几年前，Knowledge Graph 的目标是构建一个尽可能完整的生物医学知识图谱，因此大量精力投入到数据下载、实体标准化、关系映射和图谱融合。随着数据规模不断增长，维护成本越来越高，而不同机构也开始拥有各自的数据平台，集中托管所有图谱逐渐失去优势。
进入 AI 时代后，KG-Hub 的角色发生了变化。如今更像一个 Knowledge Graph Registry，重点不再是保存所有图谱，而是维护资源目录、元数据、质量评估和标准规范，让研究者更容易发现、理解和组合各种知识图谱。这种变化不是衰落，而是整个生态走向成熟的重要标志。
与此同时，大语言模型改变了知识利用方式。过去强调“构建图谱”，今天更强调“让 AI 使用图谱”。GraphRAG、Agent、多智能体系统开始将知识图谱作为可信知识层，与向量检索、实时数据和多组学分析协同工作，使结构化知识重新成为 AI 推理的重要基础，而不是孤立存在的数据产品。
对于 AI Drug Discovery 来说，真正值得学习的不是 KG-Hub 本身，而是它留下的工程思想：统一数据模型、标准化语义、可复现的数据流水线和开放生态。未来领先的药物研发平台，很可能都将采用“LLM + Knowledge Graph + 多组学 + 实时数据”的架构，而 KG-Hub 的理念依然深刻影响着这一方向。
