文｜袁岳

当前，金融行业AI投入巨大。但其投入并未完全转化为机构预期的系统性能力，其落地的场景应用大多集中于大模型的能力调用与场景渗透，尚未触及以知识整合为核心、以本体建模为方法、以可解释决策为目标的系统级智能。

中国金融业如何走出自己的知识智能之路？

我认为，AIKC（垂直知识智能，Artificial Intelligence Knowledge-based Contents）正是对这一问题的回应。

AIKC是一种将公共与私域数据、经验与实践、运行流程与逻辑转化为可复用、可迭代的智能资产的方法论与技术体系。不同于传统的大模型应用处理的是泛在知识，AIKC处理的是本体知识：金融业务中的对象是什么、它们之间是什么关系、业务流程的规则是什么、专家判断的逻辑是什么。

在反金融犯罪、风险管理、信贷审批、合规审查等核心业务场景中，系统需要的不是“知道更多”，而是“判断更准”。精准判断的前提，是系统内部构建了一个关于金融业务的本体世界模型——没有这个本体层，大模型只能做信息检索和内容生成，做不了真正的决策支持。

AIKC走的正是这一条技术路径，并将知识本身作为工程化的对象——不仅是数据的整合，更是经验的沉淀、规则的固化、判断逻辑的建模。

在金融场景中，AIKC的价值体现在三个维度。

其一，打通数据孤岛。AIKC通过知识抽取和建模，建立统一的语义层，使跨部门、跨系统的数据能够被统一理解和调用。

其二，固化隐性知识。信贷审批的“手感”、风险识别的“直觉”、合规判断的“经验”，这些隐性知识长期依赖个别专家的个人判断。AIKC将其转化为可复用、可验证的工程化资产。

其三，确保决策的可解释性与可审计性。AIKC通过构建垂直领域的知识图谱和规则体系，使每一次判断都有据可查、有迹可循。

金融机构如何用好AIKC？

第一，从反金融犯罪、信贷审批、风险管理、合规审查等核心业务场景切入。

第二，将知识工程作为基础设施长期投入。像维护核心交易系统一样持续投入知识图谱和本体建模。

第三，建立专门的知识工程团队。

第四，AIKC与大模型协同而非替代。大模型负责理解与生成，AIKC负责判断与推理，两者分工协同。

第五，以监管要求为牵引，建立可审计的AI决策体系，确保每一次AI判断均可回溯至具体知识节点与规则依据，并配套构建验证体系，保障结果稳定、可靠且可预期。

（作者系中国民营经济研究会副会长，由本刊记者崔晓萌整理）