--- schema_version: 1 paper: 经济日报 paper_slug: jingji date: '2026-10-29' id: content_341066 title: 人工智能重构金融底层逻辑 author: □ 本报记者 赵东宇 pretitle: '' subtitle: '' pages: - number: '07' name: 第07版：财金 url: http://paper.ce.cn/pc/layout/202610/29/node_07.html source_url: http://paper.ce.cn/pc/content/202610/29/content_341066.html captured_at: '2026-10-29T13:58:41+08:00' status: text excerpt_type: 正文摘录 body_char_count: 3321 body_sha256: 29d4e8e29b08793e1ed11a4282a37cc9419b8ba612316df32943fee075ca22e5 images: - source_url: http://paper.ce.cn/pc/pic/202610/29/f227be81-c66b-4fb0-9fe7-cc1e2e3def1f.jpg.2 alt: '' path: 图片/jingji/2026-10-29/6b42d6795ad6504b99cbb63b.jpg sha256: f32b296344cda8e63fbaf07fb4ff49826a6491c44c7cc5087f5b779e7bfbbd7c status: saved --- # 人工智能重构金融底层逻辑 [官方原文](http://paper.ce.cn/pc/content/202610/29/content_341066.html) ## 正文 当前，人工智能（AI）在金融业中的角色正在发生实质性变化：从提升效率的辅助工具，逐步走向业务运行的重要支撑，改变金融机构运营方式的同时，也在重塑风险形态。 在10月19日至22日于上海举行的2026外滩年会上，记者注意到，AI是贯穿全程的话题。金融业正在用AI做什么？风险在哪里？监管如何跟上？记者结合外滩年会上的讨论和多家金融机构的实践，尝试解读这些问题。 从辅助工具走向核心底座 “与其用‘AI+’的加法思维，不如把它理解为‘X的AI次方’，AI带来的不是单项工作中的工具增量，而是整个行业、整个社会的系统性重构。”清华大学校务委员会副主任杨斌在2026外滩年会开幕致辞中说。 他用“技术青春期”和“组织中年”来比喻AI落地时面临的一对矛盾：技术本身在快速迭代、不断冒出新的可能，而不少组织仍然习惯追求短期回报、沿着线性改进的路径往前走，两者的节奏对不上，碰撞的结果是倒逼商业逻辑和组织模式作出深度调整。 这个观察为理解金融业的AI变迁提供了一个起点，讨论的焦点已经不是“要不要用”，而是“怎么用、用到什么程度、谁来管”。 一组数据，勾勒出AI在金融业从辅助工具走向核心底座的轨迹。艾瑞咨询发布的《AI时代下的金融科技发展洞察报告（2026）》显示，2025年中国金融机构对AI类产品的投资规模约144亿元，2030年预计达579.2亿元，年复合增长率约32.1%。据上市银行2026年半年报，今年上半年，国有大行AI场景数量普遍达到500个以上，词元消耗从“百万级”进入“百亿级”，智能体应用处于“从试点验证走向体系化部署”的阶段。 从具体实践看，AI在不同机构的落地形态和节奏不尽相同。交通银行副行长钱斌介绍，交通银行使用贸易背景审查智能体，将单笔福费廷业务的人工环节从9个压降到4个，交易耗时从2小时缩短到30分钟以内，反洗钱预警率也有了明显改善。国泰海通证券首席信息官俞枫介绍，国泰海通在近300个场景实现AI的规模化应用，全AI智能App在2025年服务1.14亿人次、节约66万工时，智能投顾覆盖率100%，代码采纳率超过97%、效率提升30%。不过，并非所有机构在AI应用方面都在同一条水平线上。俞枫提到，除少部分头部券商外，大部分券商仍处于“以点带面”的阶段，还没有到规模化应用的时期。 “AI对生产率的提升最主要来自应用层。”中国人民银行原行长周小川认为。他特别提及两项技术：一是大模型轻量化，把模型“变小”后可以放到汽车、手机等终端上；二是模型蒸馏，在现有模型基础上简化流程和概念，推动能力升级。周小川同时提醒，大量投资正涌向数据中心建设，未来AI大模型和应用在多大程度上依赖数据中心的算力，仍然存疑。 当AI从辅助工具走向核心底座，带来的不只是效率，还有一些新考量。香港金融管理局副总裁阮国恒观察到：“如果只把技术当作提升生产力的工具，只需要做测试、选工具；但如果从战略角度分析，银行就会以技术为本制定商业模式。” 警惕繁荣背后的风险聚集 AI在金融业跑得越快，围绕它的资本循环和行业结构所积累的风险就越值得审视。 投资端的风险，首先不在于AI本身行不行，而在于支撑这轮热潮的资金链条是否稳得住。对此，周小川讲得很直接：“考虑到如今有如此巨额的资金流向人工智能及相关基础设施，一旦其中一部分失败，就可能引发金融动荡，并酿成危机，这就需要采取大规模的行动来支撑经济，并对部分金融机构实施救助。”他建议开展研究、做好预案，在政策工具箱中储备相应的政策工具。北京大学国家发展研究院院长黄益平则提出了一个更具体的机制——“循环承诺”。简单说，就是大型科技公司向下游作出巨额采购承诺，上游供应商信以为真、随之大幅扩张产能和投入；一旦这些承诺因为技术路线变化、需求不及预期等原因无法兑现，上游的扩张就会变成过剩，进而引发市场急剧调整。这个机制的风险在于，它把几家大公司的商业承诺，变成了整条产业链的共同押注。 行业端的风险，则藏在AI从“试点”走向“规模化”的这一步跨越里。钱斌从金融机构的视角列出了三大风险。第一，有没有高质量的数据集和专业知识资产的沉淀。算力可以购买，模型可以借鉴，但高质量的数据集没有办法由其他人来提供。第二，有没有端到端、体系化、工程化的实施能力。AI探索试点和规模化应用，是完全不同的两种形态，如果没有统一、完备的工程化能力，很容易带来灾难与风险。第三，如何建立有效的AI治理生态。 俞枫补充了证券行业的具体风险，包括算法与模型的同质化、智能体行动权限失控、信息污染和生态污染。他认为，AI不会改变金融市场的基本功能，但会改变它的运行节奏和传导机制，以后可能从“人跟人的博弈”变成“人跟机器、机器跟机器的博弈”。 AI风险正在以比“技术故障”更具体的方式显现出来。钱斌提到，交通银行反洗钱预警率有明显改善，这是AI提升效率的一面。但同一套技术如果被用于深度伪造、虚假信息生成，也会带来风险。阮国恒还谈到声音克隆和深度伪造带来的欺诈风险，以及如何在银行、技术提供方和客户之间分担责任的难题。他认为，责任应该共同承担，并建立清晰的框架，但通常情况下，需要每个案例逐一分析和判断，没有绝对和简易的原则。 “要为AI的创新设立合理、清晰的边界。即要给它‘方向盘’和‘红绿灯’机制，使得AI在规定的跑道上进行探索尝试。”钱斌说，在高风险领域，最终的风险判断、责任承担和最后的价值选择，应该由人完成，而不是简单的机器代替人。 治理的步子能追上算法吗 AI在金融业的渗透速度，给许多监管框架带来了更新压力。当算法开始参与授信审批、投顾服务、交易执行，监管面对的不再是一个可以用传统方式检查的系统，而是一个持续学习、不断变化的“黑箱”。治理能不能跟上算法的脚步，成为一个绕不开的追问。 治理的紧迫性，体现在监管能力与机构实践之间的落差上。世界银行常务副行长兼首席行政官张文才表示，根据世界银行的调查，只有11%的新兴市场金融监管机构在使用AI赋能的监管工具，大概有50%的机构表示，他们没有足够的人员和工具来进行很好的监管。他还提到另一个结构性问题：对少数几家云服务商和模型提供商有过度依赖。这意味着，AI治理面临的不仅是“规则够不够”的问题，还有“能力跟不跟得上”的问题。如果技术跑得快、监管跑得慢，中间的缺口就有可能变成风险。 治理的难点，在于按什么逻辑管。中国工商银行行长刘珺把AI治理的难点概括为“身份困境”，也就是说，AI究竟是具有类法律主体地位的行为者，还是纯粹的技术工具？随之而来的问题是，责任该如何在算法开发者、部署者、使用者和终端用户之间划分。毕竟在算法“黑箱”下，问责和验证都较为困难。他提出一个设想：能否将AI视为“准人类法律实体”，与现有的市场参与者纳入统一监管机制。此外，刘珺还指出了几重错配的问题：监管要求充分披露，而算法和数据参数难以披露；数据需要本地存储，而数据和算法本身没有国界；各国难以将AI的控制权交给他国，催生了主权AI；银行业以信用为基础，但难以对AI算法进行信用评分。 在治理框架如何从原则落地为可操作规则这一层面，香港的实践提供了一个具体参照。阮国恒介绍了香港金管局发布的《负责任应用人工智能的监管指引》，这份文件围绕可问责、具韧性、可信赖三大支柱，为银行负责任地开发和部署AI提供了明确的监管基础。其中，“可问责”针对的是AI代理的分工问题，如果一个应用方案分成多个AI代理执行，每个代理只负责一小部分，人工监督也只对部分工作负责，就等于没有人负整体责任；“具韧性”针对的是AI代理应用越深入、韧性越复杂的问题，要尽早从治理框架着手；“可信赖”针对的是公众信任，确保先进的AI模型不能影响公众对金融机构的信任。 关于AI治理的讨论，绕不开一个更根本的问题——AI服务的究竟是谁。“AI可以扩大金融的包容性，但我们要加以设计才能实现这样的包容性。包容性并不会自动发生。”张文才表示，中小微企业没有信贷历史、没有抵押品、没有可靠身份、没有品牌，AI可以运用多种数据降低服务小客户的成本，但也要防止模型偏见让非正式就业者等群体吃亏。 ## 配图 ![原文配图 1](../../../图片/jingji/2026-10-29/6b42d6795ad6504b99cbb63b.jpg)