智能财务中的知识演进：从知识模拟到知识创新

【摘要】本文在回顾相关概念及人工智能发展历程的基础上， 结合对智能财务最佳实践的观察， 沿着人工智能符号主义和连接主义学派的发展路线， 探讨智能财务系统中知识的演进过程， 分析智能财务系统从对人类存量知识的模拟到对增量知识的发现和创新的过程及趋势， 最后借鉴数据库管理系统的发展成果对未来支撑知识发现和创新的知识库管理系统结构提出基本设想， 以期为智能财务的进一步研究和应用提供参考。

【关键词】智能财务；知识工程；知识模拟；知识发现；知识创新

【中图分类号】 F275 【文献标识码】A 【文章编号】1004-0994（2024）13-0017-7

人工智能（AI）的迅速发展给组织的数智化变革带来了巨大的驱动力， 智能财务作为一种新型的财务管理模式和发展方向因此应运而生。流程自动化、 专家系统、 神经网络、 自然语言处理、 模式识别、 大语言模型以及大数据等新一代信息技术在财会领域中深度应用， 为智能财务的发展带来了勃勃生机。数据作为智能财务发展中的关键要素， 伴随着大模型技术的出现和发展， 其在企业财务管理中的价值越来越得到彰显， 然而在追求数据价值和模型优化的同时， 领域知识和专家经验的作用却在一定程度上被忽视或弱化。人工智能的发展历程告诉我们， 知识不仅是人类智能的核心， 更直接推动了智能系统的应用与发展， 知识在管理活动中帮助智能系统持续地理解、 推理和学习， 不断提升智能系统的性能， 增强智能系统的可解释性和可信度， 并且在推动智能技术的创新和专业人才的培养中发挥着重大作用。

为深入探讨智能财务系统中知识的重要作用及其演进规律， 本文结合近年来对智能财务最佳实践的观察， 在回顾相关概念及研究文献的基础上， 试图沿着人工智能符号主义和连接主义学派的发展路线探讨智能财务系统中知识的作用， 分析和研究智能财务系统中知识的演进过程， 揭示其从对人类存量知识的模拟到对增量知识的发现乃至知识创新的过程及趋势， 并借鉴数据库管理系统的发展对未来知识库管理系统的基本架构提出初步设想， 以期为智能财务的相关研究和应用提供一定的参考。

一、 相关概念和研究基础

为了深入探讨智能财务中知识的演进规律， 首先需明晰与此相关的智能、 知识、 人工智能、 知识工程等概念以及它们与智能财务概念间的关系。

1. 智能、 知识及其相关关系。智能是指个体或系统处理信息、 学习、 理解、 适应环境、 解决问题以及创新的能力。在人类身上， 智能是一种应用知识处理环境的能力或由目标准则衡量的抽象思考能力（蔡自兴等，2016）。在机器中， 人工智能通过人工的方法和技术， 让机器像人一样认知、 思考和学习， 模仿、 延伸和扩展人的智能， 实现机器智能（史忠植，2019）。

在《韦伯斯特词典》中， 知识的定义是： “知识是通过实践、 研究、 联系或调查获得的关于事物的事实和状态的认识， 是对科学艺术或技术的理解， 是人类获得关于真理和原理的认识总和。”哲学家还根据不同的原则将知识划分为先验知识和后验知识、 隐性知识和显性知识等类型（罗素，1984）。

智能与知识之间存在着密切而本质的联系， 即知识是智能的基础， 而智能是对知识的应用、 处理与创造的能力。智能系统通过学习过程， 如监督学习、 无监督学习、 强化学习， 从数据中提取知识， 这一过程实际上增加了系统中的知识体量， 提升了系统的智能水平。掌握了知识的智能系统能够应用这些知识解决具体问题， 甚至在某些情况下通过组合或泛化知识， 创造出新的解决方案， 表现出某种程度的创新性。

2. 人工智能及其主流学派。自1956年以来， 人工智能在其近70年的发展过程中， 逐步形成了符号主义、 连接主义和行为主义三个学派或发展分支（参见图1）， 这些学派对人工智能的定义、 基础、 核心、 要素、 认知过程、 学科体系以及人类智能与人工智能的关系均存在着不同的观点， 对相关的研究方法也存在着不同的看法（蔡自兴等，2016）。

符号主义学派又称为逻辑主义学派或心理学派， 其核心是物理符号系统假设和有限合理性原理。符号主义认为： 人工智能源于数理逻辑； 人的认知基元是符号， 认知过程即符号操作过程； 知识是信息的一种形式， 是构成智能的基础； 人工智能的核心是知识表示、 知识推理和知识的运用； 知识可用符号表示， 也可用符号进行推理， 因而有可能建立起基于知识的人类智能和机器智能的统一理论体系。符号主义发展了启发式算法、 专家系统、 知识工程理论与技术， 曾长期一枝独秀， 目前仍是人工智能的主流学派之一。

连接主义学派又称为仿生学派或生理学派， 其核心是神经网络及神经网络间的连接机制与学习算法。连接主义认为： 人工智能源于仿生学， 特别是人脑模型的研究； 人的思维基元是神经元， 而不是符号处理过程。其主张着重于结构模拟， 即模拟人的生理神经网络结构， 并提出多种人工神经网络结构和学习算法。目前广为人知的大模型主要是连接主义学派的产物。连接主义学派是当前最热门的人工智能学派。

行为主义学派又称为进化主义或控制论学派， 其核心是控制论及感知—动作性控制系统。行为主义认为人工智能源于控制论， 智能取决于感知和行动， 行为主义者认为智能不需要知识、 不需要表示、 不需要推理。该流派早期的研究是模拟人在控制过程中的智能行为和作用， 后诞生了智能控制和智能机器人系统， 目前该流派的思想主要被应用在自动驾驶和工业机器人等领域， 在财经领域的应用较为少见。

3. 知识工程及其主要环节。知识工程与人工智能符号主义学派有着密切的关系， 它是一门研究如何构建、 维护和使用基于知识的系统的技术学科。传统的知识工程的概念由美国斯坦福大学爱德华·费根鲍姆教授在1977年提出， 起初也是人工智能的重要分支之一， 后发展成一门单独的学科。当前新一代知识工程被定义为依托信息技术， 最大限度地实现信息关联和知识关联， 并把关联的知识和信息作为企业智能资产， 以人机交互的方式进行管理和利用， 在使用中不断提升其价值（周元等，2020）。

知识工程涉及知识获取、 知识表示、 知识存储、 知识推理和知识利用等多个环节。其中， 知识获取是从专家或数据源中提取知识， 知识表示是将知识转换成计算机可处理的形式， 知识存储和管理是确保知识的有效组织和访问， 知识推理和利用则是将知识应用于解决实际问题。知识工程领域的典型代表包括专家系统、 知识库和推理引擎等。知识工程为构建智能财务系统提供了基础， 是实现人工智能目标的关键部分。

4. 智能财务及其发展。智能财务是“利用以人工智能为代表的新一代信息技术对人类财务领域知识进行发现、 创造、 管理和利用的一门新兴学科， 它利用智能机器和人类专家共同组成的人机协同共生系统， 去完成日益复杂的会计和财务管理活动， 并在发展中不断模拟、 扩大、 延伸和部分替代人类财务专家的职能， 最终为企业赋能， 实现价值创造”（刘勤和杨寅，2018；刘勤，2021）。可见， 智能财务与上述的人工智能、 知识工程等学科具有不可分割的联系。

2016年前后， 伴随着人工智能技术以及机器人流程自动化（RPA）技术的发展， 我国财会领域开始进入智能化探索的阶段。有关智能会计或智能财务的研究与实践如雨后春笋般快速增多， 这些研究和实践一方面关注智能财务应用场景和信息系统的建设， 另一方面则关注智能化对会计职能、 会计工具、 会计方法以及会计学科发展等方面的深刻影响。经过几年的快速发展， 智能财务的应用场景不断丰富， 流程自动化技术、 专家系统、 机器学习、 自然语言处理、 模式识别、 大语言模型等技术在财务会计、 财务管理、 管理会计等领域的实践不断涌现（刘勤和尚惠红，2020）。

二、 智能系统中的知识演进阶段

纵观人工智能系统的发展历史， 可以发现其经历了从对人类存量知识的简单模拟， 到对人类增量知识的发现乃至对新知识的自主生成和应用的动态演进过程（参见图2）， 智能财务系统作为人工智能在财经领域中的一个应用子集， 似乎也遵循着这一演进规律。这个演进过程大致可以分为以下几个阶段：

1. 规则基础阶段。早期的人工智能系统， 如专家系统， 主要依赖于人工编写的规则。这些系统试图通过编程直接模拟人类专家的知识和推理过程， 解决特定领域的问题。例如， 在业务智能审核、 会计凭证智能生成、 成本智能控制、 财务报告智能分析、 预算智能制定、 资金决策支持、 会计法律咨询等领域， 专家系统能够基于预设规则做出判断。这是AI对人类存量知识直接模拟的阶段， 系统的智能程度受限于规则的完备性和精确性。

2. 机器学习阶段。随着计算能力的提升和数据量的爆炸式增长， 机器学习技术开始崭露头角。在这一阶段， AI不再局限于预设规则， 而是能够从大量数据中学习模式， 自动提取特征， 进行预测和决策。监督学习、 无监督学习、 强化学习等方法的应用， 使得AI能够在图像识别、 语音识别、 自然语言处理等多个领域达到甚至超越人类水平， 具体到财务领域出现了市场价格预测、 企业信用评估、 企业破产预测等。这时AI开始超越简单知识模拟， 进入增量知识的发现阶段。

3. 深度学习阶段。深度学习的兴起进一步推动了AI的发展， 尤其是在模式识别和生成新内容方面。深层神经网络能够处理高维数据， 发现复杂的数据关系， 不仅在识别任务上取得显著成就， 还能借助于大模型生成图像、 音乐、 文本等创造性内容， 具体到财务领域出现了股票价格预测、 财务困境预测、 投资策略优化等应用。这个阶段， AI开始在某些领域创造出人类可能未曾明确表述过的新知识。

4. 自我进化阶段。尽管在深度学习阶段AI已开始创造出新的知识， 但基本上没有完全超越人类现有的知识框架， 未来的自我进化阶段将朝着让AI具有更强的自主学习、 适应和创新能力方向发展， 如通过元学习、 迁移学习等技术， 使AI能在不同任务间快速适应和泛化， 甚至探索和创造新的知识边界。强化学习与环境交互的能力， 展示了AI在复杂策略和创造性解决方案上的潜力。

由此可见， 人工智能的发展路径是从模仿人类已有知识的规则系统， 逐渐过渡到能够自我学习、 发现新规律、 创造新内容的自主智能系统， 最终目标是实现更高级别的智能， 为人类带来更大的福祉。

三、 智能财务系统中的知识模拟及其局限性

1. 智能财务中的知识模拟。知识模拟是指对人类知识进行模仿、 复现的行为。在人工智能系统中， 知识模拟会涉及知识表示以及利用知识进行推理、 决策或解决问题等环节。知识模拟的目标是让人工智能系统能够像人类专家一样理解世界、 应用知识， 并在特定情境下做出合理的反应或预测。

知识模拟通常使用计算机模型和算法来模仿人类的知识处理过程， 包括学习、 推理、 解决问题等。这涉及智能系统的构建， 以使其能够基于已有的知识库模拟人类专家的决策和解决问题的方式。知识模拟往往依赖于知识工程构建的基础， 如利用知识表示和推理技术来实现知识的模拟。目前在智能财务领域被使用的知识表示方式有一阶谓词、 产生式规则、 语义网络、 知识图谱、 神经网络等， 它们被用于表示企业财务状况、 风险水平、 公司治理状况、 供应商信息、 稽核规则、 记账凭证生成规则、 各类评估模型等（刘勤，2021）。常用的推理技术有正向推理、 反向推理、 混合推理、 模糊推理等技术。

在智能财务系统中存在着大量基于知识模拟的应用案例（上海国家会计学院智能财务研究院，2022）， 这些案例广泛存在于近年来评选出的中国智能财务最佳实践中。

比如， 在票据信息智能采集系统中， 系统对相关票据进行扫描影像处理， 对图像进行预处理， 用光学字符识别（OCR）技术进行识别， 把非结构化数据转化为结构化数据。其中， OCR的过程就是高度依赖知识的， 如果没有知识的支撑， 就无法实现自动识别。把图像中的文字提取出来、 把关键信息提取出来， 这些都基于对大量知识的处理能力。

又如， 在合同智能审阅系统中， 如果没有合同的语料库、 财税法规库、 公司规章库， 即没有相关的知识库支持， 是无法完成文本分类、 一致性检查、 条款审查、 合规性检查、 风险评估等智能审阅工作的。合同审阅有很多具体的规则， 比如： 合同金额大小写是否一致， 需要有一条规则来判断； 分期付款、 几期相加是否等于合同的总金额， 这也需要一条规则来体现。这些规则都属于知识的一部分。

再如， 在报销智能审核系统中， 业务发生的地点是否合适、 时间是否合适、 权限是否合适、成本和费用是否超过范围、 凭证的真实性和合法性等， 这些判断都需要通过大量的知识来表达（参见图3）。有的机构用规则来体现， 也有机构采用知识图谱来体现， 通过规则或知识图谱的匹配来判断一笔业务是不是符合要求。比如， 是否符合“中央八项规定”， 这种审核可以通过大量的规则或知识图谱匹配来实现， 而规则和知识图谱都是典型的知识表达方式， 其中包含了大量的财务领域知识。

从这些案例中可以发现， 当前智能财务系统中的知识应用大多是对人类财务专家存量知识的模拟， 并没有超出人类解决问题所使用的知识范围。这一方面是因为财务管理领域对合规性有着严格的要求， 而规则本身代表的就是成熟的、 被高度认可的存量知识。另一方面则因为当前系统中缺乏有效的新知识学习手段， 即有效的知识生成工具极少。

如果从系统建设的视角去观察这些智能财务系统， 可以发现它们主要是通过知识获取与编码、 知识表示、 知识推理与决策支持、 知识利用等一系列环节来实现对人类存量知识模拟的。其中： 知识获取与编码环节主要是通过财经专家访谈、 会计文档分析、 财务流程梳理等方法， 收集财务领域的专业知识， 包括会计准则、 税务法规、 财务分析方法、 标准的财务管理流程等。这些知识被整理后， 采用规则库、 决策树等形式编码进入智能系统中。知识表示环节主要是利用知识图谱、 专家系统规则或机器学习模型等形式， 将编码后的领域知识以计算机可理解的形式表示出来。比如， 知识图谱可以用来表示财务实体之间的复杂关系， 而规则库则可以明确表达财务决策的逻辑条件。知识推理与决策支持环节主要是通过精心设计的推理引擎， 让智能财务系统能够根据输入的数据和预设的知识规则进行精确或模糊逻辑推理， 模拟财务专家的决策过程。例如， 系统可以根据财务报表数据和会计准则， 自动判断是否符合合规要求， 或者基于历史数据和市场趋势预测未来的财务状况等。知识利用则指的是运用财务系统中内置的丰富财务知识、 规则、 模型以及先进的数据分析能力， 来处理、 分析和解释财务数据的过程， 如智能凭证生成、 快速生成报表、 自动完成对账、 理解当前的财务状况并预测未来的财务表现、 识别潜在的财务风险和机遇并提出预警与应对策略等。

2. 仅对存量知识进行模拟的局限性。对人类知识进行高仿真模拟虽然可以解决大部分的管理问题， 但也存在很多方面的局限性， 这些局限性主要体现为缺乏创新性、 无法处理未知情况、 适应性受限、 泛化能力不足、 情景理解有限、 道德和伦理考虑不足等问题。其中： ①缺乏创新性， 是指智能系统依赖于现有数据进行学习和推断， 这意味着它们只能在已知知识的框架内工作， 难以产生真正新颖的想法或解决方案。创新性在财务决策支持方面尤为重要。②无法处理未知情况， 是指当遇到从未见过的新情况时， 仅基于存量知识的智能系统可能无法做出有效的反应或决策， 因为它缺乏处理未知问题的机制， 如对于数据资产的处理方式等。③适应性受限， 是指智能系统需要不断更新其知识库才能适应环境变化， 如适应会计法规和税法的变化， 但仅依赖存量知识意味着它们可能无法及时或准确地适应快速变化的情境。④泛化能力不足， 是指智能系统可能在特定任务上表现出色， 但在遇到类似但非完全相同的情况时， 其表现力可能会下降， 因为它们缺乏将知识泛化到新场景的能力。如在面对复杂多变的市场环境时， 需要良好的泛化能力帮助财务管理者快速识别潜在风险， 并根据过往经验和模型预测， 采取适当的防范措施， 减少不确定性带来的负面影响。⑤情境理解有限， 是指智能系统可能难以理解复杂的现实世界， 尤其是那些需要深层次理解或利用常识推理的场景， 如投资者关系处理等涉及需要人类情感交流的场合， 这限制了它在日常生活中的实用性。⑥道德和伦理考虑不足， 是指智能系统在做出决策时可能不会考虑道德和伦理因素， 如涉及人类隐私、 系统偏见的问题， 因为这些因素通常隐含在人类社会规范中， 而难以显性编码方式在知识库中出现。

以上主要是基于对通用领域的分析， 如果针对财务领域， 其局限性还会有更多的表现， 如： ①缺乏前瞻性分析， 即仅依赖过去财务数据训练出来的智能系统可能难以准确预测未来趋势， 因为它们缺乏对新兴市场条件、 政策变化或“黑天鹅”事件的前瞻分析能力。②应对突发情况的能力弱， 即面对如金融危机、 经济衰退等未曾经历过的突发情况， 基于历史数据训练的智能系统可能无法提供有效的应对策略或风险评估。③创新财务管理方法受限， 即智能系统可能难以自主开发出全新的财务管理策略或工具， 因为现有的“创意”主要局限于已有知识和数据模式。④适应监管变化滞后， 即财务领域的法律法规频繁更新， 仅基于存量知识的AI系统可能无法即时调整管理策略以符合最新的合规要求。⑤难以应对复杂财务决策挑战， 即在涉及多变量、 跨学科的复杂财务决策中， 智能系统可能因缺乏深度理解而难以提供全面、 精准的建议。⑥处理非结构化信息困难， 即财务报告中往往包含大量非结构化信息， 如市场情绪、 行业动态等， AI系统在解读这类信息时可能存在局限。⑦忽视隐性知识和经验， 即财务专家的直觉、 经验和判断往往难以显性化和量化， 仅依靠数据的AI系统可能无法充分捕捉这些隐性知识的价值， 从而出现逻辑问题。

为了克服这些局限性， 智能财务系统必须增强AI的学习能力， 通过结合实时数据流、 专家知识、 情境感知、 深度学习、 迁移学习和持续迭代学习等方法， 使智能系统能够更好地处理新信息和新知识、 自我修正和适应变化， 努力构建更加公平、 透明和可解释的智能系统， 实现更为精准和前瞻性的财务分析与决策。

四、 智能财务中的知识发现和知识创新

1. 知识发现、 知识创新及其意义。知识发现是指从大量数据中提取出有价值的知识或模式的过程， 它集数据收集、 数据清洗、 降维处理、 规则归纳、 模式识别、 数据分析与评估、 可视化输出等多种过程于一身， 是统计学、 计算机科学、 模式识别、 人工智能、 机器学习及其他学科相结合的产物（史忠植，2002）。在智能财务中， 知识发现可以帮助组织从海量的财务数据中自动挖掘出隐藏的、 先前未知的规律和关联， 为会计核算、 财务决策、 市场分析等提供依据和方法。知识发现可以看作是知识工程中的一个关键环节， 特别是在知识获取和更新方面， 它为智能系统提供了动态更新知识库的手段。

百度百科对知识创新的解释是： “知识创新指通过科学研究， 包括基础研究和应用研究， 获得新的基础科学和技术科学知识的过程。知识创新的目的是追求新发现、 探索新规律、 创立新学说、 创造新方法、 积累新知识。知识创新是技术创新的基础， 是新技术和新发明的源泉， 是促进科技进步和经济增长的革命性力量。”目前现存的知识绝大多数都是由人类自身创造和发现的，其中计算机只起到了部分辅助作用，真正由人工智能程序完成的知识创新只在新药研发、新材料探索、创意设计等屈指可数的几个领域中有所出现。在未来的智能财务中， 知识创新会涉及创建新知识、 理论或方法， 如创建更准确的预测模型， 或设计更复杂的财务风险评估工具等。

尽管知识发现和知识创新都需要大量的数据和信息作为基础， 都具有某种程度的新颖性或原创性， 但在本质上两者之间还是存在显著的差异， 即知识发现主要侧重于从已有的数据集中识别出新的模式、 关联或见解， 通常基于现有的理论框架和方法， 而知识创新则更关注于创造全新的知识、 理论或实践， 通常需要突破现有的认知边界， 提出前所未有的观点或解决方案。在实际操作中， 知识发现和知识创新往往是相互交织的， 知识发现可以为知识创新提供基础， 而知识创新又会促进更多知识发现的可能性。

知识发现和知识创新对智能财务系统的未来发展具有深远的意义， 因为它们可以增强财务决策支持能力、 优化学习与适应性、 提升效率与自动化水平、 实现创新与服务个性化、 实现风险管理与异常检测、 促进知识管理与传承、 激发科研与创新等， 但在财务领域中实现真正的知识创新可能还需要一段较长的发展阶段。

2. 智能财务系统中实现知识发现和知识创新的途径。在智能财务中， 虽然知识发现和知识创新的最终目标都是产生有价值的新知识， 但它们在侧重点、 过程和方法上还是存在着一些显著差异。

知识发现通常遵循一个结构化的过程， 这个过程主要集中在数据的分析和模式识别上。它的路径可以概括为数据收集、 数据预处理、 特征工程、 数据挖掘、 模式评估、 知识表示等几个阶段， 其中： 数据收集主要用于收集相关的数据集， 这些数据可以有不同的来源， 包括历史记录、 宏观经济数据库、 传感器数据、 会计档案等； 数据预处理主要用于清洗和整理数据， 去除噪声和无关的信息， 确保数据质量， 目前数据预处理技术在数据治理领域有着广泛、 深入的讨论； 特征工程主要用于选择或构建最能代表问题领域的特征， 以便后续的分析； 数据挖掘主要利用应用统计学、 机器学习或其他数据分析技术来识别数据中的模式、 关联和趋势； 模式评估主要用于验证所发现的模式是否具有统计显著性， 是否能够解释数据中的现象； 知识表示则将发现的模式转化为可理解的形式， 如图表、 模型或规则的形式， 便于用户解读和应用。

知识创新的路径则更加复杂且非线性， 它强调的是跨学科思维、 创意生成和实验验证。知识创新的路径通常包括问题定义、 理论探索、 创意激发、 原型开发、 实验与迭代、 知识传播与应用等， 如果由人工智能程序自主完成知识创新过程， 则当前流行的生成式人工智能尤其值得借鉴， 生成式人工智能是指利用复杂的算法、 模型和规则， 从大规模数据集中学习， 以创造新的原创内容的人工智能技术。利用生成式人工智能创造新的知识， 通常需要数据收集、 数据预处理、 模型选择和构建、 模型训练、 生成样本、 评估生成结果、 迭代和优化等环节。

通过比较知识发现和知识创新两者不同的路径可以发现： 知识发现主要聚焦于从已有数据中提炼模式， 而知识创新则侧重于创造全新的知识或应用方式； 知识发现倾向于定量分析和模式识别， 知识创新则更多地依赖于定性探索、 创新思维和实验验证； 知识发现的过程较为线性和可预测， 而知识创新的过程更为迭代和非线性； 知识发现的结果通常是具体的模式和关联， 而知识创新的结果可能包括全新的理论、 技术、 产品或服务。因此， 知识创新远比知识发现复杂得多。目前被业界普遍看好的知识发现和知识创新途径是人机协同模式， 因为发现和创新的知识最终还是需要人类来确认。

聚焦到财务管理领域， 可以通过以下具体案例来观察新知识发现的过程：

（1） 在异常检测与风险管理方面， 智能系统可以通过机器学习算法分析历史财务数据， 识别出交易中的异常模式， 这些异常可能指示潜在的欺诈行为或财务风险。例如， 系统能自动学习正常交易的特征， 并对比检测出偏离常态的交易， 从而发现新的风险管理规则或模式。

（2） 在预测分析与预算优化方面， 智能系统可以利用深度学习和时间序列分析， 分析过去的财务表现和市场趋势， 预测未来的现金流、 收入、 支出和市场波动， 为企业提供更加精确的预算规划和财务预测。这种预测能力有助于发现影响财务表现的新因素， 比如特定经济指标与企业财务健康度之间的新型关联。

（3） 在自动化审计与合规性检查方面， 智能系统可以自动审查财务报表和交易记录， 比对法规要求和内部政策， 快速识别潜在的合规问题。在这一过程中， 人工智能可能会揭示出以往未被注意到的合规风险点或复杂的法规解读， 促进财务合规知识的更新。

（4） 在成本优化与资源配置方面， 智能系统可以通过分析大量运营数据， 发现成本节约的机会， 比如识别出非生产性开支的模式或者优化供应链管理。此外， 智能系统还可以提出资源重新配置的建议， 以提高资金使用的效率， 这种分析可能会揭示出新的成本控制策略或业务流程改进点。

（5） 在客户信用评分与贷款管理方面， 智能系统可以分析客户的财务数据、 交易习惯和其他外部数据， 以更准确地评估客户的信用风险， 发现决定信用评级的新变量。这对于设计个性化的贷款产品和管理贷款组合具有重要意义。

（6） 在智能财务助手与决策支持方面， 基于自然语言处理的智能助手可以解答财务人员的复杂问题， 提供基于数据的决策建议。通过与财务团队的交互， 智能系统可以学习并提炼出新的财务管理策略， 帮助管理层做出更为明智的财务决策。

以上应用展示了人工智能如何通过数据分析、 模式识别和预测模型， 在财务管理中发现新知识， 进而优化流程、 降低成本、 提高效率并减少风险。较为遗憾的是， 尽管在财务领域不乏知识创新的思想和行动， 但很少见到利用人工智能系统进行知识创新的案例， 这也是下一步智能财务发展的重要方向。

五、 知识演进对知识库管理系统的需求

在智能系统中进行知识发现和知识创新， 需要一系列专门的工具和平台来支持这个过程， 这些平台可能包括知识管理平台、 智能搜索引擎、 辅助创新平台、 可视化工具等， 其中知识库管理工具是必不可少的。

1. 数据管理方式的发展对知识管理的启示。众所周知， 在计算机发展的早期， 计算机软件中对数据的管理是借助于人工方式进行的， 那时的数据是嵌在应用程序中的， 如果预处理的数据发生变化， 则需要利用人工修改应用程序（参照图4）。

后来程序员们将数据单独提取出来存放到数据文件里， 从而实现了应用程序和数据的分离。当数据发生变化时， 只需要修改数据文件中的数据， 而不需修改应用程序。这种管理方式大大提升了应用程序编写和数据处理的效率， 但如果数据发生增减或是改变， 还是需要通过特别的程序来处理。20世纪60年代初查尔斯·巴赫曼开发出第一个数据库管理系统后， 人们对数据管理的能力得到了显著的提升， 可以方便地利用数据库管理系统对数据进行增、 删、 改等操作， 数据的安全性、 完整性、 并发处理能力等也得到了有效的保障。

那么， 能否对知识也采取类似的管理方法呢？遗憾的是， 在当前的智能财务系统中， 大部分的知识是嵌在应用程序中以算法（或程序块）的形式出现的， 算法与程序绑在一起， 当算法发生变化时， 程序就要跟着变化。有无可能把规则、 知识、 处理的算法与应用程序分离， 利用应用程序来调用知识， 当知识发生变化时， 只需要修改具体知识库中的内容即可？比如在会计准则、 税法发生变化时， 只要把相关的知识相应修改一下， 而不用修改程序， 就可以满足应用的需求。利用知识库统一管理知识是一些智能财务先进企业正在尝试的工作。

再进一步设想， 有没有可能设计一个功能强大的知识库管理系统， 对规则、 知识图谱、 各类模型等进行标准化的维护和管理？在智能财务领域， 目前尚未发现这样的系统。所以， 目前知识的管理水平远远落后于数据的管理水平。我们期待知识库管理系统具有灵活的知识库定义、 知识增减、 知识一致性检查， 以及知识自学习等功能， 为智能财务系统中知识发现和知识创新提供相应的技术基础（参见图5）。

总之， 在当前的智能财务系统中， 还未形成系统化的知识管理系统理念， 更未出现通用的知识库管理系统产品。因此， 在财经知识库的管理中， 尚存在大量难以解决的问题， 如知识更新困难、 知识库标准化程度低、 知识的冗余和逻辑冲突不断、 知识库防篡改功能缺失等。所以， 为有效实现知识发现和知识创新的目标， 迫切需要一个知识库管理系统来解决这些问题。

2. 智能财务系统中的知识系统构建。在知识从模拟到发现再到创新的演变过程中， 需要先进的信息系统支持， 现有的信息系统架构存在着知识管理能力不足的问题。因此， 需要改变数据集成和管理方式， 引入新型算法和工具， 加强计算能力和基础设施建设， 对新型知识表示和管理能力以及系统可扩展性和灵活性等多个维度进行全面升级与优化。图6是对新型智能财务系统的设想（刘勤，2020）。

与传统的企业信息系统相比， 图6给出的智能财务系统主要增加的是知识管理部分。在知识层中， 知识存储系统将人类解决问题所需的知识通过规则库、 模型库、 算法库、 神经网络、 知识图谱等形式存储在计算机系统中， 在解决某具体问题时， 由知识推理引擎按一定的检索和推理机制， 通过先进的知识库管理系统调用知识存储系统中的知识条目， 结合具体的业务数据完成预期的管理任务。比如： 通过自动调用规则库中的业务稽核规则和凭证生成规则， 结合具体的某项采购业务数据， 可智能生成采购的记账凭证信息； 通过自动调用经过事先训练的神经网络模型， 结合企业具体的财务指标数据， 可判断该企业是否存在财务风险； 通过自动调用相关供应商的知识图谱， 结合某次招标的具体数据， 可判断指定的供应商是否存在围标的可能性等。

在新增的知识层中， 还可以借助于知识发现和创新系统中的数据挖掘、 模式识别、 机器学习以及深度学习等工具及算法， 实现生成式人工智能， 对从企业管理信息系统中或企业外部环境中收集到的财经大数据， 不断地进行加工处理， 从中发现和创造新的财经管理规则、 模型和算法等， 并适时通过知识库管理系统添加到知识存储系统中以备进一步使用， 从而形成智能财务系统中知识不断更新、 迭代的良性循环。

六、 结论与展望

在智能财务系统中， 知识和数据扮演着至关重要的角色， 二者共同支撑智能系统的运营和发展。然而， 由于机器学习、 深度学习、 大模型等技术的成功效应， 数据的价值显然得到了更多的关注， 领域知识和专家经验的作用却在一定程度上被忽视或弱化。

本文的研究表明， 知识作为人类认识世界的核心成果， 在当前智能财务系统中具有不可替代的重要作用， 且正在从对人类存量知识模拟的阶段， 向新知识发现和创造的过程演进， 这需要我们高度的重视。当然， 随着知识发现和知识创造系统的发展， 数据的重要性可能会更加彰显， 因为它们是知识创新系统中不可或缺的原始材料。

本文的研究还进一步表明， 鉴于知识发展的特殊性， 现有的知识管理系统架构难以支撑知识发现和知识创新的平台需求， 因此， 需要借鉴数据库管理系统的发展成果， 创建出更加灵活有效的知识库管理系统， 这不仅有益于智能财务系统的发展， 而且会对所有基于知识的智能系统产生巨大的影响。

【 主 要 参 考 文 献 】

蔡自兴，刘丽钰，蔡竞峰等．人工智能及其应用（第5版）［M］．北京：清华大学出版社，2016．

刘勤，尚惠红．智能财务：打造数字时代财务管理新世界［M］．北京：中国财政经济出版社，2020．

刘勤，杨寅．智能财务的体系架构、实现路径和应用趋势探讨［ J］．管理会计研究，2018（1）：84 ～ 90+96．

刘勤．智能财务的发展体系及其核心环节探索［ J］．财务与会计，2020（10）：11 ～ 14．

刘勤．智能财务中的知识管理与人机协同［ J］．财会月刊，2021（24）：15 ～ 19．

罗素著．张金言译．人类的知识［M］．上海：商务印书馆，1984．

上海国家会计学院智能财务研究院．人工智能技术财务应用蓝皮书［Z］．2022．

史忠植．知识发现［M］．北京：清华大学出版社，2002．

史忠植．智能科学（第3版）［M］．北京：清华大学出版社，2019．

周元，史晓凌，景帅．AI时代的知识工程［M］．北京：科学出版社，2020．