4月10日，国民财富发展研究合作平台2025春季峰会在京举办。中国财富管理50人论坛理事长、原银监会主席、证监会原主席尚福林出席并发表主旨演讲。
尚福林表示，金融业迎来人工智能行业应用的历史机遇，要抓住机遇，不断提高金融智能化水平，更好地服务实体经济。他指出，金融业历史上经历了信息化、数字化、智能化全过程，始终走在技术变革前沿。可以预见，人工智能将对金融业产生深远影响。
在金融行业应用时，应关注人工智能带来的效率提升与风险加剧的双重效应。具体体现在：第一，算力效率的提升是基础。通过算法优化，减少对高算力硬件的依赖，减轻金融机构的资本投入压力；第二，数据安全可靠与隐私保护是关注焦点。在持续加强数据隐私安全保护的同时，也要关注数据污染；第三，提高模型算法的透明性和可解释性是关键。应从技术和监管两个维度，提升模型的准确性、可靠性、可解释性、透明性、公平性和安全性。
很高兴参加“人工智能与金融未来”主题峰会。借此机会，我想谈谈人工智能赋能金融行业的机遇与挑战。
第一，金融业迎来人工智能行业应用的历史机遇
习近平总书记在十九届中央政治局第九次集体学习时深刻指出“加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”。金融业也要抓住新一代人工智能发展机遇，不断提高金融智能化水平，更好地服务实体经济。
首先，人工智能技术的快速发展为金融智能化提供了技术支撑。从金融科技发展的历程看，大型计算机的普遍应用和光纤卫星通讯技术的快速发展，实现了银行的互联互通，建立了现代化支付系统。互联网技术的出现和快速发展，加速了人工智能的创新研究并走向实用化，智能手机的普及使银行App触及了绝大多数客户。2022年ChatGPT模型的出现，标志着深度学习算法的迭代和突破，大幅跨越了科学与应用之间的“技术鸿沟”。如今，生成式人工智能内容领域展现出多样化的工具类型，从通用模型转向金融等垂直领域专用模型；从单纯内容生成升级为具备逻辑推理能力的复合模型，不仅丰富了应用场景，也极大提升了各领域的实用性。值得注意的是，DeepSeek的出现打破了以往大模型发展依赖算力和资本的路径，为人工智能的发展提供了新的思路和可能性。
第二，实体经济的数字化转型是智能化金融发展的基础。智能化的基础，是算法、算力和数据。近年来，我国全社会和各产业的数字化转型取得了快速进展并形成了独特的竞争优势，包括前瞻性地推进适度超前的新型基础设施建设、政府主导的信用信息中心建设、海量的数据资源和丰富的应用场景。这些为金融智能化发展打下了坚实的基础。
第三，提高服务实体经济的质效是金融智能化发展的动力。据42家A股上市银行披露的2024年中期报告，已经有19家展示了大模型技术最新进展。同时，一批中小银行已经开始借助DeepSeek在智能客服、贷后管理、智能营销、智能研发、风险防控等场景展开应用探索。这些金融大模型的应用，增强了金融应用的拓展性和适配性，提高了服务实体经济的质效，提升了机构自身的市场竞争力。
第二，关注人工智能对金融行业的作用影响
回顾金融业发展历程，经历了信息化、数字化、智能化全过程，金融业始终走在技术变革前沿。如今越来越多的金融机构正在探索应用人工智能，加快数字化转型。相关部门也出台了一系列政策和规划，推动技术的应用与创新。《金融科技发展规划（2022-2025年）》提出，抓住全球人工智能发展的新机遇，全面推进智能技术在金融领域的深化应用。人民银行不久前召开2025年科技工作会议特别提到，加快金融数字化智能化转型，安全稳妥有序推进人工智能大模型等在金融领域应用。
各方对于人工智能在金融业推进充满了期待。以生成式人工智能为例，它的对话、创作、推理三大核心能力，非常契合金融行业需求。可以预见，人工智能将对金融业产生深远影响。
一是增强交互体验。大语言模型利用自然语言处理技术，实时回答客户问题，提供个性化的服务建议，极大地提高了客户服务效率，减少了人工客服的工作量和成本。
二是全面分析“画像”。在信贷业务中，人工智能通过挖掘分析消费习惯、交易行为等非结构化数据，分析借款人的各种特征、评估还款意愿，通过动态风险评估替代静态抵押，实现风险评估从“静态指标”向“动态画像”的转变；推动风险定价从“经验主导”向“数据+算法”驱动转变。此外，逻辑推理模型通过交易行为数据中的异常逻辑链检测等策略，加上生物信息识别技术，在反洗钱、反金融欺诈等方面发挥了较好效果。在金融市场上，通过机器学习算法，更高效地进行市场分析和投资决策。国际货币基金组织（IMF）最近一期发布的《全球金融稳定报告》分析了人工智能在提高投资和资产配置的效率、帮助完善组合投资框架、改进回报预测方面的作用。根据市场研究机构估算，2024年全球智能投顾管理的资产规模已突破2万亿美元，较2023年增长超过30%。
同时也要看到，人工智能正在改变传统物理服务模式，对依托密集的物理网点和客户经理的中小银行冲击最大。对这方面的影响还需要进行深入的研究。
第三，关注人工智能提升效率与加剧风险的双重效应
当前，我国人工智能发展的总体态势良好，正处在加强人工智能布局、加快数字化智能化转型的历史机遇期。算力、算法和数据是大模型应用的三大支撑要素。同时也要清醒看到，人工智能的算法“黑箱”、数据污染、模型缺陷等潜在风险问题不容忽视。特别是在金融行业应用时，应关注人工智能带来的效率提升与风险加剧的双重效应。
（一）算力效率的提升是基础。大模型需要依托由高性能计算芯片、存储和网络共同构成算力集群。硬件投入大、训练成本高一直是在行业普及应用的重要制约因素。特别是中小银行科技投入能力明显不具优势。这种局面随着DeepSeek的出现，通过算法优化，减少了对高算力硬件的依赖，打破了“堆算力、拼资本”的大模型发展路径。大大减轻了金融机构特别是中小机构的资本投入压力，为弥合技术差距提供了机会。
（二）数据安全可靠与隐私保护是关注焦点。人工智能让数据的应用价值凸显，也让数据的安全防护变得更加复杂。一方面，持续加强数据的隐私安全保护。金融机构和科技企业需要共同研究数据在采集、存储、传输和使用过程中的安全性问题。要在保障安全和隐私前提下，推动金融与公共服务领域信息互联互通，释放数据要素潜能。另一方面，关注数据污染。金融机构每天都在处理海量的数据和复杂的交易，信息的准确性和可靠性至关重要。在金融行业，信息污染风险同样存在。如果虚假信息被灌入训练模型，有可能污染模型的训练数据。一旦部署到金融交易、风险分析当中，可能会引发连锁反应，造成难以估量的损失。
（三）提高模型算法的透明性和可解释性是关键。深度学习模型目前还存在不可解释性，输出的结果难以解释和追溯，增加了监管的难度。训练数据中的偏差会导致算法输出的不公平或错误。人工智能工具是根据过去的数据进行训练的，可能无法准确反映现实和预测未来。人工智能驱动的高频交易提升市场反应速度的同时，也放大了波动性。当多数人工智能策略采用相似风险模型时，这种同质化响应可能会加速放大负面反馈循环，进而加剧金融脆弱性。此外，需要强调一点，在模型训练中，还要充分体现国家的政策导向和相关要求。
为此，需要积极采取措施。一方面，在技术上强化垂直领域的专业性，在技术基座基础上针对金融行业特点进行精细训练，对生成内容及时进行交叉验证，提升模型的准确性和可靠性。另一方面，监管机构应密切关注人工智能技术在金融领域的应用动态，增强对智能算法风险的穿透式分析能力，健全智能算法的规则制度，提升算法可解释性、透明性、公平性和安全性。
责任编辑：张逸君
