Google 近日公布了一种基于图的新型人工智能技术——图基础模型（Graph Foundation Model，简称 GFM）。该模型能够泛化至此前未见过的图结构，在精度上较以往方法提升 3 至 40 倍，并已在 Google Ads 垃圾邮件检测等大规模应用中通过实测验证。
“我们致力于开发一种单一模型，使其能在互联关系表上表现出色，且无需额外训练即可泛化至任意表、特征和任务。GFM 将图学习与表格机器学习的前沿推向了标准基线之外。”
图神经网络与图基础模型的演进
图是相互关联的数据表示形式，其中对象称为节点，连接称为边。在 SEO 领域，链接图（Link Graph）是最常见的应用，它通过超链接映射整个网络结构。现有技术多采用图神经网络（GNNs）处理此类数据，例如识别网页主题。
“GNN 利用图的连通性及节点、边上的输入特征进行预测，既能分析整体图结构，也能针对单个节点判断。它将离散的关系信息以连续方式编码，便于融入深度学习系统。”
然而，传统 GNN 受限于训练时所使用的特定图结构，无法直接迁移至其他类型的图。这类似于生成式 AI 若仅用法语文档训练便无法理解其他语言。相比之下，大语言模型具备跨语言泛化能力，而 GNN 此前并不具备这一特性。
Google 此次发布的 GFM 突破了这一瓶颈。新模型无需针对新图进行专门训练，即可理解其中的模式与连接，实现跨图泛化，且精度显著提升。
研发动态：暂无配套论文发布
值得注意的是，此次公告并未附带研究论文链接。鉴于 Google 近期减少了公开发表的论文数量，外界推测此举可能是为了将该创新作为核心竞争优势保留。不过，官方已确认该技术在实际业务中取得了积极成效。
GFM 工作原理：从多表到单图
在传统互联网图中，网页为节点，链接为边，相似主题的页面往往互链。GFM 的核心机制是将每个表中的每一行转化为节点，并根据表间关系连接相关节点，最终构建出一个大型单一异构图。模型借此从现有数据中学习规律，并对新数据做出预测。
多表数据结构示例
表转换为边的流程
数据准备阶段需将多个表转换为单一图：表的每一行成为对应类型的节点，外键列则转化为节点间的边。五个表之间的逻辑连接在生成的图中即体现为边。
“利用表间的连通结构对机器学习至关重要，即使特征数据稀疏或有噪声。该转换过程简单直接且可扩展：每行为节点，外键关系为有类型边，其余列为节点特征，时间信息亦可保留为特征。”
这种“简单直接”且具备高可扩展性的构建方式，确保了该技术能够在 Google 庞大的基础设施中高效运行。
实战测试：Ads 垃圾邮件检测性能跃升
Google 在难度极高的 Google Ads 垃圾邮件识别场景中测试了 GFM。该系统涉及数十个大型图谱，传统方案难以在无关图谱间建立联系，易遗漏关键上下文。GFM 成功打通了所有图谱间的连接，显著提升了检测性能。
“与最佳调优的单表基线相比，GFM 在不同下游任务中实现了平均精度 3 倍至 40 倍的增益，证明关系表中的图结构提供了至关重要的可利用信号。”
应用前景与未来展望
目前，GFM 已在 Google Ads 垃圾邮件检测的实时环境中稳定运行，且未产生负面影响。作为一个灵活的基础模型，它同样适用于内容主题识别、链接垃圾邮件检测等多图关联任务。
不同于许多尚处探索阶段的成果，GFM 已被呈现为一项成熟的成功实践。官方表示，通过进一步扩展规模、丰富训练数据及深化理论理解，其性能仍有提升空间。