随着以大模型技术为核心的 AIGC 技术的快速发展，AI 逐渐迈向大模型时代。但在大模型场景下，企业也需要解决大模型的幻觉、长期记忆、知识更新滞后等问题，并能基于有限的资源提升推理效果。为了解决上述问题，需要在引擎层通过图和向量的融合技术，打造大模型时代的 AI 的技术基础设施，提供支持图、向量和 AI 推理能力的多模态智能引擎。图和向量都是表示和推理知识的重要工具，通过图来管理企业的多模态数据，通过向量搭建数据与大模型的桥梁。通过图和向量的融合，减少大模型的幻觉问题、提供长期记忆、知识实时更新，并可以降低大模型的推理成本。本次演讲将从业务场景出发，并结合真实的业务应用阐述如何基于图和向量融合建立大模型 AI 基础设施。

演讲提纲：

1. 技术架构

2. 数据模型

3. 应用场景

4. 总结和展望

你将获得：

• 了解基于大模型 AI 基础设施遇到的问题和挑战
• 了解基于图和向量融合的大模型 AI 基础设施的构建思路