---
title: "AI能给银行知识吗"
date: 2026-10-21
description: "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界定为“知识技术”，系统追问：人凭AI输出形成的信念是否得到证成、能否算知识、AI更像证人还是仪器、不透明性如何分类、AI能否带来理解。本文用通俗语言讲清证言与仪器之辨、三种不透明、计算可靠主义、知识与理解的区别，以及“产出更多、理解更少”的警示，并落到银行模型验证、黑箱治理、归纳局限、过度依赖与阈值伦理等实操问题。"
tags: ["知识论","AI治理","模型风险","可解释性","黑箱","银行风控","人工智能"]
schema_type: Article
references:
  - title: "Epistemology of Artificial Intelligence（斯坦福哲学百科SEP，首次发布2026-10-16）"
    url: "https://plato.stanford.edu/entries/epistemology-ai/"
    source: "Stanford Encyclopedia of Philosophy"
  - title: "Burrell, J. (2016) How the Machine ‘Thinks’: Understanding Opacity in Machine Learning Algorithms, Big Data & Society"
    url: "https://doi.org/10.1177/2053951715622514"
    source: "SAGE / Big Data & Society"
  - title: "In Defence of Post-hoc Explainability（arXiv:2412.17883，讨论计算可靠主义的三类可靠性指标）"
    url: "https://arxiv.org/pdf/2412.17883"
    source: "arXiv"
  - title: "How the Machine ‘Thinks’：三种不透明的公开解读（Scheuerman）"
    url: "https://www.morgan-klaus.com/readings/opacity-ml.html"
    source: "Morgan Klaus Scheuerman"
---

# 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。）