6月14日下午，由北京金融街服务局与北京立言金融与发展研究院联合主办，国家金融与发展实验室金融科技研究中心、金融科技50人论坛提供学术支持的金融街论坛系列活动“金融强国背景下的数字金融高质量发展”研讨会之“人工智能与数字金融高质量发展”在京举办。

活动以“人工智能与数字金融高质量发展”为主题，邀请来自政产学研的专家学者，围绕人工智能技术在数字金融领域的创新应用、发展趋势与前景，如何推动数字金融的持续、健康、高效发展，系统性培养数字金融人才队伍等问题展开讨论。

 

 

卢五星：北京金融街服务局局长

北京金融街服务局局长卢五星表示，数字金融是中央金融工作会议提出的金融“五篇大文章”之一，研讨人工智能在数字金融领域的应用与发展，对助力金融街国家金融管理中心和北京市科创中心建设具有重要意义。金融街在发展数字金融方面具有独特优势，是集决策监管、标准制定、资产管理、支付结算、信息交流、国际合作为一体的国家金融管理中心，既为数字金融发展提供了丰富资金和资源，又为数字金融发展提供了丰富的应用场景，要充分发挥金融街发展数字金融的独特优势。驻区金融机构在科技投入方面走在前列，运用人工智能在防范金融风险，促高质量发展等方面取得许多实践成果，要更好服务支持驻区金融机构发展数字金融。未来，北京金融街将持续依托金融街论坛品牌，围绕金融“五篇大文章”“开放发展”“强监管、防风险、促发展”等，搭建更多交流合作平台，推动数字金融持续、健康、高效发展，助力加快建设金融强国，走好中国特色金融发展之路。

 

杨涛：国家金融与发展实验室副主任

国家金融与发展实验室副主任杨涛提出，做好数字金融大文章，需要围绕技术视角、数据要素和场景应用展开探讨，而人工智能在其中发挥着重要作用。

首先，需明确数字金融的多层面内涵。第一，数字金融包含了原有金融科技的概念。新技术带来的金融创新改变了金融的业务模式、应用和产品。第二，数字金融更加突出了数据要素、数字基础设施的作用。第三，数字金融表达了金融全产业链的数字化重构。原有的产业组织、产业链边界受到了冲击，如何把握好合规与效率的边界、实现金融产业链的高效重构，是数字金融面临的长远挑战之一。第四，数字金融要为数字经济、数字产业的发展服务。

其次，可充分探讨大模型在金融领域应用的机遇和风险。一方面，数字金融发展的前景与机遇仍然突出。在实践层面，全球金融机构对于金融科技相关的投资预算仍然很高。2023年，摩根大通的技术部投资预算扩大至153亿美元，占总支出的18%，体现出对金融科技的重视。在理论层面，基于人工智能和大模型对金融不同领域影响的文献逐渐涌现。我们看到，大模型在金融领域的应用，归根结底是要解决一些需求痛点问题。可关注大模型对于金融行业发展的战略管理问题、结构性问题，以及投入产出、组织运营、服务能力、服务效果、风险管理与合作生态等问题，能否真正带来改善。

另一方面，理解大模型金融应用的挑战存在多个视角。第一，关注在合规应用上的技术风险。例如可解释性、内容可信风险、数据安全与隐私风险、知识产权问题和安全风险等。第二，关注金融系统性风险和非系统性风险冲击。结合我国市场结构考量，既要关注系统重要性大银行引发的风险，又要考虑针对非系统性重要银行、非银行机构金融基础设施特定的分析框架。由此可见，由于国内外金融结构差异，我国的算法金融应用带来系统性风险的可能性较低，更需关注非系统性风险。第三，关注大模型金融应用中伴随的制度与伦理风险，对金融科技伦理、数据安全等方面的挑战给予考量。

还有，不断完善针对大模型金融应用特征的监管。例如，针对机构监管，探讨大模型对金融机构合法合规、安全稳健的影响；针对行为监管，讨论大模型支撑的产品和交易是否公平、透明、有效；针对功能监管，关注大模型能否为金融功能带来提质增效；针对穿透式监管，应深入大模型产品应用的各个环节以推动可审计、可解释；针对持续监管，随着大模型技术的迭代和金融应用创新趋势的加快，考虑如何保证应用的连续性和稳定性。

需要注意是，为更好地应对风险与挑战，一是要实现技术逻辑与金融逻辑的融合，从金融视角来理解技术风险的冲击；二是引导金融业大模型采取差异化策略应用，避免一哄而上。对于大银行、中小银行与不同区域特点的银行而言，需根据自身资源禀赋进行布局，促进大小模型的协同发展。三避免对技术的短期内高估、长期内低估。四是促使监管也合理拥抱大模型，不断优化监管科技水平，提高监管精准性。五是推动相关的技术标准化与软规则建设，促使参与各方实现“各司其职，风险共担”。

最后，需夯实大模型金融应用的环境要素保障。第一，推动相关法律法规的进一步细化，完善国家之间的规则协调。第二，优化大模型金融应用的基础要素，保障数据、算法、算力，尤其关注结构性的基础算力约束问题。第三，以人才保障作为支撑，培育更多跨学科、高层次专业人才。

 

高峰：中国银行业协会首席信息官

中国银行业协会首席信息官高峰就大模型应用催生金融智能化进行了分享。他提出，数字金融沿着信息化、数字化和智能化路径发展。要做好处在数字金融与人工智能交合点的智能金融，其底层关键在于大模型的应用。

首先从技术角度出发，我国在大模型技术上存在短板。大型银行的算力资源积累相对丰富，而中小银行则对大模型技术望而却步。我国对于人工智能算法、算力和数据资源的挖掘不足，在技术成熟度上与国际存在硬件和软件上的实力差距。

其次从政策合规性的角度出发，大模型技术对传统规章制度带来冲击。他指出，人工智能经历了从判断式AI到生成式AI的发展阶段。从判断式AI角度提出模型的可审计、可解释和可追溯是可行的，而对于生成式AI而言，可解释和可追溯是难以判断的，这形成了对传统规章制度的挑战。

再次从银行应用场景出发，人工智能的场景应用丰富。一是远程银行和客服，大模型可以在知识库、座席助手等方面得以应用。尤其是大型银行在中后台突围，包括线上线下的智能化运用，以达到降本增效目的，提高工作效率。二是消费者保护，通过投诉的高效监控、智能办公、自动生成签报、反洗钱反欺诈模型应用、辅助审核法律合规等保护消费者权益。另外，在市场营销、编码编程等方面也存在大模型应用，但对此应审慎看待。在实践路径上，大型银行主要放在运营的中台，而中小银行、股份制银行则放在财富管理和营销、内部助手等方面，体现出银行对于在业务层面利用大模型技术的谨慎态度。

最后是挑战与建议。一是数据隐私与数据安全。针对语料不充分、数据质量不高等问题，按照业务和场景出台相关法律法规。二是针对技术壁垒问题，应大力发展大模型的信创产业。三是监管做好分行业、分场景、分应用、分平台、分技术以区别化监管体系。四是发挥协会平台的作用，与研究机构合作形成专业的调研报告或团体标准。五是加快人工智能的专门人才培养。六是建立良好的大模型生态圈，提升大模型应用的竞争力。

 

沈志勇：中国民生银行数据管理部总经理

中国民生银行数据管理部总经理沈志勇就AI技术在银行业领域的应用进行了分享，包含以下四个方面。

第一，关于大模型在银行业应用情况的观察。当下大模型在银行业成功落地的场景，既存在共性也存在差异。差异性包括以下两点。一是不同场景内相关语料积累的差别，高质量语料的大量积累会使得大模型实施更加便利；二是“群众基础”，业务方的配合程度以及业务方算法结果不确定性的理解和兼容，会使得大模型项目更容易成功。共性主要体现在大语言模型作为NLP技术，普遍上在以下四类任务性能提升较大：一是识别或抽取类任务，例如座席助手自动填写工单、文档自动纠错等；二是检索类任务，包括自动问答、对话机器人等；三是生成或写作类任务；四是翻译，代码生成在一定程度上是将人类自然语言翻译成机器的形式化语言。

第二，在银行业加快推动AI技术应用的思路。民生银行当下采用“1+N+2”的工作思路推进AI技术的规模化应用。一是“1”个AI中台作为AI基础设施，包括对模型的生产过程、服务部署和管理过程的支撑；二是“N”类智能资产，资产的积累是AI技术得以高效运作的关键，包括高质量的标注语料、特征、模型、标准的开发流程和案例等等；三是形成“2”个循环，包括AI技术的应用循环以及生产循环。应用循环是指对智能资产的运用以及对应用反馈的收集，从而优化智能资产，而生产循环是指通过基础数据加工出智能资产的过程。

第三， AI技术的风险及如何管控。一方面对于大模型技术，除了继承AI模型共性的伦理风险、偏见风险外，还要关注大模型技术特有的虚假生成内容的风险、版权风险等。另一方面，对AI技术的风险管控要分析AI模型的形成过程，从概念到原型再到实例等不同的阶段识别可能导致的不同类型的模型风险，从而更加精准的管控风险与厘清相应的责任。

最后，除了AI技术的研究者和开发者生态，更要关注AI技术的使用者生态。要降低模型的使用门槛，匹配不同级别的用户和受众使用。未来，如何降低模型门槛，让更多普通人学习和使用AI技术，形成AI使用者生态，还需进一步的探索和实践。

 

程龙：中国国际金融股份有限公司首席信息官

中国国际金融股份有限公司首席信息官程龙分享了中金公司在大模型、人工智能与金融业务相结合的实践经验与案例。

第一，监管法规和金融科技是影响资本市场发展的两个重要因素。作为信息密集型的行业，中国的资本市场是一个高度数字化、信息化的行业，市场主体都非常重视金融科技，部分企业通过技术优势取得公司发展和业务竞争优势。在网络化时代，一些互联网公司利用新的移动互联网技术在竞争中取得了很高的优势。进入数智化时代后，各个金融机构更加重视数字化转型，在此背景下，如何利用智能化技术，提高客户、生产与决策效率，形成行业优势至关重要。

第二，分享了中金公司九章大模型平台的案例与经验。一是大模型应用在内部员工服务如智能问答类、代码研发等场景，这类场景模型技术较成熟，但在企业内部使用场景中往往缺乏足够大的用户量。大模型是革命性的技术，应带来革命性的应用效果。从员工助手等场景目前这类简单的问答和代码助手并未带来实质上显著的变化。二是大模型在投研领域的应用，作为研究员Copilot，作为研究员的数字分身和助手协助研究员在指标问答、观点问答以及会议摘要等领域服务客户，提升了服务客户的效率。三是利用大模型的强语义能力对文档进行审核，极大提升了审核效率和质量。传统的审核方法是关键词匹配等缺乏语义审核能力，而通过大模型技术能够快速发现语义错误，从而大大提高工作效率和审核质量。

第三，要抓住革命性技术的创新机会，利用新技术提升自身行业竞争力，其中新技术在场景中的应用至关重要。尤其要做好新技术和自身业务的结合，抓住核心场景与核心痛点，发挥科技对业务和创新的引领作用。

 

李振华：蚂蚁集团研究院院长

蚂蚁集团研究院院长李振华就AI大模型在金融领域应用的现状、挑战和治理实践进行了分享。

第一，全球探索生成式AI的应用现状。一是金融业对AI的应用领先。IBM发布的《2023年全球AI采用指数》表明，金融服务业对AI的采用指数排在所有行业的三类。英伟达对全球大约400家金融机构的调查显示，43%的金融机构使用了生成式AI，应用领域包含报告生成、客户体验优化、合成数据生成以及营销领域。二是垂直场景中的生成式AI应用。应用领域包括内部运营、金融资讯、财富管理、保险、信贷和支付。其中，信贷领域主要应用于反欺诈、身份核验与信贷助手，支付领域核心应用于反洗钱、反欺诈等。三是大模型嵌入的业务环节。第一个是自然语言的处理，主要包括归纳总结、文案生成、结构化应答。第二个是认知推理能力，主要包括意图识别、推理归因、图片视频的观点提取、任务规划、以及可控可信围栏。第三个是控制能力，通过自然语言调用专业工具和数据，提升在客户服务、营销、理赔、投研、风管等环节中完成金融任务的能力。

第二，生成式AI在金融领域的应用情况。首先，生成式AI主要服务于信息的归集、分析、生成，而非决策环节。其次，对金融领域生成式AI直接对客的态度较为审慎。主要用于不涉及金融建议的智能对话、信息收集分析、以及内部员工的赋能应用。再次，大小模型协作成为AI应用技术的范式。生成式AI的优势在于理解、推理、生成，而判别式AI适用于产品适配性强、可控性强以及风险管理在内的复杂决策场景。二者的配合将成为很长一段时间AI应用的基本技术范式。最后，云化部署能够降低成本，从海外看云+AI成为AI大模型应用落地的加速器。

第三，中美在大模型竞争上存在差距。首先是算力，当前国内能够部署的万亿卡的集群较少，与美国相比存在差距。其次是模型，由于模型的基本逻辑与算法是公开的，在未来一段时间可以改善。再次是数据，Open AI的开源数据占60%，而国内所能获得的开源数据集比例比较小，其优势在于公共数据丰富。最后是应用，中国产业分布模式广泛，具有最丰富的产业和最长的产业链，未来应加深在金融、医疗、交通、零售等领域的应用探索。

第四，AI大模型应用的挑战。一是知识压缩、概念生成所导致的幻觉问题；二是模型算法黑盒带来的可解释性、可控性不强问题；三是专业领域数据有限；四是开放过程中可能受到的外部冲击。当前，金融领域不存在“开箱即用”的大模型，大模型的应用存在知识短板、复杂决策短板和可靠性短板等方面的挑战。

在治理思路上，首先，要做高质量的数据语料，做好数据安全隐私和风险防控。通过数据引入初筛、训练去毒、精细化标注以及内容风险检测，持续增强数据清洗与质量管控。其次，弥补大模型的专业化不足。一是知识增强和检索增强，将特定金融专业数据库里嵌入的生成链条，增强检索、推理、整合分析能力。二是在算法层面做好金融事实的一致性对齐，以及通过人类反馈强化学习进行业务规范对齐。最后，健全多种安全防御模块，提高在训练、推理及生成阶段安全能力。

 

叶郁：中国太平洋财产保险股份有限公司数据管理部副总经理

中国太平洋财产保险股份有限公司数据管理部副总经理叶郁就“数字化和智能化助力保险发展”进行了分享。

一是关于数据的重要性。保险传统作业模式决定了保险与用户之间的低频接触，智能化所依赖的数据积累存在量和多样性的不足。当下随着以客户经营模式的转变，从事后补偿逐步向客户提供全方位的风险管理和服务的转变，通过数字化技术的应用，加快保险业务的数字化，通过基于与数据的智能化应用，才能更好将数据转化成业务价值，最终形成以数据为资产的发展生产力。

二是大模型对保险关键业务链上应用的改善。大模型在数据、算力和模型的投入都是巨大的，在保险领域，关键在于如何获取到科技发展的数字化和智能化红利，充分抓住国家和行业全面数字化和智能化所带来的机遇。随着各行业数据的要素化和市场化，在监管有效管控下，将大大提升保险经营与数据融合的规范性和便利性，将全面提升保险数字化和智能化的应用深度。首先在保险产品方面，随着数据丰富度的提升，通过对数据的挖掘和应用，对个人和小群体风险特征的挖掘，将改变保险产品同质化的问题，从而为客户提供更优的个性化风险管理服务；其次在营销方面，保险服务的行业非常广泛，不同行业都有着特有的风险特征，对风险的管理具有极强的专业性，营销的根本在于为客户提供服务，提供专业性的风险管理，未来基于AI大模型与销售人员的结合，风险产品推荐的辅助将大大提升销售效率和规范性，同时也能为客户提供更加精准的风险保障。再次在运营和决策方面，随着数据技术的发展，将企业经营过程数据与结果数据的贯通，高效智能化的决策模型，将极大的加快从结果分析到过程管理的决策效率，降低运营成本和提升管理有效性。

随着国家数字化的建设推进，数字化和智能化深度融入到生产和生活的方方面面当中，除了对传统风险的数字刻画，提升保险服务和经营管理能力的同时，数字化所产生的新型风险，也将为保险带来新发展机遇。

最后，整个AI、大模型和数字化取决于数据的体系化管理、安全的防护，以及数据体系的价值挖掘。保险业的数字化转型不仅仅是技术问题，也不是某一部门和团队要去解决的问题，而是整个公司、行业、国家在数据层面的协力，共同助力保险行业更好发掘数据价值。

 

薛春雨：神州信息新动力数字金融研究院副院长

神州信息新动力数字金融研究院副院长薛春雨围绕神州信息在人工智能技术上的实践进行了分享。

首先在整体思路上，神州信息认为直接使用基础大模型很难解决金融企业的实际问题，金融企业落地需要聚焦在企业大模型及相关联的场景大模型方面，建议以场景大模型切入，逐步形成完整的企业大模型能力。

具体到神州信息，也制定了AIBank五步走的战略。第一步：降本增效。先通过AIGC进行代码生成等相关工作，保证快速见效，产生实实在在的价值。第二步：知识问答类赋能。基于某领域的知识及数据，通过AIGC的方式，快速进行知识回答，提升交互体验。第三步：多种AI技术的融合。知识问答+传统AI技术，形成综合解决方案，并在多个业务条线进行落地；第四步：过程自动化。基于AIGC对知识的综合学习及判断，对流程及决策类系统进行自动化处理；第五步：高阶智能化。在日常工作及系统中，融入AIGC等技术，实现过程的全面自动化及专业化。这5步类似于自动驾驶领域的L1~L5，同样神州信息目前也基本处在L2+到L3阶段。

另外，对人工智能在金融行业应用中面临的风险方面，薛春雨认为基于大模型在通用行业的风险外，金融行业更应该关注以下几个风险。第一个风险就是数据风险，金融行业首先面临信创的要求，不能直接使用外部的大模型，但在内部私有化部署的大模型在能力等方面跟全球最新的技术方面还是存在一定差距，如果要借助外部最新的能力，就需要对数据脱敏，但这个度的把握在实际落地过程中还是有比较大的风险；第二个风险就是模型本身的风险，这个风险来源于两个方面，一个是数据，在数据本身存在不准确的情况下，后续模型的结果很大可能也是不对的；另外模型算法方面本身也会存在一定的缺陷，在金融行业落地的实施，大模型带来的高效性，如果在结果不准确的前提下的高效，对后续的纠错将会带来非常大的成本。第三个风险是对大模型过渡依赖的风险。目前大模型的可解释性还存在较大的挑战，所以如果出现故障，问题如何快速解决将是一个非常棘手的问题。另外，如果金融行业对其过渡依赖，只但其被攻击，或者出现整体不可用的情况下，对金融机构的打击将是致命的。所以在这个方面就需要金融机构建立类似传统架构下的多活、甚至异构并行的策略。第四个风险是一些潜在风险。大模型在金融行业中的应用，同样对一些从业人员会面临较大的冲击，造成一些抵触。往大的说，去年openAI宫斗中担心的风险，在金融行业同样也会存在（可能稍微远期一些），但如果大规模发生，将会带来较大的社会问题。

 

王铼：北京立言金融与发展研究院金融合规研究中心主任

北京立言金融与发展研究院金融合规研究中心主任王铼就人工智能在提高金融安全和反洗钱效率上的创新和应用提出了建议。

一是要关注大模型的语言处理问题。例如大模型对于反洗钱黑名单的处理，需要在意识形态、名单使用范围和制裁频率等方面跟上司法实践。通过自然语言的处理，使大模型熟悉中国的判决文书逻辑，辅助提高反洗钱效率。

二是要避免大模型带来的误判。反洗钱大模型应用后，对于企业、银行或金融服务机构而言，需要通过大量的人工审核过去基于规则为标准的误判。对此，要在大模型底座上对错误的问题进行再规范。

三关注金融制裁的大形势，关注国家意识形态问题，形成具有本土特色的应用。

最后，大模型算法的误判会导致责任追究困难。算法黑箱导致金融消费者难以确定责任主体，应对大模型存在的内生问题应予以警惕。要增强语料的时效性，使大模型提供更可靠的处理结果。

 

李一民：申万宏源研究所研究主管

申万宏源研究所研究主管李一民围绕人工智能对财富管理行业带来的机遇与挑战进行分享。

一是金融机构正在加大金融科技赋能投入，积极探索生成式人工智能在财富管理行业的应用。一方面存在于金融垂类领域的大模型构建，另一方面是在各类金融场景下对生成式AI的应用，两方面工作只是在进度上存在差异。

二是大模型在金融领域的下一步发展。金融从业者的工作包含两个方面，一个专业投资顾问对大量信息的处理，另一个是以经验的积累为客户提供服务。尽管当前存在技术和制度上的不完备，但人工智能对帮助处理金融从业人员的核心工作场景有所助益，具有巨大的发展潜能。

三是大模型在投资方面的应用还很不足。Portfolio Pilot的测试表明，当前投资机构对于人工智能自动生成的投资组合信任不足，在投资上的应用仍十分谨慎，未来应加大对人工智能在投资方面的准确度测试、风险控制，以及增加配套的行为监管。

最后，积极应对人工智能带来的风险挑战。第一，加强金融机构自身的风险管控能力。第二，形成行业标准化的创新规则和考量。第三，对人工智能应用的监管框架要跟上技术的发展。

 

吴艳艳：北京优品三悦科技发展有限公司CTO

北京优品三悦科技发展有限公司CTO吴艳艳就数字化技术在供应链金融方面的创新实践进行了分享。

首先是数字资产的数据模型。数据的来源、确权和时序化管理需要技术手段的辅助。三悦科技在文旅、差旅、稀土等行业应用场景上创新设计了资产数据模型，使每一个时序上的交易可确权、可描述，资产变动可追溯，符合法律认知上的资产确权。

其次是数字供应链金融的人工智能应用。在资产监控上，基于视频和物联网数据对仓库进行有效管理，并通过人工智能、机器学习的算法对采集出来的数据进行处理。

最后是数字化技术对企业风险的监控。舆情监控、司法诉讼监控之间存在较强关联性，这种关联性帮助银行尽早的理解风险，更早的介入资产管理。对于大量的舆情文章，人工智能为行政处理和司法文书处理过程提供了极大便利，加快了对有效信息的检索，分析，提高了决策效率。

 

（责编：李茜）