金融行业的“不可能三角”，被AI打破了 | AI进化论

「AI进化论」是长江商学院推出的AI+主题栏目，汇聚全球AI领域的原创洞见、产业实践及前瞻研判。从技术突破到产业应用，从战略布局到伦理边界，在这里，一起与AI同频进化。今天和你分享新浪财经对长江商学院梅丹青教授的专访文章。

来源 | 新浪财经

原标题 | 对话长江商学院梅丹青：AI时代金融服务的核心特征在于“可规模化的定制化”

梅丹青

长江商学院金融学助理教授

在即将开启的“十五五”时期，中国金融体系正站上新的历史关口。“加快建设金融强国”写入规划纲要，大力发展金融“五篇大文章”，为新质生产力提供支撑、推动实体经济跃升。金融体系的发展重心正向更高质量、更强韧性迈进。

在此背景下，新浪财经推出《金融新启航·新引擎新图景》专题系列，邀请金融业界专家和学者，围绕“十五五”新周期下的金融变革展开前瞻性研讨。本期《金融新启航·新引擎新图景》对话哥伦比亚大学金融学博士、长江商学院金融学助理教授梅丹青。

梅丹青表示，AI对金融行业的影响在长期来看一定是颠覆性的。他认为：

●与以往的数字化转型或互联网浪潮不同，AI的核心不在于流程优化，而更多体现在认知和决策层面的智能提升。

● 尤其在金融领域，AI打破了过去长期存在的一个“不可能三角”，即服务大量客户、提供高度定制化服务、成本可控三者很难同时实现，而在AI时代，这一“不可能三角”正在变得可能。

●如果概括AI时代金融服务的核心特征，是可规模化的定制化。

01

通过工程化手段

推动AI在金融机构稳健运行

Q: 2026年是“十五五”开局之年，规划中明确提出要建设安全、高效的金融基础设施。站在这个节点上看，您如何理解AI在未来金融体系中的角色？

梅丹青：我认为，当下正好处在一个AI深度融入金融体系非常关键、也非常合适的时间点。一方面，大模型本身的能力已经接近阶段性瓶颈，单纯依靠模型规模或算力堆叠，边际提升正在下降；另一方面，行业的关注点正在明显转向，即转向如何将工程能力与既有的模型能力结合，推动更可持续的发展。

在投入层面，我一直比较认同一句话：重要的投入，往往是看不见的；不那么重要的投入，反而往往很热闹。放在今天的语境下，真正关键的投入，并不是买了多少显卡、训练了多大的模型，而是企业是否认真思考过：如何将自身的业务流程与AI有机结合、如何评估AI的风险边界与效率提升、在什么情况下必须引入人工介入。

这些问题，才是AI在金融企业内部长期可用、可控的基础。但它们往往不够吸引眼球，也很少成为公开讨论的焦点。

在金融行业，这种工程能力本质上对应的是安全。也就是说，如何通过工程化手段，确保AI能够在企业内部稳定、可靠地运行，同时具备可回溯、可评估、可持续演进的能力。在我看来，今年是一个非常重要的窗口期，去认真讨论AI在企业内部如何通过工程化方式实现稳健运行，并真正为金融机构带来可持续的效率提升。

Q: 在金融领域，您认为AI最具现实价值、也最有可能率先产生效果的应用方向主要集中在哪些方面？

梅丹青：与以往的数字化转型或互联网浪潮不同，AI的核心不在于流程优化，而更多体现在认知和决策层面的智能提升。

尤其在金融领域，我认为AI带来的最大变化，在于打破了过去长期存在的一个“不可能三角”：

● 一是服务大量客户

● 二是提供高度定制化服务

● 三是成本可控

传统金融体系下，这三者很难同时实现，定制化往往意味着更高的成本。

而在AI时代，这一“不可能三角”正在变得可能。

如果用一句话概括AI时代金融服务的核心特征，我认为是“可规模化的定制化”（customization is scalable）。

这不仅是技术层面的进步，更是金融服务模式的根本变化。例如，在风险识别和反金融欺诈方面，AI可以支持更高频、更实时的决策；在资产定价、资产管理等领域， AI也开始辅助投资和配置决策。

AI对金融行业的影响在长期来看一定是颠覆性的。

但坦率地说，在当下这个阶段，我们其实还很难完整想象这种颠覆将以何种形式展开。原因在于，目前AI的能力边界仍在快速演进，其应用方式也远未定型。无论是技术本身，还是与金融业务的结合路径，都仍然存在很大的想象空间。

02

在数据安全、模型能力

与工程可行性之间找平衡点

Q: 我们看到，不同金融机构在大模型和智能体应用上的态度并不一致：有的相对审慎，有的推进得较为积极。您认为在当前阶段，金融机构更合理的AI策略应该是什么？

梅丹青：在战略层面可以积极推进，但在具体落地上必须保持审慎。这其实也是一个相对经典的原则。

金融行业与其他行业不同的地方在于，它本质上更强调可靠性和稳定性，而不是单纯追求创新速度。因此，在使用AI的过程中，行业的态度也呈现出明显的阶段性特征。

在2025年以前，行业更多还处在探索阶段。当时无论是大模型本身的能力，还是智能体（agent）体系的成熟度，都还不足以支撑大规模、系统性的应用，机构更多是在测试边界：AI能做什么、能做到什么程度，很多尝试未必成功，但核心目的是理解能力上限。

而从2025年下半年到2026年初，这一阶段出现了明显变化，尤其是在智能体领域。随着模型能力的提升和智能体体系逐步完善，AI已经开始进入“企业可用”的阶段。

更关键的问题是，在既有的大模型能力条件下，如何在企业内部进行工程化落地。这包括如何界定清晰的风险边界，如何将智能体嵌入具体业务流程，以及如何在不同环节对智能体进行评估。

Q: 确实，金融行业对可靠性的要求极高，而其中的核心在于数据。在将数据用于模型训练的过程中，机构最大的顾虑和挑战是什么？

梅丹青：数据问题可能是当前金融行业在引入AI时最复杂、也最具挑战性的环节。金融数据天然具有高度敏感性，这决定了它在与大模型结合时，无法简单照搬其他行业的路径。

一种相对直接的解决方案，是在本地部署开源大模型。这也是中国市场的一个独特优势——在开源大模型领域，国内的成熟度和活跃度都相对较高。但从现实角度看，本地部署意味着更高的算力和工程成本，这对中小机构而言并不友好。

另一种路径，是在不完全本地化的前提下，通过数据脱敏、权限隔离以及合同约束等方式，与大模型API提供方进行合作。例如，明确数据隔离机制，或在合同层面约定模型提供方不得将金融机构的数据用于再训练。这类做法，在工程和法律层面都需要更细致的设计。

我认为，未来在这些层面上还会出现更系统性的完善，包括技术方案的成熟以及法律和合规框架的逐步清晰。

以量化基金为例，这种矛盾尤为典型。对量化机构而言，核心交易信号和底层模型代码本身就是最重要的资产。因此，在使用大模型时，很多机构并不敢让模型直接接触最核心的部分，而往往只在外围、表层环节引入AI，用于辅助优化和效率提升。

无论是通过更成熟的本地部署方案，还是通过大模型厂商在技术层面引入更精细的数据隔离、脱敏和隐私保护机制，金融行业需要找到一种方式，让AI能够在不触碰“核心资产”的前提下，发挥更深层次的价值。谁能够在数据安全、模型能力与工程可行性之间找到平衡点，谁就有可能在下一阶段的金融AI应用中占据先发优势。

03

建议金融机构把关注点

放在AI的直接应用上

Q: AI在资产定价等核心环节是否存在真正的想象空间？

梅丹青：谈AI应用，我们首先需要把一级市场和二级市场分开来看。

在二级市场，尤其是股票交易领域，AI的应用其实早已非常广泛。

即便在大语言模型出现之前，市场上已经有不少机构利用机器学习等算法辅助投资决策，典型代表就是量化基金。需要说明的是，国内普通投资者在提到量化时，往往首先联想到高频交易，但事实上，当前市场中低频量化的占比也在不断提升。无论是高频还是低频策略，机器学习模型都已被广泛用于信号筛选、因子构建以及对未来价格走势的预测。

随着大语言模型和新一轮AI技术的发展，其对二级市场的影响进一步体现在数据边界的扩展。过去难以系统利用的非结构化数据，如新闻文本、上市公司公告、甚至视频和图像信息，如今都可以被更有效地理解和处理，从而为资产定价提供新的信息维度。

相比之下，一级市场中AI的渗透节奏相对更慢。

一方面，一级市场本身的信息不对称程度更高；另一方面，其长期以来也并不习惯高度依赖数据进行定价。即便在美国，一级市场系统性地利用数据辅助估值，也只是近些年才逐步兴起。

从未来趋势看，一级市场更可能呈现出“人机结合”的模式。AI可以基于可获取的数据和模型，提供一个估值基准（benchmark），但最终的投资决策仍然高度依赖人的判断。尤其是在对创业者、商业模式和长期潜力的评估上，人仍然不可替代。

值得注意的是，在前沿研究中，已经有不少尝试将一级市场中的结构化数据（如初创企业的财务状况）与非结构化数据相结合，例如通过分析创业者访谈中的面部表情、声音特征等，将“自信度”等主观特质进行量化，以辅助判断企业的长期发展潜力。

Q:您认为当前金融行业在AI应用上，最容易出现的“无效投入”主要集中在哪些方面？

梅丹青：在我看来，当下一个比较典型的无效投入，是在重训大模型上投入过多精力。从今天AI产业的分工来看，这一领域的边界其实已经相当清晰。在大多数情况下，大模型的训练工作已经由少数头部厂商承担。

目前，无论是国际上的大型科技公司，还是国内像Kimi、智谱等专注于基础模型的厂商，它们本身就承担了模型层的主要职责。

在这样的分工结构下，金融机构的核心任务，并不在于再去重复这一层的工作，而是思考如何把现有的大模型真正用起来。

我的观点可能相对更激进一些，即便是模型微调，在今天这个阶段，对大多数金融机构而言也并非必要。

传统认知中，金融机构的数据具有特殊性，因此需要通过微调来定制模型，使其更符合自身需求。相比重训，微调的成本确实低很多，但依然意味着不小的投入。

微调应该是最后一步，而不是起点。只有在完成了前面所有工程层面的优化之后，包括流程重构、风险控制、评估机制和可靠性设计，仍然发现模型无法满足业务需求，或者在响应速度等方面有极端要求时，才有必要考虑是否进行微调。

在此之前，更合理的投入方向，应该放在工程优化层面：在既定的大模型能力基础上，通过工程手段减少出错概率、增强可控性，而不是去直接触碰模型内部参数。

因为从现实情况看，所有直接介入模型参数层面的工作，成本都很高、门槛也很高。这不仅需要更专业的人才储备，也意味着更高的不确定性，对大多数金融机构而言，并不具备足够的性价比。

文中图片来自图虫创意，转载需获授权。

点击下方卡片，关注长江商学院