RAG 让 AI 的回答更加实时准确，然而我们能否在此基础上更进一步？IBM 人工智能高级主管工程师 Sara Bacha 介绍了一种新的技术：Graph RAG。
假如，你正在打电话到医疗咨询热线，咨询一个复杂的健康问题。传统的智能客服可能会给你一个生硬的标准答案，但如果背后运行的是 Graph RAG 技术，你得到的回答将会非常不一样。它不仅准确，还会联系到相关的医疗知识，给出更全面的建议。
这个新兴的 Graph RAG 技术与传统 RAG 技术相比，它不只是简单地在文档里搜索答案，而是会像人类专家一样，建立起知识之间的关联网络。就像我们的大脑会自动将相关的知识点连接起来一样，Graph RAG 也在做类似的事情。
举个例子，当系统遇到 "一位免疫学家与医疗公司 CEO 讨论病毒应对策略" 这样的信息时，普通系统可能只是识别出 "这里有个免疫学家和一个 CEO"。但 Graph RAG 却能像专业分析师一样，理解免疫学家与医学研究的深度联系，以及 CEO 通过企业管理与医疗行业的关联。这种深度理解让 AI 的回答变得更加智能和全面。
在实际应用中，这项技术不仅能提供更准确的答案，而且响应速度更快，维护起来也更容易。对于需要严格管理信息访问权限的医疗、金融等领域来说，也有独特的优势。
不过，在我看来，Graph RAG 最有趣的地方在于它模仿了人类思维的关联性。我们人类在思考问题时，往往不是简单地调取单个记忆，而是会联系各种相关知识，形成完整的认知网络。Graph RAG 正是在向这种思维方式靠拢，这可能预示着 AI 的正在向着更接近人类认知的方向发展。
