在全球工业革命的浪潮中，传统制造业正加速向智能化、数字化转型，这一转型的核心在于将复杂且专业性强的数据与机器学习技术深度融合，打造面向用户的智能系统。在中国科学技术大学，宋骐教授团队携手鲲鹏昇腾科教创新卓越中心，依托昇腾平台的强大算力，成功研发出领域知识构建与增强推理框架，为制造业智能化转型注入新动力。
团队在工业知识图谱构建方面取得了显著成果。面对工业数据的复杂性及多模态异构特性，他们创新性地融合了领域小模型与大语言模型，通过知识增强命名实体识别框架，极大提升了知识图谱实体抽取的准确性和泛化能力。昇腾分布式训练加速库MindSpeed在此过程中发挥了关键作用，其支持的多维并行策略和多种开源框架兼容性，使得多模态数据的异构特征得以灵活适配。团队采用“前端精准筛选+大模型深度识别”的策略，通过三阶段流程——“初始识别、知识抽取、知识引导反思”，实现了知识抽取效率的飞跃。
在工业设备智能运维领域，团队同样取得了突破性进展。针对运维成本高、数据分析不足及预测精度受限等问题，他们提出了基于多模态知识图谱的智能运维系统。该系统首先通过ETL架构统一处理多模态数据，利用RDF语义网技术构建知识图谱，清晰展现设备、状态与故障间的关联。结合注意力机制的特征融合模型及图嵌入技术，将复杂知识转化为综合特征，实现设备状态的全面反映。团队还研发了故障智能预测诊断模块，通过对比异常数据与历史故障知识，精准推理出故障类型、严重程度及维修建议，从而实现了智能运维的全链条覆盖。
针对领域知识与大规模预训练语言模型（PLM）融合中的挑战，如计算资源消耗大、灵活性不足及噪声知识干扰等，团队依托昇腾平台的计算资源管理优势，创新性地提出了知识增强与过滤框架。在知识增强环节，他们利用PLM嵌入空间的冗余位降低计算负担；在噪声过滤环节，通过设计知识增强过滤器，结合掩码训练，有效避免了噪声知识的负面影响，实现了计算成本的大幅降低和知识增强灵活性的显著提升。
这一科研成果不仅构建了一套基于昇腾平台的工业知识增强大模型技术体系，还显著提升了工业设备智能运维的效率和水平，实现了核心技术的自主创新适配。通过融合前沿技术，搭建起智能系统，为构建安全、高效、智慧的现代工业体系提供了关键技术支持。在鲲鹏昇腾科教创新卓越中心的持续探索与创新下，这些成果有望在更广泛的工业场景中落地生根，推动科技创新与实体经济的深度融合。
在推动制造业智能化转型的道路上，宋骐教授团队及鲲鹏昇腾科教创新卓越中心的努力，无疑为行业树立了新的标杆，也为未来工业体系的智能化发展提供了宝贵的经验和启示。
