在全球工业革命的浪潮下，传统制造业正加速向智能化与数字化转型，其核心在于将复杂且依赖专业知识的数据体系与机器学习深度融合，打造高效、智能的用户导向系统。在中国科学技术大学特任教授宋骐团队的探索中，依托鲲鹏昇腾科教创新卓越中心的强大算力支持，基于昇腾平台成功研发出一套面向工业领域的知识构建框架以及大模型增强推理架构。

项目在三个关键方向上展开深入研究，并取得显著成果。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、多模态与异构性难题，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型命名实体识别方法，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——其支持多维并行策略，兼容主流开源框架，并能灵活应对多模态数据的异构特性。具体流程中，先由小模型完成前端高精度筛选，输出高质量初筛结果，再交由大语言模型进行深度语义理解与实体确认，形成“初始识别—知识抽取—知识引导反思”三阶段闭环机制，有效提升了整体知识获取能力。

在智能运维系统应用层面，针对当前工业设备运维存在的人工成本高、数据分析薄弱及预测精度不足等痛点，团队设计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多源异构数据进行统一采集、清洗与存储。随后，基于RDF（资源描述框架）语义网技术构建面向工业运维场景的知识图谱，清晰呈现设备、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，将复杂知识转化为能够全面表征设备运行状态的综合特征向量。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建议生成，全面支撑智能运维闭环。

与此同时，针对现有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、灵活性不足及噪声干扰严重等问题，团队借助昇腾平台卓越的计算资源调度能力，创新提出了一套知识增强与过滤协同框架。在知识增强阶段，利用PLM嵌入空间中的冗余维度降低模型计算负担；在噪声过滤阶段，设计专用的知识增强过滤器，将知识增强网络与掩码训练机制相结合，有效抑制无关或干扰性知识的负面影响。该方案在大幅降低计算成本的同时，显著提升了知识融合的灵活性与精准度。

本项目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智能化水平，更实现了核心技术的自主可