把图AI变成真金白银：Kumo如何把预测模型“塞进”数据仓库

在这期 Sequoia AI Ascent 的访谈中，Kumo AI 联合创始人兼工程负责人 Hema Raghavan 讲述了一个核心命题：为什么几乎所有企业天生都拥有“图”，却很少真正从图神经网络中获得 ROI。她分享了 Kumo 的产品哲学——让复杂的图学习对业务透明，同时又为资深数据科学家保留“掀开引擎盖”的自由。

为什么大多数企业，其实早就活在“图”里

理解 Kumo 的切入点，首先要回答一个看似基础却被长期忽视的问题：什么是图？Hema 在访谈中反复强调，图并不是社交网络的专属。“你不需要是一个社交网络公司，”她说，“几乎我认识的每一家企业，都已经有一张图。”客户、账户、交易、设备、内容、广告位，这些实体之间的关系，本质上天然构成了图结构。

之所以重要，是因为企业里的关键预测问题——欺诈、流失、推荐、风控——几乎都依赖关系，而不是孤立的行。传统机器学习往往把这些关系“压扁”成特征工程，代价是复杂、脆弱、难以维护。Hema 用一个极其直观的方式解释给“5 岁小孩”听：我们不是先人工决定哪些关系重要，而是把所有关系都交给模型，让它自己学会什么重要。

这也是她的核心判断之一：图不是一种特殊数据类型，而是“最通用的数据类型”。正因为企业一直在用关系型表存储数据，才让人误以为自己没有图，而 Kumo 要做的，是把这层结构重新释放出来。

AutoML + 数据仓库：把图神经网络藏在引擎盖下

Kumo 最有意思的地方，不在于它“会做图神经网络”，而在于它刻意让用户不必关心这一点。Hema 描述产品时用了一个反复出现的比喻：“我们会给你一辆自动驾驶的车。”如果你的数据已经以关系型表的形式存在，Kumo 只需要通过连接器读入数据，理解 schema，用户就可以直接开始写预测查询。

在这个过程中，图被完全抽象掉了。对业务团队来说，体验更像是在数据仓库上写 SQL，而不是在调一个研究级别的 GNN 系统。但这并不意味着能力被阉割。Hema 紧接着补了一句：“如果你想看引擎盖下面，或者你想开手动挡，我们也允许。”对那些“喜欢调神经网络参数的数据科学家”，系统依然开放。

这一设计背后的洞见很现实：图学习之所以难以落地，并不是效果不好，而是工程成本和组织成本太高。Kumo 选择把复杂性集中在平台内部，用 AutoML 的方式在数据仓库之上持续学习和更新关系特征，从而把图 AI 变成一项可重复、可规模化的能力。

从 Transformer 到图神经网络：预测式 AI 的另一条路线

在访谈中，Hema 多次把 Kumo 的技术路线与 Transformer 以及大语言模型作比较。她明确提到，Kumo 正在把 Transformer 的思想“带到预测型 AI 问题中”。这里的关键不在生成，而在表示学习：模型不是手工设计特征，而是在图上自动学习节点和关系的表示。

她把图神经网络称为“最通用的神经网络”，原因很直接：现实世界并不是线性序列。“我不认为人类大脑是线性序列连起来的，”她说，而图更接近真实世界中信息的组织方式。正因为如此，图模型天然适合处理跨表、跨实体、跨时间的复杂依赖。

这一点也解释了她对传统特征工程的态度。Kumo 的系统会在训练过程中不断“发现”新特征，而不是一次性固定下来。正如她确认的那样：模型会随着时间学习和优化关系结构本身。这不是一个静态的 pipeline，而是一个持续演化的预测系统。

ROI、可解释性与“少一点幻觉”的现实挑战

当话题转向 ROI 和企业落地时，访谈的重心明显变得务实。Hema 反复提到，企业真正关心的是成本、规模和稳定性。Kumo 强调的是在“我们所做的规模”和“我们所做的成本”下，实现图学习的可行性，这也是图 AI 长期难以商业化的关键瓶颈。

她还主动把话题引向当下热门的大语言模型，并指出一个重要差异：预测型 AI 的输出空间是受约束的，因此天然更容易控制“幻觉”。在讨论可解释性 AI 时，她强调，在高风险领域，这并不是锦上添花，而是进入市场的前提条件。

最后，当被问及长期愿景时，Hema 描绘的是一个平台化的未来：Kumo 成为“分析大脑”，而真正的应用——广告、推荐、风控、内容分发——构建在它之上。这既是技术判断，也是她多年在 AI 系统落地中的经验总结。

总结

这场访谈的价值，不在于介绍了一种新模型，而在于提供了一种落地图 AI 的现实路径：承认企业天然拥有图，接受复杂性不可避免，然后用产品和系统设计把复杂性隔离起来。对读者而言，最大的启发或许是：真正决定 AI ROI 的，从来不只是模型能力，而是它能否被普通团队持续、低成本地使用。

关键词： 图神经网络， AutoML， 数据仓库， 预测型AI， Transformer

事实核查备注： Hema Raghavan：Kumo AI 联合创始人兼工程负责人；Kumo AI：构建在数据仓库之上的预测型 AutoML 与图学习平台；核心技术概念：图神经网络（GNN）、Transformer、AutoML；关键比喻原话："self-driving car"、"explain it to me like I'm 5"、人类大脑不是线性序列；讨论话题包含：ROI、幻觉（hallucination）、可解释性 AI。