在“人工智能與金融未來”為主題的國民財富發展研究合作平臺2025春季峰會上，中國銀行首席信息官孟茜就“加快構建‘人工智能+金融’數智化轉型新生態”進行了分享。

首先，孟茜強調了人工智能在大國科技博弈、引領產業變革、增進民生福祉等方面的重要性。然后介紹了人工智能在金融業的應用，以及銀行應用人工智能要注意的事項。

銀行業較早前開始應用AI，中行大模型已落地多領域數十個場景

孟茜介紹了銀行業引入人工智能的歷程：

1980年，將專家系統應用于銀行信用評估等領域；2010年，機器學習、神經網絡興起與應用，人工智能深度融入銀行產品服務與經營管理；2020年，大模型推動人工智能應用進一步從決策式邁向生成式，成為銀行數字化轉型的重要驅動力和數字金融的核心引擎；2025年，DeepSeek顯著降低了大模型應用的成本與門檻，人工智能開始從工具化應用向基礎設施轉型。

孟茜表示，深化人工智能+金融，已成為行業共識。一方面，可提升運營效率，降低成本；另一方面，可促進客戶服務模式的創新，金融服務普惠性、便利性、可及性將進一步提高。

孟茜介紹，中行按照“通用能力筑基”“垂直場景深耕”“前沿技術突破”的思路，構建起了涵蓋機器學習、專有小模型、大模型的AI應用體系。

在大模型方面，中行已落地員工合規問答、智能研發、智能辦公、智能風控、智能營銷等領域數十個場景。

孟茜認為，對于大模型應用，從銀行整個行業來看，要做好三個“共治”；從銀行機構來看，要做好三個“協同”；此外，要統籌好發展和安全的關系，筑牢安全與風險三道防線。

銀行業要做好三個“共治”

從今年DeepSeek-R1模型推出后，已有20多家銀行部署了私有化的DeepSeek，但主要還是國有大行和部分科技實力比較強的股份制銀行。中長期來看，大模型要在全行業廣泛應用，需要關注并解決三方面的問題。

一是算力基礎共治。雖然DeepSeek等技術降低了算力門檻，但是它的火爆也激發出了更多的應用場景，市場算力的總需求其實是有增無減的，要滿足銀行業特別是中小銀行的算力需求，是否應該加強金融專用算力基礎設施的建設，構建靈活的算力架構，并且通過集約化的運營去提升算力的使用率，同時還要加快現在國產化算力在適配大模型時存在的效率和兼容性的問題。

二是行業模型共治。目前預訓練的基礎大模型，金融知識的配比只占到5%左右，導致金融的專業性不足，限制了在金融場景的深度應用。為此，部分國有大行已經嘗試開始進行二次訓練企業的大模型?？紤]到行業大模型在促進推廣、降低成本等方面的作用，是否需要整合行業資源、建設行業大模型也成為銀行同業正在討論的一個熱點話題。建議大型金融機構應該和中小金融機構加強交流和合作，縮小數字鴻溝。

三是行業數據集共治。金融業對數據的隱私保護和使用的要求非常高，支撐行業共享共用的金融語料比較缺乏，是否可以考慮組織行業在數據分級分類管理的基礎上，共同推進建設金融公共語料庫，進而降低各個金融機構單獨構建的投入成本，同時可以建立統一的金融人工智能應用的評測體系，制定標準化測試數據集和評測的方法，提高評測結果的可比性和權威性，以提升大模型金融應用的質量和水平。

銀行機構要做好三個“協同”

對于銀行業金融機構而言，擁抱人工智能要做好三個“協同”。

一是場景和技術協同，合理應用人工智能技術。不同的人工智能技術有不同的特征和優劣，不同金融場景的需求也各不相同。目前來看，大模型技術既不能一統人工智能應用的天下，也不是所有業務場景的普世解，各機構還是要建立KYA機制，結合業務場景、風險特征、算法特點，合理選擇大小模型，通過大小搭配、高低組合，在實現高效應用的同時，可以有效地降低成本。

二是業務和科技協同，實現應用創新敏捷迭代。要搭建企業級人工智能應用框架和體系，實現算力、數據和專家知識的高效共享，需要降低應用的門檻，要能夠支持業務人員通過使用工具箱就能夠自行開展業務驗證、場景孵化的工作，同時還要加快培養既懂金融又懂人工智能應用的復合型專家型人才，負責推進業務的全面智能化轉型。要通過技能培訓形成人人會用、人人在用的人工智能工具，才能將人工智能的優勢轉化為實際的一個業務價值。

三是組織和技術協同，構建人機相適的新型組織模式。人工智能的深度應用會重塑銀行原有的崗位職責、業務流程和決策模式，人機協同也將成為銀行機構未來的一個常態，銀行要逐步構建起人工智能和行業專家緊密協作的新型模式。

孟茜認為，未來在金融行業中涉及信息處理、初級分析和標準化客服等重復性比較高、規則比較明確的工作，可能會被逐步地替代。未來的金融從業者或將轉型為AI訓練師與策略的指揮官，需要掌握數據解讀、模型調優以及倫理審查等復合的技能，由行業專家去處理更加復雜和情感類的任務，實現人與智能的優勢互補。

筑牢安全與風險三道防線

孟茜指出，人工智能在應用過程中會面臨數據泄露、算法黑箱、模型攻擊等一系列的風險挑戰，也會帶來侵犯個人隱私、沖擊法律和社會倫理等問題。近期，小米SU7智駕汽車交通事故在全社會再次引發了人工智能安全的討論，要確保人工智能應用的安全、可靠、可控，可從三方面做一些重點工作。

一是要筑牢企業治理防線。銀行機構自身要逐步建立健全企業級人工智能的治理機制，將人工智能的管理納入到全面風險管理的框架，強化科技倫理和消費者權益保護的審核，建立健全包括模型開發、驗證、部署、監控和退出的全生命周期的管理機制，通過統一的管理來確保企業對人工智能應用的主動掌控。

二是要筑牢業務安全防線。就如智能駕駛是輔助駕駛，無論如何都不能脫手一樣，當前銀行在應用大模型等人工智能技術時，必須將業務流程的最終責任落實到人。如何落實業務流程的最終責任其實是有待進一步的研究和探索，包括在法律法規層面，也需要有明確的規范和指引。

現階段從實操中來看，一方面，要明確人工智能的輔助和效率工具的定位，在關鍵業務環節要建立強制性人工審核的機制，確保員工對關鍵業務流程的掌控；另一方面，在風控、授信、投資等高風險的業務領域，要審慎使用，應該優先選擇精確度高、可解釋性強的人工智能方案，確保問題可追溯、責任可落實。

三是要筑牢技術安全防線。盡管DeepSeek為行業發展帶來了諸多的便利，但金融市場風險涉及領域廣泛，AI大模型的廣泛應用可能也會誘發新的問題，比如數據質量不可控，比如在訓練數據中存在偏差，這些都會導致模型輸出的結果不公正或者不準確，從而誤導投資者。另外，由于AI幻覺和黑箱的特點，當出現投資失誤或者風險事件時，有可能會很難溯源找出問題的根源，無法及時采取有效措施去控制和管理風險。

另外，生成式人工智能在部分場景應用時也需要使用到大量的隱私數據，在部署和訓練時，要防止信息泄露的風險。人工智能的普及還可能會帶來更為復雜的網絡攻擊的行為。為此，銀行在應用大模型的過程中，要堅持模型不聯外網、數據不出行、敏感信息不入模等原則，并利用技術手段通過輸入輸出端的多層審核防護攔截違法內容、防御惡性指令等，實現內容安全和交互安全的雙重保證。

責任編輯：陳愛