金融AI的挑战与破题
大模型应用在金融行业的现状
与会专家提出，人工智能技术本身正经历从量变到质变的突破，体现为三个方面的飞跃。一是对非结构化数据的处理能力显著提升，深度学习技术使AI在处理文字、语音、图像、视频等复杂数据上取得重大进展。二是模型算法效率大幅提高，采用Transformer架构的大模型通过遵循规模法则实现性能飞跃，泛化能力、上下文理解能力和推理能力都出现质的飞跃。三是从决定式AI向生成式AI转变，模型不再仅根据历史数据寻找规律判断新样本，而是能总结规律生成新的数据样本，极大拓展了应用场景，提升与人类的交互能力。
有专家认为，DeepSeek等国产大模型的进步有助于中国AI领域实现技术平权。复合创新代替了单一创新，从简单追求模型尺寸转向模型尺寸、算力和数据的综合优化。技术范式从预训练阶段的规模法则转向测试时规模法则，更注重应用和工程问题的解决。同时，开源大模型已确立主导地位，不再局限于少数闭源商业模型，大幅降低了各行业应用AI的门槛。
AI在金融行业中的应用体现出以下主要特点：
第一，金融机构通过标准化应用范式实现了大模型在多领域业务场景中的规模化落地。“1+X”应用范式成为主流模式，其中智能中枢作为金融专用智能体，负责任务拆解、规划、执行和反馈，赋能知识检索、数据分析、文档编写等基础能力模块。这种范式已在网点咨询、信贷管理和市场交易等领域实现广泛应用，帮助金融机构提高服务效率和决策质量。
第二，面向不同用户群体的智能化应用产品显著提升了金融业务效率。面向消费者的智能对话系统可以帮助消费者解决产品分析、行情解读等高频需求；面向理财师和销售人员的智能助手系统可自动生成专业话术，大大提升展业效率；面向专业分析师的智能投研工具能节省大量前期工作时间，使专家更专注于核心分析任务。这些产品通过技术增强和专家对齐机制，有效克服了大模型在金融专业领域的不足。
第三，企业级AI应用框架已成为金融机构实现数字化转型的战略基础。领先金融机构构建了一站式模型服务平台和完整应用体系，包括算力云支撑、数据训练体系、平台化服务和场景化应用多个层次。这一框架实现了算力、数据和专家知识的高效共享，降低了AI应用门槛，使非IT专业人员也能通过自助工具箱完成复杂工作流和数据分析，推动金融业务向智能化方向全面转型。
大模型应用在金融行业的未来发展趋势
大模型正从工具化应用向通用智能基础设施转型。与传统AI工具不同，大模型自带知识与逻辑能力，未来将成为金融机构的知识型基础设施。这种基础设施不仅是技术工具，更是叠加人类知识和企业内部专业知识的智能平台，能够直接赋能业务，重塑金融服务模式。有专家预测，这将推动金融服务从“货架式超市”向“私人定制”模式转变，重构客户交互过程。
算力需求将遵循杰文斯效应持续攀升。杰文斯效应指当某种资源利用效率提高时，其总体消耗量非但不会减少，反而可能增加。随着DeepSeek等技术的突破带来成本性能优化，各行业对AI的应用需求将快速增长，进而推高算力总需求。与过去不同，未来算力需求重心将从训练阶段转向推理阶段，金融机构需要构建更灵活的算力架构以满足业务交互过程中的算力需求。
人机协同将成为金融机构的常态。金融机构内部将形成AI与人类专家紧密协作的新型组织文化，构建“松树型”组织结构，实现人与智能的优势互补。许多银行正按照“一岗一助手，一人一分身，一客一管家”理念构建企业级AI劳动力体系。这种协同模式将使数字员工负责处理逻辑性的理性思维工作，而人类专家则专注于更复杂和情感性的任务。
金融核心系统与开发模式将面临重构。随着知识驱动型AI的普及，金融机构原有的以数据和工作流程为基础的信息系统将转向以知识驱动的智能化系统。开发模式也将从功能模块堆砌转变为构建数字专家，理解客户需求并生成处理逻辑链，进而调用基础金融服务。这一变革需要金融机构从底层重新思考IT架构、数据流转和业务流程设计。
监管法规将逐步完善，为行业发展提供制度保障。全国人大常委会工作报告显示，将围绕人工智能、数字经济、大数据等新兴领域加强相关立法研究。金融监管也将更加注重平衡创新与风险，建立更加系统化、标准化的大模型评测体系，为金融行业应用AI提供明确指引。
大模型应用面临的主要技术挑战
大模型的幻觉问题是金融应用面临的首要技术障碍。幻觉并非模型缺陷而是其技术特征，源于模型预测下一个token概率的工作机制。某科技集团评测发现，有的大模型在金融场景下的幻觉率高达30%，远超一般认知。幻觉问题在金融场景特别突出，因为专业金融服务不能容忍错误信息，这限制了大模型在直接客户服务中的应用。
模型的可解释性不足制约了在核心金融业务中的应用。目前，模型的决策过程仍是黑盒，难以理解模型如何得出特定结论。金融业务特别是风控、授信、投资等核心领域，对决策透明度和可解释性有严格要求，因此传统可解释AI模型在这些领域仍占主导地位。思维链技术虽有进步，但仍未实现真正的推导链和因果关系链，难以满足金融服务中的可解释性需求。
知识缺失与专业深度不足限制了金融场景的专业性。通用大模型在训练过程中金融类知识配比仅占3-5%，许多专业金融知识未被充分覆盖。这导致模型在处理复杂金融问题时专业性不足，虽然表现出专业感，但实际内容可能“漏洞百出”。金融机构需要构建完备的金融数据库，收集金融专家的分析范式，进行针对性增强训练，弥补模型在金融专业知识方面的不足。
大模型处理能力边界影响实际应用价值。当前模型虽然在自然语言理解和生成方面表现出色，但在处理超长文本、复杂推理和特定领域深度分析上仍有局限。一些金融场景如尽职调查报告分析、复杂合同审阅等需要处理大量文档并提取关键信息，这些任务对模型的处理能力提出了挑战。此外，金融机构发现文本推理能力并未得到显著提升，即使最新模型仍主要改进了代码生成和数字计算能力，而这些在金融实际应用中使用较少。
多模态融合与数据安全存在技术矛盾。金融场景往往需要处理图像（如票据、合同扫描件）、表格（财务报表）和文本等多种形式数据，要求模型具备强大的跨模态理解能力。同时，金融数据安全要求极高，如何在确保数据安全前提下实现多种数据形式的有效融合，是技术上的难点。此外，模型训练和使用过程中的数据保护也面临挑战，需要在开放性和安全性之间找到平衡。
算力约束与应用需求之间的矛盾日益突出。虽然DeepSeek等技术降低了算力门槛，但随着应用场景增多，算力需求仍呈上升趋势。特别是推理阶段的算力需求将大幅增加，对金融机构的基础设施提出新挑战。同时，国际算力限制使金融机构面临困境，一方面需满足监管对国产化的要求，另一方面国产算力在适配大模型应用时存在效率和兼容性问题。
金融行业AI应用的监管关注重点
金融业务场景对AI输出的稳定性与精准性要求远高于一般领域。金融业务如资产账户、负债信息、到期金额等核心信息，必须确保在不同时间查询的答案完全一致。这种要求与内容创作或推荐等场景有本质不同，对模型的稳定性提出更高要求。监管需要关注不同金融场景对AI应用的不同需求特点，区分对待，精准施策。
AI应用应遵循“场景与技术匹配”原则。不同AI技术有不同特征和优缺点，不同金融场景的需求也各不相同。监管应引导金融机构将合适的技术应用到合适的场景，建立“KYA”(Know Your Algorithm)机制，了解各种算法的特征、优缺点和适用范围。对于高风险业务场景，应要求更高的模型精准度、可解释性和人工干预机制；对于低风险辅助场景，可采取更灵活的应用策略。
关键业务流程的人工干预机制是确保安全的核心。随着AI能力提升，可能接管越来越多原本由人类完成的复杂任务。监管应要求在关键业务流程的重要节点设立有效人工干预机制，由具备相应资质的人员进行持续监测和评估。人工干预的频度和强度应与业务场景重要性成正比，越是关键场景，人类管控能力应越强。
防范对AI的过度依赖导致的系统性风险。2008年金融危机中，金融机构对评级机构的盲目信任是重要诱因。如今，随着对AI性能越来越满意，人类可能忽略对模型假设、数据完整性和输出合理性的检验。监管应鼓励金融机构建立激励约束机制，确保有人类员工对AI输出结果进行检测和挑战，将业务流程的最终责任落实到人。
警惕AI普及带来的行为同质化风险。如果众多金融机构依赖相似的大模型做决策，可能导致市场行为的同质化，增加金融系统的脆弱性。健康的金融市场需要多样化的市场主体基于不同风险偏好和判断进行交易，形成有效价格发现。监管应关注并防范因AI广泛应用可能导致的系统性风险集聚。
金融风险在AI技术条件下的积累可能加速。互联网金融时代已经显示，技术条件下风险积累速度可能大幅提升，如e租宝在一年半时间内非法集资700多亿元。AI技术可能进一步加快这一趋势，监管需要适应更快的风险积累节奏，提升早期风险识别和干预能力。
兼顾数据安全与AI创新的平衡点。金融数据安全和隐私保护是监管的核心关注点。AI应用需要大量数据训练和应用，这与数据安全要求存在张力。监管应建立合理的数据分级分类机制，对不同类型数据采取差异化保护措施，在确保关键数据安全的同时，为AI创新留出空间。
政策建议
第一，构建科学有效的AI管理架构和流程。金融机构应将AI管理纳入整体风险管理框架，建立健全包括模型开发、验证、部署、监控和退出等全生命周期的管理机制。特别是业务场景与AI技术匹配性评估机制，确保针对不同业务性质选择适当技术方案。同时进行业务流程再造，确保AI赋能的同时维持关键流程可控性，明确AI应用的责任边界和问责机制。
第二，确保人类对关键业务流程的有效掌控。金融机构应在关键业务环节建立强制性人工审核机制，特别是涉及资金划转、信贷决策、投资建议等高风险领域。建立“人机博弈”激励机制，鼓励人类专家挑战AI决策，及时发现潜在风险。同时建立AI决策审计追溯系统，记录决策过程和人工干预情况，确保问题可追溯、责任可落实。
第三，加强金融专用算力基础设施建设。政府应支持金融行业建设专用AI算力中心，满足行业特殊需求。加快国产GPU及相关硬件入围安可名单进程，简化采购程序，解决金融机构算力采购难题。鼓励开发基于通用架构的算力底座，提高硬件适应性和长期价值。支持研发低精度高效率的推理算法，提升国产硬件在AI推理中的表现，实现“PD分离”（推理和训练分离）优化方案。
第四，建立统一的金融AI应用评测标准体系。监管部门应牵头建立金融行业AI应用测评体系，明确不同应用场景的安全边界和性能要求。制定标准化测试数据集和评测方法，提高评测结果的可比性和权威性。简化明确大模型备案流程，提高备案过程的可预期性和透明度，区分不同风险级别应用采取差异化备案要求，鼓励低风险领域先行试点。
第五，推动构建金融科技创新生态圈。鼓励大型金融机构将成熟AI应用方案向中小金融机构输出，缩小数字鸿沟。推动金融机构与科技企业深度合作，通过“创贷联动”模式，为创新型科技企业提供不仅是资金支持，还包括场景验证的机会。建立行业共享的AI测试沙盒环境，允许在受控条件下测试创新应用。设立金融AI联合实验室，促进产学研金融机构多方协同，加速科研成果转化和应用落地。
第六，培养复合型AI金融人才。鼓励高校开设AI金融交叉学科专业，培养既懂金融又懂技术的复合型人才。支持金融机构建立AI人才培养梯队，设置专业技术通道，吸引和留住高端AI人才。建立金融AI人才评价标准和认证体系，引导人才培养方向。设立金融AI卓越中心，集聚顶尖人才和资源，解决行业共性难题。
第七，制定差异化的监管沙盒机制。根据不同类型金融机构的特点和风险承受能力，设计差异化监管沙盒机制。为大型金融机构设置更宽松的创新条件，同时要求更严格的风险控制；对中小金融机构提供更多技术支持和指导，降低创新门槛。建立创新失败容错机制，在风险可控前提下允许试错和调整，激发金融科技创新活力。
本文隶属CF40成果简报系列，执笔人为中国金融四十人研究院廉薇。