我国高度重视人工智能（AI）发展，先后出台《新一代人工智能发展规划》等。近年来，在算法突破、算力提升等多方面因素驱动下，AI技术获得长足发展。数据显示，我国已初步构建较为全面的人工智能产业体系，相关企业超过4500家，完成备案并上线、能为公众提供服务的生成式人工智能服务大模型已达190多个。

　　金融业拥有庞大的用户群体，积累了海量数据，包括大量结构化数据和非结构化数据，是AI技术应用结合的优质场景。人工智能正在深刻地影响着金融业。总体而言， AI技术的应用将加速金融业数字化转型，提高数字金融发展效率和质量。金融机构应基于自身实际，用好AI赋能，防范技术风险。有关部门应优化政策环境，加大支持力度。

　　周小川曾说过，“金融业是半个IT行业”，金融数字化一直走在前列。随着AI技术发展，其在金融业的应用日益加快和深化。近年来，不同技术展现了各自独特技术优势和金融业应用价值。在实践中，机器学习（ML）、图像识别（OCR）、人脸识别（CV）、自然语言处理（NLP）和知识图谱（KG）等人工智能技术都在不同领域得到深入应用。如，机器学习（ML）已经成为风险管理、智慧营销、智能投顾、合规管控等关键环节的重要工具，提升决策的精准度和效率。图像识别（OCR）则在智能进件、远程开户、放款审核、财报识别等环节通过快速将图像文本提取为结构化数据，降低人工录入的工作量。自然语言处理技术（NLP）在金融信息处理、客户服务、合同比对方面发挥重要作用。而知识图谱（KG）的图计算、图挖掘算法在政策解读、行业研究、合规审计、产品推荐等方面，通过与机器学习、NLP技术结合，实现可视化解释的智能应用提升。

　　2022年11月，OpenAI推出的对话式通用人工智能工具ChatGPT正式上线， AI技术发展迈入新阶段。目前，生成式人工智能（GAI）大模型已经成为金融业关注焦点。而DeepSeek横空出世，进一步加速了AI在金融业的深度应用。DeepSeek融合多模态数据处理、知识图谱构建、智能决策引擎，特别是开源生态、低算力消耗带来的低成本优势，部署应用更具灵活性，从而更适配金融业特别是中小金融机构实际，开云电竞将可能降低应用AI技术的门槛和成本，使得AI技术的金融业应用更为广泛深入。

　　当下，金融机构正在积极探索DeepSeek应用落地。部分银行基于DeepSeek开源框架整合内外部数据，开发及优化信贷风控模型，实现对传统信贷风控模型升级，包括模型效能监控与调优、策略优化、仿真测试、数据及衍生特征推荐等，进一步提升建模效率和精准度。部分证券公司基于DeepSeek构建升级智能客服系统，实现自然语言处理的飞跃。针对客户提出的各种复杂问题，包括产品咨询、业务办理流程询问、账户异常反馈等，迅速给出准确详细的回答，在多轮对话中保持连贯，为客户提供更人性化服务体验。

　　预计下一阶段，DeepSeek等生成式AI大模型在信贷风控、客户服务、行业研究、智能投顾、财富管理、反欺诈、合规监控等领域有着广阔的应用前景。

　　AI技术快速发展正在深刻改变金融业的业务形态和运营模式。这种影响和改变包括两个层面，一方面技术革新驱动金融业数字化转型变革；另一方面，技术深度渗透将可能引发新的风险和挑战。

　　技术革新驱动数字化转型变革不仅体现在效率提升，更体现在业务模式创新和风险管理能力提升。

　　第一，AI应用提升金融业务处理效率。如银行业务流程如贷款审批、账户开户、文件审核等，往往涉及大量的人工操作，效率低下且容易出现错误。应用AI技术，有助于实现这些业务流程的自动化。如可以通过自动读取和分析相关文件和数据，包括贷款申请资料、财务报表、合同协议等，提取关键信息，并根据预设的规则进行审核和决策。智能投顾方面，通过机器学习算法，能够根据客户的风险偏好和财务目标，提供个性化的分析师观点，不仅降低传统投顾的人力成本，还提高服务普惠性。AI驱动的自动化交易系统能够在毫秒级别完成市场数据的分析和交易决策，显著提升交易效率和市场流动性。

　　第二，AI应用加快金融服务模式变革。传统以物理网点为中心的服务网络，正在转型为“云+端”的智能服务矩阵。如“AI+远程银行”模式实现多数高频业务自动化处理，客户需求响应速度较传统模式显著提升。在供应链金融方面，结合物联网平台，银行将实体企业的生产经营数据转化为信用评估依据，将部分数权和物权转化为信用，使得中小微企业贷款审批通过率大幅提升。在智能投顾与财富管理领域，基于深度学习的客户画像系统可实时解析超过千万级的行为特征维度，根据客户生命周期阶段自动生成资产配置方案，提升投顾方案采纳率。总体而言，AI应用推动金融服务从传统的“经验驱动”向“数据智能驱动”演进。

　　第三，AI应用提升金融风险管理能力。传统的风险管理往往依赖历史数据分析和人工判断，而AI技术能够整合处理多模态多源异构数据、实时监控新闻事件等非结构化数据，提前识别潜在风险能力。如，中国人民银行数字货币研究所研发的“风控鹰眼”系统，通过机器学习实时监测可疑交易，使反洗钱调查效率提升多倍。部分银行通过知识图谱技术与机器学习相结合，对集团客户关联风险的识别准确率较传统方法显著提升。此外，基于深度学习的风险评估模型能够更精准地预测信用违约概率，从而帮助金融机构做出更精确的信贷决策。

　　当前，AI技术深度渗透已经引发诸多新的风险与挑战，包括：数据隐私与安全、算法黑箱、网络安全威胁、合规监管矛盾等方面。

　　第一，“数据孤岛”可能导致模型偏差。银行、保险、证券等不同行业间的数据难以有效整合，碎片化的数据生态不仅制约AI模型的训练精度，更可能导致信用评估、反欺诈等核心业务场景存在系统性偏差风险。由此可见，AI模型的训练需要大量数据支持，如何在保证数据隐私和安全的前提下进行模型训练，是行业需要共同解决的问题。

　　第二，算法黑箱问题则加剧应用难度。深度学习模型的决策过程缺乏可解释性、不透明，生成式AI技术“幻觉”可能性，使得新技术在精度要求极高的部分金融场景下的应用成为障碍。而深度学习更是凸显“算法黑箱”现象带来的各种技术屏障，或将导致无论是程序错误还是算法歧视，在人工智能的深度学习中，都变得难以识别。

　　第三，网络安全威胁呈现快速升级趋势。生成对抗网络（GAN）等AI技术，有时候被恶意用于伪造金融交易凭证、模拟高管声纹实施诈。2024年某城商行就遭遇AI深度伪造的集团财务总监视频指令，造成数千万资金损失。更严峻的是，对抗样本攻击可通过对输入数据的细微篡改误导风控系统，这种新型攻击手段严重威胁传统基于规则的安全防护体系。

　　第四，技术发展对监管带来新的挑战。现行金融监管体系主要针对传统业务模式设计，开云电竞对AI技术驱动的新兴业态缺乏有效规制手段。此外，跨国金融机构还面临不同司法辖区监管标准差异带来的合规挑战。如欧盟的《人工智能法案》与我国《生成式人工智能服务管理暂行办法》，在数据本地化、算法审计等方面的要求存在较大差异甚至是冲突。

　　与此同时，随着AI技术大量应用，人才短缺问题日益突出。调查显示，兼具金融专业知识与AI技术能力的复合型人才缺口超过35%。人才短缺导致大量AI项目停留在技术验证阶段，难以实现业务场景的深度耦合。

　　总而言之，AI技术正在重塑金融业的未来。通过技术创新和模式变革，金融行业将能够更好地服务实体经济，实现高质量发展。同时，新技术加快渗透也会引发新的风险与挑战。

　　AI技术正在重构金融业的价值链，在金融领域具有巨大应用前景，将加快金融机构数字化转型，推动数字金融高质量发展；同时还将为塑造金融新业态打开大门，有望形成金融的新质生产力。但AI技术应用并非“一招鲜”，更难以“一键复制”。在这个过程中，金融机构需要保持开放和创新的态度，积极拥抱技术变革。同时，也应看到新技术应用与发展将对人才、组织、文化和风险管理提出新要求，并采取针对性措施持续改进和提升。

　　总体而言，大型金融机构应注重对金融科技发展趋势和新技术变革的长期跟踪与研发应用，并充分考虑技术创新、生态建设、风险防范等协同与平衡。而大部分中小金融机构面临资金少、人才少、数据少、技术力量薄弱的“三少一弱”局面，可采用跟随策略，探索与自身特点相适应的AI技术应用路径。

　　一是合理定位，差异发展。大型金融机构应加快从“工具赋能”进阶为“价值重构”。在发展AI技术过程中，大型金融机构应更多关注技术创新需要的颠覆性变革，包括业务重构、流程再造、组织变革等，深入思考“技术+业务”如何推动形成新产品、新模式、新业态。但也要避免盲目追求“全栈技术”而忽视实际使用率和价值成效。中小金融机构更不应盲目追求新热点和高技术，而应基于自身资源禀赋，聚焦发展方向和业务重点，合理定位AI技术优先应用的业务和场景，走差异化、特色化的数字化转型发展之路。尤其在科技投入方面不能“撒胡椒面”，而应聚焦重点业务需求和战略业务发展需要，提高科技投入产出比。

　　二是开放协同，共建生态。大型金融机构在推动AI技术研发、行业标准制定、金融风险防范以及生态体系构建等方面具有优势。应加快先行先试，探索AI技术多场景落地应用，做AI技术研发与应用的领路人。同时，强化责任担当，打造更加完善的数字金融生态圈、朋友圈，向中小金融机构输出先进技术和模式，有效赋能行业发展。中小金融机构应秉持开放合作的态度，多学习考察同业优秀实践，加强与技术公司、研究院所沟通交流，加强产学研合作。在日常工作中，应围绕本机构业务重点高频场景，融入技术生态圈以及异业联盟，加快探索技术与业务的深度融合，从而把AI技术真正应用起来，并以此为契机深化数字化转型。

　　三是优化组织，培养人才。在组织文化上，应大力打造学习型组织，围绕应用场景建立跨部门、跨条线的扁平化团队，在全机构范围内营造开放、协同的数字金融文化，创造宽松包容的创新氛围，持续保持技术敏感性和组织敏捷性。同时，优化岗位安排、考核评价方式，通过技术与业务部门交叉任职、双线评价以及目标与关键成果法（OKI）考核等方式，推动科技与业务加强协作与融合。在选拔机制上，可探索“金融+科技”双维评估机制，识别具有数字化潜力的员工进行定向培养，并建立独立的晋升与薪酬机制；完善“柔性人才池”机制，以项目制形式来合作吸纳外部技术专家，构建兼具专业深度与跨界广度的人才生态。

　　四是重视安全，防范风险。虽然AI技术不断迭代发展，但对金融机构而言，一旦AI技术的漏洞被不法之徒利用，就可能对金融机构和客户造成风险与损失。而且，新技术还可能带来不可预知的新型操作风险，特别是在自动化控制状态下影响难以估量。如数据中毒攻击和对抗性样本欺骗，可能威胁金融机构核心系统稳定性。随着更多基于多模态数据的AI技术产生，数据边界日益模糊，访问主体和客体关系更复杂，金融机构常见的安全防御手段无法完全满足数智化环境下安全保障需求。因此，信息安全和隐私保护等问题需要尤其重视。金融机构应当将AI技术风险纳入全面风险管理体系，采取多方面措施有效防范和处置风险。

　　2023年10月，中央金融工作会议将数字金融确定为五篇大文章之一。2024年11月，中国人民银行等七部门印发《推动数字金融高质量发展行动方案》，要求加快推进金融机构数字化转型，夯实数字金融发展基础。我国AI技术在金融业高质量发展离不开开放包容、公平有序的政策环境。针对当前面临的不足和问题，可从以下两方面着手，进一步完善政策措施，实现技术创新与风险可控的平衡，使AI技术成为金融业数字金融高质量发展的“安全引擎”，而非“风险盲盒”。

　　不同AI技术的应用场景，如信贷评估、投资顾问、反欺诈等，在应用的技术框架、技术复杂度和深度上存在较大差异，风险发生概率和影响程度上也不尽相同。因此，在政策上可考虑制定差异化的监管要求，对高风险应用如高频交易等实施更严格的监管，对低风险应用如智能客服等实施相对宽松的监管。

　　同时，在制定完善国内监管政策同时，可考虑进一步推动国际标准协调，参与国际监管组织（如FSB、BIS）的AI标准制定，促进全球监管一致性发展，从而降低跨境金融机构的合规成本。

　　良好的风险意识和合规文化是数字金融发展的前提和基础。建议通过制度设计、工具创新和生态协同相结合，促进金融机构增强主动风险防范意识，从“被动响应”转向“主动引领”；通过制度刚性约束与市场柔性激励相结合，推动金融机构将AI风险防范内化为合规文化。

　　一是制度设计上，促进银行等金融机构对新产品、新业务、新模式带来的技术和业务逻辑变化，建立起及时响应、全面覆盖、审查到位的合规体系，进一步规范全面风险管理范围，如新型操作风险、科技外包风险、模型算法风险等如何识别、防范和监控。

　　二是工具创新上，可考虑构建AI驱动的合规监测平台，自动解析监管文件并评估金融机构的合规状况。从而提升监管的时效性，及时反馈当前金融机构可能碰到的问题和风险。同时，可建立跨机构的数据共享平台，利用AI分析系统性风险，并实现信息披露和共享。

　　三是鼓励第三方机构提供AI模型审计、数据合规检测等服务，降低金融机构合规成本。第三方审计可避免金融机构“自我审查”的潜在利益冲突，确保结果公正。同时也减少金融机构的自身投入，特别是中小金融机构无需自建昂贵的AI审计团队或采购高端技术工具，通过第三方专业服务节省人力、技术和时间成本。同时第三方机构专注于合规技术，积累跨行业经验，能够快速识别风险并提供精准解决方案，如，算法偏见检测、数据泄露防护等。这将有助于形成统一的审计与检测标准。

　　人工智能（AI）技术是新一轮科技革命和产业变革的重要驱动力量，将对全球经济社会发展和人类文明进步产生深远影响。面向未来，我们要深入贯彻落实党中央、国务院关于人工智能发展的决策部署，不断推动人工智能与金融业深度融合，充分发挥AI技术在促进金融数字化转型、做好数字金融大文章等方面的重要作用；同时推动金融更好地赋能AI技术迭代创新，为加快形成新质生产力、促进经济高质量发展注入源源不竭的金融动能。（原载《金融电子化》杂志4月上半月刊，发表时有修改）

　　（董希淼系招联首席研究员、上海金融与发展实验室副主任，徐蓓芸系安硕信息金融业务研究院高级顾问、上海金融与发展实验室特聘研究员）

　　任正非重磅发言：中国将来会有数百、数千种操作系统！国产操作系统潜力股名单一览