所有实用的 IT 应用都应建立在对特定问题解决方案的理解之上。这一理解所需的知识既可嵌入程序代码中也可通过知识描述进行详细记录。AI 领域历来高度重视应用中的知识相关要素。自 1956 年 AI 概念提出以来该领域经历了深刻的变革。知识描述方法从早期依赖 AI 编程语言如 LISP列表处理和 PROLOG逻辑编程逐步发展为基于规则的系统并进一步演进到统计学习。基于数理逻辑的方法包括规则系统、本体和知识图谱与亚符号神经网络在知识模型领域长期并存。直到近三年来基于概率的大规模生成式模型才逐渐成为知识模型研究领域的主导范式。“模型”是贯穿这一演进历程的核心概念是对知识、规律或函数的结构化表征。模型得以在解决问题场景中使用的前提是其能够对现实世界各个组成部分进行编码。模型采用的方法可分为两类显式方法如由知识工程师构建知识图谱和隐式方法如通过神经网络从数据中自主学习。隐式知识模型的创建过程是将工程重心从繁重的人工知识模型构建转向大规模数据样本集的收集。而知识模型对应用系统能力和局限性的影响是该领域的一个关键考量因素。从广义上看AI 模型是一种数学或计算架构。AI 模型可以配置为基于公式执行简单的计算如销售业绩预测也可配置为深度神经网络如生成逼真的人类语言。作为对现实世界的抽象模型旨在捕捉数据中概念、规律和结构之间的关系。此类知识关系有助于将模型用于分类、预测和决策。从符号模型到数据驱动型统计模型的迁移是近期 AI 发展的标志。以生成式对抗网络和大语言模型为代表的生成式模型已展现出基于习得的概率分布生成多模态内容如文本、图像、音频、视频等的能力。这些深度学习模型在处理高维数据以及结构化和非结构化数据包括自然语言任务中展现出强大的能力。其主要优势在于能够从原始数据中自动提取特征模型可直接从样本中学习知识而无需依赖人工设计的特征从而挖掘出人类难以察觉的规律。大语言模型是深度学习模型的子集通常具备数十亿级别的参数规模并在海量数据集上进行训练无需针对特定任务进行训练即可具备执行各类任务的能力。大语言模型的能力包括编写代码、输出文档摘要、问答以及自然语言对话等。此外大语言模型还可用于实现工作流程、辅助决策以及利用外部工具来扩展自身能力。这些能力是行业应用创新的基础。大语言模型还展现出仅需极少额外训练即可适应新任务的能力并具备多模态输入和输出能力。这一范式转变克服了最初针对特定任务设计的狭义 AI 系统存在的局限向具备灵活推理与决策能力的通用系统演进。然而这些模型的质量取决于三个因素模型训练数据、模型架构以及优化过程。大语言模型的应用近期显著增长在通信和生产等多个领域支持并实现决策流程的自动化如聊天机器人和工业系统。在制造领域预测模型有助于管理工厂的资源分配、早期故障检测以及增强其适应不同环境的能力。在交通领域大语言模型在自动驾驶车辆控制以及交通和物流优化等方面也发挥着重要作用。