金融产业在人工智能领域的探索

　　一是金融机构大量装备人工智能系统。大多数金融机构都设立人工智能实验室，建立了内部人工智能系统群，如智能语音系统、图像识别系统等模块化平台。目前，不少金融机构在努力提升工程化能力，探索大模型建设的各个环节，建立标准化的内部AI开发系统。

　　二是数据性、操作性工作以及辅助决策工作大量使用AI。金融机构利用Agent（智能体）简化与自动化解放规则明确的繁琐操作，如快速审核贷款的绿色属性、提高智能化客服的精准性、提升合规风控的效率等。在此基础上，使用AI弥补传统上依赖个人经验与碎片化知识产生的短板，如通过知识工程平台整合分散在行内专家与业务场景中的非结构化数据，赋能对公业务客户经理，自动化生成客户经营报告、尽调材料甚至催收管理方案，使其具备“一岗多分身”能力。目前，人工智能在场景化深度赋能、在线文本交互、组织能力重构、投资组合管理等方面发挥了重要作用。

　　三是积极构建金融垂直领域大模型。目前，开源大模型的多模态与逻辑推理功能仍然存在短板，与金融场景对精确性与安全性要求不匹配，金融机构做了多种尝试去研发垂直领域大模型，如有的金融机构注重语料训练，将多年积累的2亿条客服语料作为垂类模型训练的基础，并通过内部统一平台将智能工具嵌入业务流程。有的金融机构针对性解决领域知识断层与上下文缺失问题，引入检索增强生成技术，将私有知识库（如客户历史交互、产品条款）及业务模型动态注入推理链路，使模型输出与业务场景深度绑定，显著降低人工智能错误率。目前，该公司自研模型可以解决85%的场景需要。

　　四是利用大模型推动金融业务创新。金融机构借助大模型和其他AI技术，不仅提升了中后台效率，还在风险评价和业务创新方面获得更多机会，如某银行聚焦科技企业知识产权质押贷款融资，通过大模型考量企业知识产权的转化效能和盈利潜力，并引入大量外部数据以提升预测准确性，并在一定周期内测试贷款不良率，取得了积极效果。

人工智能对金融业带来巨大挑战

　　一是技术和产品快速迭代导致投入成本高。当前，人工智能技术与产品迭代过快，新工具频繁涌现，试错成本和决策风险很高，选择失误很可能导致几千万的采购付之东流。此外，人工智能的硬件配置（如GPU）、算力维护及信创芯片适配成本普遍较高，中小机构采购高端设备必定受到限制，造成人工智能利用水平参差不齐。

　　二是模型准确性问题易引起监管矛盾。目前，AI生成内容存在事实性“幻觉”（如生成内容失实）的概率依然较高，这一问题在金融场景中尤为敏感，如在证券业，因内容偏差可能引发整个市场波动，监管层对AI采取“零容错”态度。小模型时代，因规则明确、“幻觉”风险低，AI应用在智能回访等场景尚可推行，但是，大模型的“幻觉”问题被监管层视作不可接受。

　　三是人工智能通用语料无法满足金融业需求。目前的通用大模型无法完全适用金融业的垂直场景，无法应对中国复杂的涨停规则。此外，客户账户诊断需要通过私有数据支撑，通用模型对此也无能为力。各金融机构主要依靠自研小模型+通用大模型的组合方式来运营。当前单个金融机构的算力和语料远远不足以训练垂直大模型，因此，市面上尚未出现专门的金融大模型。

　　四是金融机构落地大模型面临安全与协作瓶颈。当前，商业银行所需要的海量算力调度与知识处理需求远超传统私有云的运算能力，建立统一的算力中心将会有更高的效率。但是商业银行对数据与算力的“安全洁癖”（监管要求与机构自身相关合规要求）要求各银行各自进行私有化部署，但是单纯依靠银行自身设备难以支持其算力需求。此外，在数据量方面，单一银行机构数据量有限，垂直领域训练需行业共建共享数据池、工具协议甚至Agent能力，如何与其他机构在确保安全的前提下进行协助，需要国家进行通盘考虑。

金融业积极应对人工智能挑战

　　一是对人工智能及其应用要有正确的认识。一方面，对于人工智能需以理性认知替代恐慌，AI一定会深刻影响人类社会，只是时间和程度的问题，所以一定要拥抱AI。另一方面，监管部门要求金融体系的风控决策必须可稽核，但当前大模型技术形态尚未定型，其概率推演与监管要求的可稽察存在根本冲突。在此情况下，金融机构必须坚守AI“辅助工具”属性，审慎布局大模型，聚焦知识库升级和海量数据管理等确定性强的领域，通过人机协作，消灭机器幻觉。

　　二是扎实推进数字化底座建设。金融机构的智能化须以数字化为基础，以银行为例，银行业已经历经了电子化、信息化、数字化三阶段的演进，如果未完成数据治理便追逐大模型化发展，犹如建立空中楼阁，其运营效率将大打折扣。当前，金融机构必须加快推进数字化转型，以数字化布局完善大模型高级化发展。

　　三是高度重视金融系统的基础工作。金融机构的系统架构应以数据为核心，而非仅作为流程架构。在数据方面，须以自身数据为核心，减少对外部数据的依赖，并将业务数据化，从而优化客户的交互体验。此外，银行内部大量隐性知识散落于专家个人经验中，要制定年度计划，加快进行系统性整合。

　　四是推动上海金融语料资源库建设。上海金融应用场景丰富，金融机构体系较大，算力资源集中，需要大量金融语料资源，以建立领先的金融垂域领域模型。但是，语料处理既要有信息来源，又要有处理能力，有必要在上海建立开放的语料资源库，为在沪金融机构提供语料基础服务。同时，语料建设还会吸引一大批的模型公司在上海集聚，形成规模效应。

　　五是创新金融数据协作模式。在金融行业数据不出域的要求下，可采取设置隐私安全屋的模式，通过联网计算将数据置于隐私安全屋之内，实现A、B企业数据共同训练模型，结果返回但数据不出域，以保障数据安全。据此，企业可以结合自有数据构建垂直领域模型。这一做法的投入产出比比较高，能够有效解决通用模型幻觉问题，确保信息准确率。

　　六是监管与行业协同构建更包容的AI创新环境。推进数据开放，促进中小金融公司创新；松绑过严限制，建立容错机制，对非主观过错设置容错阈值，避免“一错否决”而扼杀创新探索动力。此外，针对大模型回报周期较长，建议优化金融机构的考核体系。

　　（作者系高金智库青年研究员）