，還要輸出服務(wù)。

崔強(qiáng)：Agent 有點(diǎn)像當(dāng)年的 SaaS。剛開始大家都是在單點(diǎn)突破形成一個(gè)小閉環(huán)。未來這些單點(diǎn)是不是又要整合在一起變成一個(gè)相對(duì) “All in one” 的東西？

劉向華：這波 AI 跟以往 PC 互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)相比至少要高出一個(gè)量級(jí)，它是工業(yè)革命級(jí)別的，這是不同的地方。

相同的地方是當(dāng) AI 或者移動(dòng)端出來時(shí)，所有的產(chǎn)品形態(tài)或者商業(yè)模式都是不清晰的，所以就百花齊放、百家爭(zhēng)鳴了。

越是單點(diǎn)場(chǎng)景，場(chǎng)景越細(xì)碎，AI 的結(jié)果就越精準(zhǔn)。所以，現(xiàn)階段一定是碎片化的場(chǎng)景，用碎片化的技術(shù)，再加上一些碎片化的數(shù)據(jù)（知識(shí)點(diǎn)、知識(shí)庫）支撐，形成產(chǎn)品場(chǎng)景的閉環(huán)。

這一點(diǎn)很像 2014 年前后我們做 SaaS ，當(dāng)時(shí)主流大都是單點(diǎn) SaaS 追求小而美，當(dāng)技術(shù)發(fā)展到相對(duì)成熟的時(shí)間段，大家又開始考慮整體效率的問題，解決局部最優(yōu)但全局無法最優(yōu)的問題。

此外，很多企業(yè)都在追求超級(jí)入口，所以我認(rèn)為，三五年后，大一統(tǒng)仍將是一個(gè)趨勢(shì)。

崔強(qiáng)：企業(yè)級(jí)會(huì)有入口嗎？企業(yè)級(jí)入口大概是什么樣子？原來說協(xié)同是入口，在 AI 時(shí)代這點(diǎn)會(huì)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(yè)也希望有一個(gè)統(tǒng)一入口。

AI 時(shí)代這兩塊的入口可能是一致的，每個(gè)人只要有一個(gè)隨身超級(jí)助理，既負(fù)責(zé)記錄用戶行為，又負(fù)責(zé)傳遞公司知識(shí)，但現(xiàn)在還沒有到成熟的程度，也許要等三五年之后。

崔強(qiáng)：現(xiàn)在 Agent 產(chǎn)品和原有的產(chǎn)品，在使用體驗(yàn)和交互邏輯上幾乎完全不同。你們?cè)趯?shí)踐中的感受是怎么樣的，用戶的使用習(xí)慣會(huì)產(chǎn)生哪些改變？

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

崔強(qiáng)：是一個(gè)加分項(xiàng)？

劉向華：是的。我們不能忘記語言交互的呈現(xiàn)豐富度是遠(yuǎn)遠(yuǎn)弱于圖形交互的。所以，不要為了追求技術(shù)去搞技術(shù)。

崔強(qiáng)：通用大模型的投入很高。在一些小的領(lǐng)域里邊，可能需要一些專業(yè)化的小模型。如何看待這兩者的關(guān)系，在實(shí)際應(yīng)用中兩者如何配合或者互補(bǔ)？

劉向華：我們現(xiàn)在的判斷是互補(bǔ)關(guān)系。以藍(lán)凌的藍(lán)博士 AI 中臺(tái)為例，我們集成了若干個(gè)通用大模型，因?yàn)椴煌耐ㄓ么竽Ｐ退瞄L(zhǎng)的領(lǐng)域也不同。此外，還會(huì)有許多小模型（更準(zhǔn)確的稱呼是小型工具，如 OCR 識(shí)別等），它們可以做一部分自動(dòng)識(shí)別、自動(dòng)化操作等偏智能的工作。

未來它們一定是大模型的補(bǔ)充，幫助大模型完成一個(gè)自動(dòng)化的作業(yè)流程。什么東西好用就用什么，不應(yīng)該試圖用大模型來解決一切問題。

崔強(qiáng)：企業(yè)有那么多知識(shí)，有沒有機(jī)會(huì)形成企業(yè)的私有知識(shí)大模型？

劉向華：目前，由于預(yù)訓(xùn)練成本很高，可能只有少數(shù)企業(yè)具備這樣的可能性。從科學(xué)角度說，如果一個(gè)大模型內(nèi)放了全世界的知識(shí)，再把一個(gè)企業(yè)內(nèi)的知識(shí) “摻和” 進(jìn)去，就像一滴水放進(jìn)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(yè)知識(shí)去訓(xùn)練大模型，可能本身就是一個(gè)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(shù)據(jù)集、知識(shí)集，幫助大模型來降低幻覺。

崔強(qiáng)：多模態(tài)、情景感知、角色扮演等新特征在知識(shí)管理中會(huì)出現(xiàn)嗎？

劉向華：這是個(gè)好問題，一定會(huì)出現(xiàn)。AI 如果最終能產(chǎn)生 10 倍價(jià)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(dòng)化就很容易做，新的環(huán)境感知設(shè)備或者技術(shù)一定能夠催生很多大模型應(yīng)用。

角色扮演是純虛擬的形式，其實(shí)更容易做。

崔強(qiáng)：未來 3~5 年，整個(gè)知識(shí)管理或者 AI 知識(shí)庫會(huì)發(fā)展到一個(gè)什么階段？

劉向華：我個(gè)人是偏樂觀的，它會(huì)變成企業(yè)數(shù)字化的一個(gè)必需品。以前，如果沒有知識(shí)庫，企業(yè)有網(wǎng)盤也可以，但現(xiàn)在不行了，必須對(duì) AI 友好。

大部分企業(yè)的數(shù)據(jù)資產(chǎn)，只有 20% 左右是存在數(shù)據(jù)庫里的，剩下 80% 是以會(huì)議紀(jì)要、設(shè)計(jì)稿等以文件形式存放的，它們都是極好的 AI 養(yǎng)料。

對(duì)于大部分企業(yè)來說，我認(rèn)為建設(shè)一個(gè)對(duì) AI 友好的知識(shí)庫，是一個(gè)十分劃得來而且必需的事情，有利于最大化地挖掘企業(yè)數(shù)據(jù)資產(chǎn)，AI 知識(shí)庫的未來是比較樂觀的。