作者 | 夏心愉

   出品 | 愉见财经

2026年被业内称为“金融智能体元年”。智能体浪潮席卷证券业，券商AI转型的方向已经从“单点增效”迈向“体系重构”。

多家上市券商在2026年半年里披露了AI战略最新进展——财富管理、投研、投行、合规风控等多个条线的核心业务流程里都已深度嵌入了AI。

另一大趋势是从AI自研迈向合作外部生态。从外部平台生态的反应来看，Kimi、腾讯WorkBuddy、阿里千问、火山引擎等平台相继布局金融赛道。

好，问题来了。如大家所见，券商的AI应用已经从辅助性质业务、走向核心业务了，从最初的知识问答、内容生成，进一步走向产品匹配、风险提示、投研辅助，那么请问——

模型能回答客户的问题，是否就意味着它能够进入业务系统？

面对适当性管理、投资咨询资质、信息隔离和数据权限等要求，AI怎么知道哪些事情可以做、哪些话不能说？

当监管或合规部门进行复核时，AI能否说清楚自己的判断依据？

重重问题的答案，可能不在于换一个更大的模型，而在于补上一层连接AI与真实业务的基础设施——「本体」。

“券商AI的胜负手，不只是模型有多大、多聪明，更重要的是有没有一套让AI理解业务、执行规则、控制权限并支持追溯的机制。「本体」正是其中重要的一层。”凡泰极客创始人梁启鸿表示。

那么，什么是「本体」？它与知识库、知识图谱有何区别？为什么券商AI尤其需要「本体」？「本体」建设又该从哪里开始？围绕这些问题，“愉见财经”专访了凡泰极客创始人梁启鸿。

受访人介绍：梁启鸿先生长期从事金融与互联网技术架构工作，曾任广发证券董事总经理兼首席架构师、雅虎北京研究院首席架构师、曾任职摩根士丹利、美林/摩根大通顾问、IBM T.J.沃森研究中心；是纽约市立大学计算机科学学士、哥伦比亚大学计算机科学硕士。

愉见财经：券商正在加快引入大模型，这其中可能会蕴藏哪些风险？

梁启鸿：我认为当前券商AI应用落地主要有三类风险。

第一类是适当性风险。比如，客户经理让AI推荐一款产品，AI很快给出答案和推荐理由，却没有核验客户的风险测评是否有效，也没有核对产品风险等级。回答可能很流畅，但业务流程是不完整的。

第二类是证券投资建议的合规边界。客户问某只股票能不能买、什么价位买，如果通用AI助手未经批准的专业服务流程，直接给出买卖方向、时点或价位，就可能触及违规提供证券投资建议的风险。

第三类是无法追溯。AI给出一个结论，合规部门进一步追问：用了什么数据？依据哪条规则？谁审核过？如果系统回答不了，问题就不仅是模型是否准确，而是整个业务过程无法核查。

所以，券商不能只看AI能回答多少问题，还要看它是否遵守规则、是否知道权限边界，以及业务过程能不能留痕。

愉见财经：我常听到外界有一种“船到桥头自然直”的信念，大家更关注模型能力的持续提升，认为随着模型能力的提升，上面这些问题自然会得到解决。

梁启鸿：模型能力提升当然重要，但它解决不了所有业务问题。

如果没有接入完整的业务数据和治理机制，大模型就像一个尚未完成岗前培训的实习生。它可能掌握很多知识，也能把话说得很好听，但不一定知道客户身份如何对应、产品口径以哪个系统为准，也不知道哪些数据可以访问、哪些操作必须转人工。

能聊天，是根据上下文生成一个“大概率合理”的回答；能干活，则要求AI在明确的业务对象、规则和权限范围内完成任务。

在券商这样的强监管行业，不能只依赖模型“自觉”遵守规则。关键业务判断需要经过确定性的校验，涉及越权或高风险的操作，还应当由系统拦截或转交人工处理。

愉见财经：您多次提到「本体」，我们到底如何理解「本体」？

梁启鸿：「本体」并不是一个新概念，它长期应用于知识表示和语义建模。在企业业务中，可以把它理解为一套数字化的业务模型——它先定义业务世界里有哪些对象，比如客户、账户、产品、风险测评和服务人员；再定义这些对象之间是什么关系，以及在业务中代表什么含义。

如果用一个比较直观的比喻，知识库更像档案室，解决资料存放和查询的问题；知识图谱像一张地图，帮助系统看到对象之间的联系；「本体」则进一步明确地图上的对象分别是什么、这些关系意味着什么，以及可以连接哪些业务规则和操作。

「本体」本身不等同于规则引擎、权限系统和审计平台，但它可以提供统一的业务语义，再与这些系统连接，让AI知道应该查询什么、调用什么，以及在什么情况下必须停止。

愉见财经：为什么券商比其他行业更迫切需要「本体」建设？

梁启鸿：因为券商业务具有三个特点：规则多、系统多、责任边界清晰。

同一个客户可能对应多个账户，不同系统中的客户ID、产品名称和风险等级口径也可能不一致。如果这些基础对象没有统一定义，AI即使理解了客户的问题，也可能调用错误的数据。

与此同时，券商业务强调可追溯。AI作出一项判断，需要说明使用了哪些数据、适用了哪一版规则、经过了哪些校验。规则发生变化后，也需要经过审核、测试和发布，再同步到相关业务系统。

「本体」的价值，就是把原本分散在系统、文档和人员经验中的业务语义整理出来，为数据连接、规则执行和过程追溯提供基础。

愉见财经：问一个最实际的问题，当客户提出某个个股的问题，券商AI应该如何处理？

梁启鸿：这个问题需要先区分客观信息与投资建议。

行情、公告以及公开规则等客观信息，可以在核验数据来源、时效性和使用权限后提供。但如果客户进一步询问具体标的能不能买、什么价位买，或者要求AI给出评级，通用AI助手不应自由生成结论。

这类问题应进入机构批准的专业服务流程，落实相应的业务资格、人员执业、审核和留痕要求。AI可以辅助信息整理和内容生成，但不能替代机构及专业人员应当承担的责任。

系统还需要把“什么类型的问题属于投资建议”转化为可以识别和执行的规则。识别到相关意图后，是进行提示、拦截还是转交专业人员，应根据券商内部制度和具体业务场景设定。

愉见财经：目前不少券商关注模型蒸馏，希望通过小模型和私有化部署降低成本。「本体」建设与模型蒸馏是什么关系？

梁启鸿：它们解决的是不同问题。蒸馏主要解决模型规模、部署方式和使用成本。「本体」解决的是AI面对什么业务对象、执行什么任务、需要遵守哪些规则，以及怎样判断结果是否符合业务要求。

模型蒸馏之前，至少要先明确任务边界、训练数据质量和评测标准。否则，教师模型输出中未经校验的错误，也可能被传递给小模型。

「本体」并不是蒸馏的技术前提，但它能够帮助企业统一业务语义、组织数据和明确判断标准。从业务落地的角度看，先把“做什么、什么是正确”定义清楚，再考虑“使用多大的模型、以多低的成本完成”，顺序会更加稳妥。

愉见财经：券商建设「本体」，会不会成为一项投入巨大、周期很长的工程？

梁启鸿：「本体」既可以很复杂，也可以从很小的场景开始。它不是越大越好，更不需要一开始覆盖所有业务。

券商可以先选择一个风险高、规则清晰、价值明确的场景，比如产品适当性校验。先定义客户、产品和风险测评等对象，统一数据口径和对象关系，再接入匹配规则、权限控制和审核流程。

这个过程中，真正工作量较大的，往往是客户身份归一、产品口径统一，以及把文档中的制度要求转化为可以被系统执行的规则。这些基础工作看起来不如模型演示直观，却直接决定AI能不能可靠地进入业务。

愉见财经：管理层如何判断一个券商AI应用能否上线？

梁启鸿：可以问三个问题：

第一，它能不能准确读取这位客户的风险测评信息？

第二，客户询问具体证券投资建议时，它有没有明确的处理边界？

第三，它刚才作出的判断，能不能说明数据和规则依据？

如果这三个问题回答不清楚，AI即使表现得再聪明，也不适合直接进入关键业务。