当前，金融行业AI投入巨大。2025年六大国有银行金融科技投入合计超1300亿元，行业大模型中标项目587个、金额15.06亿元，较2024年实现数倍增长——但投入并未完全转化为机构预期的系统性能力。问题出在三个层面：数据孤岛——数据分散、口径不一，跨部门割裂突出；算法“黑箱”——大模型的不可解释性与“幻觉”问题，在金融场景中构成深层不确定性风险；隐性知识流失——信贷审批的“手感”、风险识别的“直觉”、合规判断的“经验”，这些分散、模糊、情境依赖的知识，传统AI工具无法有效捕捉和复用。
尽管存在上述障碍，中国金融机构在AI应用上仍取得了显著进展。大模型从试点进入规模化部署，智能助手与智能体在营销、风控、合规等环节逐步渗透。然而，这些进展大多停留在生成式AI的范畴——文本生成、信息问答、知识检索——本质上是在泛在知识层面对大模型能力的调用，最多在检索环节做了初步的垂直化适配。这也折射出一个更宏观的产业现象：中国AI算力大量消耗在短视频、短剧、电商文案等文生内容领域，而非真正用于决策支持（尽管决策场景中也会用到内容生成，但那是辅助性的信息呈现，而非判断本身）。金融行业的情况高度一致——Token增量大多流向营销文案、智能问答等泛在场景，而非真正用于风险判断、信贷决策等核心业务的本体知识构建。从信息辅助跃升至决策支持，这一跨越之所以困难，根源就在于二者之间存在明显的认知与工程断层。要真正解决反金融犯罪、风险管理、信贷审批等核心业务问题，AI系统需要的不仅是“读过”更多的金融文档，更需要构建关于金融业务的本体知识模型——明确业务对象是什么、关系是什么、规则是什么、判断逻辑是什么——并将这些知识转化为可计算、可推理的工程化体系。这正是当前金融AI从及格走向卓越的关键所在。
从技术成熟度看，这一跨越不会随大模型热度自然完成。大语言模型、检索增强生（JNJ）成、AI智能体（886099）等当前热门技术，多处于期望膨胀的高点，场景渗透快、市场热度高，却尚未沉淀为生产级能力；知识图谱、数据中台、隐私保护计算等技术，已经走过泡沫低谷，进入稳步爬行的复苏期，更接近可落地的决策支撑；因果推断、可解释强化学习、统一AI治理、可信数据空间等，则仍处于创新触发期到期望膨胀早期之间，代表着下一阶段的方向。这一分化说明，金融AI从技术应用走向智能决策，关键不在于单一模型能力的继续放大，而在于让大模型与本体知识、因果推理、可解释、可验证的工程体系协同，形成可执行、可追溯、可审计的判断系统。
点击下方观看视频
美国人工智能（885728）公司Palantir（PLTR），正是以构建本体层为核心能力，进入金融市场。Palantir（PLTR）最早服务于美国情报与国防机构，核心能力是将海量、分散、异构的数据整合为统一、可操作的情报。其技术路径的本质，并非开发某一个AI模型，而是构建一个能够打通数据孤岛、统一语义、支撑决策的操作系统。这一能力在金融领域得到充分验证——它不是以单一功能模块的形式嵌入某个业务环节，而是以底层操作系统的方式，在机构层面统一数据语义、整合异构系统、支撑上层多场景的智能决策。在银行业，法国兴业银行（601166）、花旗（C）银行等机构的部署并非为了替换某个旧模型，而是统一反金融犯罪的数据基础与规则体系，让分散在各业务线的数据在同一语义层上对齐；在保险业，瑞士再保险自2018年起在Foundry上构建覆盖承保、定价到索赔的全链条数据平台，本质是将百年保险经验沉淀为可计算、可演绎的规则引擎；在房贷市场，房利美AI欺诈检测系统将人类调查员需两个月识别的欺诈行为缩短至数秒，背后不是某一个更聪明的算法，而是对产权记录、收入流水、抵押物信息等异构数据的本体化整合与关联推理；在监管科技领域，英国金融行为监管局引入Palantir（PLTR），核心诉求同样是将分散在各金融机构的监管报送数据统一语义、交叉验证，提升风险识别的系统性和可追溯性。这些案例的共同逻辑是：先构建一个“能理解金融业务对象与关系”的本体层，再让AI在这个本体层之上运行。Palantir（PLTR）在金融领域的成功揭示了一个基本事实：金融机构最稀缺的资源不是数据、不是算力，而是将分散的知识整合为可执行决策的系统能力。
反观中国，2026年A股上市银行半年报显示，AI已从“技术探索”变为写入财报核心指标的价值引擎。工商银行（601398）“工银智涌”落地场景超600个，金融市场智能询价交易占比突破96%；建设银行（601939）生成式AI覆盖超600个场景；中国银行（601988）构建智能化助手超2200个；邮储银行（601658）落地大模型应用超370个。Token消耗量方面，招商银行（600036）日均达330亿，邮储银行（601658）超三百亿。然而，上述进展大多集中于大模型的能力调用与场景渗透，尚未触及Palantir（PLTR）所代表的另一条路径——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。大模型能对话、能生成，但不一定能“判”——这正是金融行业最核心的需求。Palantir（PLTR）证明了这条路径的可行性，但其技术架构与数据体系深度绑定西方金融市场的监管框架与业务生态，中国金融机构所面临的数据环境、监管要求、业务逻辑与之存在根本性差异。
中国金融业如何走出自己的知识智能之路？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。它不同于传统的大模型应用——大模型处理的是泛在知识，而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。Palantir（PLTR） Foundry的核心正是这个本体层。AIKC走的正是同一条技术路径，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。普华永道报告指出，数据可用性差是制约AI投资的首要因素，90%的金融机构主要依赖内部自有数据。AIKC通过知识抽取和建模，建立统一的知识表示和语义层，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。金发〔2026〕8号明确提出“持续增强人工智能（885728）模型稳健性，提高透明度，促进可解释性”。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？有五点建议。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。这些场景需要的是判断而非信息检索，最能体现知识智能的价值。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，而非随项目结项而止，让知识体系在业务运行中持续自我丰富、主动进化，始终匹配业务发展需要。第三，建立专门的知识工程团队。由业务专家、数据工程师、知识工程师协同，将分散在专家头脑和业务流程中的隐性知识系统化萃取、工程化。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，持续监测AI输出的置信区间，保障结果稳定、可靠且可预期。目前，零点有数（301169）正在积极推进AIKC在金融领域的应用，其控股公司海乂知发布的OntoOS本体智能操作系统，以可执行的本体语义为核心，贯通数据编织、规则推理、智能体协同与低代码应用构建，打造统一的企业本体世界模型。
