UniK：面向数字AI与物理AI的通用知识感知

两类变革性 AI 系统正在重塑组织的运行方式：数字 AI，对企业知识进行推理以驱动聊天机器人和智能体工作流；物理 AI，从视频、游戏和传感器遥测中学习控制机器人和自主系统。两者面临同一个基础瓶颈：大规模的异构模态原始知识被锁在私有语料库中，现有 AI 基础设施无法可靠高效地访问。我们提出通用知识感知（UniK）作为两类的共同平台，覆盖从富文本、视频到分子数据和传感器遥测的多模态知识全生命周期（摄取、增强、索引、检索和持续评估）。UniK 建立在 Polymath Retrieval（对自动增强的索引做多索引融合）之上，无需任务特定微调。在五个数字 AI 领域（医学文献、开放域问答、化学、法律视频庭审和政府开放数据）上，UniK 与开源 700 亿参数模型结合，持续匹配或超越体量大数个量级的前沿专有 LLM：政府数据上 RAG 准确率 76%（GPT-5 为 47%）；医学问答上未经微调即达 77.9%；并在所有开源化学管线中居首。我们展示同一基础设施可直接应对物理 AI 世界模型训练面临的数据策展、索引和检索挑战——那里的知识问题更难，但结构相同。