金融大家評 | 李禮輝：金融智能體應用的三道“必答題”

導語：“金融智能體依托行業最佳流程、最佳標準的數據支持，能夠成為專業水準的金融代理人，因此用于低價值的勞動密集型領域多少有點大材小用，而是更加適用于高價值的技術密集型領域。”

中國銀行原行長李禮輝表示，金融智能體應用需要答好三道“必答題”：一是明確應用領域與法律地位；二是筑牢可靠性與經濟性基石；三是破解數據數量與質量的瓶頸。

近年來AI前沿技術的迭代創新主要有三個方面

一是從單模態(Unimodal)到多模態(Multimodal)。以前只是單一文本模態，現在的生成式AI大模型可以學習和理解非結構化數據，生成新的非結構化內容，包括文本、音頻、視頻、圖像和代碼，適應多種任務。最新的大模型具備文本、視覺、語音多模態組合的感知、理解、學習、模擬和交互的能力，突破文本交互的局限性。

二是從助理(AI-Assistant)到代理(AI-Agent)。以前只是AI輔助和助理，最新的具身智能體(AI-Agent)集成神經網絡、知識工程和控制論技術，能夠培育在不同場景中的感知、學習、交互、行動和決策的代理能力，甚至可以超越一般水平的生產力。金融智能體(Financial-Agent)應運而生，可以培育專業水準的金融代理人。

三是從高能耗到低能耗。特別是DeepSeek通過算法創新顯著節約資源，提升有效算力，具有突破性意義。全球知名的AI集成平臺Composio從推理、數學、編程、創意4個維度的測試證明，DeepSeek-V3的性能與GPT-4o不分伯仲，但訓練成本遠低于GPT-4o。預期中國的科技巨頭將進一步完善獨立自主的AI生態，拓展第三方應用集成，開拓高效、可靠的中國式AI發展道路。

金融智能體的應用環境主要涉及三個維度：

1

應用領域與法律地位

生成式AI應用于金融業，能夠創造直接的商業價值。

例如，實現人機交互可信任的擬人化，實現非結構化數據處理可信任的精確性。金融智能體已經開始在銀行、保險、證券、基金、財富管理等金融機構中部署，開始替代人類員工的部分崗位，而且AI替代正在從勞動密集型崗位延伸到知識密集型崗位。

例如，百度的數字信貸經理智能體撰寫盡職調查報告，能夠無縫接入銀行的盡職調查系統，對企業財務報告進行智能化邏輯校驗與指標分析，盡職調查報告撰寫時長由1天減少到1小時，數據準確性超過98%。

我個人認為，金融智能體依托行業最佳流程、最佳標準的數據支持，能夠成為專業水準的金融代理人，因此用于低價值的勞動密集型領域多少有點大材小用，而是更加適用于高價值的技術密集型領域，包括市場分析、風險評估、投資顧問、財富管理、量化交易、產品定制、內部審計、數字員工等等。

例如，已經投入應用并逐步升級的智能投資顧問擁有更大的知識面，更專業的分析能力，更冷靜的情緒判斷，可將投資顧問從參差不齊的個人專業水平提升到整齊劃一的最佳專業水平，有些金融高管認為智能投資顧問可能替代60%以上的投資顧問崗位。

這將逐步改變金融業的人力資源結構：一是更多的經營管理崗位將匹配懂AI、懂金融的復合型人才；二是更多的專業性、技術性崗位將被金融智能體替代；三是更多的操作性、勞動密集型崗位將外包給應用數字化技術提供集約化服務的企業。

金融行業、金融機構的價值取向將影響AI替代的具體速度和深度，即AI替代發生的時間節點、具體崗位和替代比率。這將取決于智能體的專業性和可靠性，取決于金融監管對智能體的評估和審核，取決于勞動就業觀念和政策的容納和許可。

為此必須盡早確立金融智能體的法律地位。主要是明確金融智能體的行為邊界，明確金融智能體與金融客戶的法理關系，明確金融機構管理者的決策責任，同時建立金融智能體評估審核制度。

2

可靠性與經濟性

需要注意的是，人工智能潛在的安全風險和技術缺陷尚未因AI算法創新而淡化。一是未能消解安全風險，攻擊者可利用技術漏洞實施數據投毒、參數竊取、惡意文件上傳和關鍵組件刪除等操作，破壞核心數據，影響模型的算法完整性和運行穩定性。二是未能消解技術缺陷，測試證明，最新的AI大模型仍不同程度存在模型幻覺、模型歧視、算法共振、隱私泄露等缺陷。三是未能消解解釋性難題，算法創新增加了模型的非線性、隨機性和不確定性，模型的解釋更加復雜，目前尚未找到一種通用、公認的解釋方法。

金融是安全性和可信度要求近乎苛刻的行業，必須保證金融資產和金融數據的安全，保證金融交易和金融服務的可靠性，保證賬務處理和賬務記錄的準確性。我個人認為，中短期內金融創新并不要求金融模型自身具備解決數學、編程、創意等復雜問題的高超能力。金融智能體作為專業性的AI模型，實際應用的基石是可信任，讓客戶信得過，讓市場信得過，讓政府信得過。

一是高可靠性。部署金融智能體，必須配置先進的安全技術工具，既能抵抗惡意攻擊，又能避免偶發性安全隱患。應該達到安全可信的基本要求：用于市場分析和預測，特別注意克制模型幻覺；用于客戶篩選和分層，特別注意避免模型歧視；用于量化交易和投資顧問，特別注意防止算法共振；用于身份識別和驗證，特別注意抵抗AI虛假；用于線上線下客戶服務，特別注意消解機器冰冷；用于憑證識別和賬務處理，特別注意達成零誤差的正確率。

二是可解釋性。具備基礎架構的可解釋性，能夠展現基本的推理路徑和邏輯，將金融智能體的模型行為轉化為可理解的規則和可視化的過程，逐步實現從結果正確向過程可解釋的跨越。

三是經濟性。用海量數據預訓練行業級金融模型并持續調優，再根據不同需求調適差異化應用，定制企業級金融模型，可有效降低模型開發的邊際成本，擴展模型的應用范圍，提高投入產出比。

四是合規性。智能金融創新是從根本上改革體制，重構流程，再造底層系統。在智能金融治理上，過于嚴苛的監管可能抑制技術創新和產業發展，應該剛柔并濟，引導創新。一是“高中初小”原則。“高”是占領技術高地，“中”是全球領先的中國方案，“初”是有能力把風險消滅在萌芽狀態，“小”是實現風險概率和風險成本最小化。二是價值共生生態。支持有實力的科技企業與金融機構深度合作，實現技術協同，領軍開發行業級金融模型和金融智能體，為中小金融機構提供企業級金融模型及軟件服務。促進金融與制造業、金融與服務業、金融與政務、金融與民生共建場景，共享資源，共創價值。

3

數據數量與質量

金融是數據密集型行業，數據環境是首要的智能金融生態環境。

就全國來說，當前數據共享仍存在三大短板。一是公共數據局部行政分割。涉及居民和企業的財務數據和交易數據，分散在不同的局域系統中，共享程度不夠高。二是非公共數據局部流通不暢。全國移動支付用戶超過9億，數字化支付成為主要的數據入口，但數據大戶與金融機構之間的數據關聯、數據共享尚未達成成熟的模式。三是行為數據集開發應用不足。客戶畫像所需的用戶行為數據分散在不同局域未形成關聯數據集，行為數據的金融應用仍存在較大局限。

數據共享既要擴大數量，也要提高質量。

一是公共數據開放共享，著力解決公共數據行政分割的問題。公共數據按照“原始數據不出域、數據可用不可見”的要求，以模型、核驗等產品和服務的形式向社會提供，加大供給使用范圍。政府建立數據平臺，打破數據孤島。例如，上海、浙江、福建、深圳等省市制訂數據共享的地方性法規，組建大數據企業，整合行政數據資源，建立數據共享平臺，提供一體化、一站式的數據服務。

二是非公共數據共同使用，著力解決個人數據和企業數據流通不暢的問題。創新技術手段，推動私密信息匿名化處理，保護個人隱私和企業秘密。推進非公共數據按市場化方式“共同使用、共享收益”的新模式，支持金融機構與互聯網平臺企業、物流企業、數據加工企業、征信機構、行政部門、公共服務機構等“數據大戶”建立市場化的數據分享機制，為智能金融提供數據支持。

三是建設專業化的數據集數據庫，著力解決數據分散、數據質量低的問題。從相互關聯的五個維度，建設產業數字金融數據庫：1.足夠數量的公共數據和非公共數據；2.結構完整的交易數據和行為數據；3.質量達標的結構化數據和非結構化數據；4.統計準確的周期性數據和即期數據；5.專業細分的多維度數據和多模態數據。建立集中統一、互聯互通的數據應用系統。一家互聯網大廠正在策劃牽頭興建金融業一體化數據庫，這是具有現實需求和深遠意義的“德政工程”。

我們對金融智能體的創新發展和實際應用充滿期待，也充滿信心。

來源丨新金融聯盟NFA

編輯丨秦婷

責編丨蘭銀帆

關于《清華金融評論》·金融大家評

天下人評天下金融

針對當前經濟金融的重要政策、熱點話題進行深度探討、交流和解讀。把握現實經濟金融現狀，看清事件背后的原因，探索經濟金融未來發展的脈絡。