---
title: "“存得多”不如“证得住”：用知识论六个透镜，看银行如何经营知识资产为 AI 提供知识保障"
date: "2026-10-19"
description: "大模型幻觉、RAG 引用失效制度、智能体依据过时流程办业务，本质都是知识的证成问题。本文借用知识论的六个经典理论——得到证成的真信念（JTB）、盖梯尔问题、可靠论、默会知识与 SECI、赖尔的“知道是什么/知道怎么做”、社会知识论与可谬论——逐一映射到银行知识资产的入库、分级、转化、使用与修正，提出一套为 AI 赋能提供知识保障的经营框架。"
tags: ["知识论", "知识管理", "知识资产", "RAG", "智能体", "银行AI", "AI治理", "默会知识"]
schema_type: "Article"
references:
  - title: "The Analysis of Knowledge"
    url: "https://plato.stanford.edu/entries/knowledge-analysis/"
    source: "Stanford Encyclopedia of Philosophy"
  - title: "Reliabilist Epistemology"
    url: "https://plato.stanford.edu/entries/reliabilism/"
    source: "Stanford Encyclopedia of Philosophy"
  - title: "Knowledge How"
    url: "https://plato.stanford.edu/entries/knowledge-how/"
    source: "Stanford Encyclopedia of Philosophy"
  - title: "Social Epistemology"
    url: "https://plato.stanford.edu/entries/epistemology-social/"
    source: "Stanford Encyclopedia of Philosophy"
---

**银行的 AI 问题，表面是“数据够不够、模型强不强”，深层是“我们凭什么说这是对的”。**

**大模型幻觉、RAG 引用了已废止的制度、智能体照着过时流程办业务，本质上都是知识的证成问题，而知识论正是研究“知识是什么、如何被证成、如何传递”的学问。**

**按经典定义，进入 AI 可依据知识库的内容，必须同时满足三个条件：机构认可（信念）、当前有效（为真）、可追溯出处（有理据）。缺一项只能算信息。**

**只看答案对错的 AI 评测不够：盖梯尔问题提醒我们，AI 可能“碰巧答对”，所以必须同时评测引用是否有效、推理链是否成立。**

**银行经营知识资产的关键不在“存得多”，而在“证得住”：有理据、有权威、有时效，并且可以被修正。**

---

> 写作说明：本文是理论分析，不是对某项监管要求的解读。文中哲学概念的界定参考斯坦福哲学百科相关条目（见参考文献）；银行场景映射与落地框架均为本文分析。

## 一、为什么要用知识论看银行 AI

过去十年，银行谈数字化，焦点是数据：数据治理、数据中台、数据资产入表。大模型和智能体到来后，问题变了。AI 不只是读数据，它要回答问题、给出建议、甚至替员工办事。这时决定 AI 质量的，不再只是“有没有数据”，而是“它依据的东西算不算知识”。

三个常见故障都可以用一句话归纳：

| 故障 | 表现 | 知识论诊断 |
|---|---|---|
| 幻觉 | 编造不存在的产品条款 | 没有理据的“信念” |
| 引用失效 | 引用已废止的制度 | 有理据，但不再为真 |
| 流程过时 | 智能体按旧审批路径操作 | 程序知识没有随制度更新 |

所以，为 AI 提供“知识保障”，本质是为 AI 提供**经过证成的知识**。知识论两千多年积累的工具，恰好可以用来设计这套保障。

## 二、透镜一：得到证成的真信念（JTB）——知识入库的三个条件

自柏拉图《泰阿泰德篇》以来，哲学上最经典的分析是：知识是“得到证成的真信念”（justified true belief）。三个条件缺一不可。

**本文分析**：把它翻译成银行知识库的入库标准：

- **信念 → 机构认可。** 知识必须是机构层面的“相信”，有权威发布方和明确的负责人（owner），而不是某个员工的个人笔记或聊天记录。
- **为真 → 当前有效。** 银行知识有强烈的时效性：利率、限额、产品要素、监管口径都会变。每条知识都应有生效日、失效日和版本号。
- **有理据 → 可追溯出处。** 每条知识都能指回制度条款、监管文件、审批记录或经验证的案例。

**启示**：三项缺一项的内容，只能算“信息”，可以供员工参考，但不应进入 AI 据以回答和行动的知识库。这条线一旦划清，“知识库建设”就从堆文档变成了做认证。

## 三、透镜二：盖梯尔问题——警惕 AI“碰巧答对”

1963 年，哲学家盖梯尔（Edmund Gettier）用两个反例指出：一个信念可以既为真、又有理据，却仍然不是知识，因为理据和真相之间没有恰当的连接——它只是碰巧对了。

**本文分析**：银行场景里的盖梯尔案例并不罕见：

- 客服智能体引用了一份已废止的旧制度，但结论恰好与新制度一致；
- 风控模型靠一个虚假相关的变量算对了历史样本，换个经济周期就失效；
- 合规问答引用的条款编号对，但条款内容已经被修订。

这些情况下，“答案正确率”看起来都很好，隐患却已经埋下。

**启示**：AI 评测不能只看答案对错。至少还要评测两项：

1. **引用忠实度**：回答是否真的来自所引用的段落，而不是模型自己补出来的；
2. **依据有效性**：所引用的知识在回答时点是否仍然有效。

一个“答对了但依据错了”的回答，应当和“答错了”一样计为缺陷。

## 四、透镜三：可靠论——按来源与过程的可靠性分级

可靠论（reliabilism）认为，一个信念是否得到证成，取决于产生它的认知过程是否可靠，而不一定取决于当事人能否说出理由。

**本文分析**：这为知识分级提供了理论基础。银行可以按产生过程的可靠性，给知识来源分级，例如：

| 等级 | 来源 | 典型可靠性依据 |
|---|---|---|
| 1 | 监管原文、法律法规 | 法定程序发布 |
| 2 | 行内制度 | 经内部审批发布 |
| 3 | 经审批的操作手册 | 经业务与合规复核 |
| 4 | 专家经验总结、标注案例 | 经专家评审 |
| 5 | 外部资讯、行业研究 | 依赖外部机构 |
| 6 | AI 生成内容 | 未经人工认可前不可靠 |

**启示**：

- 检索时按可靠度加权，来源冲突时高等级优先，并把冲突本身提示给用户；
- **AI 生成的内容不得自动回灌知识库。** 否则系统会用自己的输出证明自己，形成“自我引用”的知识污染。AI 生成的总结、问答对，只有经人工认可后才能升级入库。

## 五、透镜四：默会知识与 SECI——把老员工的判断变成资产

匈牙利裔哲学家波兰尼（Michael Polanyi）有一句名言：“我们知道的比我们能说出的多。”他把这类难以言传的知识称为默会知识（tacit knowledge）。日本学者野中郁次郎与竹内弘高在此基础上提出 SECI 模型，描述知识在默会与显性之间转化的四个环节。

**本文分析**：在信贷审批、反洗钱研判、不良资产处置中，最值钱的往往正是默会知识：一笔贷款“哪里不对劲”，一个交易链条“像不像在洗钱”。这些判断很少写进制度。按 SECI 拆开：

- **社会化（默会→默会）**：师徒制、案例研讨、联合尽调。
- **外显化（默会→显性）**：把判断要点写成检查清单、决策树、标注案例。这一步是 AI 最重要的“食料”。
- **组合化（显性→显性）**：把外显化的经验与制度、数据整合进知识图谱、提示词库和技能库。
- **内在化（显性→默会）**：新员工借助 AI 助手在实战中快速掌握判断。

**启示**：外显化最难，也最贵。一个成本较低的路径，是**系统地记录专家对 AI 输出的修改和否决理由**。每一次“这里不对，因为……”，都是一条被说出来的默会知识。银行应把这类反馈设计成结构化字段，而不是散落在聊天记录里。

## 六、透镜五：“知道是什么”与“知道怎么做”——智能体时代的知识分类

英国哲学家赖尔（Gilbert Ryle）区分了两类知识：知道是什么（knowing that，命题知识）与知道怎么做（knowing how，能力知识）。会背交通规则不等于会开车。

**本文分析**：这个区分在智能体时代变得非常实际：

| 类型 | 银行例子 | 适合的 AI 形态 |
|---|---|---|
| 命题知识 | 产品要素、制度条款、监管口径 | 检索增强生成（RAG） |
| 程序知识 | 开户步骤、异常处理、审批路径 | 可执行的流程、工具和技能 |

**启示**：只建文档库的银行，会得到一个“懂道理但不会办事”的智能体。程序知识需要单独整理成“技能库”：每个技能写清楚前置条件、操作步骤、所需权限、限额和异常分支，并像代码一样做版本管理。制度一改，对应技能必须同步更新，否则智能体会一丝不苟地执行过时流程。

## 七、透镜六：社会知识论与可谬论——知识是组织的，也是可修正的

社会知识论研究知识如何在人与人、人与机构之间传递，其中一个核心问题是**证言**：我们大部分知识来自“别人告诉我们”，那么何时可以相信别人？可谬论（fallibilism）则主张，任何知识都可能出错，都应保持可修正。德性知识论进一步强调，好的认知者具备理智上的谦逊，知道自己不知道什么。

**本文分析**，三点映射到银行：

- **证言 → 知识发布权。** 员工和 AI 都主要通过“别人说的”获得知识，所以要管理“谁有资格说”：哪个部门有权发布哪一类知识、谁负责审核，必须清晰。
- **可谬论 → 纠错机制。** 建立一线反馈通道、定期复核和失效下线机制。知识库不是档案馆，而是需要持续维护的生产系统。
- **德性 → 拒答能力。** AI 在知识库中找不到依据时，应明确说“不知道”并转人工，而不是编一个看似合理的答案。拒答率不应只被视为缺陷，合理的拒答是可信 AI 的标志。

## 八、落地框架：知识资产经营的五个环节

把六个透镜组合起来，可以得到一条完整的知识资产经营链条：

| 环节 | 知识论依据 | 银行做法 | 可衡量指标（示例） |
|---|---|---|---|
| 入库 | JTB | 每条知识有出处、有 owner、有生效日 | 元数据完整率 |
| 分级 | 可靠论、证言 | 来源可靠度分级，冲突时高级优先 | 冲突知识数、AI 内容未审回灌数 |
| 转化 | SECI、know-how | 专家经验外显化；程序知识技能化 | 专家反馈入库数、技能覆盖率 |
| 使用 | 盖梯尔问题、德性 | 强制引用，评测引用忠实度，无依据则拒答 | 引用忠实度、依据有效率 |
| 修正 | 可谬论 | 定期复核、失效下线、一线反馈纠错 | 过期知识占比、纠错闭环时长 |

**本文分析**：这五个环节可以挂到银行已有的治理架构上。入库和分级可以借用数据治理中的数据责任人和数据血缘机制；使用环节的评测可以纳入模型风险管理的验证范围；修正环节可以并入制度管理流程，做到“制度一改，知识和技能同步改”。

## 九、三个常见误区

1. **把数据当知识。** 数据没有理据和语境，只是知识的原料。数据治理做得好，不等于知识保障到位。
2. **把文档当知识。** 把过期、重复、互相矛盾的文档一股脑灌进 RAG，会把“有理据的错误”放大——因为 AI 的回答看起来有出处。
3. **把 AI 输出当知识。** 未经人工认可就回灌，等于让系统自己为自己作证。

## 十、结语

数据回答“发生了什么”，知识回答“为什么是这样、应该怎么做”。AI 越强，越会放大它所依据的东西：依据的是经过证成的知识，放大的是专业能力；依据的是未经证成的信息，放大的就是风险。

**本文分析**：银行为 AI 提供知识保障，关键不在“存得多”，而在“证得住”。让每条知识都有理据、有权威、有时效，并且可以被修正，AI 的每一个回答和动作才能追溯到可信的依据，知识资产才能真正转化为可审计、可问责的 AI 能力。

## 常见问题

Q: 什么是知识的“证成”，和银行 AI 有什么关系？

A: 证成指一个信念有充分的理由支持。对银行 AI 来说，就是每个回答和动作都能追溯到有效、权威的依据，例如现行制度条款或监管原文。幻觉和引用失效制度，都是证成失败的表现。

Q: 为什么 AI 答对了还可能有问题？

A: 这就是盖梯尔问题：答案可能碰巧正确，但依据是错的，比如引用了已废止的制度。依据一旦错误，换个场景就会出错，所以评测要同时看引用忠实度和依据有效性。

Q: RAG 和智能体需要的知识有什么不同？

A: RAG 主要用命题知识（制度条款、产品要素），智能体还需要程序知识（办理步骤、审批路径、异常处理）。后者要整理成带权限和限额的技能库，并随制度同步更新。

Q: AI 生成的内容可以放进知识库吗？

A: 可以，但必须经人工认可后才能入库。自动回灌会让系统用自己的输出证明自己，形成知识污染。

## 参考文献说明

**理论来源**：JTB 分析与盖梯尔问题参见《The Analysis of Knowledge》；可靠论参见《Reliabilist Epistemology》；“知道怎么做”参见《Knowledge How》；证言与社会知识论参见《Social Epistemology》（均为斯坦福哲学百科条目）。波兰尼的默会知识出自其著作《默会的维度》（The Tacit Dimension）；SECI 模型出自野中郁次郎与竹内弘高的《创造知识的企业》（The Knowledge-Creating Company）。

**本文推论部分（非来源表述）**：各节“本文分析”及“启示”段落、第八节框架与指标、第九节误区、第十节结语。相关阅读：本站 [MAS《人工智能风险管理指引》逐段解读](https://bi-chao.com/articles/mas-airg-deep-analysis)。

**本文不构成合规意见。**

*（内容由AI生成，仅供参考）*