前文提及《穿透式监管模型的技术基础》，其核心是专家系统和知识图谱与图计算这两条确定性路径。

但近两年，AI大模型在企业管理和风险控制领域的应用快速推进，几乎每一家央企的穿透式监管平台方案中都会提到“AI大模型”。

这带来一个必须回答的问题：AI大模型在穿透式监管模型中到底扮演什么角色？它和规则模型是什么关系？两者能否相互替代？

企业推进穿透式监管建设，如何运用AI，会出现两种偏差。

一种是“AI万能论”，认为大模型可以替代规则模型，把监管判断交给AI去做。

另一种是“AI无用论”，认为大模型不可靠，干脆排除在体系之外。

这两种偏差的根源，都在于没有理解AI大模型的技术本质，以及它与规则模型在技术路径上的根本分野。

01 为什么要讨论AI大模型

在穿透式监管模型设计中，专门讨论AI大模型，有三个层面的原因。

1. 从企业实践的角度看，AI大模型已经在穿透式监管领域实际落地。

多家央企的穿透式监管平台引入AI大模型能力，用于政策智能问答、风险研判辅助、自动报告生成等功能。

根据相关宣传，有平台已搭建了“语义解析+规则引擎+知识图谱”三层智能审查架构，依托AI语义识别、自动化规则校验、知识图谱关联比对技术开展多维度智能校验。

也有AI智能体实现文档智能解析、字段自动映射、问题精准定位、审核报告一键生成的全流程自动化。

实践表明，AI大模型已经不是“要不要用”的问题，而是“怎么用对”的问题。

2. 从技术本质的角度看，AI大模型与规则模型走的是两条完全不同的技术路线。

规则模型是基于预设的“条件—动作”逻辑做确定性判断，AI大模型基于海量语料中的统计规律做概率性生成。

大语言模型的能力受到三类机制性条件约束：训练数据决定知识覆盖和时效范围、有限条件下Transformer架构的结构性表达边界、以及概率生成目标导致的原生性幻觉。

这三重约束决定了AI大模型永远无法提供规则模型那样的确定性输出。

3. 从监管需求的角度看，穿透式监管对模型的判断结果有“可解释、可追溯、可问责”的刚性要求。

一条围标串标预警发出后，核查人员必须知道系统“凭什么判断这是围标串标”。AI大模型的可解释性不足是其最核心的内生困境。

大模型以数百亿甚至万亿参数神经网络为基础，知识表征散布于海量参数中，输入输出间的映射呈典型“黑箱”特征，即便模型答案正确，内部推理链条也难以直观追溯。

在合规判断场景中，不可解释的判断无法用于责任追究。

因此，讨论AI大模型，本质上是讨论“确定性判断”与“概率性生成”在企业风险管控中各自的位置和边界。

02 AI大模型的原理与局限

1. 有必要进一步理解AI大模型的技术原理。

AI大模型的核心架构是Transformer。它通过建模海量语料中的统计规律，学习语言的模式和结构。生成式大语言模型的工作方式，本质上是在每一步计算“下一个最可能的词是什么”，而不是在执行确定的逻辑推理。

这种“概率生成”机制决定了AI大模型的三个技术特征。

一，泛化能力强，能够处理没有见过的新问题，理解模糊的自然语言表述。二，理解与生成能力强，能把复杂的规则翻译成自然语言，也能把用户的自然语言转化为机器能理解的指令。三，推理能力有限，能基于上下文做简单逻辑推导，但推理链条不稳定、不可靠。

2. 再看AI大模型的核心局限。

第一个局限是原生性幻觉。大模型的概率生成目标导致其可能生成与事实不符、虚构或误导性的信息。幻觉的类型包括事实冲突、无中生有、指令误解和逻辑错误。

在穿透式监管场景中，幻觉意味着模型可能“编造”一条不存在的违规事实，或者“遗漏”一条实际存在的风险信号。

第二个局限是不可解释性。大模型的内部机制高度不透明，输入输出之间的映射呈“黑箱”特征。在合规判断中，这一问题尤其突出。

模型语义输出路径不可逆，难以符合传统合规体系中判断过程“可解释、可问责”的要求。生成判断结果对语境扰动非常敏感，语义漂移导致合规行为标准不稳定。

第三个局限是输出的不稳定性。同样的输入，在不同时间、不同参数设置下可能得到不同的输出。这与穿透式监管对确定性的要求直接冲突。

3. 对比AI大模型与风险模型的本质区别。

需要特别厘清一个容易混淆的问题：AI大模型和风险模型都是基于概率的，两者有什么不同？

风险模型是基于特定领域的历史数据，对特定类型的风险进行概率评估。它的输入是结构化的风险特征变量，输出是一个风险评分或概率值。

风险模型的“概率”是可控的，通过训练数据的选取、特征工程的设计和模型的调参，可以在一定程度上控制其输出范围和稳定性。

AI大模型的“概率”，则是原生性的。它的每一次输出本质上是在计算“下一个词最可能是什么”，输出结果的范围几乎是无限的。

风险模型的输出是“这个客户的风险评分是78分”，AI大模型的输出可能是一段完全出人意料的文字。风险模型的概率空间是收窄的、可预期的；AI大模型的概率空间是开放的、不可预期的。

两者的技术路径、可控程度、适用场景完全不同。风险模型可以用于辅助研判，但不能替代规则模型作为穿透式监管的核心判断机制。AI大模型同样如此，但它的不可控性比风险模型更高。

4. AI原生在穿透式监管模型建设中是否可行、是否有必要？

近两年，“AI原生”成为企业数字化建设中的一个热词。AI原生的含义是：系统的架构设计、业务流程、数据组织都以AI能力为核心来构建，而不是把AI作为附加功能。

放到穿透式监管模型建设中，AI原生意味着规则判断本身由AI驱动，业务流程围绕AI的生成能力来设计。

这个方向在穿透式监管场景中是否可行？

从技术可行性看，不可行。穿透式监管的核心判断逻辑要求确定性、可解释性和稳定性。AI大模型的概率生成机制、黑箱特性和输出不稳定性，与这三个要求直接冲突。

一条围标串标预警如果由AI大模型“生成”而非由规则模型“判定”，核查人员无法追溯判断依据，责任追究无法落地。穿透式监管的合规属性，决定了它的核心判断机制不能建立在概率性生成的基础上。

从实践必要性看，也没有必要。规则模型的技术路径已经能够满足穿透式监管对确定性判断的需求。专家系统加规则引擎的组合，可以实现对制度要求的精确翻译和稳定执行。知识图谱与图计算可以处理关联性判断。

这些成熟的技术路径，在可靠性、可解释性、可维护性上都优于AI原生方案。用AI原生方案替代这些成熟路径，不仅增加了不确定性，还增加了技术复杂度和维护成本。

但AI原生在辅助环节中有其价值。在文本分析、信息提取、智能问答、辅助研判等场景中，AI原生方案可以提升效率、降低人工负担。这些场景不要求判断结果的确定性和可解释性，AI的泛化能力和自然语言理解能力正好可以发挥作用。

因此，AI原生在穿透式监管模型建设中的定位应当是：核心判断环节不采用AI原生方案，辅助支持环节可以探索AI原生应用。整体架构上，规则引擎守底线，大模型做辅助，形成确定性与灵活性的分层协同。

03 AI大模型在穿透式监管体系中的作用与使用场景

AI大模型不能替代规则模型做确定性判断，但它在穿透式监管体系中可以承担三类辅助性工作。

第一类：文本分析与信息提取

穿透式监管涉及大量的非结构化文本，包括制度文件、合同文本、审计报告、监管政策、风险事件报告。AI大模型可以在这些场景中发挥文本理解和信息提取能力。

在招采领域，已有平台利用AI语义识别技术对招标文件进行智能审查，完成准入公平性、信用公平性、文本一致性、条款逻辑性等方面的智能化审查识别。

在穿透式监管体系中，这类应用的典型场景包括：从制度文本中自动提取判定逻辑，辅助规则模型的设计；从合同文本中自动识别异常条款，辅助合同穿透的规则校验；从审计报告中自动归类问题模式，辅助监管模型的优化。

第二类：智能问答与政策咨询

规则模型的设计和运行涉及大量的政策依据和制度条款。AI大模型可以构建监管政策问答助手，帮助业务人员快速查阅和理解决策所需的政策法规。

多家央企的穿透式监管平台已将政策智能问答作为核心功能之一。在具体的规则模型设计过程中，设计者需要频繁查阅46号令的追责情形、2号文的典型问题清单、行业监管的红线规定。

AI大模型可以将这些分散的政策文件汇聚为知识库，提供自然语言交互式的查询和解释服务。

第三类：辅助研判与报告生成

规则模型触发预警后，核查人员需要对预警事项进行研判。AI大模型可以在这一环节提供辅助支持。

在数智化风险管理实践中，已有方案利用AI大模型实现全球事件实时抓取与分级分析，将风险响应从天级提升至小时级，从“事件识别”升级为“影响预判”，并在决策支持环节驱动报告自动生成与定制化输出。

在穿透式监管体系中，这类应用的典型场景包括：对预警事项进行自动摘要和背景补充，帮助核查人员快速了解情况；对多个关联预警进行聚合分析，识别潜在的系统性风险；根据核查结论自动生成核查报告初稿，提高处置效率。

这里需要明确一个边界：AI大模型可以辅助研判，但不能替代研判。核查人员必须基于规则模型的确定性判断和自身的专业经验做出最终结论，AI大模型的输出只能作为参考信息。这与前面讨论的风险模型一样，风险模型可以辅助研判，但不能用于替代判断。

04 如何建立规则模型与AI大模型的互补关系

理解了AI大模型的能力边界之后，就能回答如何建立两者互补关系的实践问题了。

一，规则引擎守底线，大模型做辅助

规则引擎与大模型的协同架构，已经在多个领域得到验证。规则引擎作为“确定性骨架”，保障合规、可解释、零幻觉。大模型则充当“柔性大脑”，提升自然语言理解、推理与交互能力。

在穿透式监管模型中，这一架构的落地方式是：规则模型负责核心的确定性判断，AI大模型负责文本分析、智能问答和辅助研判。两者的分工不可混淆。

二，大模型为规则模型提供“前置加工”

AI大模型可以在规则模型运行之前发挥“前置加工”作用。例如，在规则模型设计阶段，大模型可以从制度文本中提取判定逻辑，从历史审计报告中提取问题模式，为规则逻辑的构建提供素材。

在规则模型运行阶段，大模型可以对非结构化的业务文本进行结构化处理，将提取出的关键信息作为规则模型的输入数据。

这一“前置加工”功能，弥补了规则模型只能处理结构化数据的局限。

三，规则模型为大模型提供“验证锚点”

当AI大模型生成辅助研判结论或文本分析结果后，规则模型可以对这些结论进行验证。例如，大模型从合同中提取了关键条款信息，规则模型可以校验这些信息是否满足制度规定的控制条件。这种“生成归模型、验证归系统”的机制，为大模型的输出提供了验证锚点，确保辅助研判的可信度。

四，最终判断权始终在人

无论是规则模型的预警还是AI大模型的辅助研判，最终的判断权和处置权都在人。

穿透式监管的责任归属必须明确到具体岗位和具体人员，AI大模型不能成为责任的“避风港”。

在核查环节，核查人员必须基于规则模型的判断依据和自身的专业经验做出独立结论。在追责环节，追责对象是具体的责任人员，而不是“系统”或“模型”。

小结一下：AI大模型是穿透式监管体系的重要辅助工具，但不是核心判断机制。它的价值在于文本分析、智能问答和辅助研判，它的局限在于不可解释性和原生性幻觉。它与规则模型的关系是互补的，不是替代的。理解这个边界，才能正确设计穿透式监管模型的技术路线。