众所周知，构建本体论的过程（这些结构化的，相互联系的知识图能力，从搜索引擎到AI推理都可以为所有人提供动力 – 众所周知。它需要融合领域专业知识，逻辑严谨的以及对概念如何关系的几乎哲学理解。多年来，本体论工程师一直面临着将抽象知识转化为结构化数据的挑战。现在，大型语言模型（LLM）正在踏入戒指，声称他们可以做很多繁重的工作。
包括Anna Sofia Lippolis，Mohammad Javad Saeedizade和Eva Blomqvist在内的一组研究人员一直在测试该主张。他们的最新 学习 评估AI模型（特别是OpenAI的O1-preiview，GPT-4和Meta的Llama 3.1）是否可以从自然语言描述中产生可用的本体。结果？关于AI在知识表示中的作用的诺言，陷阱和哲学问题的混合。
AI驱动的本体论工程师
传统上，本体创建依赖于诸如 甲生产 和 氖，这引导工程师通过定义概念，关系和约束的复杂过程。但是，即使对于经验丰富的专家，这个过程也很耗时，容易出错。研究人员提出了一种不同的方法：让LLM产生基础，让人类专家完善结果。
他们的研究介绍了两种促使技术 –无内存的CQBYCQ 和 本生症– 设计以帮助AI逐步生成本体。两种方法都依赖于基于AI结构化提示 能力问题 （查询本体应该能够回答）和 用户故事 （现实的场景本体应该支持）。
这些方法并没有一次强迫AI立即处理整个本体论（通常导致困惑，肿的输出的任务），而是将过程分解为模块化步骤，而是一次通过逻辑结构引导LLM。
AI表现如何？
研究人员在基准数据集上测试了他们的方法，将AI生成的本体论与新手人类工程师创建的本体论进行了比较。杰出的表演者？ Openai的O1-preiview，使用原植物提示方法。它产生的本体论不仅是可用的，而且在许多情况下，它的表现优于人类初学者制作的那些本体。
但是，该研究也强调了 关键限制。 AI生成的本体论具有产生多余或不一致的元素的趋势，例如定义 受雇 和 就业发展 对于同一概念。更糟糕的是，模型经常在逻辑的细微点上挣扎，产生重叠的域和不正确的逆关系。尤其是Meta的Llama模型的表现不佳，产生了纠结的层次结构和结构缺陷，使其本体难以使用。
最大的收获之一？ 上下文很重要。 当LLM被迫一次使用过多信息时，他们的表现遭受了损失。修剪他们的输入（因此“无记忆”策略）降低了无关的输出并提高了连贯性。
那么，我们应该让AI接管本体论工程吗？不完全。尽管LLM可以加快起草过程，但人类干预仍然至关重要。 AI很擅长快速生产结构化知识，但其产出仍然需要 逻辑改进 和 语义验证– 需要人类监督的任务。
研究人员认为，AI在本体论工程中的真正作用是 副驾驶 而不是替代。 LLM可以通过生成结构化的草稿来提供帮助，而不是从头开始构建知识图，而人类专家可以完善这些草稿。未来的改进可能着重于整合 本体验证机制 直接进入AI工作流程，减少了对手动校正的需求。
换句话说，AI可以 帮助绘制领土，但是人类仍然需要 验证地标。
这项研究还提出了关于AI理解知识能力的更深入的问题。 模型可以真正“掌握”本体论关系，还是只是玩统计图案匹配的高级游戏？ 随着人工智能的不断发展，人类逻辑和机器生成的推理之间的界线是模糊的，但是目前，人类工程师仍然有最终决定权。
LLM可以产生令人惊讶的高质量本体论草稿，但它们的产出仍然不一致，需要人类的优化。如果目标是 效率，AI辅助本体工程已经被证明是有用的。如果目标是 完美，还有很长的路要走。
特色图片来源： KeremGülen/Imagen 3
