在全球工业革命持续推进的背景下，传统制造业正经历一场深刻的变革：智能化与数字化转型已成为主旋律。其中核心的挑战在于，如何将那些复杂、高度专业化的工业数据与机器学习技术有机结合，真正落地为高效、可用的智能系统。依托鲲鹏昇腾科教创新卓越中心的算力支持，中国科学技术大学特任教授宋骐团队基于昇腾平台，完成了一项极具价值的工作——他们开发出一套面向工业领域的知识构建与增强推理框架。

一、不止是构建图谱，更是让机器“理解”工业

项目的研究工作主要集中在三个方向，每个方向都直击工业数据应用中的痛点。首先聚焦工业知识图谱的构建。工业数据与常见文本数据截然不同，特征复杂、多模态、异构性突出——设备日志、传感器数据、维修记录等数据形态各异。团队采用融合领域小模型与大语言模型的策略，设计了一个知识增强的命名实体识别框架。你可能会问，为何要采取这种迂回的方式？

道理非常直接：小模型擅长精准筛选，能够优先将高质量结果“提取”出来；大语言模型则在语言理解与泛化能力上具备优势，能对实体进行更深层次的识别与确认。两者协同，形成了“初始识别—知识抽取—知识引导反思”的三阶段流程，显著提升了知识抽取的准确性与泛化能力。值得一提的是，昇腾的分布式训练加速库MindSpeed在此发挥了关键作用——它支持多维并行策略，能够灵活适配多模态数据的异构特征，为这套融合框架提供了坚实的算力基础。

二、从运维痛点出发，构建“会思考”的智能系统

接下来是智能运维系统的开发。工业设备运维长期面临“费人力、耗成本、费精力”的困境——人工成本高昂、数据分析不足、预测精度难以提升。团队提出的解决方案是基于多模态知识图谱的智能运维技术路线。有意思的是，他们并没有一上来就堆砌模型，而是先搭建起一条完整的数据处理流水线。

该系统采用ETL架构，对设备运维过程中产生的多模态数据进行统一清洗与存储。随后，借助RDF语义网技术构建知识图谱，将设备、状态、故障之间的关联关系清晰地呈现出来。在此基础上，结合注意力机制的特征融合模型，以及Node2Vec、DeepWalk等图嵌入技术，将复杂的知识融合成能够全面反映设备状态的综合特征。更重要的是，团队还研发出一个故障智能预测诊断模块——当设备运行出现异常时，系统会自动将异常数据特征与知识图谱中的历史故障进行比对，推理出故障类型、严重程度，甚至给出维修建议。从数据处理到诊断输出，整个智能运维闭环由此被打通。

三、让大模型更“轻”、更“准”、更灵活

第三个方向则聚焦于更底层技术层面的优化。当前，领域知识与大规模预训练语言模型（PLM）融合时，往往面临计算资源消耗大、灵活性差、噪声知识干扰多等难题。团队利用昇腾强大的计算资源管理能力，创新性地提出一套知识增强与过滤框架。

具体而言，在知识增强环节，他们利用PLM嵌入空间的冗余位来降低计算负担；在噪声过滤环节，设计了一个知识增强过滤器，将知识增强网络与掩码训练相结合，有效避免了噪声知识的负面影响。这套设计在大幅降低计算成本的同时，也提升了知识增强的灵活性——简单来说，就是让大模型在工业场景中运行得更快、更准、也更可控。

总体来看，这套基于昇腾平台的工业知识增强大模型技术体系，不仅在技术上实现了核心自主创新，更重要的是，它打通了从数据到知识再到智能决策的完整链路，显著提升了工业设备智能运维的水平与效率。可以预见，这将为打造安全、高效、智慧的现代工业体系提供关键技术支撑。未来，中国科学技术大学鲲鹏昇腾科教创新卓越中心还将基于昇腾平台持续探索，相关成果有望在更广泛的工业场景中落地，助力科技创新与实体经济深度融合。