作 者 | 九卦姐

來 源 | 九卦金融圈

2025年2月27日下午，由清華大學經濟管理學院區塊鏈金融研究中心、清華大學經濟管理學院中國金融研究中心與新網銀行聯合主辦的“AI賦能金融科技：金融機構如何抓住新機遇？”直播在清華大學建華樓舉行。新網銀行視頻平臺和清華大學經濟管理學院視頻平臺同步直播，本文根據直播內容整理。

本期嘉賓：

李秀生（新網銀行副行長）、祝世虎（光大信托普惠金融部副總經理、CIC金融科技與數字經濟發展專家委員會委員）、鄧江（百川智能副總裁）

本期主持人：

何平（清華大學經濟管理學院副院長、教授，清華大學經濟管理學院區塊鏈金融研究中心主任）

主辦方：清華大學經濟管理學院區塊鏈金融研究中心、清華大學經濟管理學院中國金融研究中心、新網銀行

AI技術突破與金融行業影響

大模型引發金融業生產關系變革

何平：過去幾周，AI領域發生了哪些重大事件？DeepSeek、GPT-5免費化、Grok 3的發布如何影響金融行業？

祝世虎：

近期對我個人沖擊最大的事件是DeepSeek的發布。作為2009年北京大學信息科學技術學院智能科學系首屆博士畢業生，我見證了人工智能領域的多次技術變遷。在DeepSeek發布的除夕夜，我們實驗室的同學們聚在一起研討，深感其對金融與AI結合的潛在影響。它通過降低大模型構建門檻，重新平衡了算力、數據與模型的關系。

早期AI受限于算力與數據，研究者只能專注于模型的數學技巧；而GPT等大模型的出現讓算力和數據變得充裕，但也推高了研究門檻。如今，DeepSeek這類“手搓大模型”的出現，可能引領AI進入新階段——算力、數據與模型再次平衡。這促使我們重新思考人工智能的本質：過去認為人類智能依賴記憶，而DeepSeek的技術發展表明，推理能力可能更為關鍵。

對金融業的影響：

成本降低：中小銀行無需購買大量顯卡或招聘專業人員即可部署大模型。

本地化與安全：數據無需外傳，直接在本地訓練和應用模型，解決銀行的數據安全焦慮。

開源可控：金融機構能自主掌握模型每一步的迭代，增強技術透明度。

挑戰：黑產可能利用大模型進行客訴處理等創新，倒逼金融機構加強風控。

鄧江：

DeepSeek的成功證明了中國在AI領域的自主研發能力，其迅速出圈完成了全民AI教育。大模型的本質是通過算力生成智能，替代人類腦力勞動。金融作為知識密集型行業，將因大模型引發生產關系變革，實現“新質生產力”的飛躍。

百川智能作為基礎模型研發公司，認為大模型技術將推動各行業的智能化升級。例如，金融行業的知識計算需求與大模型高度契合，未來AI專家可替代人類完成復雜任務，如養老金融、醫療咨詢等。

李秀生：

DeepSeek的爆火打破了美國在高科技領域的封鎖神話，增強了中國自主研發的信心。其低算力需求使中小銀行實現“智慧平權”，新網銀行已在經營活動中嘗試部署通用AI技術。例如，通過大模型分析客戶數據，優化貸款審批流程。

大模型在金融業務中的核心應用

銀行業應用場景

何平：大模型或者人工智能在銀行或者非銀行機構有哪些可以應用的場景？

李秀生：

客服領域：大模型的自然語言生成能力可替代人工客服，顯著降低人力成本。銀行積累的歷史資料通過大模型學習后，能快速響應客戶需求。

營銷環節：隨著銀行柜面人員減少，主動聯絡客戶成為關鍵。大模型可篩選高價值客戶，通過自然語言溝通初步達成銷售，或提供有效線索供人工跟進。

風控體系：大模型整合內外部數據（如社交媒體信息、行業政策），通過交叉驗證提升風控精準度，彌補中小機構數據積累不足的短板。

祝世虎：

大模型在金融業的核心優勢是成本降低、本地化部署與開源可控：

成本降低：大模型降低了金融業應用AI的門檻，使得中小金融機構也能輕松部署。

本地化部署：解決了銀行最擔心的數據安全問題，數據無需外出即可在本地使用大模型。

開源可控：金融機構能夠自主掌控大模型的每一步，提高了技術的透明度和可控性。

但需平衡自動化與人工審核。例如，在貸款審批中，大模型目前僅作為輔助工具，因其可解釋性較弱，需結合人工經驗確保決策可靠性。

非銀金融機構的潛力

祝世虎：

非銀機構（如保險、信托）因業務靈活性強，更易與大模型結合試點。例如：

保險行業：例如保險產品的銷售，復雜產品需業務員詳細解釋，大模型可提升客戶理解效率。

信托行業：快速適應監管變化，通過AI優化合規管理流程。

未來需解決兩大問題：

模型幻覺：大模型可能輸出與人類價值觀不符的結論，需建立機制實現AI對齊。

可解釋性：可解釋性問題的原因是人們對大模型的信任。

技術驅動的行業變革與挑戰

對金融機構的深層影響

何平：大模型的使用對金融業務有哪些影響？未來大行和中小銀行之間的差距會縮短嗎？

鄧江：

大模型推動“知識平權”，使中小機構突破人才限制。例如，百川智能可為中小銀行提供低成本AI專家（如1萬名虛擬養老金融專家），助其開展復雜業務。大模型的本質是高智商與情商結合，未來將培養垂直領域AI專家（如醫生、律師），賦能金融機構。

李秀生：

AI將重塑銀行服務界面。以手機APP為例，過往界面由固定的圖標組成，用戶體驗相對單一。然而，隨著生成式人工智能的發展，未來的產品界面將變得更加交互式和個性化。用戶將像面對客戶經理一樣，通過自然交互獲得所需的產品和服務。這種變革將極大地提升用戶體驗，使銀行服務更加貼近用戶需求。

競爭格局與未來趨勢

李秀生：

對于業務量較少的銀行，其知識積累相對大行存在劣勢。然而，隨著低成本大模型的出現，小行在某些局部領域已展現出特色與優勢，技術能力甚至超越某些大行。這得益于技術的持續積累與創新，使得小行能夠在特定領域內做得更好。但值得注意的是，技術并非金融領域的萬能鑰匙。盡管技術在提升銀行業競爭力方面發揮重要作用，但仍受其他條件約束。因此，小行雖能在同類中脫穎而出，但難以一夜之間超越大行。例如，中國某領先的股份制銀行雖在盈利能力和市值上超越部分國有大行，但其成長歷程也經歷了逐步積累與突破的過程。

鄧江：

大模型帶來的知識平權讓小機構得以迅速彌補能力短板。借助大模型的力量，小機構能夠快速提升自身在特定領域的能力，同時憑借其業務靈活性快速拓展市場。這種優勢使得小金融機構有可能在垂直細分領域迅速占據行業領先地位，展現了小機構在新時代下的巨大潛力。

大模型在風控領域的應用并不在于取代人類決策，而在于豐富人類決策的信息維度……大模型仍需與人類決策相結合，以確保風控的準確性和可靠性。

AI在金融領域的邊界與突破

資本管理與投資理財的AI應用

何平：資本管理領域并沒有用到很多的AI，這是為什么？投資理財領域在AI有什么應用的空間？百川等在智能投顧方面有沒有布局？

祝世虎：

資本管理受監管約束，遵循既定公式和規則，因此無需復雜大模型。大模型主要展現的是感知智能，與計算智能有所不同。

計算智能要求精確計算，如解答數學題目，需通過具體運算得出答案。而感知智能則基于經驗和直覺，如九九乘法表，人們往往能直接說出答案，無需計算。在處理資本管理等需精確計算的問題時，使用感知智能的大模型雖能得出結果，但準確性可能不如專門的計算工具。

因此，在資本管理等計算智能主導的領域，大模型并非最佳選擇，簡單算法或專業計算工具更為適用。

李秀生：

人工智能在智能投顧和資管領域具有巨大潛力，隨著大模型等生成式人工智能技術的發展，其處理復雜信息和多模態數據的能力顯著增強，為智能投顧提供了新的機遇。在智能投顧領域，大模型可以作為人類的得力助手，提供豐富的參考信息和輔助決策。通過整合和分析海量數據，大模型能夠洞察市場趨勢，為投資者提供有價值的投資建議。

然而，盡管大模型具有諸多優勢，但在最終投資決策方面，仍需人類審慎權衡。不確定性因素的存在使得完全依賴機器進行投資決策仍具風險。”

此外，在客戶經理角色方面，人工智能雖然能夠模擬人類客戶經理的言行，但在建立信任關系方面仍面臨挑戰。人與人之間的信任基于復雜的情感和社會因素，而人與AI之間的信任則需要更長時間來培養。

因此，盡管AI客戶經理在某些方面表現出色，但在實際應用中仍需謹慎推進，以確保客戶體驗和信任度不受影響。

鄧江：

智能投資顧問，即智能投顧，其核心在于‘顧問’角色。相較于人類客戶經理，機器顧問因無個人利益驅動，能更客觀地為投資者提供建議，降低道德風險。隨著技術進步，機器顧問的能力將不斷提升，預計未來將有更多人選擇其作為投資顧問。

然而，這是一個漸進的過程，不同人對智能投顧的接受程度不同。我們公司致力于提供模型能力，而非直接打造投資顧問。我們已搭建完整生態，與在金融領域有深厚積累的上市公司合作，如養老理財、財富顧問等領域，通過百川模型能力的加持，幫助他們更好地打造顧問服務，以惠及更多普通人。這一過程將推動智能投顧行業的持續發展。

李秀生：

以新網銀行為例，我們專注于小微企業貸款和個人普惠貸款，業務已全面實現機器決策。這表明，在特定領域和場景下，機器決策已成為可能，并能高效、準確地處理大量貸款業務。

未來戰略與行業生態

銀行業的AI戰略突破點

何平：未來在AI戰略方面，銀行業和非銀金融機構會有哪些新的突破點？

李秀生：

從技術發展歷程看，銀行經營模式已從依賴人力逐漸轉向依賴計算機和移動互聯網。隨著大模型的出現，人工智能在金融機構中的應用又邁上了新臺階。未來，金融機構的所有行為和活動都將深度融合AI技術，實現‘人人AI，處處AI’。從基層員工到高層管理者，都將借助AI提升工作效率和決策質量。

鄧江：

百川智能致力于超級模型與超級應用的研發，持續投入于模型研發領域，并在DIFF等科技成果上不斷學習進步。公司更加關注垂直領域的應用，通過特定領域的牽引來提升模型能力。

大模型在風控領域的應用并不在于取代人類決策，而在于豐富人類決策的信息維度……例如，通過分析個人在社交媒體上的發言，大模型可以了解個人的財務狀況和還款意愿，這比單純查看銀行流水更為直觀和全面。

“以醫療領域為例，百川智能認為醫療是人工智能大模型領域的皇冠明珠……例如，對于醫生來說，拍攝小視頻并非必備技能，因此基礎模型無需具備生成視頻的能力。然而，醫生需要能夠看懂視頻和圖片，因此模型必須具備這方面的能力。

非銀金融機構的AI路徑

祝世虎：

從非銀金融機構做起試點，再向銀行推廣的路徑被認為是可行的。這樣既能發揮非銀金融機構的靈活性優勢，又能逐步推動大模型在金融行業的廣泛應用，縮小不同金融機構之間的差距。

以保險行業為例，保險產品復雜，需要業務員詳細解釋，而大模型能夠在這方面發揮重要作用，提高效率和客戶理解度。”

風險防控與可解釋性挑戰

風控體系的重構與平衡

何平：機構是如何借助 AI 構建這種智能風控體系？尤其是自動化和人工審核方面是怎么平衡的？

祝世虎：

大模型算法基于貝葉斯公式，展現的是感知智能而非決策智能。在風控領域，特別是貸款審批方面，大模型目前應作為輔助工具，配合人工進行審批。這是因為貸款審批涉及決策和責任，需要高度的準確性和可解釋性，更需要人們對大模型的理解和信任。

然而，在合規管理和客戶管理方面，大模型已展現出足夠的可靠性，可以放心使用。”隨著成功案例的積累和管理人員適應性的提高，大模型在貸款審批方面的應用也將更加廣泛，例如在客戶推薦領域大模型已經有很多落地案例。

李秀生：

大模型的出現，風控模式趨勢將進入多模態數據風控大模型和領域化智能風控大模型。且隨著模型參數增大和數據增強，模型性也將逐漸增強。多模態數據風控大模型可以將廣泛的非結構化數據，在客戶授權下作為授信審批依據。領域化智能風控大模型則可以嘗試基于金融語料構建預訓練大模型，再用于下游風險識別、客戶匹配度識別等領域。

以收入和房產信息為例，過去客戶填寫的數據可能存在不準確的情況，而現在通過大模型，銀行可以從全網調取相關數據，并進行交叉驗證，從而提高數據的準確性和可靠性。這不僅有助于提升風控模型的精準度，還能有效補齊小機構在客戶信息積累方面的短板。

技術可解釋性的科學路徑

祝世虎：

要實現處處AI的愿景，需解決兩大問題。

首先是模型幻覺問題……其次是可解釋性問題。在金融行業中，特別是貸款審批等領域，可解釋性是一個重要考量因素。當使用模型進行貸款審批時，若貸款被拒絕，往往需要向相關人員解釋審批結果的原因。這就要求模型具備一定程度的可解釋性，以便人們能夠理解其決策依據。

然而，可解釋性的對象不應僅是人，更應是科學本身。應通過科學的方法來驗證和解釋模型的決策過程，以確保其準確性和可靠性。

結語：AI與金融的共生未來

何平：大模型會如何推動金融行業的創新？如果從整個技術生態上來講，我們應該做哪些事情？

李秀生：

從基層員工到高層管理者，都將借助AI提升工作效率和決策質量。同時，AI也將深刻改變企業的產品形態。以手機銀行APP為例，以往界面由固定的圖標組成，用戶體驗相對單一。隨著生成式人工智能的發展，未來的產品界面將變得更加交互式和個性化。

鄧江：

大模型是金融行業的“腦力杠桿”，未來金融機構的競爭力取決于AI與人類協作的深度。百川智能將繼續深耕垂直領域，為行業提供專業化AI工具。

祝世虎：

技術終將回歸金融本質——服務實體經濟。AI不是顛覆者，而是效率工具。金融機構需在創新與穩健中尋找平衡，避免陷入“為技術而技術”的誤區。