图谱-大模型融合如何压制幻觉：对车载软件与内容体验的启示

2026-02-13，海致科技在港交所挂牌（2706.HK），首日上涨约250%，市值超过380亿港元；更夸张的是，香港公开发售超额认购达到5,065倍。资本市场用真金白银表达了一个态度：“大模型能用”已经不够了，企业更在意“可控、可解释、可交付”。

我一直觉得，大模型幻觉（hallucination）并不是一个“模型再大一点就会消失”的小毛病，而是一个产品级风险：它会把用户体验从“偶尔不聪明”直接推到“不能信任”。对媒体与内容产业是这样，对汽车软件与智能座舱更是这样——因为车内的每一次误导，都可能变成投诉、召回甚至安全隐患。

海致押注的“图谱-大模型融合（graph-model fusion）”之所以值得关注，原因并不在于它多新潮，而在于它给了行业一条更现实的路线：把大模型的语言能力和推理能力，锚定在企业/领域知识图谱上，用结构化知识把“瞎编”的空间压到最小。

海致上市背后：市场在买“可信AI”，不是买“更会聊的AI”

先把事实说清楚：海致科技成立于2013年，核心定位是用AI驱动的图计算来减少大模型幻觉。此次IPO发行28,030,200股H股；香港公开发售5,065倍超购、国际配售8.39倍超购；基石投资者合计认购约1,500万美元。开盘价94.90港元，相比发行价28港元上涨超250%。

这些数字说明两件事：

1. “AI agent”在企业落地的竞争焦点变了：从“做个能对话的机器人”，变成“能稳定把事情办完的系统”。
2. 图谱思路正在回潮：企业愿意为“结构化知识 + 可解释推理”付费，因为这决定了系统是否敢上生产环境。

海致的产品线也体现了这种“工程化”气质：Atlas Graph Solution（含DMC平台、知识图谱平台、AtlasGraph数据库）与Atlas Agents，已覆盖360+企业客户、100+场景。按Frost & Sullivan数据，海致2024年按营收计在中国工业AI agent提供商中排名第5；在“图谱型AI agent”领域市占率约50%。

财务上它仍未盈利，但收入增长很硬：2022-2024年营收从3.13亿元增至5.03亿元，CAGR 26.8%；其中Atlas Agent营收2024年达到8,660万元，相比2023年的890万元同比增长872.2%。这类结构，通常意味着：方向对了，规模化交付能力在增强。

“图谱-大模型融合”到底解决什么：把答案从“概率”拉回“事实”

结论先说：图谱-大模型融合的核心价值，是让模型生成的每一句话都有“可追溯的证据链”。 这对“内容正确性”和“体验可信度”比任何“更像人”的语气都重要。

为什么纯大模型更容易在企业场景翻车

大模型擅长的是“语言概率分布上的合理性”，不是“业务事实上的正确性”。在媒体内容、企业知识问答、车载助手等场景里，用户经常会问：

• “这个版本的政策/条款到底怎么写？”
• “这条新闻的来源是什么？”
• “我这辆车的胎压报警阈值是多少？”

如果系统用“看起来合理”的话来回答，但缺乏可验证来源，体验会迅速崩盘。

图谱的作用：把知识变成结构化的“约束条件”

知识图谱的强项是：

• 实体与关系清晰（车型—配置—零部件—故障码—处理方案）
• 可维护与可审计（谁改的、何时改的、影响哪些规则）
• 可解释（为什么给这个答案，引用了哪些节点/边/规则）

当大模型需要生成回答时，先从图谱里检索相关事实，再用模型把事实组织成自然语言，这样回答更像“引用资料写作”，而不是“凭感觉写作”。

一句可以被引用的话：大模型负责表达与推理，知识图谱负责事实与边界；融合之后，系统才敢承担生产责任。

把它放进“人工智能在媒体与内容产业”的语境：可信内容生产与分发

在本系列里，我们经常讨论内容推荐、用户画像、智能创作和内容审核。图谱-大模型融合几乎能把这四件事串起来，因为它提供了一个统一的底座：把内容、用户、渠道、规则变成可计算的关系网络。

1）内容推荐：从“相似性”走向“可解释的相关性”

传统推荐更多依赖统计相似（协同过滤、embedding近邻）。图谱加入后，可以做“关系解释”：

• 你推荐这条车评视频，不只是因为“看过类似视频的人也看了”，而是因为用户画像里“关注智能座舱/辅助驾驶”，且内容标签与车型节点存在明确关系。
• 对监管敏感内容，可把“资质、来源、发布主体、引用链路”挂到图谱上，让推荐策略具备审计能力。

2）智能创作：把“生成”变成“有资料的生成”

媒体内容生产里，最怕的是：生成得快，但事实错。融合思路可以变成一条可落地的工作流：

1. 图谱侧给出“可引用事实集合”（人名、时间、数据、出处、版本）
2. 大模型按模板生成稿件/脚本
3. 审核侧用图谱做一致性校验（数字、引用、实体关系）

这比单纯的“RAG检索+拼接”更稳，因为图谱天然适合表示复杂关系和多跳推理。

3）内容审核：把规则从“黑箱模型”变成“规则+模型协同”

大模型做审核容易出现两类问题：过审（漏掉风险）与误杀（伤害创作者）。图谱能把监管条款、平台规则、历史判例抽象成结构化规则，再让模型负责理解上下文语义。效果通常是：

• 高风险命中更稳（因为规则清晰）
• 误杀更少（因为可解释、可申诉）

迁移到汽车软件与用户体验：智能座舱最需要“少说废话、别说错话”

汽车场景对“可信”要求更苛刻。你可以容忍手机助手胡扯两句，但很难容忍车机在行驶中给出错误指令。

把海致的融合思路迁移过来，我认为至少有三类高价值用法。

1）车载助手：用“车辆知识图谱”替代“通用常识”

车载助手的问题往往不在听不懂，而在答非所问或编造。

• 车辆知识图谱应包含：车型年款、配置差异、传感器能力、按键/菜单路径、故障码、保养周期、OTA版本变更等。
• 当用户说“雨天ACC能不能用”，系统应先确认：车型是否支持该功能、当前传感器状态、软件版本限制，再组织答案。

这会显著减少“把A车的功能答到B车上”的尴尬。

2）智能座舱内容体验：把“个性化”建立在可控边界内

座舱里常见的内容形态包括导航信息流、车内音视频、新闻播报、亲子内容、车主社区等。图谱能把：

• 用户画像（通勤路线、偏好、家庭结构）
• 场景（驾驶中/停车、白天/夜间、长途/短途）
• 内容（来源、风险等级、主题、时效性）

连接起来，让个性化更精准且更可控。尤其是在2026年各平台都更重视合规和可追溯的背景下，这种“可解释推荐”会越来越吃香。

3）售后与故障诊断：让AI回答附带“证据与步骤”

“仪表盘亮了一个灯怎么办”这种问题，如果AI给不出明确步骤和依据，用户只会更焦虑。融合方案可以输出：

• 可能原因（按概率排序）
• 需要采集的车辆状态（里程、故障码、环境）
• 可执行的处理流程（用户能做/需要到店）
• 引用的说明书章节或服务公告节点

对体验的提升是实打实的：不只是少出错，还能减少无效进店和客服压力。

落地清单：企业怎么评估“图谱-大模型融合”是否值得做

如果你在做媒体内容平台、企业知识中台，或者车载软件/智能座舱，评估时我建议盯住这五个指标（比“参数量”更重要）：

1. 答案可追溯率：回答中能落到图谱节点/文档依据的比例（目标可先定80%+）。
2. 幻觉率/错误率：对“可核验问题集”的错误回答占比，按版本周更追踪。
3. 多跳推理成功率：跨2-3层关系仍能给出正确结论的比例（图谱优势区）。
4. 更新时延：规则/知识变更到线上生效的时间（决定应对政策、车型、内容时效）。
5. 审计与申诉成本：审核误杀的复核耗时、客服解释成本是否下降。

如果你的业务无法定义这些指标，那多半不是技术不够，而是需求还没被产品化。

写在最后：下一代AI体验的门槛，是“可信交付”

海致科技首日大涨的故事容易被解读成“资本追AI”，但我更愿意把它看作一个信号：AI正在从“演示阶段”进入“责任阶段”。 责任阶段的关键词不是更会聊天，而是可控、可解释、可维护。

在“人工智能在媒体与内容产业”这条主线里，图谱-大模型融合提供了一种更稳的内容生产与分发底座；放到汽车软件与用户体验，它则意味着智能座舱可以更少出错、更少胡扯、更敢承担关键任务。

下一步值得追问的是：当你的产品里同时存在大模型、推荐系统、审核规则、车载场景与用户画像时，你是让它们各自为政，还是把它们组织成一张能被审计、能被迭代的“知识网络”？这张网，往往决定了体验上限。