大模型的智慧之源——图技术的崛起

自2023年以来，大语言模型（Large Language Models，LLMs）的兴起已经改变了科技行业的面貌。科创公司如果不涉足这一领域，似乎就不好意思称自己是科技企业。

然而，随着大语言模型的普及，它固有的缺陷也不断地暴露出来。

例如，GPT-4在“自我纠正”方面的成功率仅为 1% ，这一现象引发了公众对大模型推理能力的质疑。

简单来说，在大模型在处理推理任务时存在局限性，如果模型不知道正确答案，通过自我纠正来改进输出将徒劳无功，甚至可能降低输出质量。

这表明，大模型虽然能够模拟人类语言，但在处理逻辑和推理任务时，仍然存在“一本正经地胡说八道”的问题。

因为他们的本质是通过大量语言模型训练来模拟人类大脑。

然而，人类的记忆本就是模糊的，通常需要依靠外部暗示或记录来唤醒。大模型亦是如此，它们需要依赖外部知识源和推理能力来解决幻觉问题。

幸运的是，最新的研究论文提到图技术能够为大模型装上一颗“侦探的大脑”。

图技术包括图计算引擎、图数据库和图可视化等，它们能够描述、刻画、分析和计算事物之间的关系，并在风险评估、事件溯源、因果推理和影响分析等方面提供支持。

图技术的出现，在一定程度上解决了大模型处理复杂推理和问答任务时的局限。

与大模型相比，图技术能够更好地处理复杂的逻辑关系和多种数据结构，更全面地分析和理解数据之间的关系，提高推理和决策的准确性。

在处理复杂的推理和问答任务，特别是涉及多个变量和条件的情况时，图技术可以将问题抽象为图结构，并利用图算法进行分析，有效解决复杂问题，弥补大型语言模型推理能力的不足，实现更广泛的应用和发展。