UniK：面向数字与物理 AI 的通用知识感知平台

arXiv 论文提出 Universal Knowledge Perception（UniK），一个面向 digital AI 与 physical AI 的通用知识平台，覆盖采集、增强、索引、检索和持续评估全流程，支持文本、视频、分子数据和传感器遥测等模态。其核心 Polymath Retrieval 通过多索引融合实现，无需任务特定微调。在五个数字 AI 领域测试中，UniK 搭配开源 700 亿参数模型，在政府开放数据上达到 76% RAG 准确率，论文称高于 GPT-5 的 47%。

此前数字 AI 与 physical AI 通常各自建设数据与检索管线，私有异构知识难以可靠接入。该工作提出用同一套知识生命周期基础设施同时服务两类系统，并在多个领域报告了无需微调即可接近或超过更大专有模型的结果，若可复现将改变知识层的构建假设。

UniK 不依赖任务特定微调，而是先把多模态原始知识自动增强为可检索索引，再通过 Polymath Retrieval 做多索引融合。这样模型能力更多由检索与索引质量决定，而非参数规模；同一套采集、增强、索引、检索与评估流程可迁移到 physical AI 的世界模型训练数据准备，因为两者瓶颈结构相同。

对产品与研发团队而言，可能减少为每个垂直领域单独搭建 RAG 管线的工作量，把投入转向数据采集与索引增强。若 70B 开源模型加通用检索即可覆盖政府、医疗、法律、化学等场景，企业可在私有语料上以更低推理与微调成本部署问答和 agent 工作流，但需自行验证准确率与延迟。

• 在政府开放数据、医疗文献等私有语料上复现 UniK 的 RAG 准确率，评估与现有 RAG 管线的替换成本
• 围绕自动增强索引和多索引融合构建内部知识中台，统一服务客服问答与 agent 工作流
• 将同一套采集与检索流程试点接入机器人视频或传感器遥测数据，验证 physical AI 数据准备的迁移效果
• 对开源 70B 模型加 UniK 的部署成本、延迟与准确率做基准测试，形成选型报告

• 论文所称 76% 对 47% 等对比结果是否经过独立复现，测试集与评测协议是否公开
• UniK 在 physical AI 世界模型训练上的效果是否有定量实验结果，而非仅结构类比
• 多索引融合在超大规模私有语料上的检索延迟、存储与更新成本如何
• 自动增强索引是否依赖额外模型或人工标注，其错误率如何评估