10月30日，“AI超能力·KM新价值”2024中国知识管理年会暨第14届China MIKE颁奖典礼圆满召开。会上，蓝凌研究院院长夏敬华博士作“aiKM助力企业大脑构建”主题演讲。本文整理出相关演讲内容，以飨读者。

以下为夏博演讲相关内容（有删节）：

尊敬的各位现场、线下的嘉宾朋友们：

大家下午好！AI时代，我们如何拥抱新的机会，让知识管理发挥更大的势能？如何将AI与KM更有效地结合，我们有一些思考和实践。很高兴今天有机会和大家作分享。

01

知识管理方程式的迭代发展

伴随数字化的深化及AI等新技术的发展，知识管理方程式发生了新的变化。最初我们认为，KM等于P+K的S次方，也就是要有人、知识，以及分享的文化，并需要通过管理与技术来驱动。在这个阶段，知识运营很重要，但是和业务结合不紧。第二阶段，知识管理更加强调与业务的融合，方程式也变成了BKM等于P+K+B的S次方，其中B就是business业务。

有了业务的融合，我们还希望它的效率会更高，所以进入到第三阶段，将AI叠加进来，进入到aiKM的阶段，希望知识管理的效率可以呈现指数级增长。但是AI不是无源之水，一定要基于企业的知识、业务以及人的经验萃取，才能更好地发挥AI的价值。

02

AI时代知识管理的3大关键词

传统的知识管理为什么做得那么累，效果还没那么好？

因为他们的底层思维是一个知识文档的模型。怎么样在内部管理文档？包括存储文档、分享文档、应用文档，通常要有很强的管理推动才能把这个事情做成。

Gartner曾在一份研究报告中提到，知识管理尽管取得了一定的成功，但它并未完全兑现人们对于它的预期目标。这一点我感同身受，我们所服务的很多企业都有类似的情况。我认为，核心的问题有3个：

一是战略牵引的知识管理驱动力不清。知识管理到底解决什么命题，是营销增长的问题还是技术创新的问题，还是员工赋能的问题，战略的驱动力是什么。

二是有了驱动力，知识管理落地的时候怎么样跟业务融合发展，创造实实在在的业务价值。

三是面向场景化的数智化技术应用不够，我们谈文档型知识库、知识社区形态的应用较多，新的技术形态引入不够，怎么样把AI、知识图谱等新能力结合进来很重要。

基于以上3个问题洞察，我们提出了三个关键词：

一是知识战略。我们强调站在战略高度考虑组织知识，知识战略强调整合多源的离散知识数据，把它真正变为企业可传承、可复用的知识资产，有力支撑企业大脑构建。

二是知识赋能。其核心在于以场景为中心，面向特定的场景如营销人员做投标、研发人员做技术立项、HR关注员工赋能，这样的场景下到底应该把什么样的知识跟特定的业务环节以及人去连接，“知识+人+业务”的连接是知识赋能的核心。

三是知识智能。我经常说要把企业的石墨数据变成钻石知识，再把钻石知识喂给大模型，才有真正的高价值的智能化应用，比如在用户交互形态上“搜、问、推、生、策”的不同智能化体验，这些对于提升知识管理的用户消费能力越来越重要。

先从知识战略维度来讲。怎样充分整合多源的知识数据，助力企业的大脑构建，怎么样把企业的Know-how跟大模型的能力充分结合。大家可以看这张图（见下图），左侧是存储在多个不同系统中的知识，以往企业知识库几乎80%都是人工上传的，现在更需要接入多源的知识数据。

右侧是场景，在具体的场景下怎样实现知识消费，不仅是传统的简单的关键词的搜索、文档的查询，还有更多场景应用，如研发知识伴随、产品知识问答、质量问题图谱等，这些场景应用可以带来更高的业务价值。

第二是知识赋能，在场景当中充分发挥知识赋能的作用。核心是知识、业务、人的连接，到底怎么连接？很多企业已经在做浅层的连接，如知识内容的体系化，包括做知识库、知识地图（包括流程知识地图、岗位知识地图等）。但这种连接还是一种偏静态的连接，知识更多是作为参考作用。

而知识不但要参考，还要更好地业务伴随。要做业务的伴随，对知识精细化、模板化乃至结构化的要求会更高，要形成一个个富有结构化属性和语义标签的主题知识，如产品规格知识、质量问题知识、营销方案知识、成功案例知识等，从而可以面向业务场景形成伴随或主动推荐应用。 

此外，业务工作过程当中员工的个人经验怎么样不断地被动态地萃取和传承，这需要创造一个“场”即知识空间，通过知识空间把隐性经验潜移默化地萃取和传承下来。

再进一步就是怎么样让知识能够起到真正的决策作用。比如知识可以做各种关联，通过各种主题知识图谱来实现。可以面向特定的业务对象，比如技术、产品、人等进行多源数据聚合，形成业务对象图谱、人才画像图谱，不断地迭代、深化，实现知识与人、业务的深度连接和应用。

第三是知识智能，实现企业知识库和AI能力的充分连接。我们有一个基本的观点，数据是知识的矿石，知识是对数据的提炼，智能是对知识的应用。智能一定不是对原始数据的利用，对于大模型而言，你输入的知识质量怎么样，输出的效果是完全不一样的。

因此大模型应用也对知识管理建设提出进一步的要求：一是结构化的知识内容，蓝凌为什么推主题知识库，越结构化、越模板化，你喂给大模型的质量会越好；二是知识图谱，怎么样面向特定场景形成特定的知识图谱，知识图谱是结构化、可信的、可解释的，它会让大模型得到更精准的答案。有了这样的能力之后可以有更强的搜索问答能力，可以搜“产品、项目、人、设备、技术”等业务对象，对于业务对象基于图谱聚合数据可以形成360度的全景画像和洞察分析。

03

蓝凌aiKM

助力企业大脑构建

基于以上这些思考和实践，我们发布了aiKM。aiKM是以人工智能技术为支撑的新一代智能知识管理平台；它接入企业多源知识数据，更加高效地沉淀 、共享、利用和管理组织内的知识资源，以知识赋能业务价值创造；同时，关注从知识资产化、到应用场景化、再到决策智慧化的迭代深化，助力企业大脑的构建。

① aiKM落地方法论

aiKM如何落地呢？我们结合多年的实践和思考，总结出了aiKM落地方法论，可以概括为“场景变革，双能驱动”。要以场景为核心，场景变革是牵引，有效赋能是目标，智能技术是手段。在具体建设过程中，从导入到推进再到优化阶段，不断迭代。

基于这一方法论，我们构建了一幅应用全景图（见下图），我们称之为“顶天立地、两翼齐飞”。面向老板/CEO，如何让知识管理对他产生价值，这其中可能包括CEO情报门户、战略执行空间、运营洞察分析等应用的构建。这是“顶天”的部分。

而面向员工“立地”的部分，我们需要给员工赋能，比如员工培训、精准能力的提升、人才洞察分析等。“两翼”也很重要，我们需要面向研发、营销、客服等各个业务环节做知识赋能；面向管理，也有譬如财务制度、标准法规、风险知识等领域形成高效知识服务。

面向不同服务对象及应用场景，需要匹配不同深度的智能应用能力。最简单的是知识内容的智能，把我们企业已经建的知识库AI化，叠加大模型。再进一步是场景智能，把这种能力融入到场景中。更高端的是知识决策智能，能够面向特定的场景把数据跟知识充分融合，比如怎么样做人才评价，怎么样做客户分析、技术洞察等，形成不同领域的AI Agent应用。

② aiKM落地案例实践

下面结合我们服务客户的一些实践来具体谈谈。先来看看知识内容智能的实践案例。这是一家新能源企业，它们构建知识管理的721模型，其中70%的日常问题是希望知识库+搜索来解决的，20%的疑难问题可以通过社群同行协助的方式解决，剩余10%的重要问题需要发挥专家体系的作用。

这家企业构建了多模态的知识库，且面向不同的专业团队、项目组、部门等构建了庞大的社群广场。社群广场里面沉淀了很多零散知识，知识库里面沉淀了严肃的经过审核提炼的知识，都可以通过大模型实现搜索问答，并且会显示生成结果来自于什么渠道。这是一种最典型的知识内容智能的落地实践。

再来看知识场景智能实践。某个企业面向研发场景，特别关注面向业务流程做知识伴随的应用，他们有两个很重要的指导思想：一是要实现从“纸质地图”到GPS导航；二是从“文档型知识库”到“结构化主题知识库”。

传统的知识库很像一个纸质地图，去某一个地方需要通过纸质地图查询才知道这个路径应该怎么样合理规划。知识管理是否能够让知识的伴随像GPS导航一样实时推送？该企业为达成这一目标，构建了基于业务场景的知识推送和便捷应用，并且对研发业务中核心的知识进行了结构化的管理。

文档知识库怎么样变成结构化的主题知识库？该企业将典型问题、产品规格、设计指南、设计检查、测试标准、物料标准等不同类别的知识进行了结构化梳理以及知识模板设计，形成了不同的主题知识库。

除了面向研发的流程做伴随，还有一类场景，就是创造一个空间，如野中郁次郎教授所提出的“场”的概念，包括“执行场”“分析场”“学习场”“对话场”等。我们基于这些“场”形成数字化空间，每类空间可以连接特定的人群，创造特定的群组，推动特定的知识任务。例如，某企业打造“企业战略作战空间”，将公司战略规划、执行目标、关键指标、会议纪要、相关制度等内容沉淀于此，让信息在成员间高效流转、相互共享，推动战略的高效执行。

最高的维度是知识决策智能。比如某个企业他们做技术能力图谱，以技术为核心，把相关的技术知识成果数据聚合在一起，搜索某一个技术，跟技术相关的专利、标准、科研项目、专家人才、应用产品等都能够关联展现出来。再结合大模型，你想了解某一个技术，它能给出更准确、可信的搜索结果。甚至还可以辅助做技术能力的评价，如：为什么这个技术能力强，因为其形成的专利多，孵化的产品市场表现好。它可以基于技术图谱数据，进行细化的技术能力评价指标设计。

怎么样有效盘活人力资本？某个企业进行了人才图谱的构建和应用，结合项目、学术、岗位匹配度、语言水平、集团级荣誉、综合素质、未来发展潜力等指标，进行人才发现、人才推荐、人才评价等，用人才图谱来辅助决策。

③ aiKM“1+N”解决方案

那么，从知识资产、到场景应用，再到决策支撑，这三个阶段我们到底怎么样有效地驾驭知识管理的变革，为此我们提出了“1+N”的解决方案。“1”是知识资产，做标准化的知识资产的AI化。“N”是面向特定的场景，如研发、营销、战略执行，将场景做精，并能辅助决策支持。

蓝凌aiKM分为标准版和专业版。标准版的核心目标就是盘活存量知识，让大家做智能的知识消费。我们希望这样的产品能够更普惠，让更多的企业能够享受到蓝凌多年积累形成的知识管理方法论以及产品在叠加大模型之后的效益和价值。

专业版需要更加多元的能力，包括知识图谱能力、数据湖仓集成能力、数字化空间能力等，基于这样的能力怎么样面向特定的场景，如营销、客服、研发等，做一些业务导向的组合式应用。

总结一下，aiKM为什么能够助力企业大脑构建？我们认为，企业大脑分为左脑和右脑，左脑强调数据逻辑；右脑则是经验知识。怎样将数据和经验知识结合起来，构建“企业大脑”？这是蓝凌在思考并正在做的事情。

一方面，我们面向IT集成，进行多源系统知识数据的整合，另一方面，面向用户构建知识服务的场景。这其中有两个非常重要的内核：组织知识资产与大模型的能力（ 如蓝凌就是AIP蓝博士）。

如何构建组织的知识资产？我们认为知识管理推动者心中要有5大蓝图：知识蓝图、系统蓝图、管理蓝图、场景蓝图、整合蓝图。前3类蓝图大家提得比较多，而我们还需要关注怎样面向场景去建立场景蓝图，以场景驱动，明确服务对象和知识应用需求，拉动知识建设，进而从系统边界、内容接入、服务接出、场景嵌入、知识迁移等角度设计整合蓝图，构建出有生命力的知识生态系统。

蓝凌aiKM依托的大模型能力即AIP蓝博士。AIP蓝博士内置通义千问32B开源大模型，并进行了参数调优，综合平衡了企业采购硬件成本、大模型参数规模、算力消耗等整体性能。此外，它支持主流开源大模型，包括qwen72B（0.5B到110B）、Llama、baichuan、GLM、 Yi、CodeGeeX等。

结尾

最后，是我作为一个知识管理老兵的感想：AI让知识绽放光芒，KM让赋能更加高效。时代的齿轮开始转动，AI时代的知识管理迎来真正的革命。aiKM助力企业大脑构建，打造知识护城河，这是生成式人工智能时代组织越来越宝贵的核心竞争力！与大家共勉，谢谢大家！