中国银行原行长李礼辉：智能金融治理应该刚柔并济，洞察、支持、引导创新

来源：睿见Economy

　　12月19日-20日，“第二十二届中国国际金融论坛”在上海举行，主题为：数字经济时代的智能金融生态构建。中国银行原行长李礼辉出席并演讲。

　　李礼辉表示，人工智能潜在的安全风险和技术缺陷尚未因生成式AI的算法创新而淡化。而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。

　　因此，基于现阶段的实践，他认为，中短期内智能金融创新有三点要求：一是高可靠性，二是可解释性，三是经济性。“智能金融创新的基石是可信任，必须统筹安全和效率，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。”

　　李礼辉强调，智能金融创新并非是给传统体制传统流程加上智能化外套，而是从根本上改革体制，重构流程，再造底层系统。在智能金融治理上，过于严苛的监管可能抑制技术创新和产业发展，应该刚柔并济，洞察创新，支持创新，引导创新。

　　以下为演讲实录：

　　构建安全高效的智能金融生态

　　蒸汽机、电力和信息技术推动了人类历史上3次工业革命，AI技术创新也将引起经济模式变革。智能金融创新正在重构金融生态。围绕这届论坛的主题，这里我从金融模型、金融智能体、数据共享、AI竞争4个维度，就构建安全高效的智能金融生态谈几点认识。

　　一、金融模型：可靠性与经济性。

　　AI技术迭代之一是从单模态（Unimodal）到多模态（Multimodal）。以前只是单一文本模态，现在的生成式AI大模型可以学习和理解非结构化数据，生成新的非结构化内容，包括文本、音频、视频、图像和代码，适应多种任务。最新的大模型具备文本、视觉、语音多模态组合的感知、理解、学习、模拟和交互的能力，突破文本交互的局限性。应用于金融业，能够创造直接的商业价值。

　　例如，实现人机交互可信任的拟人化。多模态智能金融机器人具备意图识别能力，可动态捕捉、即时感知、正确理解客户的语言和表情，准确判断客户的风险偏好和业务诉求，采用人性化表达方式与客户交流，克服机器服务冰冷的问题。又如，实现非结构化数据处理可信任的精确性。10月20日推出的DeepSeek OCR具有视觉压缩功能，可将文本token数量压缩至10%，可解析图表、图形和公式。在金融场景中选择适当的分辨率可精确识别商业票据、征信报告和合同文本，提取金额、日期、印章等关键信息，支持自动校验与数据录入。

　　需要注意的是，人工智能潜在的安全风险和技术缺陷尚未因生成式AI的算法创新而淡化。一是未能消解安全风险，攻击者可利用技术漏洞实施数据投毒、参数窃取、恶意文件上传和关键组件删除等操作，破坏核心数据，影响模型的算法完整性和运行稳定性。二是未能消解技术缺陷，测试证明，最新的AI大模型仍不同程度存在模型幻觉、模型歧视、算法共振、隐私泄露等缺陷。三是未能消解解释性难题，算法创新增加了模型的非线性、随机性和不确定性，模型的解释更加复杂，目前尚未找到一种通用、公认的解释方法。

　　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。基于现阶段的实践，我个人认为，中短期内智能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。智能金融创新的基石是可信任，必须统筹安全和效率，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。

　　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：用于市场分析和预测，特别注意克制模型幻觉；用于客户筛选和分层，特别注意避免模型歧视；用于量化交易和投资顾问，特别注意防止算法共振；用于身份识别和验证，特别注意抵抗AI虚假；用于线上线下客户服务，特别注意消解机器冰冷；用于凭证识别和账务处理，特别注意达成零误差的正确率。

　　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。

　　三是经济性。细分领域的金融产品、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，提高投入产出比。

　　智能金融创新并非是给传统体制传统流程加上智能化外套，而是从根本上改革体制，重构流程，再造底层系统。在智能金融治理上，过于严苛的监管可能抑制技术创新和产业发展，应该刚柔并济，洞察创新，支持创新，引导创新。一是“高中初小”原则。“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。二是价值共生生态。支持有实力的科技企业与金融机构深度合作，实现技术协同，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。促进金融与制造业、金融与服务业、金融与政务、金融与民生共建场景，共享资源，共创价值。

　　二、金融智能体：AI替代与法律地位。

　　AI技术迭代之二是从助理（AI-Assistant）到代理（AI-Agent）。以前只是AI辅助和助理，最新的具身智能体（AI-Agent）集成神经网络、知识工程和控制论技术，能够培育在不同场景中的感知、学习、交互、行动和决策的代理能力，甚至可以超越一般水平的生产力。

　　金融智能体（Financial-Agent） 依托行业最佳流程、最佳标准的数据支持，培育专业水准的金融专业代理人，适用于市场分析、风险评估、投资顾问、财富管理、量化交易、产品定制、内部审计、数字员工等高价值的领域，已经开始在银行、保险、证券、基金、财富管理等金融机构中部署，开始替代人类员工的部分岗位，而且AI替代正在从劳动密集型岗位延伸到知识密集型岗位。例如，百度的数字信贷经理智能体撰写尽职调查报告，能够无缝接入银行的尽职调查系统，对企业财务报告进行智能化逻辑校验与指标分析，尽职调查报告撰写时长由1天减少到1小时，数据准确性超过98%。智能投资顾问拥有更大的知识面，更专业的分析能力，更冷静的情绪判断，可将投资顾问从参差不齐的个人专业水平提升到整齐划一的最佳专业水平，有些金融高管认为智能投资顾问可能替代60%以上的投资顾问岗位。

　　深度智能化将逐步改变金融业的人力资源结构，一是更多的经营管理岗位将匹配懂AI、懂金融的复合型人才，二是更多的专业性、技术性岗位将被金融智能体替代，三是更多的操作性、劳动密集型岗位将外包给应用数字化技术提供集约化服务的企业。

　　为此，金融业人力资源管理的传统观念必须转变，人力资源管理的制度必须转变，高校人才培养方向和具体专业结构也必须转变。

　　金融行业、金融机构的价值取向将影响AI替代的具体速度和深度，暨AI替代发生的时间节点、具体岗位和替代比率。这将取决于智能体的专业性和可靠性，取决于金融监管对智能体的评估和审核，取决于劳动就业观念和政策的容纳和许可。

　　必须加快制度创新，确定金融智能体的法律地位。主要是明确金融智能体的行为边界，明确金融智能体与金融客户的法理关系，明确金融机构管理者的决策责任，同时建立金融智能体评估审核制度。

　　三、数据共享：数量与质量。

　　金融是数据密集型行业，数据的质量和数量决定智能金融的实际能力，数据环境是最重要的智能金融生态环境。

　　就全国来说，当前数据共享仍存在3大短板。一是公共数据局部行政分割。涉及居民和企业的财务数据和交易数据，分散在不同的局域系统中，共享程度不够高。二是非公共数据局部流通不畅。全国移动支付用户超过9亿，数字化支付成为主要的数据入口，但数据大户与金融机构之间的数据关联、数据共享尚未达成成熟的模式。三是行为数据集开发应用不足。客户画像所需的用户行为数据分散在不同局域未形成关联数据集，行为数据金融应用仍存在较大局限。

　　中央的“数据20条”制定了数据产权制度、数据要素流通和交易制度、数据要素收益分配制度、数据要素治理制度的规范。数据共享既要扩大数量，也要提高质量。

　　一是公共数据开放共享，着力解决公共数据行政分割的问题。公共数据按照“原始数据不出域、数据可用不可见”的要求，以模型、核验等产品和服务的形式向社会提供，加大供给使用范围。政府建立数据平台，打破数据孤岛。例如，浙江、福建、深圳等省市制订数据共享的地方性法规，组建大数据企业，整合行政数据资源，建立数据共享平台，提供一体化、一站式的数据服务。

　　二是非公共数据共同使用，着力解决个人数据和企业数据流通不畅的问题。创新技术手段，推动私密信息匿名化处理，保护个人隐私和企业秘密。推进非公共数据按市场化方式“共同使用、共享收益”的新模式，支持金融机构与互联网平台企业、物流企业、数据加工企业、征信机构、行政部门、公共服务机构等“数据大户”建立市场化的数据分享机制，为智能金融提供数据支持。

　　三是建设专业化的数据集数据库，着力解决数据分散、数据质量低的问题。从相互关联的5个维度建设产业数字金融数据库：1．足够数量的公共数据和非公共数据，2．结构完整的交易数据和行为数据，3．质量达标的结构化数据和非结构化数据，4．统计准确的周期性数据和即期数据，5．专业细分的多维度数据和多模态数据。建立集中统一、互联互通的数据应用系统。一家互联网大厂正在策划牵头兴建金融业一体化数据库，这是具有现实需求和深远意义的“德政工程”。

　　四、AI竞争：硬实力与软算力。

　　人工智能已被公认为决定未来国家实力的核心技术，AI竞争集中表现为算力竞争。算力竞争主要是中美之间的国家级竞争，同时是两国资本巨头、科技巨头之间的企业级竞争。

　　第一，硬算力是基础，软算力更高效。

　　据非权威数据，2024年底我国算力规模约占全球的26%，美国约占37%。美国坚持硬算力优先，启动“星际之门”计划，未来4年计划投资5000亿美元用于AI基础设施建设。我国选择硬算力软算力并行，投资1万亿元用于AI基础设施建设，软算力突破震动全球。

　　2024年12月26日，深度求索发布DeepSeek-V3并同步开源。DeepSeek通过算法创新显著节约资源，提升有效算力，具有突破性意义，是我国独立自主、节约高效的AI发展道路上的里程碑。全球知名的AI集成平台Composio从推理、数学、编程、创意4个维度的测试证明，DeepSeek-V3与OpenAI的GPT-4o的性能不分伯仲，但训练成本远低于GPT-4o。另据路透社报道，9月29日发布的DeepSeek V3.2实验性模型，通过引入稀疏注意力（DSA）机制降低计算复杂度，应用程序接口（API）价格降低50%以上。中国的科技巨头将进一步完善自主可控的AI生态，开拓高效可靠的AI发展道路。

　　第二，技术有政治边界，市场有价值边界。

　　霸权政治破坏全球经济一体化，缺乏自主技术实力的国家是难以共享先进技术的。美国对中国封锁高端芯片和光刻机技术，制裁我国先进企业。基于美国的价值观对齐原则，美国国家标准与技术研究院NIST下属的人工智能标准与创新中心CAISI将DeepSeek模型定义为“对手AI（adversary AI）”，人为制造信任鸿沟，压制我国算力进步，企图构建去中国化的AI围城。

　　技术创新的价值只有通过市场才能实现，缺乏市场需求的技术创新是难以变现为财富的。在AI领域，美国的主要优势在于全球领先的高端芯片核心技术。我国的主要优势在于全球最大的制造业、服务业数字技术市场需求和应用场景。在国家级AI竞争中，我国坚持独立自主、节约高效的发展道路，硬算力与软算力并进，通用模型与垂直模型并举，具备可持续发展的实力。

　　技术上的创新最终取决于国家级和企业级的人力、财力、能力和定力，市场上的竞争最终取决于群体和个体的信任、信赖、信心和信念。核心技术的追赶需要时间和过程，市场信任的培育也需要时间和过程。我们有信心在中短期内实现核心技术的接近和超越，市场上的可信任就将决定本土品牌的凝聚力和竞争力。

　　第三，私权鼓励创新，平权促进普惠。

　　算力建设和算法开发需要庞大的资源和投资，相关技术知识产权一直受到严格的保护，最先进的AI大模型原来几乎都是闭源的。DeepSeek优化算法，节省算力需求，并采用开源模式，打破了这个格局。相关的价值取向有几个要点。一是技术平权有利于AI普惠，开源可以为小企业提供节约高效的创新路径，但必须注意外国软件开源潜在的技术系统绑定和技术断桥风险。二是在市场经济环境中，私权和平权是对立统一的存在；在地缘政治格局中，西方国家对核心技术的封锁不可能轻易松绑。三是必须选择保护知识产权以鼓励创新，选择支持本土核心技术开源以促进独立自主的技术创新和变革。

　　例如，9月23日阿里发布并开源的Qwen3-Omni模型具备原生多模态能力，支持119种文本语言、19种语音输入语言、10种语音输出语言，其自动语音识别ASR、语义理解和语音对话能力可与Google的多模态大模型Gemini2.5 Pro媲美。更多的本土先进通用模型和垂直模型的开源，有利于我国AI产业的自主性、普惠性发展。

　　我们对构建安全高效的智能金融生态充满期待，也充满信心。