将AI深度融入金融行业，已成为推动国家战略落地和社会经济高质量发展的重要引擎。AI在金融领域的应用不仅能提升金融服务效率、降低交易成本，还能增强风险管控能力、扩大金融服务覆盖面，推动普惠金融发展，并通过绿色金融、科技金融等创新模式提升服务实体经济的质效。
中国科学院外籍院士、英国皇家学会院士、英国皇家工程院院士、深圳计算科学研究院首席科学家樊文飞在《北大金融评论》发文表示，发展“AI+金融”不仅是技术创新的应用，更是一场深刻的系统性变革。然而，AI应用也需应对数据安全、算法透明性及伦理规范等挑战，尤其是金融行业的风险管控、金融监督更是重中之重，“AI+金融”需在创新与约束之间寻求平衡，追求发展与创新的同时, 需通过强化监管科技和合规框架确保技术创新与风险控制的平衡。
本文刊登于《北大金融评论》第25期。
近年来，随着算力、算法与数据等关键要素的持续突破，人工智能技术的使用成本大幅下降，应用门槛显著降低，AI已进入快速成长期并具备大规模产业化落地的条件。IDC数据显示，2024年全球AI投资规模已达3158亿美元，预计到2028年将增至8159亿美元，五年复合增长率高达32.9%，显示出人工智能在全球范围内的强劲增长势头。
在中国，人工智能的发展动能尤为突出。预计到2028年，中国AI投资规模将超过1000亿美元，五年复合增长率达到35.2%，成为亚太地区的引领者。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，提出到2027年人工智能在六大重点领域实现广泛深度融合，新一代智能终端与智能体普及率超过70%，到2030年进一步提升至90%以上，推动智能经济成为高质量发展的重要增长极。金融业作为现代经济的核心，被列为重点应用行业，人工智能已在智能投资、智能营销、智能风控、智能客服和智能运营等场景广泛应用，例如中国银行将AI嵌入实时反欺诈环节，光大银行以AI知识助手提升客服能力，中国太保通过AI实现自动核保，将保单处理时效从3天缩短至5分钟，充分展现了人工智能在提升效率、优化体验和强化风险管理方面的显著价值。
AI技术的快速发展与金融业务的场景化实践形成了相互促进的正向循环：一方面，AI推动金融行业在效率、精度和服务模式上的突破；另一方面，金融行业的应用深化也反过来促进了AI技术的创新迭代。然而，机遇与挑战并存，人工智能在金融领域的引入与发展仍需正视并解决若干问题：（1）技术风险与挑战。AI输出结果高度依赖输入数据的质量、准确性和代表性，易产生“AI幻觉”等问题，其决策过程缺乏透明度和可解释性，与金融决策“合理与合法”的要求存在潜在冲突。（2）人才供给不足。“AI+金融”需要既懂技术又熟悉业务的复合型人才，而这一类人才本就稀缺，供需矛盾突出。（3）社会伦理问题。金融行业涉及大量敏感信息，隐私与安全风险亟须加强管理与防范；算法偏见可能导致客户定价或授信差异，造成不公平；AI决策失误后的责任归属难以厘清，易引发社会争议；此外，技术应用也可能带来低技能岗位的替代，加剧就业与社会公平问题。总体来看，AI在金融行业的创新实践既展示了广阔前景，也提出了全新课题。要推动“AI+金融”健康发展，需要在政策引导、技术创新与伦理规范之间寻求平衡，并通过一种全新的人工智能范式，以确保人工智能在赋能金融业的同时，助力国家战略目标的实现。
我们能否统一机器学习与逻辑推理？
人工智能是一门多学科交叉的前沿科学，融合了计算机科学、统计学、神经科学等多个领域的理论与方法，旨在赋予机器学习、推理、预测、感知和理解自然语言的能力。在人工智能的发展过程中，长期并行存在两大核心技术路线：符号主义（逻辑推理）与统计学派（机器学习）。逻辑推理具有可解释性强、对数据需求较低的优势，但在泛化能力方面存在不足；机器学习则擅长大规模数据处理和复杂模式识别，却缺乏逻辑可解释性和符号表达能力，且预测结果常在准确性、公平性与鲁棒性之间无法同时满足。这些局限成为人工智能大规模在决策系统落地应用的重要障碍。Mastercard给出的风控行业报告中进行过逻辑推理和机器学习使用占比统计，逻辑推理和机器学习的应用占比分别为47%和37%，二者并无孰优孰劣，且不可互相替代。因此，国际学术界与产业界均在探索能否将两种范式有机融合，在统一框架下实现优势互补。在这一背景下，一种新的人工智能范式——全栈AI，诞生了，其核心思想是将“逻辑推理”和“机器学习”有机结合，让两者优势互补。逻辑推理就像一套“如果……那么……”的规则体系，例如“如果客户的交易行为满足某种直观固定的模式，那么贷款申请需要进一步审核”。这种方式优点是透明、可解释，但在面对复杂多变的金融场景时往往缺乏灵活性。而机器学习则像是通过大量历史数据不断总结经验的“学习者”，它能捕捉隐藏的模式和趋势，但结果往往难以直接解释。全栈AI的创新之处在于将机器学习嵌入逻辑规则中：一方面，机器学习可以帮助判断条件是否成立，从而解决逻辑规则在复杂情境下泛化不足的问题；另一方面，机器学习也可以参与到结论的生成中，让系统自动发现潜在规律并增强推理的可解释性。比如，在金融风控中，逻辑规则可能设定“如果用户的交易金额异常大于日常水平，则触发风险预警”，“日常水平”的标准、异常的幅度等可以由机器学习根据海量交易数据自动调整。这样一来，既保持了规则的清晰可控，又引入了学习模型的灵活智能，在提升风险识别准确性的同时，也确保了系统决策的透明性与可解释性。基于这一理论范式，新一代智能数据分析系统——“钓鱼城”被研发出来。该系统依托全球领先的图计算引擎，具备结果可解释、计算性能卓越、分析快速精准等特点。其目标在于：提升预测准确度，降低机器学习模型的假阳性与假阴性，增强预测结果的逻辑解释能力，减少对大规模数据样本的依赖，从而为金融等行业的生产线决策提供更强支撑。目前，“钓鱼城”已在多家金融机构成功落地，广泛应用于风险管理、智能营销、反欺诈等场景，展现出全栈AI在技术与应用双重层面的突破价值。钓鱼城智能数据分析系统提供自动化知识图谱构建与智能关联关系挖掘功能，能够持续发现并积累可解释的逻辑规则与模型特征，帮助揭示数据中的潜在价值，支撑业务创新与科学决策。系统的核心技术突破主要体现在以下三个方面：（1）自动化图谱构建：基于高性能AI图计算引擎，实现知识图谱的端到端自动化构建。对接多源数据，自动进行表间关系分析，同时为用户提供自定义关系配置服务。结合自动分析与用户配置的表间关系结果，智能抽取、存储关联图谱数据。在智能抽图过程中，钓鱼城可自动诊断用户数据，基于内置的数个AI预训练模型与规则集，进行数据增强与数据清洗，输出可直接服务于业务应用的高质量图数据。（2）自动化特征挖掘：以“智能特征计算”框架为核心技术，构建了以“CREATOR生成器”和“CRITIC评估器”为核心的生产线。CREATOR生成器挖掘可在大规模图数据上自动挖掘多种类型的图特征，CRITIC评估则对CREATOR模块的挖掘结果进行全面的效果评估和筛选，实时可视化反馈至用户，并同步至CREATOR模块以优化下一轮挖掘过程。整个过程实现了全自动化，系统会重点关注那些“最难预测、最容易出错”的样本，从中提取出区分度更强的特征。这些特征不仅具备业务上的可解释性，还可以直接用于下游模型训练，帮助模型更好地识别隐藏在数据中的复杂关联和风险模式。（3）AI决策可解释：可解释技术基于原创可解释理论框架，提供不同层级的可解释能力，赋能各类业务。其中全局解释层提示模型整体决策规则，帮助业务人员理解模型底层逻辑并优化业务策略；局部解释层追溯单样本预测依据，进行单样本归因；反事实解释层则模拟最小改变下的决策反转路径，不仅精准定位改进方向，还天然具备业务可操作性。该功能通过全局规则发现、单样本归因与反事实推演的协同，将黑盒模型转化为可理解、可验证的白盒模型，在平衡风险控制与用户体验的同时，为金融机构的合规运营提供关键技术支撑。此外，“钓鱼城”支持可增量的分析，允许用户在数据、特征、规则层面嵌入自身行业的先验经验，并能针对任务目标设定不断累积数据，驱动基于场景的规则发现，不断提升模型预测精度的同时扩充用户行业经验储备。因此，相比许多依赖大数据训练的“黑盒”模型，“钓鱼城”在处理小数据样本场景时展现出了独特的技术优势和应用潜力。通过发现数据中内在的、往往不需要海量样本就能显现的客观规律和强关联规则，“钓鱼城”能够在数据量有限的情况下实现有效的分析、预测和决策支持。在金融领域，获取大量高质量标注数据成本高昂且周期漫长，“钓鱼城”则可以仅通过少量样本挖掘强关联规则，快速启动分析应用，并通过增量学习逐步完善迭代。专项赋能金融领域，以“钓鱼城”为技术基础，面向银行业务人员开发设计的“安石”金融科技分析系统，提供图构建、图计算、图分析全流程解决能力，可基于商业银行多种业务数据进行自动构图，自动计算生成各业务领域的特征算子和规则模型，实现提供高性能的图分析服务，为银行在各个业务领域实现智能化赋能。某股份制银行随着移动互联网、社交媒体等技术的迅猛发展，积累了海量不同类型的数据。面对如此庞大且复杂的数据，传统的数据分析方法逐渐力不从心，一方面人工分析建模时效成本和人力成本极高，越来越难以及时响应快速变化的业务场景需求。另一方面传统机器学习算法在处理高维、稀疏、非结构化数据时往往效果有限。同时随着科技的发展，对算力和技术平台的需求也逐步提升。为了解决这些问题，该银行引入了安石金融科技分析系统，旨在利用AI技术在分析建模能力方面带来变革，实现AI技术在特征挖掘上的智能化突破，模型构建效率上的大幅度提升，以及新的图特征对模型效果带来改善。经过一系列的硬件、软件与基础数据的评估与准备，安石金融科技分析系统在该银行完成了部署落地，并通过手机银行APP用户特征挖掘并提升用户点击率应用场景进行了效果总结。经分析统计，项目投入3台32核+1台64核信创服务器，整体建模效率提升约40%，实现手机银行APP用户行为数据6张表的自动化图谱构建，全自动挖掘特征1086个，通过自动化特征价值分析，系统保留针对应用场景目标高价值特征42个，应用这42个高价值特征进行模型训练——训练集AUC指标0.8742，召回率0.8955，效果提升度2.5；测试集AUC指标0.8600，召回率0.9230，效果提升度2.6。目前,金融机构在特征工程方面仍以专家经验结合人工代码为主流，部分机构部署的特征平台更多的是特征管理工具，“安石”利用AI技术实现自动化特征挖掘是一种极具针对性的创新，在金融业应用还处于空白阶段，具有非常大的推广空间。金融反欺诈手段不断演变，相应的反制技术也在飞速发展。欺诈团伙通过phishing、恶意软件等方式获取大量用户的网银账号和密码。他们不会立即作案，而是“养号”一段时间。然后，在某个特定时间（例如深夜），通过分散在全国甚至全球的代理IP地址，同时发起大量交易。这些交易通常是小额试探，成功后迅速转为大额转账或消费，旨在短时间内将资金转移并取现。传统的规则引擎（例如：单笔交易超过5万元则预警）难以应对。因为欺诈分子会刻意将交易金额拆到规则阈值以下。仅凭账号密码验证，银行无法区分是本人还是盗号者。某城商行现有的反欺诈系统过度依赖规则模型、泛化能力较弱、模型衰减快，导致欺诈识别率低、精准度不高，不仅存在交易反欺诈管控能力不足的合规性风险，而且给误判的客户带来不好的交易体验。结合行内数字化转型发展规划，以及引入全栈AI技术进行创新研展的计划，该银行拟应用全栈AI技术来提升反欺诈管控能力，加入机器学习模型补充反欺诈规则，为欺诈客群建立更丰富且动态优化的标签体系，提升欺诈识别准确率。根据普惠业务反欺诈场景需求与创新目标，该银行部署了安石金融科技分析系统进行方案落地，项目投入人力不到1人月，实现了客户信息、交易流水、人行征信、司法数据、税务数据、工商数据、资产数据、行为数据等内容的自动化图谱构建，自动化挖掘高价值特征24个，向导式择优构建反欺诈模型1个，通过行内提供的221个坏样本数据进行模型验证，欺诈识别准确率从20.18%提升至50.23%， 召回率从29.48%提升至74.03%。实践表明，全栈AI融合机器学习与逻辑推理的创新突破，在真实的金融场景中展现出显著的业务价值，帮助金融机构在风控精准度、运营效率与用户体验等方面实现跨越式提升。更重要的是，这种技术突破的应用价值远不止于金融场景，它还在产线决策、智能配方、风控安全、干法与湿法工艺等多个细分场景投入使用，大大提升工作效率。这种以可解释、可组合、可进化为特征的AI新范式，不仅解决了传统大模型在复杂业务中“说不清、调不动、跟不上”的痛点，更从底层推动了业务逻辑与AI技术架构的深度融合，为行业带来系统性创新与持续增长的强大动能。将人工智能（AI）深度融入金融行业，已成为推动国家战略落地和社会经济高质量发展的重要引擎。AI在金融领域的应用不仅能提升金融服务效率、降低交易成本，还能增强风险管控能力、扩大金融服务覆盖面，推动普惠金融发展，并通过绿色金融、科技金融等创新模式提升服务实体经济的质效。可以说，发展“AI+金融”不仅是技术创新的应用，更是一场深刻的系统性变革。然而，AI应用也需应对数据安全、算法透明性及伦理规范等挑战，尤其是金融行业的风险管控、金融监督更是重中之重，“AI+金融”需在创新与约束之间寻求平衡，追求发展与创新的同时, 需通过强化监管科技和合规框架确保技术创新与风险控制的平衡。
