近日，在深圳国际金融博览会举办期间，由深圳市金融科技协会、广州市数字金融协会联合主办的湾区金科（FinTech）沙龙第80期——数据要素专场成功举办。本次沙龙围绕金融“数据+AI”“数据+安全”两大核心议题展开深度探讨。深圳计算科学研究院技术总监欧伟杰博士受邀出席“数据+AI”圆桌对话，结合深算院在数据底座构建、全链路数据治理与数据智能应用的经验，分享了以自主可控基础软件为核心，推动AI与金融数据深度协同、释放数据要素价值的最新思考与实践成果。

在金融领域，多源数据融合面临数据孤岛、模态异构、语义割裂等难题，传统模式难以实现跨源跨类型数据高效协同。欧伟杰博士提出构建 “统一管理-智能关联-深度挖掘”的智能化体系，通过两大技术路径突破实现价值释放：

一方面，以崖山数据库YashanDB筑牢AI融合底座，依托原创的跨模融合查询方法与受限资源扩展方案，打造AI-Ready数据底座，在统一内核中原生支持关系、图、向量等多模型数据的高效存储、智能索引与混合查询，为金融AI场景提供全域数据一体化支撑。另一方面，依托钓鱼城全栈AI分析系统自动生成关联图谱，提升数据挖掘的深度与效率。某城商行应用后，实现贷后坏账率降10%、营销响应率提50%、需求响应效率提30%，隐性风险识别覆盖率增至80%，充分验证了技术方案的实践价值。

数据质量与治理是AI模型可靠性的基础，决定金融AI应用的落地成效，可从五大维度支撑金融AI创新：

• 战略引领：明确核心地位与量化目标，设定可衡量的数据质量目标；

• 底座支撑：依托以崖山数据库代表的国产数据库系统，保障数据“可信、可用、可追溯”，为AI应用提供稳定的数据供给。

• 技术驱动：采用采石矶“机器学习+逻辑规则”双驱动模式，实现规则的自动发现与精准修复；

• 流程闭环：建立“剖析-修复-监控”自动化闭环，持续保障数据质量；

• 场景落地：聚焦风控、营销兑现价值，让数据治理成果赋能AI应用。

AI驱动的金融场景中，模型精度与可解释性的平衡是行业面临的关键挑战，影响AI技术在金融领域的规模化应用。欧伟杰博士提出，基于钓鱼城全栈AI及其可解释技术框架，将业务逻辑以图关联规则（GAR）嵌入机器学习模型，可实现二者统一。当前破解“黑箱”的核心技术包括全局可解释（提取“如果 - 那么”规则）、局部可解释（对个单决策给出解释）、反事实解释（决策反转条件告知）。

面对数据隐私与合规要求（如《数据安全法》），企业开发 AI 产品的核心解法是构建“规则内嵌+全链路管控+底层支撑”的合规高效数据流转机制。深算院以采石矶自动规则发现能力为核心，外接知识库抓取合规规则并嵌入数据处理全流程，通过 “采集最小化授权、处理自动脱敏、使用权限管控+审计、闭环安全销毁”的流程设计，实现数据安全与使用价值的平衡；同时依托YashanDB，以灵活部署、全链路加密、生命周期管理提供底层支撑，确保数据流转全程合规可溯，为 AI模型提供安全高效的数据来源。

谈及AI技术对金融行业未来的影响，欧伟杰博士预判，在技术层面，金融数据底座将逐步演进为“多模态融合、实时响应、语义化理解”的AI就绪底座，数据应用模式从“数据驱动”升级为“逻辑与数据协同驱动”；在生态层面，“AI+国产化”将成核心主线，金融机构将共建“金融知识图谱平台”，跨机构协同训练风控模型，形成行业协同防御生态。

未来深算院将进一步整合崖山数据库、采石矶数据质量平台、钓鱼城分析系统，构建“数据底座+质量中枢+智能分析决策”全栈协同体系，为金融AI创新提供全流程支撑，助力行业高质量发展。