金融大家评 | 李礼辉：金融智能体应用的三道“必答题”

导语：“金融智能体依托行业最佳流程、最佳标准的数据支持，能够成为专业水准的金融代理人，因此用于低价值的劳动密集型领域多少有点大材小用，而是更加适用于高价值的技术密集型领域。”

中国银行原行长李礼辉表示，金融智能体应用需要答好三道“必答题”：一是明确应用领域与法律地位；二是筑牢可靠性与经济性基石；三是破解数据数量与质量的瓶颈。

近年来AI前沿技术的迭代创新主要有三个方面

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。

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)应运而生，可以培育专业水准的金融代理人。

三是从高能耗到低能耗。特别是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。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的性能与GPT-4o不分伯仲，但训练成本远低于GPT-4o。预期中国的科技巨头将进一步完善独立自主的AI生态，拓展第三方应用集成，开拓高效、可靠的中国式AI发展道路。

金融智能体的应用环境主要涉及三个维度：

1

应用领域与法律地位

生成式AI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，实现非结构化数据处理可信任的精确性。金融智能体已经开始在银行、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%。

我个人认为，金融智能体依托行业最佳流程、最佳标准的数据支持，能够成为专业水准的金融代理人，因此用于低价值的劳动密集型领域多少有点大材小用，而是更加适用于高价值的技术密集型领域，包括市场分析、风险评估、投资顾问、财富管理、量化交易、产品定制、内部审计、数字员工等等。

例如，已经投入应用并逐步升级的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。

这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。

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，即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。

为此必须尽早确立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。

2

可靠性与经济性

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AI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。我个人认为，中短期内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。金融智能体作为专业性的AI模型，实际应用的基石是可信任，让客户信得过，让市场信得过，让政府信得过。

一是高可靠性。部署金融智能体，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。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，能够展现基本的推理路径和逻辑，将金融智能体的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。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。

四是合规性。智能金融创新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，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金融智能体，为中小金融机构提供企业级金融模型及软件服务。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。

3

数据数量与质量

金融是数据密集型行业，数据环境是首要的智能金融生态环境。

就全国来说，当前数据共享仍存在三大短板。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，行为数据的金融应用仍存在较大局限。

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，上海、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。从相互关联的五个维度，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”。

我们对金融智能体的创新发展和实际应用充满期待，也充满信心。

来源丨新金融联盟NFA

编辑丨秦婷

责编丨兰银帆

关于《清华金融评论》·金融大家评

天下人评天下金融

针对当前经济金融的重要政策、热点话题进行深度探讨、交流和解读。把握现实经济金融现状，看清事件背后的原因，探索经济金融未来发展的脉络。