“AI+金融”的下一站：新场景、新风险与新生态

“人工智能落到金融领域，在经历过一段时间的探索之后，未来有哪些重点的方向？”2026年5月19日，中国社会科学院国家金融与发展实验室副主任杨涛在首届金融街·金城坊论坛上，提出这样一个问题。

当AI（人工智能）、大模型、Agent（智能体）、区块链、算力和数据等新技术进入金融体系后，将如何改变金融的基础设施、服务方式、风险边界和未来生态。中国银行原副行长王永利、工银科技有限公司副总经理侯志荣，中国科学院计算技术研究所副所长、处理器芯片全国重点实验室主任陈云霁分别从各自的角度进行了分享。

重点方向

在杨涛看来，在实践层面，人工智能对金融的影响至少体现在三个层面。第一，人工智能深刻影响金融业的基本要素，包括机构、产品和市场，因为这些要素与信息转移密切相关。第二，人工智能会影响金融功能，包括支付结算、资金跨期配置、风险管理和信息管理。第三，人工智能改变了金融服务方式，一方面拓展金融服务范围，另一方面提高金融供给与需求之间的精准匹配度。

对于人工智能在金融领域的未来重点方向，王永利认为，“AI+金融”的应用场景很多，“AI+支付”这一场景可能是影响更广泛、更深刻的方向之一。区块链和智能合约已经推动“交易即结算”的机制出现，而AI尤其是Agent的发展，又使得Agent之间直接交易、直接支付快速发展。当前市场上已经出现类似X402等支付协议，并派生出多种支持Agent支付的协议体系，虽然形式大同小异，但都指向Agent支付。

王永利进一步指出，Agent支付尤其需要关注跨境场景。如果只是在一国范围内运行，自主可控或使用区块链都相对可行，但跨境支付是否能使用联盟链、私有链或某一国家、某一机构控制的链，还是只能依靠无国界、全球化、7×24小时运行的公链，是必须回答的问题。同时，链上支付还需要结算货币。比特币、以太坊等链生资产由于价格剧烈波动，难以承担真正的流通货币功能，更适合作为数字资产。

因此，市场逐渐转向与法币挂钩的稳定币。但王永利提出，如果稳定币本质上是法定货币在链上的代币，那么是否一定需要稳定币作为中间形态，还是法定货币可以直接上链，需要进一步研究。

对于“AI+金融”过去3年的进展，侯志荣总结为三点。第一，思想启蒙基本完成，金融从业者理解了预训练、RAG（检索增强生成）、Agent等概念，也知道它们可以与哪些金融场景结合。第二，技术和人才准备基本就绪，特别是在银行业，大中型银行已经具备一定技术能力，有些银行建立了自己的企业级大模型体系，另一些银行也可以借助科技公司完成场景建设。第三，业务价值初步验证，大模型在前台、中台、后台的降本增效方面发挥了作用。

但侯志荣同时指出，虽然大模型带来了提质增效，但尚未改变商业银行的运行逻辑、市场竞争方式和盈利模式。与移动互联网时代相比，近3年AI对银行业的改变还不够大。移动互联网改变了银行渠道和支付方式，而目前大模型尚未让普通客户明显感受到金融服务发生根本变化。

Agent编程能力的出现正在改变创业和研发组织方式。过去创办科技企业往往需要融资和团队，但现在一些创业者可能只需购买Token（词元）、调用大量Agent编写程序，就能启动公司。这种“一人公司”或高度自动化创业模式，可能改变高科技企业早期融资的节奏，使天使轮投资进入企业的时点发生变化。

这种趋势不仅影响软件开发，也可能影响芯片设计。陈云霁指出，传统芯片企业需要大量研发工程师，而他们正在研究如何让一个人甚至没有人也能完成芯片设计。他认为，未来大量App（移动应用程序）开发可能走向由少数人调度大量Agent完成的模式。

在算力方面，陈云霁认为，Token消耗正在以极快速度增长，并带来巨大的算力需求。未来算力需求仍会持续上升，最终电力可能成为决定性因素。

风险与机遇

在风险方面，王永利称，新技术出现时容易形成跟风投入。当前大量机构各自投入、本地化部署、分散建设，未来应加强专业分工、合作共享。他建议，金融领域必须进一步细化Agent的法律和监管责任边界。

侯志荣则从金融机构角度强调，数据、算力、模型三大要素各自带来不同挑战。数据方面，金融业希望释放数据价值，但隐私保护和安全要求极高，发展与安全之间矛盾突出。算力方面，除了供应链安全之外，还存在业务连续性风险。未来金融服务如果构建在算力运行基础上，一旦算力出现问题，业务就可能中断。模型方面，Agent可能出现认知边界超出人类理解、价值判断与人类不一致、幻觉、自我进化等风险。因此，金融机构必须使AI应用水平与生产力发展水平相适应。

陈云霁从数据、模型和算力三个角度补充风险。算力方面，中国面临的主要是供应链风险。数据方面，他认为个人隐私风险非常突出，因为大模型可能比亲人更了解用户。用户在生活、事业、学术等方面不断向大模型提问，模型服务方理论上可以掌握大量高度个人化信息。因此，未来个人大模型是在云端运行，还是个人本地部署一个私有模型，是值得思考的问题。关于模型，人必须保持主体性，大模型、Agent或skill（技能）都应被视为工具，所有决策都需要人的确认或事先授权。

杨涛认为，新技术风险可以分为几类：一是技术本身风险，如可解释性、黑箱问题、AI数据投毒等；二是金融应用风险，如算法同质化是否会带来市场波动；三是价值对齐、伦理等长期风险。

对于“AI+金融”的生态建设，王永利认为，AI、数据和数字化带来的问题不是单个个体可以解决的，而需要社会层面重新思考。用户使用大模型越多，模型对用户认知越深；同时，数字化业务中大量数据由用户行为产生，但数据所有权往往归业务经办方。未来当数据真正成为重要资产并产生价值时，如何平衡两者之间的关系，是需要考虑的问题。

侯志荣认为，“AI+金融”最终要形成智能金融服务新生态，主要包括数据生态、技术生态和业务生态。数据生态方面，公域数据已相对充分，下一步关键在于释放私域数据价值。技术生态方面，需要从芯片、框架、模型到应用软件形成完整体系，也需要全国算力网等新型基础设施。业务生态方面，金融与非金融场景的边界、金融服务形态和金融组织形态都可能发生演变。

（作者 胡艳明）

免责声明：本文观点仅代表作者本人，供参考、交流，不构成任何建议。

胡艳明

金融市场新闻中心资深记者 主要关注银行、银行理财子、央行、银保监会、融资租赁、消费金融等金融领域。