知识是各种人工智能应用的重要前提。通常，知识来源于结构化知识库（如知识图谱和词典）或非结构化知识源（如维基百科文档）。近年来，研究人员发现，大型语言模型（LLM）在预训练过程中已经内化了大量知识。 受此启发，大型语言模型被用于生成常识性知识和事实性知识，以增强问答任务的背景信息。尽管研究结果令人鼓舞，但仍然存在许多悬而未决的问题：这些知识从何而来？大型语言模型掌握了多少知识？这些知识的可靠性如何？如果某些知识是错误的，我们如何修正？本教程探讨大型语言模型中的知识生命周期，包括：(1) 通过基础模型预训练知识的涌现；(2) 外部知识的注入；(3) 知识的更新与修改；(4) 知识的探测与生成；(5) 多模态知识的整合，包括对物理世界的理解和程序性规划。我们的目标受众主要来自自然语言处理（NLP）、人工智能（AI）和机器学习（ML）社区。参与者将获得对近期研究进展的全面回顾，并深入分析知识与大型语言模型交互的未来方向。

目前，关注该生命周期不同阶段的研究人员分散在机器学习的不同子社区：知识的探测与编辑通常属于可解释性研究范畴；知识注入通常是特定于应用的，主要在对话系统、问答、信息抽取和摘要任务中探讨；多模态知识（如物理世界知识和程序规划知识）则更多由计算机视觉和机器人学社区研究。本教程旨在将这些研究人员汇聚在一起，促进跨领域合作，从而形成对该问题更全面的理解。