在“趋于大模型的 AI 技术迭代”中，下列哪一项被认为是未来构建知识图谱的核心优势？A: 利用卷积神经网络 CNN 进行图像分类B: 通过预训练大模型实现零/少样本自动抽取实体与关系，显著降低知识图谱构建时间与成本C: 借助 RNN 架构完成传统文本分类任务D: 采用 Decoder-only 结构提升物体检测精度E: 基于 CNN 与 Transformer 混合架构进行语音识别

考查要点：本题主要考查对当前AI技术发展趋势中知识图谱构建核心优势的理解，重点在于识别预训练大模型在自动化抽取实体与关系方面的应用价值。

解题核心思路：
知识图谱的构建依赖于高效、低成本的实体与关系抽取。预训练大模型（如BERT、GPT系列）通过大规模预训练，具备在零样本或少样本情况下直接完成复杂任务的能力，显著降低了传统方法对人工标注数据的依赖，从而成为未来构建知识图谱的核心优势。

破题关键点：

• 明确知识图谱构建的关键需求：自动化、高效性、成本控制。
• 对比选项中不同技术的适用场景：
  • CNN/RNN：适用于图像分类、传统文本处理等特定任务，与知识图谱的核心需求关联度低。
  • 预训练大模型：直接解决实体与关系抽取的自动化问题，符合题干中“未来核心优势”的定位。

选项分析

A: 利用卷积神经网络 CNN 进行图像分类

• 局限性：CNN擅长图像特征提取，但图像分类与知识图谱的实体关系抽取无直接关联，无法解决构建过程中的核心问题。

B: 通过预训练大模型实现零/少样本自动抽取实体与关系

• 关键优势：预训练大模型通过海量数据学习通用语义表示，能在无需大量标注数据的情况下，直接从文本中抽取实体与关系。
• 效果：大幅缩短构建时间，降低人工成本，符合“未来核心优势”的描述。

C: 借助 RNN 架构完成传统文本分类任务

• 局限性：RNN在处理长文本依赖时存在梯度消失问题，且传统文本分类任务（如情感分析）与知识图谱的复杂语义抽取需求不匹配。

D: 采用 Decoder-only 结构提升物体检测精度

• 无关性：物体检测属于计算机视觉领域，与知识图谱的语义处理需求无关。

E: 基于 CNN 与 Transformer 混合架构进行语音识别

• 局限性：语音识别聚焦于音频信号处理，与实体关系抽取的语义理解需求关联度低。