行业性中游KG的实践范例与解说

本文引用地址：

1 前言：中游KG的关键角色

在上一期里，介绍了 三层KG架构设计 ，其中的核心是：训练 主权式 中游领域性GNN模型。这GNN模型就如同光影般在枝干之间流转，发掘那些隐形的脉络，这AI模型对世界潜在逻辑的无声咀嚼。而人类专家的反事实直觉，则像是一阵阵富有灵性的风，为知识树注入主观判断与未来想象的气息（图1）。

GNN不断向树内注入可能的连结（如同春天的芽）。专家思辨则回应、取舍、养护（如同秋天的修枝）。于是，KG随着一次次有机回馈，在冬藏与夏茂之间，持续拓枝展叶（如同夏天得茂盛）。垂直行业的本地专属性KG（中游），搭配企业专属性KG（下游），两这结合来提供主权式的语境，让LLM入乡随俗，也让本地专家反事实思考来持续更新KG（图2）。于是，「中游+ 下游KG的语境融合设计」正是实践主权AI的关键路径之一。

这个新架构，能让LLM成为「受过企业训练的AI助理」：

●   用中游+下游KG作为LLM的「训练文化背景」与「工作目标指令」。

●   再用RAG机制或LoRA微调，只需少量数据就可让模型变得非常贴近企业需求。

●   其中，保留了「反事实思考」这道人类控制关卡，是一项安全的创新设计。

亦即，让LLM变得「入乡随俗」，又能由企业自己主导更新与推理。在生成式AI快速普及的时代，数据不再只是资源，更可能成为风险，并引发信任危机。

于是，以企业专属的中游主权KG，不是替代LLM，而是给AI一个可信的语境，从而产生可信的判断。

于是，这项创新流程，从知识图谱到GNN，到大型语言模型整合，让企业能够打造出真正属于自己的AI系统，而不是完全依赖外部云端平台。未来，不论是餐饮、医疗，还是供应链管理，都能靠这样的方法，走向更智慧、更有主控权的AI 时代。

2   复习：中游KG+GNN模型训练

刚才已经说明了，上述 三层KG架构 的核心是：训练 主权式 中游领域性GNN模型。在训练时，首先从上游DRKG里读取药物实体的嵌入向量（Embeddings），成为这中游MutationKG的 药物 节点的起始特征（Initial Features）。同时，也从上游KDGene里读取基因实体的嵌入向量（Embeddings），成为这中游MutationKG的 基因 节点的起始特征。

然后，搭配本地机构自主性癌症及其类型数据，就准备就绪了（图3）：

这样可以顺利训练出一个能够把突变数据转换成嵌入向量的GNN模型， 能产生节点的嵌入向量（Embedding），来提供给后续的下游任务使用（如分类、群聚、或与影像特征融合等）。例如，下游任务可以结合医学影像特征（Ultrasound/MRI）进行多模态推论，也将GNN输出的嵌入与CNN影像特征进行融合，提供AI辅助诊断（如预测、分类）等各种应用。

3   实践范例

此范例使用Python代码来实践模型训练，并搭配xlwings和openvino套件，来提供可操作的Excel画面和部署（Deployment）环境。首先，开启ee01.py，如下：

Step-1：建立中游KG

接着，执行它（即ee01.py），并且在Excel画面按下 建立中游KG 按钮，就建立了一个中游KG（图-2）：

这个中游KG含有4 种节点（Node），以及5种边（Edge）。为什么需要中游KG ？中游KG 让推理不只是输出结果，而是结合本地知识，做出更贴合使用情境的智慧推理。中游KG是什么？它和一般数据库有何不同？中游KG是一个语义结构化的知识层，不只是储存数据，而是让机器理解本地知识与语境的推理支持系统。中游KG是行业语境的桥梁，也有助於解决LLM的通用性盲点：

●   LLM强在语言理解与生成，但弱在「行业知识的语境精准性」。

●   而中游KG 是来自行业、地区、语言语意等本地知识、地区文化、专业词汇、历史案例（例如在医疗中同一病名的不同处理方式），强化模型语境理解，提升语义精度。正是补足LLM「不懂地方、不懂细节」的关键资产。

●   中游KG让LLM能「入乡随俗」，说得专业、理解场域，是可信AI 的知识背景层（Context layer) ---即让LLM能「说行话、讲道理、不乱编（有资料依据)」。

Step-2：训练GNN模型

接着，按下 训练GNN模型 ，就展开训练流程，如下：

训练完成了，就生成各节点的嵌入（Embeddings），并储存于c:/ox_M3_embeddgins/里， 将提供给下游任务使用。由于当今的下游AI部署流程，常常缺乏语境在地化（Contextualization），导致模型布署后难以完全贴合本地知识、生产流程与客户需求。于是，以中游KG作为语境支撑层，结合智慧布署技术（如OpenVINO），即可让AI 真正入乡随俗、自主成长。

其核心做法是：

●   先构建一个企业或行业专属的中游KG（知识图），承载本地知识、术语、作业流程。

●   当AI模型要智能布署到各种终端（Edge）设备时，可透过这个中游KG来提供实时语境信息。

●   这让AI模型在布署时，不只是推理（Inference），而是带着在地知识智能地推理与更新。因有语境支撑，模型可自动或半自动地针对本地变化（新流程、新规范）进行增量学习或推荐修正，增加AI持续更新与微调能力，降低模型老化风险。中游KG可本地部署，无须上云传输大量敏感数据，符合GDPR、CCPA 等合规需求：数据隐私与主权保障。无论是CPU、GPU、VPU 或其他异质硬件，各种布署环境（如OpenVINO）都能结合中游KG，来让部署端实时获得「语境智慧加持」，具有跨设备与异质环境灵活性。

Step-3：探索CF_links

接着，按下 探索CF_links ，就出现：

GNN探索反事实边（CF_links），例如：針對ID是的癌症，GNN探索出3項反事实边，然後提出潛在的用藥推薦（如上圖所示）。其目的是：由GNN探索反事实边，來激发人类专家的反事实思维（CF_Thinking）。人机协作完成知识诞生与AI可解释推理，这是主权AI的治理核心，保有人类主导权，防止AI幻觉或误导。亦即：人类CF思考+ 创新决策。然後，將人類專家的創新決策回馈更新KG，让静态KG 变成有生命的KG，成為动态AI 推理资产，也让LLM 响应与企业内知识结合。于是，完整实践了 知识– 推理– 决策– 更新 的人机协作模式，也落实了主权AI 精神。

4   结语

行业性中游的实践效益是：

●   跳脱单向推论模型：这方法是「知识推理+ 人类决策」双循环，不是死数据库，也不是死推论器

●   融入反事实思维（CF Thinking）：这符合全球最新的AI推理领域趋势，特别是医疗、金融、制造业开始要求AI能模拟「如果……那会如何？」这种推理。

●   主权AI治理完整框架：除了本地部署之外，也设计了知识版本控制、人机共生更新。这正是主权AI最难、最稀缺的部分。