想象一下，你是一名海洋科学家，正在研究巴西的“蓝色亚马逊”——一片面积堪比亚马逊雨林的广袤海洋领土。这片海域拥有丰富的生物资源，对全球气候调节起着重要作用。然而，关于它的知识散落在学术论文、政府报告和各类数据库中，像一座没有索引的图书馆，让人无从下手。
如果能有一张“知识地图”，把这片海域涉及的所有概念——从珊瑚礁到渔业管理，从海洋环流到生物多样性——清晰地组织起来，那该多好？这种“知识地图”在计算机科学中被称为本体（Ontology）。它就像一本学科词典，不仅列出概念，还明确它们之间的关系：“红树林”是一种“沿海生态系统”，“过度捕捞”会“影响”渔业资源……这种结构化的知识，既能让人类快速理解，也能被计算机“读懂”。
但问题在于，手工构建本体极其耗时耗力，需要领域专家和知识工程师花费数月甚至数年的时间。因此，许多特定领域至今缺乏系统的知识组织。来自巴西圣保罗大学的研究团队尝试了一个大胆的方案：让大语言模型（如GPT-3.5和GPT-4）充当“领域专家”，自动构建“蓝色亚马逊”的本体。他们的研究成果近日发表在arXiv上。本文将带你了解这项有趣的实验。
为什么需要“知识地图”？
在人工智能领域，知识的组织方式至关重要。一个设计良好的本体，可以帮助搜索引擎更精准地找到答案，帮助AI系统进行推理，甚至帮助教育工作者设计课程。例如，在医学领域，一个关于“心血管疾病”的本体，可以清晰地定义“高血压”“动脉硬化”“冠心病”等概念之间的关系，辅助诊断系统做出更准确的判断。
然而，传统的本体构建方法主要有两种：一是依靠专家手工编写，成本极高；二是使用机器学习自动提取，但往往需要大量标注数据，且难以捕捉复杂的语义关系。大语言模型的出现，为这个问题带来了新的解决思路——这些模型在训练过程中已经“阅读”了海量文本，对概念之间的关系有了相当深刻的理解，或许能“无师自通”地构建知识框架。
实验设计：让AI“自学”构建知识树
研究团队采用了一种基于Funk等人（2023）开发的算法。这个算法的思路很直观：给AI一个初始概念，比如“沿海生态系统”，然后让它不断追问——“这个概念包括哪些子概念？”每个子概念又可以继续展开，就像一棵不断分叉的树。
需要澄清的是，这并不是简单地通过一条提示词让AI生成结果。整个构建过程是一个自动化算法框架，包含以下关键环节：
- 循环探索：从种子概念C0开始，算法反复让LLM输出描述和子概念列表，并进行系统性搜索。
- 超参数控制：包括“探索深度”（决定概念树可以长到几层）和“频率阈值”（决定一个子概念需要被AI提到多少次才算“重要”）。
- 验证与去重：对LLM返回的子概念进行判断、过滤，并构建层次结构图。
- 缓存机制：避免重复查询，提高效率。
因此，提示词只是其中的“知识获取接口”，整个本体构建是由一个自动化算法驱动的，提示词本身也包含少量示例（即few-shot学习）。
通过一系列预实验，研究人员确定了最佳参数组合：深度设为3，频率阈值设为10。
此外，他们还测试了多种输入方式，以探究细微变化对结果的影响：
- 首字母是否大写
- 是否明确提及“巴西”
- 使用英语还是巴西葡萄牙语
- 是否强制AI用葡萄牙语输出
最终，他们用GPT-3.5和GPT-4分别生成了多个本体，每组选出10个概念数量不少于10个的本体，交由5位海洋科学领域的专家进行评估。
评估：人类专家当“质检员”
评估工作并非易事。专家们需要从五个维度对每个本体打分：
- 准确性：概念定义是否清晰？命名是否恰当？与父概念的关系是否合理？
- 相关性：子概念是否为父概念增加了有价值的信息？
- 覆盖度：子概念是否充分解释了父概念的内涵？
- 精确性：概念在层次结构中的位置是否准确？连接关系是否无误？
- 信息设计：整棵树的深度和规模是否合理？
评分采用1到5的倒置量表（1分最好，5分最差）。专家们根据“一个初中生应该了解的知识层次”作为评判标准——这确保了评估的客观性和实用性。
令人惊喜的结果：AI确实能理解领域知识
评估结果令人鼓舞。无论是GPT-3.5还是GPT-4，生成的本体都展现出了相当不错的连贯性。AI能够提取出与“沿海生态系统”相关的核心概念，如“红树林”“珊瑚礁”“盐沼”“海草床”等，并大致正确地组织它们之间的层次关系。
从平均得分来看，GPT-4在大部分维度上略优于GPT-3.5，尤其是在覆盖度方面表现突出，说明它生成的概念更加全面。但GPT-3.5在精确性和信息设计上反而领先，这表明GPT-4的“扩展”有时会过头。
下表展示了两个模型在各维度的平均得分（分数越低越好）：
| 维度 | GPT-3.5 | GPT-4 |
|---|---|---|
| 准确性 | 1.78 | 1.57 |
| 覆盖度 | 2.46 | 1.57 |
| 精确性 | 1.64 | 1.86 |
| 相关性 | 2.04 | 1.87 |
| 信息设计 | 2.55 | 2.85 |
| 总分 | 2.10 | 1.94 |
| 直接评价 | 2.85 | 2.82 |
有趣的是，专家们直接给出的“整体印象分”高于各维度得分的平均值，且两个模型几乎持平。这说明，尽管AI生成的本体存在各种小问题，但专家们对其整体质量还是给予了基本认可。
问题与挑战：AI也会“胡编乱造”
尽管AI展现了令人印象深刻的能力，但研究也暴露了当前技术的明显局限。
最大的问题是“幻觉”和冗余。 专家们发现，GPT-4尤其喜欢“过度扩展”——它不仅会列出合理的子概念，还会发明一些不存在的术语，或者把同一个概念的不同变体（如“珊瑚礁”和“珊瑚礁生态系统”）当作两个独立概念加入，造成冗余。更糟糕的是，有些分类关系明显错误，比如把“渔业”错误地归入“海洋生物”而不是“人类活动”。
语言和格式的影响出乎意料。 研究人员发现，输入语言对结果影响巨大。对于GPT-3.5，只有葡萄牙语输入才能获得足够丰富的扩展；而GPT-4对英语输入表现更好，并且当研究人员强制要求它用葡萄牙语输出时，扩展几乎完全停止——这让人困惑，因为GPT-4本身对葡萄牙语的理解能力并不差。此外，首字母大小写、是否提及“巴西”等看似无关紧要的细节，都会导致输出结果显著不同。
粒度不一致也是一大痛点。 有些概念被展开得太深，细节过多；而另一些概念则过于浅显，缺乏必要的子分类。专家们反映，“越深层的结构越混乱”。
结论：AI辅助，而非替代
那么，大语言模型到底能不能自主构建本体？研究团队的结论是：目前还不能，但它们是非常好的辅助工具。
论文指出，即便是最先进的GPT-4，也无法生成完全令人满意的本体。但将这些自动生成的本体作为“初稿”，再由领域专家进行审核、修正和补充，可以显著加快本体构建的速度。这种“人在回路中”（Human-in-the-loop）的方法，是目前最可行的应用模式。
事实上，几位参与评估的专家在反馈中也表达了类似观点：尽管存在不少问题，但AI生成的本体“基本可用”，尤其在教育领域有很大潜力。一位专家甚至表示，这个过程让她重新思考了自己领域的概念结构，“是一次很好的思维训练”。
关于开源与可复现性
值得注意的是，该研究基于Funk等人（2023）的算法，代码已由原作者公开。但Soares和Wassermann的研究本身并未开源其代码和完整的评估工具。作者在论文中提及，完整的输出结果和问卷模型可在“Ontology-for-Blue-Amazon”仓库中查看，但该仓库的具体开放程度和许可条款需进一步确认。对于希望复现或改进该研究的同行来说，这或许是一个需要关注的点。
未来展望：让AI更聪明地构建知识
研究团队提出了几个值得探索的方向：
- 增强表达能力：让AI不只是构建概念层次，还能添加更多类型的关系（如“不相交”“互斥”等），使本体更强大。
- 微调模型：用特定领域的标注数据对LLM进行微调，提升其领域专精度。
- 交互式构建：设计更友好的界面，让人类专家能实时参与和调整，让本体构建变成一个“人机协作”的迭代过程。
这项研究对我们意味着什么？
从更宏观的视角来看，这项研究不仅是一次技术实验，更是一次关于“AI能否真正理解知识”的探讨。大语言模型之所以能构建出大致合理的本体，是因为它们在训练数据中“见过”无数概念和它们之间的关系。但它们的理解是统计性的，而非真正的因果推理。因此，它们会犯下人类专家不会犯的“低级错误”，比如把同义词当作不同概念，或者发明不存在的术语。
然而，考虑到这些模型完全是通过“自学”掌握领域知识的，它们展现出的能力已经相当惊人。在特定领域缺乏现成本体的情况下，LLM自动生成的本体可以作为一个“快速原型”，帮助专家快速搭建知识框架，然后聚焦于修正和优化，而不是从零开始。
这或许就是AI最理想的应用模式：不是替代人类，而是成为人类能力的放大器。在研究“蓝色亚马逊”这样广阔而重要的领域时，这种“人机协作”的方式，或许能帮助我们更快地绘制出这片神秘海域的知识地图，为海洋保护、可持续发展和教育普及提供有力的工具。
补充信息：这项研究由圣保罗大学、人工智能中心（C4AI）联合开展，得到了圣保罗研究基金会和IBM公司的支持。论文作者之一Vivian Soares表示，希望这项研究能为更多领域的知识组织提供参考，让“蓝色亚马逊”的奥秘不再被埋没在浩如烟海的文献中。