在全球工业革命的浪潮下，传统制造业正加速迈向智能化与数字化转型，其核心在于将复杂且高度专业化的数据与机器学习技术深度融合，打造面向实际应用的高效智能系统。在中国科学技术大学鲲鹏昇腾科教创新卓越中心提供的强大算力支持下，宋骐教授团队依托昇腾平台，成功研发出一套领域知识构建框架以及面向大模型的增强推理架构。
本项目围绕三个关键方向展开深入研究，并取得多项突破性成果。首先，在工业知识图谱构建方面，针对工业数据普遍存在的特征复杂、多模态异构等挑战，研究团队提出了一种融合领域小模型与大语言模型的知识增强命名实体识别方法，显著提升了知识图谱中实体抽取的准确性与泛化性能。其中，昇腾平台的分布式训练加速库MindSpeed发挥了关键作用——该工具支持多维并行策略，兼容主流开源框架，能够灵活应对多模态数据的异构特性。团队采用“小模型初筛+大模型精炼”的协同机制：先由小模型完成高精度初步识别，输出高质量候选结果，再交由大语言模型进行深度语义理解与实体确认。整个流程涵盖“初始识别—知识抽取—知识引导反思”三个阶段，形成闭环优化，大幅提升了知识获取的鲁棒性与适应性。
在智能运维系统开发方面，针对工业设备运维中存在的高人力成本、数据分析能力薄弱及故障预测精度不足等问题，团队设计并实现了基于多模态知识图谱的智能运维技术路径。系统采用ETL（Extract-Transform-Load）架构，对设备运行过程中产生的文本、日志、传感器信号等多种模态数据进行统一采集、清洗与存储。随后，基于资源描述框架RDF语义网技术构建面向工业场景的知识图谱，清晰刻画设备、状态与故障之间的关联关系。通过引入注意力机制的特征融合模型，并结合Node2Vec与DeepWalk图嵌入算法，将多源信息融合为可全面表征设备健康状态的综合向量。此外，团队还开发了故障智能预测与诊断模块，利用异常数据特征与知识图谱中历史故障案例进行相似性比对，实现故障类型识别、严重等级评估及维修策略推荐，最终达成从监测到决策的全流程智能化运维。
同时，为应对当前领域知识与大规模预训练语言模型（PLM）融合过程中存在的计算开销大、灵活性不足以及噪声干扰严重等问题，团队充分利用昇腾平台强大的计算资源调度能力，创新提出了一种知识增强与过滤一体化框架。在知识增强阶段，通过挖掘PLM嵌入空间中的冗余维度，有效降低模型计算负担；在噪声过滤阶段，设计专用的知识增强过滤器，将知识注入网络与掩码训练机制相结合，精准剔除无关或干扰性知识，显著提升知识融合的质量。该方案在大幅减少资源消耗的同时，增强了知识引入的可控性与适应性。
该项研究成果成功构建了基于昇腾平台的工业知识增强大模型技术体系，不仅显著提升了工业设备智能运维的效率与可靠性，也实现了核心技术的自主可控与适配优化。通过融合前沿AI技术打造智能化系统，为建设安全、高效、智慧的现代工业体系提供了坚实的技术支撑。未来，中国科学技术大学鲲鹏昇腾科教创新卓越中心将继续依托昇腾平台深化科研探索，推动相关成果在更广泛工业场景中的应用落地，助力科技创新与实体经济深度融合。
