作 者 | 九卦姐

来 源 | 九卦金融圈

2025年2月27日下午，由清华大学经济管理学院区块链金融研究中心、清华大学经济管理学院中国金融研究中心与新网银行联合主办的“AI赋能金融科技：金融机构如何抓住新机遇？”直播在清华大学建华楼举行。新网银行视频平台和清华大学经济管理学院视频平台同步直播，本文根据直播内容整理。

本期嘉宾：

李秀生（新网银行副行长）、祝世虎（光大信托普惠金融部副总经理、CIC金融科技与数字经济发展专家委员会委员）、邓江（百川智能副总裁）

本期主持人：

何平（清华大学经济管理学院副院长、教授，清华大学经济管理学院区块链金融研究中心主任）

主办方：清华大学经济管理学院区块链金融研究中心、清华大学经济管理学院中国金融研究中心、新网银行

添加图片注释，不超过 140 字（可选）

AI技术突破与金融行业影响

添加图片注释，不超过 140 字（可选）

大模型引发金融业生产关系变革

何平：过去几周，AI领域发生了哪些重大事件？DeepSeek、GPT-5免费化、Grok 3的发布如何影响金融行业？

祝世虎：

近期对我个人冲击最大的事件是DeepSeek的发布。作为2009年北京大学信息科学技术学院智能科学系首届博士毕业生，我见证了人工智能领域的多次技术变迁。在DeepSeek发布的除夕夜，我们实验室的同学们聚在一起研讨，深感其对金融与AI结合的潜在影响。它通过降低大模型构建门槛，重新平衡了算力、数据与模型的关系。

早期AI受限于算力与数据，研究者只能专注于模型的数学技巧；而GPT等大模型的出现让算力和数据变得充裕，但也推高了研究门槛。如今，DeepSeek这类“手搓大模型”的出现，可能引领AI进入新阶段——算力、数据与模型再次平衡。这促使我们重新思考人工智能的本质：过去认为人类智能依赖记忆，而DeepSeek的技术发展表明，推理能力可能更为关键。

对金融业的影响：

成本降低：中小银行无需购买大量显卡或招聘专业人员即可部署大模型。

本地化与安全：数据无需外传，直接在本地训练和应用模型，解决银行的数据安全焦虑。

开源可控：金融机构能自主掌握模型每一步的迭代，增强技术透明度。

挑战：黑产可能利用大模型进行客诉处理等创新，倒逼金融机构加强风控。

邓江：

DeepSeek的成功证明了中国在AI领域的自主研发能力，其迅速出圈完成了全民AI教育。大模型的本质是通过算力生成智能，替代人类脑力劳动。金融作为知识密集型行业，将因大模型引发生产关系变革，实现“新质生产力”的飞跃。

百川智能作为基础模型研发公司，认为大模型技术将推动各行业的智能化升级。例如，金融行业的知识计算需求与大模型高度契合，未来AI专家可替代人类完成复杂任务，如养老金融、医疗咨询等。

李秀生：

DeepSeek的爆火打破了美国在高科技领域的封锁神话，增强了中国自主研发的信心。其低算力需求使中小银行实现“智慧平权”，新网银行已在经营活动中尝试部署通用AI技术。例如，通过大模型分析客户数据，优化贷款审批流程。

添加图片注释，不超过 140 字（可选）

大模型在金融业务中的核心应用

银行业应用场景

何平：大模型或者人工智能在银行或者非银行机构有哪些可以应用的场景？

李秀生：

客服领域：大模型的自然语言生成能力可替代人工客服，显著降低人力成本。银行积累的历史资料通过大模型学习后，能快速响应客户需求。

营销环节：随着银行柜面人员减少，主动联络客户成为关键。大模型可筛选高价值客户，通过自然语言沟通初步达成销售，或提供有效线索供人工跟进。

风控体系：大模型整合内外部数据（如社交媒体信息、行业政策），通过交叉验证提升风控精准度，弥补中小机构数据积累不足的短板。

祝世虎：

大模型在金融业的核心优势是成本降低、本地化部署与开源可控：

成本降低：大模型降低了金融业应用AI的门槛，使得中小金融机构也能轻松部署。

本地化部署：解决了银行最担心的数据安全问题，数据无需外出即可在本地使用大模型。

开源可控：金融机构能够自主掌控大模型的每一步，提高了技术的透明度和可控性。

但需平衡自动化与人工审核。例如，在贷款审批中，大模型目前仅作为辅助工具，因其可解释性较弱，需结合人工经验确保决策可靠性。

非银金融机构的潜力

祝世虎：

非银机构（如保险、信托）因业务灵活性强，更易与大模型结合试点。例如：

保险行业：例如保险产品的销售，复杂产品需业务员详细解释，大模型可提升客户理解效率。

信托行业：快速适应监管变化，通过AI优化合规管理流程。

未来需解决两大问题：

模型幻觉：大模型可能输出与人类价值观不符的结论，需建立机制实现AI对齐。

可解释性：可解释性问题的原因是人们对大模型的信任。

添加图片注释，不超过 140 字（可选）

技术驱动的行业变革与挑战

对金融机构的深层影响

何平：大模型的使用对金融业务有哪些影响？未来大行和中小银行之间的差距会缩短吗？

邓江：

大模型推动“知识平权”，使中小机构突破人才限制。例如，百川智能可为中小银行提供低成本AI专家（如1万名虚拟养老金融专家），助其开展复杂业务。大模型的本质是高智商与情商结合，未来将培养垂直领域AI专家（如医生、律师），赋能金融机构。

李秀生：

AI将重塑银行服务界面。以手机APP为例，过往界面由固定的图标组成，用户体验相对单一。然而，随着生成式人工智能的发展，未来的产品界面将变得更加交互式和个性化。用户将像面对客户经理一样，通过自然交互获得所需的产品和服务。这种变革将极大地提升用户体验，使银行服务更加贴近用户需求。

竞争格局与未来趋势

李秀生：

对于业务量较少的银行，其知识积累相对大行存在劣势。然而，随着低成本大模型的出现，小行在某些局部领域已展现出特色与优势，技术能力甚至超越某些大行。这得益于技术的持续积累与创新，使得小行能够在特定领域内做得更好。但值得注意的是，技术并非金融领域的万能钥匙。尽管技术在提升银行业竞争力方面发挥重要作用，但仍受其他条件约束。因此，小行虽能在同类中脱颖而出，但难以一夜之间超越大行。例如，中国某领先的股份制银行虽在盈利能力和市值上超越部分国有大行，但其成长历程也经历了逐步积累与突破的过程。

邓江：

大模型带来的知识平权让小机构得以迅速弥补能力短板。借助大模型的力量，小机构能够快速提升自身在特定领域的能力，同时凭借其业务灵活性快速拓展市场。这种优势使得小金融机构有可能在垂直细分领域迅速占据行业领先地位，展现了小机构在新时代下的巨大潜力。

大模型在风控领域的应用并不在于取代人类决策，而在于丰富人类决策的信息维度……大模型仍需与人类决策相结合，以确保风控的准确性和可靠性。

添加图片注释，不超过 140 字（可选）

AI在金融领域的边界与突破

资本管理与投资理财的AI应用

何平：资本管理领域并没有用到很多的AI，这是为什么？投资理财领域在AI有什么应用的空间？百川等在智能投顾方面有没有布局？

祝世虎：

资本管理受监管约束，遵循既定公式和规则，因此无需复杂大模型。大模型主要展现的是感知智能，与计算智能有所不同。

计算智能要求精确计算，如解答数学题目，需通过具体运算得出答案。而感知智能则基于经验和直觉，如九九乘法表，人们往往能直接说出答案，无需计算。在处理资本管理等需精确计算的问题时，使用感知智能的大模型虽能得出结果，但准确性可能不如专门的计算工具。

因此，在资本管理等计算智能主导的领域，大模型并非最佳选择，简单算法或专业计算工具更为适用。

李秀生：

人工智能在智能投顾和资管领域具有巨大潜力，随着大模型等生成式人工智能技术的发展，其处理复杂信息和多模态数据的能力显著增强，为智能投顾提供了新的机遇。在智能投顾领域，大模型可以作为人类的得力助手，提供丰富的参考信息和辅助决策。通过整合和分析海量数据，大模型能够洞察市场趋势，为投资者提供有价值的投资建议。

然而，尽管大模型具有诸多优势，但在最终投资决策方面，仍需人类审慎权衡。不确定性因素的存在使得完全依赖机器进行投资决策仍具风险。”

此外，在客户经理角色方面，人工智能虽然能够模拟人类客户经理的言行，但在建立信任关系方面仍面临挑战。人与人之间的信任基于复杂的情感和社会因素，而人与AI之间的信任则需要更长时间来培养。

因此，尽管AI客户经理在某些方面表现出色，但在实际应用中仍需谨慎推进，以确保客户体验和信任度不受影响。

邓江：

智能投资顾问，即智能投顾，其核心在于‘顾问’角色。相较于人类客户经理，机器顾问因无个人利益驱动，能更客观地为投资者提供建议，降低道德风险。随着技术进步，机器顾问的能力将不断提升，预计未来将有更多人选择其作为投资顾问。

然而，这是一个渐进的过程，不同人对智能投顾的接受程度不同。我们公司致力于提供模型能力，而非直接打造投资顾问。我们已搭建完整生态，与在金融领域有深厚积累的上市公司合作，如养老理财、财富顾问等领域，通过百川模型能力的加持，帮助他们更好地打造顾问服务，以惠及更多普通人。这一过程将推动智能投顾行业的持续发展。

李秀生：

以新网银行为例，我们专注于小微企业贷款和个人普惠贷款，业务已全面实现机器决策。这表明，在特定领域和场景下，机器决策已成为可能，并能高效、准确地处理大量贷款业务。

添加图片注释，不超过 140 字（可选）

未来战略与行业生态

银行业的AI战略突破点

何平：未来在AI战略方面，银行业和非银金融机构会有哪些新的突破点？

李秀生：

从技术发展历程看，银行经营模式已从依赖人力逐渐转向依赖计算机和移动互联网。随着大模型的出现，人工智能在金融机构中的应用又迈上了新台阶。未来，金融机构的所有行为和活动都将深度融合AI技术，实现‘人人AI，处处AI’。从基层员工到高层管理者，都将借助AI提升工作效率和决策质量。

邓江：

百川智能致力于超级模型与超级应用的研发，持续投入于模型研发领域，并在DIFF等科技成果上不断学习进步。公司更加关注垂直领域的应用，通过特定领域的牵引来提升模型能力。

大模型在风控领域的应用并不在于取代人类决策，而在于丰富人类决策的信息维度……例如，通过分析个人在社交媒体上的发言，大模型可以了解个人的财务状况和还款意愿，这比单纯查看银行流水更为直观和全面。

“以医疗领域为例，百川智能认为医疗是人工智能大模型领域的皇冠明珠……例如，对于医生来说，拍摄小视频并非必备技能，因此基础模型无需具备生成视频的能力。然而，医生需要能够看懂视频和图片，因此模型必须具备这方面的能力。

非银金融机构的AI路径

祝世虎：

从非银金融机构做起试点，再向银行推广的路径被认为是可行的。这样既能发挥非银金融机构的灵活性优势，又能逐步推动大模型在金融行业的广泛应用，缩小不同金融机构之间的差距。

以保险行业为例，保险产品复杂，需要业务员详细解释，而大模型能够在这方面发挥重要作用，提高效率和客户理解度。”

添加图片注释，不超过 140 字（可选）

风险防控与可解释性挑战

风控体系的重构与平衡

何平：机构是如何借助 AI 构建这种智能风控体系？尤其是自动化和人工审核方面是怎么平衡的？

祝世虎：

大模型算法基于贝叶斯公式，展现的是感知智能而非决策智能。在风控领域，特别是贷款审批方面，大模型目前应作为辅助工具，配合人工进行审批。这是因为贷款审批涉及决策和责任，需要高度的准确性和可解释性，更需要人们对大模型的理解和信任。

然而，在合规管理和客户管理方面，大模型已展现出足够的可靠性，可以放心使用。”随着成功案例的积累和管理人员适应性的提高，大模型在贷款审批方面的应用也将更加广泛，例如在客户推荐领域大模型已经有很多落地案例。

李秀生：

大模型的出现，风控模式趋势将进入多模态数据风控大模型和领域化智能风控大模型。且随着模型参数增大和数据增强，模型性也将逐渐增强。多模态数据风控大模型可以将广泛的非结构化数据，在客户授权下作为授信审批依据。领域化智能风控大模型则可以尝试基于金融语料构建预训练大模型，再用于下游风险识别、客户匹配度识别等领域。

以收入和房产信息为例，过去客户填写的数据可能存在不准确的情况，而现在通过大模型，银行可以从全网调取相关数据，并进行交叉验证，从而提高数据的准确性和可靠性。这不仅有助于提升风控模型的精准度，还能有效补齐小机构在客户信息积累方面的短板。

技术可解释性的科学路径

祝世虎：

要实现处处AI的愿景，需解决两大问题。

首先是模型幻觉问题……其次是可解释性问题。在金融行业中，特别是贷款审批等领域，可解释性是一个重要考量因素。当使用模型进行贷款审批时，若贷款被拒绝，往往需要向相关人员解释审批结果的原因。这就要求模型具备一定程度的可解释性，以便人们能够理解其决策依据。

然而，可解释性的对象不应仅是人，更应是科学本身。应通过科学的方法来验证和解释模型的决策过程，以确保其准确性和可靠性。

添加图片注释，不超过 140 字（可选）

结语：AI与金融的共生未来

何平：大模型会如何推动金融行业的创新？如果从整个技术生态上来讲，我们应该做哪些事情？

李秀生：

从基层员工到高层管理者，都将借助AI提升工作效率和决策质量。同时，AI也将深刻改变企业的产品形态。以手机银行APP为例，以往界面由固定的图标组成，用户体验相对单一。随着生成式人工智能的发展，未来的产品界面将变得更加交互式和个性化。

邓江：

大模型是金融行业的“脑力杠杆”，未来金融机构的竞争力取决于AI与人类协作的深度。百川智能将继续深耕垂直领域，为行业提供专业化AI工具。

祝世虎：

技术终将回归金融本质——服务实体经济。AI不是颠覆者，而是效率工具。金融机构需在创新与稳健中寻找平衡，避免陷入“为技术而技术”的误区。