来源：人民邮电报

近几年，人工智能技术快速迭代升级，AI大模型的应用在加速进入金融领域，其中具有长远影响的AI前沿技术创新主要有3个方面。一是从单模态（Unimodal）到多模态（Multimodal），二是从助理（AI-Assistant）到代理（AI-Agent），三是从高能耗到低能耗。

AI技术的进步为金融创新开辟了更加广阔的前景。我们需要注意的是，生成式AI的技术陷阱并不会因算法的创新而淡化。一是未能消解安全风险，二是未能消解模型幻觉，三是未能消解模型歧视、算法共振、隐私泄露等技术陷阱，四是未能消解解释性难题。

金融是安全性和可信度要求近乎苛刻的行业，必须保证金融资产和金融数据的安全，保证金融交易和金融服务的可靠性，保证账务处理和账务记录的准确性。30年前我国开始推进以大中心、集中化为特征的科技金融创新，例如，工商银行的9991工程和中国银行的IT蓝图工程，已经过实践的检验。近10年兴起的以分布式、智能化为特征的数字金融创新还在发展。智能化的数字金融创新必须统筹安全和效率，实现从可用到好用、从替代到领先的跨越。

基于现阶段的实践，笔者认为中短期的数字金融创新并不要求金融模型自身具备解决数学、编程、创意等复杂问题的高超能力。数字金融智能化创新的基石是可信任，应注重算法与场景的匹配性与适用性，实现模型可信，让客户信得过，让市场信得过，让政府信得过。DeepSeek的算法创新，提示了自主可控、节约高效的数字金融创新路径。国产大模型的金融应用已从单点突破扩展到生态重构，进入规模化应用期。在超高速发展的智能化数字金融创新进程中，必须特别强调金融模型的安全和可信。

一是高可靠性。金融机构部署AI模型，必须配置先进的安全技术工具，既能抵抗恶意攻击，又能避免偶发性安全隐患。金融模型应该达到安全可信的基本要求，这里提出几个“特别注意”：用于市场分析和预测，要特别注意克制模型幻觉；用于客户筛选和分层，要特别注意避免模型歧视；用于量化交易和投资顾问，要特别注意防止算法共振；用于身份识别和验证，要特别注意抵抗AI虚假；用于线上线下客户服务，要特别注意消解机器冰冷；用于凭证识别和账务处理，要特别注意达成零误差，实现数据处理百分之百的正确率。

二是可解释性。具备基础架构的可解释性，能够展现完整的推理路径和逻辑，将模型行为转化为可理解的规则和可视化的过程，逐步实现从结果正确向过程可解释的跨越。

三是合法性。加快制度创新，确定金融智能体的法律地位，明确金融智能体的行为边界，明确金融机构管理者的决策责任，明确金融智能体与金融客户的法理关系。

四是经济性。行业的智能化创新须通过垂直模型来实现。金融业涵盖银行、保险、证券投资、财富管理等不同领域，同一领域的金融产品、金融服务、金融管理的需求大同小异。用海量数据预训练行业级金融模型并持续调优，再根据不同需求调适差异化应用，定制企业级金融模型，可有效降低模型开发的边际成本，扩展模型的应用范围。软算力建设应支持有实力的科技企业和金融机构深度合作，领军开发行业级金融模型和应用软件，为中小金融机构提供企业级金融模型服务和软件服务。硬算力建设应实现可信的技术协同和可靠的资源共享。通过共建数字金融生态圈，实现高效率、低投入的数字金融创新。

在数字金融治理方面，当前要抓住两个重点。

第一，建设安全高效的数字金融创新制度。数字金融创新并非是给传统体制、流程加上数字化外套，而是从根本上改革体制、重构流程，再造底层系统。过于严苛的监管可能抑制创新和产业发展。可考虑的原则是“高中初小”，“高”是占领技术高地，“中”是全球领先的中国方案，“初”是有能力把风险消灭在萌芽状态，“小”是实现风险概率和风险成本最小化。这就要求加快数字金融监管创新。一是完善法律法规，明确数字金融业务规范。二是完善一体化、穿透式的金融监管系统，降低监管成本和被监管成本。三是完善数字金融技术审核认证制度，明确AI模型的测试平台、工具、标准和方法。四是完善数字金融市场风险分析和监测系统，有效管控异常交易和市场操纵。

第二，避免小型金融机构金融创新边缘化。我国大中型金融机构保持高强度的金融科技投入，但小型金融机构财力不足、能力不足、数据不足，创新发展滞后，数字鸿沟在扩大。小型金融机构有必要进一步进行兼并整合。科技方面考虑生态共建、技术共享、服务外包，鼓励有实力的金融机构和科技企业发挥龙头作用，选择适当的商业模式，建立“1+N”技术合作架构，为小型金融机构提供低投入、高品质、细匹配、长周期的金融科技服务，帮助小型金融机构加快创新、优化管理和服务。数据共享方面，通过以模型、核验的方式扩大公共数据服务范围，通过“共同使用、共享收益”的商业模式扩大非公共数据服务范围。　（李礼辉）