AI在金融领域是否真的不可或缺？

在人工智能（AI）创新浪潮下，生成式AI成为金融科技创新的热点领域，金融机构也积极布局。未来的金融业发展是不是绕不开AI技术？生成式AI运用于金融业务流程中，可能涉及哪些金融安全问题？有哪些预防措施可以用来防范可能的风险？围绕上述问题，《金融时报》记者近日对话了国家金融与发展实验室副主任杨涛、神州信息常务副总裁于宏志和神州信息新动力研究院副院长薛春雨。

　　《金融时报》记者：您怎么看当前AI的发展以及在金融领域的应用？

　　杨涛：就金融领域的应用看，生成式AI大模型已经在几个层面逐渐展现其价值。一是在提升面向客户的服务能力方面，可为金融机构员工的专业化营销、渠道维护提供支持；二是在改善机构工作流程与效率方面，可进一步提升业务链条智能化与办公模式自动化；三是在文本处理方面，对金融机构的一般文本、专业合规文件及业务所需的信息，都能够更低成本、更高效地提供技术支持；四是对金融机构实现了IT支持，其代码生成功能提升了IT基础工作的效率。

　　但人工智能在组织运营、服务能力、风险管理方面的应用度更高一些，受技术和制度因素影响，在解决其他金融需求方面尚显不足。

　　于宏志：由于金融行业的特殊属性，面对复杂的金融场景，金融应用软件研发一直面临投入大和周期长的问题。生成式人工智能（AIGC）的突破，让我们看到了破题的关键。借助多种AI技术的融合应用，我们可以实现AI赋能软件研发全流程，助力金融软件研发和业务创新倍数级提速。作为科技企业，神州信息根植金融行业，积极响应AI浪潮下金融机构快速创新服务的海量需求，比如神州信息推出的“九天揽月”，从软件建模、代码生成、智能运维等场景，实现AI技术的落地，能够大大提升金融软件的研发质效，帮助金融机构实现降本、提质、增效。

　　薛春雨：当前，AI在基础大模型方面发展非常迅速，基本以月为单位在演进。相对而言，金融行业的应用还处在初级阶段。目前，银行业已在多个领域探索大模型应用，大多是面向内部的知识问答、客服坐席助手、应用开发等简单应用，更多在降本增效方面发挥价值；同时，模型的输出结果存在很大程度的不稳定性，需要专人进行审核，在直接面客、制定策略、风险防控等关键业务领域，对大模型的使用应尤为谨慎。

　　《金融时报》记者：AI为金融行业赋能，会是“一时兴起”吗，还是将逐渐“落地生根”？

　　杨涛：从全球看，金融业的数字化转型已成为大势所趋，也是我国监管部门推动的重要改革方向。从宏观层面看，无论是“十四五”规划的顶层设计和数字经济发展规划，还是金融领域最新的金融科技发展规划和数字化转型指导意见，人工智能都被视为数字经济的核心驱动力、重点产业和数字底座。数字经济的高速发展为人工智能创造了良好的经济和技术环境；同时，人工智能作为关键的新型基础设施，也为拉动我国数字经济发展提供了新动能。

　　从需求侧角度分析，随着数字经济和数字社会建设深入推进，产生了大量的数据，这为人工智能的建模、训练和应用提供了广阔的“土壤”。同时，其多维度、多元化的应用场景为人工智能应用蓬勃发展提供了良好的契机。人工智能和金融领域客户服务、产品创新、运营管理、风险防控等业务场景的深度融合，对金融服务全流程进行模式重塑和智能赋能，推动金融产品创新、流程再造、渠道融合和服务升级，拓展金融服务的广度和深度，成为金融数字化转型的重要源泉和驱动力量。

　　于宏志：判断一个技术是否有价值和生命力，一是看其能否带来生产效率的大幅提升，创造出有价值的东西；二是看能否有效落地。从技术演进的角度看，从信息化、智能化再到数字化，技术是在不断迭代中的，AI大模型的运用是在持续推进的。在这个技术的自然演进过程中，金融机构谁最先使用，谁就能利用其创造更多价值。

　　薛春雨：这个问题需要从两个方面来看，一个是技术本身，一个是参与的企业。首先，从技术的视角来看，技术是可以落地的，因为AI是在现有社会的运行体系之上，通过不断改进和完善，提升生产效率，而不是对现有体系的彻底颠覆。另一方面，所有AI相关的参与企业也会有自己不同的选择，这中间难免有个别企业是“噱头”，但我相信，大部分企业还是希望将AI技术真正应用到具体工作中，切实地解决实际问题。

　　《金融时报》记者：AIGC运用于金融业务流程中，可能涉及到哪些金融安全或风险问题？

　　薛春雨：大模型目前还存在准确性不够的问题，所以在金融机构使用的时候，暂时不能直接面客，还需要人员进行审核和兜底；另外，基础大模型的一些数据后续在金融行业落地时，对人的洞察及推荐、流程分析等都可能带来一定的风险，所以需要从数据的准确及安全性方面提前做好一些工作。

　　杨涛：人工智能对现有的伦理准则、社会治理带来了巨大的冲击和挑战。可以看到，国内外人工智能治理取得突破性进展，已从理念层面进入到建章立制、落地实施阶段，发展可信AI成为核心内容。在应用层面面临的挑战还有很多，比如透明度与不可解释性问题。所谓可解释性，就是在一项行动认识或决策过程中，需要从中获取充足的、可理解的信息，从而帮助做决策。而在机器学习领域，在输入数据和输出答案之间通常有被称为“黑箱”的不可观察空间。只有发展可解释、可信任的人工智能金融应用，才能实现用户信任、模型可审计性并降低风险。同时，人工智能的金融应用存在更突出的合规压力，算法歧视、大数据杀熟、信息泄露等金融科技伦理挑战，也给人工智能应用带来争议。

　　《金融时报》记者：未来，AI与金融科技结合的发展方向怎样？

　　于宏志：人工智能的出现赋予了系统以人的思维方式去学习、产出，未来发展AI技术仍是大方向，并将其运用到诸多垂直领域及场景中，达到内部降本增效的作用。金融科技将更加务实，科技企业未来的竞争点永远是“下一个创新产品是什么”，而且新技术的运用价值要始终从能否实现业务的质效提升以及技术可行性等方面来判断。

　　杨涛：金融业作为经济社会健康运行的基石之一，也是特殊的信息处理行业，应该抓住机会、创造条件，利用AI推动自身高质量发展，使得金融服务更加高效、便捷、有温度。对于金融业来说，数据是最重要的生产要素，也是生成式AI大模型应用需要跨越的首要障碍。接下来，需要推动金融业从传统数据要素治理，到数据资产探索的不断升级，才能为大模型的深度应用奠定坚实基础。

　　薛春雨：从AI技术的发展来看，在基础大模型快速发展的前提下，一定会慢慢往各个垂直行业延伸，真正地赋能各行各业。从初期的简单应用，到跟传统的AI技术以及关联技术进行融合形成整体解决方案，最后一定会发展到全面智能化的高阶阶段。另外，AI技术也会跟云计算、大数据等相关技术进行结合，全面提升现有技术的智能化能力，逐步形成更加智能化的数字化转型底座，实现从数字化到数智化的转型。