人工智能是不断取得突破的前沿技术，也是金融科技的重要组成部分。党的二十大明确要求，要构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎。人民银行《金融科技发展规划（2022—2025年）》中提出，要抓住全球人工智能发展新机遇，以人为本全面推进智能技术在金融领域深化应用。认知智能是人工智能的高级形态，在金融业具有广阔的发展前景，对于金融业提升服务质量，推进数字化转型具有良好的促进作用。金融业应加深对认知智能的了解和研究，不断深化认知智能的应用，培养认知智能专家队伍。

认知智能是人工智能的高级形态

根据完成的任务由低级到高级，人工智能可以分为三个层次。一是计算智能，模拟人类的计算和记忆能力；二是感知智能，模拟人类感知力，包括计算机视觉、声音识别、模式感知（从数据中发现规律）等等；三是认知智能，模拟人类的理解、推理、创造等高级能力。

在计算智能层面，人工智能的表现已经远远超过人类，简单的计算器和计算机程序即可以人类难以企及的速度和准确率，完成复杂的数学和逻辑运算；而各种存储技术也使得计算机能够保存远超过人类记忆力的信息。而在海量数据积累和巨大算力、以及梯度下降、神经网络等算法的支持下，以机器学习为代表的感知智能技术突飞猛进，甚至一度成为了人工智能的代名词。其在某些领域的表现已经逼近或超过人类。机器学习在本质上存在可解释性弱、易过拟合等弱点，其表现也容易受到数据本身的制约（例如数据本身存在的偏见、数据质量问题、训练数据不足等）。其本质上的实现逻辑也和人类并不完全相同。以计算机视觉为例，如果教儿童认识图片中的小猫，一般几张图片就可以了，儿童会自动归纳出猫的特点（例如四足、有毛、有胡须等），并且演绎到他见到的类似的物体上，就可以以非常高的准确率指出图片中是否有小猫，并不需要像现在的机器视觉算法要用大量的图片数据来进行训练。这表明在认知人类的认知智能，例如理解、推理、创造等高级能力方面，目前的人工智能依然是不能企及的。这些能力基于隐性的数学原理，而非以机器学习为代表的感知智能所擅长的从输入数据到结果变量之间的统计相关性。如果用一句形象的话来描述，“人工智能可以战胜最好的人类棋手，但却不能在你口渴的时候为你端一杯水。”

近年来，随着知识图谱等技术的不断成熟，认知智能的发展开始踏入快车道。并且出现了知识增强的深度学习模型等技术，其实现思想与机器学习中的多模态建模类似，将知识信息作为一个额外的信息源注入模型训练，提升模型的精准性和健壮性，标志着认知智能开始与感知智能开始进行有机融合，进一步逼近人类的认知能力。

因此，认知智能既是人工智能的高级形态，也是感知智能的有效补充，将使得人工智能突破原有的限制，迈上新的台阶，为数字化转型注入新的动能。

认知智能在金融业有广泛前景

正如知识是分领域和学科的，认知智能也需要和具体的领域和业务相结合，才会发挥更大作用。以金融业为例，金融机构通过长期的稳健经营，积累了大量的业务和风险控制知识，以及多年来持续推进智能化的技术经验。引入认知智能，将知识与技术能力相结合，将成为金融机构数字化转型的有力抓手。

1.在客户服务领域。目前的金融机构的智能客服或厅堂机器人能够根据客户的问题中的关键词，匹配知识库中合适的答案进行反馈，一般能够解决部分标准化程度较高的问题，但对于个性化问题的解决响应程度不高。此外，当前智能客服系统理解问题深层次原因、回应客户情绪、寻找潜在营销机会的能力尚有待提升。金融机构可结合客服人员的经验，对金融机构的整体数据和知识进行整合，完善智能客服系统。一方面将客服人员的精力集中在解决重要客户或疑难问题上，另一方面提升客服的营销和意见反馈能力，进一步推动客服中心向利润中心转型。

2.在信贷管理领域。当前金融机构的信贷管理日益依赖数据模型。金融机构基于过往的信贷表现数据建立了审批模型，推动贷款审批的线上化和普惠化。但单纯基于过往数据建立的信贷模型仅能反映过去的信贷风险特征，无法反映建模以后出现的新的风险特征。例如根据疫情前的数据所建立的模型，在疫情后的表现可能不理想，需要尽快调整。但基于数据统计的模型调整需要数据的持续积累才能完成，就有可能在建模数据积累期造成模型的空档。因此需要结合金融机构专业审批人员的经验和知识，提升模型的敏捷性和适应性。

3.在资产管理领域。当前金融机构提供的智能资产管理服务的理论重要基础，是基于资产的历史表现来衡量和评价资产的质量，例如投资组合领域中的马科维茨理论、夏普比例等等。然而影响市场变化的因素是多方面的，市场的变化也是非常迅速的。这些因素都导致部分新出现的影响因子并未反映在基于历史数据的模型当中，影响资产组合表现。金融机构应充分引入各方面专家，综合资金面、基本面、消息面、市场情绪、宏观经济等多种知识和经验进行认知智能建模，不断完善智能资产管理模型，快速捕捉市场变化，提升资产管理能力。

4.在风险管理领域。传统的风险管理往往基于单种风险、单个风险点来进行识别和预防措施。结合认知智能，可以将金融机构中经验丰富的风险管理专家的相关经验进行提炼和融入。将风险防控由点及面，放大专家的业务能力。例如利用认知智能中的知识图谱技术，在关系网络中沿着关系网络进行团伙识别。

深化认知智能的金融应用

综上所述，认知智能在金融业应用前景广泛，金融机构应加强对认知智能的研究，积极拓展使用场景，不断深化认知智能在金融业的应用。

1.顶层设计，建设企业级的认知智能基础架构。客户全流程的服务体验需要金融机构打破企业中存在的知识“竖井”，形成前中后台专家知识紧密联动的链条。因此，金融机构应建设企业级架构，将全机构的数据、流程和业务经验进行有机融合。基础架构应该保持开放，确保内外部进行充分的信息交换，使得认知智能利用外界的数据不断更新，能够像人一样不断学习外界快速变化的新知识。

2.统一标准，完成知识建模和知识库的搭建。认知智能需要建立统一的模型标准，将广泛分布在金融机构中不同领域、不同专业、不同人才的关于产品、流程、规定、风险等知识进行模型化和抽取。使得知识互联互通，将单个的知识点变成严密的知识网络，服务推理、联想等认知智能的相关功能。通过不断引入标准化的新知识，并建立广泛的知识连接，不断完善金融机构的知识库，为后续应用认知智能打下坚实基础。

3.结合痛点，遴选合适的金融应用场景。金融机构在选择认知智能应用场景时，除借鉴国内外同业外，可以结合两方面痛点遴选合适的认知智能应用场景。一方面是业务方面的痛点，例如专业人才队伍数量不足、业务智能化效率有待提升等痛点。另一方面是智能化方面的痛点，例如模型存在偏见、过拟合或建模数据有限等痛点。准确把握实际经营中的痛点对症下药，才能使得认知智能更好服务实际业务，做到知识从业务场景中来，智能到业务场景中去。

4.加强研究，培养业技融合的认知智能专家队伍。人才是数字化时代金融机构的核心竞争力。与传统人工智能人才强调统计学和计算机知识相比，认知智能人才更强调对于业务本身的深刻理解，以及将业务知识提取建模的能力。认知智能专家队伍处在业技融合人才谱中相对靠近业务的一端，更容易从金融机构内部业务条线人员转型培养。金融机构应加强对于相关人才的培养，完善人才队伍建设，拓宽职业发展路径，鼓励更多人才研究和锻炼自身认知智能的能力，成长成为兼具丰富业务经验和智能化思维的复合型专家人才，为金融机构数字化转型注入新的动力。