意见领袖丨新金融联盟NFA
“本体智能是将传统技术导向的数据模型治理，升级为面向业务本身的事实模型，精准解释自然语言驱动的业务活动。它将客户、账户、交易、风险事件、产品等核心业务要素定义为‘活的实体’，让原本躺在表格里的静态数据，转变为可被机器‘理解、关联、推理’的动态对象，真正打通技术与业务的壁垒，破解大模型‘不懂业务’的痛点。”3月28日，在新金融联盟主办的“金融智能体的业务赋能与安全合规”内部研讨会上，中科金财董事长朱烨东在主题演讲中表示。
他介绍，基于本体底座构建的银行大脑，可以理解口语化或专业术语的提问；通过推理发现隐形知识；对银行全部的硅基员工进行统一管控和调度，让硅基员工利用统一无歧义的业务语言交流并执行任务；成立硅基员工专属HR部门，对其生产、发放、授权、监督及人机协同全流程规范化管理，实现管理模式的革新。
会议由新金融联盟秘书长吴雨珊主持，中国金融四十人论坛提供学术支持。国家金融监督管理总局科技监管司相关领导、建设银行原首席信息官金磐石作主题交流。民生银行首席信息官张斌、北京银行首席信息官明立松、交通银行金融科技部副总经理朱麟也发表了主题演讲。94家银行、非银机构与科技公司代表通过线上线下参会。以下为朱烨东发言全文。
当前，银行业处于从数字化向智能化转型的关键阶段。若人工智能无法显著提升银行效率、改善财务模型，便称不上真正的工业革命，也谈不上代际跃迁。在发展人工智能的同时，必须解决幻觉、不稳定、不准确等问题，这直接关系到业务生产安全和治理安全。目前，我们已与某大型银行在信贷场景中，落地了“本体”解决方案。在此，我与大家分享我们在企业大脑、硅基员工及本体论方面的实践成果与思考。
一、当前大模型应用的痛点
各银行在应用大语言模型过程中，普遍面临诸多问题，如大模型“幻觉”与决策“黑箱”、投入大但使用效率低等。这些问题的产生，主要源于以下几个方面。
第一，数据治理不到位。传统数据治理主要聚焦于监管报送、内部查询等基础需求，并未围绕智能体、人工智能或业务运营管理升级展开，导致数据标准化、一致性难以保障。若数据治理无法满足智能应用的要求，后续将面临一系列生产安全风险及决策偏差问题。同时，静态数据无法及时反映业务动态变化，导致大模型难以捕捉实时风险，最终造成风险管控滞后。
第二，语义理解断层。技术与业务之间存在“语言壁垒”。通用大模型缺乏对银行业务的深度认知，无法精准解读业务真实需求，出现听不懂、做不对等情况，难以支撑核心业务决策。如果语义理解本身是错误的，后续问题就更大。
我们较早与国内计量语义学专家合作，深入研究语义模型。在生产过程中，我们发现，通用大模型在垂类应用做复杂关键任务时存在明显不足，听不准，准确率低。在一线生产问数过程中，若语义理解出现偏差，后续行动任务编排将面临更大隐患。
二、本体论：银行AI落地的核心方法论
全球领先银行在智能体与硅基员工方面进展迅速，部分银行已部署数万个硅基员工进行复杂任务编排。我们通过实践探索，得出结论：数据本体论或知识本体论是解决硅基员工业务落地、满足监管AI安全治理要求及保障生产安全的关键。
当前，AI应用已向“认知层” 深度演进。在当代全球金融体系中，数据治理的内涵正从“技术资产管理”向“业务知识管理”发生根本性转变。传统数据管理手段已显捉襟见肘，国际大行已开始实践新的解决方式——语义治理。
配资炒股经过对全球多个大模型在垂直行业落地方法论的研究，我们认为，本体论是当前金融行业落地实践中行之有效的方法论。尽管未来可能出现更优方案，但现阶段尚未发现超越本体论的方法。
什么是本体？“本体”（Ontology）是银行业AI突破瓶颈的破局之道，是银行AI大脑的神经元网络，也是驱动大模型与智能体的核心操作系统。本体是由数据模型、流程模型、规则模型、组件模型、元数据模型等构成，既能精准理解自然语言，又能借助大模型对复杂业务问题进行深度推理，堪称“全才银行业务专家”。
本体不是数据库，而是将传统技术导向的数据模型治理，升级为面向业务本身的事实模型，精准解释自然语言驱动的业务活动。它将“客户”、“账户”、“交易”、“风险事件”、“产品”等核心业务要素定义为“活的实体”，让原本躺在表格里的静态数据，转变为可被机器“理解、关联、推理”的动态对象，真正打通技术与业务的壁垒，破解大模型“不懂业务”的痛点。
正如Palantir CEO 所言，如果没有本体底座，AI智能体只不过是昂贵的玩具。若缺少本体论构建的业务模型、行动模型与语义理解模型，系统极易出现各类问题，难以真正投入实际业务应用。
基于本体底座构建的银行大脑，可以理解口语化或专业术语的提问；通过推理发现隐形知识；对银行全部的硅基员工进行统一管控和调度，让硅基员工利用统一无歧义的业务语言交流并执行任务；成立硅基员工专属HR部门，对其生产、发放、授权、监督及人机协同全流程规范化管理，实现管理模式的革新。实践数据显示，硅基员工的成本仅为真人员工成本的1/16，成效显著。
三、中科金财的本体建设规划与核心能力
我们采用本体论构建业务模型，分成五个级别，最高级别为数字孪生，能大幅提升敏态和稳态，同时兼顾敏捷与生产治理安全。在这两年的摸索实践中，我们总结了一系列的方法论和模型，包括：本体构建方法论、工艺过程设计方法论、知识框架构建，以及术语建模、数据建模、流程建模、规则建模等具体模型，同时配套了数据提取等相关工具。
在实践中，我们积累了四大优势。
第一，理论优势。公司团队由数学、哲学、语义学科学家构成。我们认为，缺乏哲学基础，便无法构建对业务模型和世界规则的认知。在本体认知领域，我们构建了“记忆认知”、“词汇表征”、“形式几何”三大模型。
第二，工具支撑。我们具有完整的从“学术到实践”的工程化方法和软件工具技术栈，正协助银行从被动数据治理转变为主动本体语义运营。
第三，实施经验。运用“金融本体语义底座”为大型商业银行落地AI场景，效果良好。
第四，成熟的“本体”模型。我们拥有经过银行验证、适配国内金融机构且自主可控的本体语义模型。
四、典型落地场景
信贷场景
基于金融本体语义底座，我们实现了信贷全流程的“本体”落地。SinoOntology以统一业务语义层为基础，通过Agent+本体双轮驱动，重构授信尽调全流程：自动穿透多源底层数据库，精准抓取企业征信、财务、诉讼等真实数据源；对多元数据进行交叉验证与研判；自动完成企业流水鉴真、合规校验与尽调报告生成，大幅提升报告生成效率。
在风险分析模块，Agent调度本体网络进行深层关联推理，穿透表象数据，精准挖掘企业的隐性风险，消除人工摘抄录入的差错风险，统一全行风控标准，提升客户满意度。
业务元数据治理
依托大模型智能提取与本体论语义约束，提供新一代业务元数据治理服务。以动态业务本体为统一语义底座，自动化梳理术语、指标、规则与数据血缘，实现异构系统元数据对齐、智能补全与合规校验，从根源解决口径冲突、数据不可信、溯源难等痛点。业务人员无需参与繁杂的标准梳理工作，我们可独立完成元数据治理，降低协同成本。
电话催收场景
本体技术已在银行电话催收场景落地应用。通过构建催收知识网络，整合账户、逾期、合规等全维度信息，实现话术精准匹配、客户意图实时解析与个性化方案推送，在提升催收效率与资产回收效果的同时，严控合规风险、优化客户体验。
五、未来展望
中科金财将持续深耕本体建模与金融语义层的工程化建设，深化安全合规治理在本体中的应用，以全面驱动大模型及“硅基员工”的应用效能与运行安全。期待与大家共同探索企业大脑、上万硅基员工的复杂任务编排与人机协同。
未来银行的核心竞争力，不再取决于掌握多少数据，而在于能否深刻理解数据背后的业务本质，精准预见风险与机遇。让我们携手推动银行业从“数据驱动”迈向“本体智能”的全新跨越——不仅记录历史，更能模拟未来、把握未来。
最后，我们希望在知识本体、行业标准，以及面向AI原生的金融元数据标准方面，形成行业共识与标准，助力行业安全发展。
(本文作者介绍：一个高质量的新金融政策研讨和行业交流平台配资科普内容。)
正规炒股配资网提示：本文来自互联网，不代表本网站观点。