AI能给银行知识吗

2026 年 10 月 16 日，斯坦福哲学百科首次发布《人工智能的知识论》词条，把 AI 明确界定为一种“知识技术”——它主要被用来获取知识与理解，比如识别图像、做出预测、检验数学猜想、推断因果关系。

词条追问的核心问题是：当我们把信念建立在 AI 输出之上时，这个信念真的得到“证成”了吗？我们能不能理直气壮地说“我知道”？证成的来源又是什么？

一个很有启发的判断是：AI 更像一台需要校准的“仪器”，而不是一个可以作证、可以分担责任的“证人”或“专家”。

词条还引用了学者的担忧：AI 工具的普及，可能让科学进入一个“产出更多、却理解更少”的阶段。

这篇文章用通俗语言讲清这套哲学框架，并重点回答它对银行的模型验证、黑箱治理与风险决策意味着什么。

一、这是一份什么词条

1. 来源权威：斯坦福哲学百科是哲学界最具公信力的工具书，该词条首次发布于 2026 年 10 月 16 日，梳理了符号主义与连接主义两条 AI 路线。
2. 讨论的是“凭什么信”：它不讨论 AI 有没有意识，而是讨论知识、证成、理性、信任与理解这些“规范性”问题，即我们应当相信什么。
3. AI 的三重身份：词条把 AI 同时看作“被认识的对象”“扩展人类认知能力的工具”，以及“未来可能自己成为认知主体”。
4. 类似社会知识论：它像社会知识论一样，不再只关注孤立的个人，而是关注人与技术系统协作时如何获得知识。
5. 仍是新领域：词条坦承“AI 知识论”尚未成熟，许多问题没有定论，但 AI 越强大、越不透明，就越需要把它讲清楚。

二、AI 是证人、专家，还是仪器

1. 不像证人：证言知识的前提是对方真的“知道、相信、断言”，而多数哲学家认为当前 AI 没有信念、没有心理状态，因此不能像人一样作证。
2. 不是完整专家：AI 可以在某些事务上接近“认知权威”，但还不具备完整专家的品格与责任能力。
3. 更像仪器：分类器、计算机模拟与计算器、测量设备很接近，词条认为把 AI 当作“仪器”来理解更贴切。
4. 仪器也要可靠：问题的关键变成“基于仪器输出形成信念的过程是否可靠”，即仪器是否在足够多的案例中高概率给出正确结果。
5. 责任不能转移：正因为 AI 是仪器而非证人，使用者不能用“是 AI 说的”来推卸自己的判断与责任。

三、不透明性：为什么难以知道 AI 怎么想

1. 三个成因：词条引用 Burrell 的分类，不透明首先来自企业或国家为保密而不公开算法，其次来自很多人不会读写代码，第三类来自机器学习本身的数学复杂度与规模。
2. 规则是学来的：与人工编写的程序不同，机器学习的规则不是人定义的，而是从数据中推断出来的，连科学家也往往缺少对神经元在做什么的高层描述。
3. 不透明有程度之分：可分为原则上不可能知道、实践中不可能、仅仅困难、以及事实上缺乏访问，AI 的多数不透明属于依赖人的实践与能力的“可改善”类型。
4. 可解释性是解药：诠释性与可解释性研究（如 XAI）旨在降低不透明或缓解其后果，且一定程度的复杂不透明与较高的可诠释性可以并存。
5. 并非全都不透明：人通常能理解 AI 输出的含义、也能打印检查代码，但这不等于能预判输出或在更高层面理解它“为什么这样做”。

四、凭什么相信 AI 的结果

1. 计算可靠主义：词条介绍的核心思路是，只要某过程在特定领域内高比例地产生正确结果，并且使用者掌握其可靠性的证据，就可以证成地相信它，哪怕系统并不透明。
2. 证据从验证中来：计算机模拟通过与数据拟合、建立在先验理论之上、排除建模与舍入等各类错误、以及多模型结果一致（鲁棒性）来获得可信度。
3. 机器学习本质是归纳：监督学习可重构为从大量标注样本中归纳出一个通用函数，它不是演绎上必然成立，因此天然带有归纳风险。
4. 归纳的条件不易满足：哲学上，归纳要可靠，需要样本代表自然类、符合最佳解释等条件，而这些在许多深度学习应用中并不容易保证。
5. 能独立检验时要检验：有些结果可以自行核验（如重新计算），但大量高风险输出无法独立检验，只能依赖可靠性证据。
6. 警惕过度依赖：实证研究发现人会过度依赖 AI，进而削弱批判性思维与独立判断能力，这本身就是一种需要防范的风险。

五、知道，与理解，不是一回事

1. 理解更可贵：知识回答“是什么”，理解则要求把握事物之间的逻辑、概率、证据与解释联系，被认为是更有价值的认知成就。
2. 两种理解：对象性理解是对一个领域各种联系的整体把握，解释性理解则是接受并能真正运用一个“为什么”的解释。
3. AI 能促进理解：AI 可以建立证据联系、揭示潜在特征，人在反复使用工具、系统改变输入后，也能学到可推广的因果联系。
4. 但有“理解更少”的风险：模型本身不被理解，就难以充当理解的载体；LLM 给出的“为什么”可能只是重述记忆，或是看似合理却含幻觉的文本。
5. 解释必须被证成：只有当 AI 给出的解释已知可靠、且人能据此做进一步推断时，才算真正带来理解，而不是又一段流畅的文字。

六、对银行的八点启示

1. 模型验证的哲学根基：银行不能因模型“给出了结果”就相信，必须有回测、验证、独立复核等可靠性证据，这正是计算可靠主义对模型风险管理的要求。
2. 黑箱要分类治理：供应商不公开属于“保密型不透明”，团队看不懂属于“能力型不透明”，深度学习复杂属于“数学型不透明”，三类问题的解法完全不同。
3. 把 AI 当仪器校准：AI 更像需校准的仪器而非可担责的专家，银行要像对待测量设备一样做校准、验证与期间核查，不能指望用“模型说的”转移责任。
4. 归纳会在环境变化时失效：机器学习从历史归纳，一旦宏观环境、政策或市场结构发生变化，模型可能整体失灵，这是模型风险最根本的来源。
5. 防止“理解退化”：若风控人员只看模型输出而不理解风险机理，可能出现“报告更多、洞察更少”，一旦模型失效，组织将失去兜底能力。
6. 警惕员工技能退化：过度依赖 AI 会削弱员工的独立判断与专业能力，构成操作风险与人才断层风险。
7. 阈值设置是价值判断：信贷、反欺诈模型对假阳性与假阴性的权衡，不只是技术问题，还涉及风险偏好、公平对待客户与拒贷歧视等伦理维度。
8. 信任要有边界：银行不应给予 AI 完整的“认知信任”，关键决策必须保留人工，且要把供应商的意图、能力与数据来源纳入尽调。

七、银行的落地建议

1. 完善验证证据链：为每个模型建立从数据、回测、验证到上线后监控的完整证据，确保“可证成地相信”，而非默认正确。
2. 建立黑箱清单：按三种不透明对内部模型与供应商模型分类，分别制定披露、人才与可解释性方案。
3. 推行期间校准机制：把模型当作仪器，定期校准、复测与压力测试，环境变化时及时重估。
4. 强化人机协同：要求关键岗位人员理解模型机理，保留独立判断环节，避免一键式全盘接受。
5. 显性化阈值与风险偏好：把假阳性、假阴性的权衡与业务、合规、伦理标准挂钩，形成可审计的决策依据。
6. 监控使用与依赖程度：跟踪 AI 辅助的采纳率、人工推翻率与异常案例，设置过度依赖的预警。
7. 多模型与可迁移：避免单一模型与单一供应商锁定，保留切换与互相校验的能力。
8. 高风险坚持人工兜底：涉及授信、资金、理赔的最终决策由人负责，AI 定位为提供证据与参考，而非替代判断。

结语

斯坦福哲学百科的这份词条，看似是抽象的哲学讨论，实则为银行的 AI 治理提供了一套非常“接地气”的底层语言：它提醒我们，AI 输出不会自动变成知识，“看到答案”与“有资格相信”之间隔着可靠性证据；AI 更像需要校准的仪器，而不是可以分担责任的专家；而在追求效率的同时，组织更要守住对风险机理的真实理解。对银行而言，最稳妥的路径不是让 AI 替人“知道”，而是让 AI 帮助人更好地理解、验证与判断，同时把责任、校准与人工兜底牢牢握在自己手里。 当 AI 越来越聪明、越来越无处不在，决定风险管理成色的，依然是那句古老的知识论追问——你凭什么相信，你又是否真正理解。

（口径说明：本文关于 AI 作为知识技术、三重身份、证言与仪器之辨、不透明性分类、计算可靠主义、机器学习的归纳性质、知识与理解的区分及知识论与伦理关系等，均来自斯坦福哲学百科《Epistemology of Artificial Intelligence》（2026-10-16）；三种不透明的原始分类见 Burrell（2016），计算可靠主义的可靠性指标见相关学术与 arXiv 讨论。哲学词条本身为概念梳理与既有研究综述，不构成对具体 AI 系统性能的实证结论；本文为行业与风险管理分析，不构成投资建议。）