智能决策是指利用多种智能技术和工具，对给定事件进行建模、分析并进行决策的过程。

知识驱动方法通过利用机理模型、规则经验、模型与算法等知识进行决策，通常具备完整的理论体系支撑和模型可解释性，也便于进行多学科知识集成，在工业领域常应用于工艺流程、装配、数字孪生等建模。知识作为一种数据和信息高度凝练的体现, 也意味着更高效的算法执行效率。然而知识驱动方法通常面临建模难度大、成本高、难以持续学习与进化等问题。

数据驱动方法利用深度学习、强化学习等技术，无需精确建模，直接从数据中学习特征并进行决策，具有通用性强、可持续学习与进化、具有海量开源模型和算法库等优势，在工业领域常应用于预测性维护、设备综合效率分析、产品质量分析等。但数据驱动方法存在模型可解释性差、模型性能依赖海量高质量数据、需要大算力等缺点，在可靠性、实时性要求较高的工业场景，数据驱动方法的应用比较局限。

图 1  知识驱动和数据驱动各自优缺点（蒲志强）

当前，将知识驱动和数据驱动两大类方法相结合, 充分利用各自优势，形成知识与数据协同驱动的决策方法，开始获得学界重视。张钹认为，知识与数据协同驱动将推动走向可解释与鲁棒的人工智能。周志华提出反绎学习范式，通过机器学习与知识推理的循环互促以实现数据知识双驱动。知识数据协同驱动目前主要应用于群体智能领域。

通过对知识驱动和数据驱动概念进行定性界定、对知识与数据协同驱动可能存在的不同方法路径进行梳理, 知识与数据协同可分为在架构级协同、算法级协同两个不同层面, 总体框架如图2所示.

图 2  知识与数据协同驱动总体框架（蒲志强）

 蒲志强. 知识和数据协同驱动的群体智能决策方法研究综述. 人工智能技术与咨询. 2022-5-20

 姜元, 陈杰浩. 知识数据协同驱动的工业大脑及实现关键技术. 新工业网. 2025-7-15