主 持人：《金融时报》记者史佳桐
特邀嘉宾：中国银行原副行长王永利
中国社会科学院国家金融与发展实验室副主任杨涛
中电金信研究院副院长、人工智能实验室主任单海军
“十五五”规划纲要提出，全面实施“人工智能（885728）+”行动，抢占人工智能（885728）产业应用制高点。如何积极稳妥、安全有序推动人工智能（885728）(AI)在金融领域的应用？算力、芯片等底层技术如何支撑“AI+金融”发展？AI与金融业深度融合将呈现何种趋势？围绕这些问题，《金融时报》记者采访了有关专家学者及金融从业者。
《金融时报》记者：您认为，“AI+金融”未来核心落地场景和发展方向是什么？
王永利：我最关注“AI+支付”这一影响广泛且深刻的领域。随着智能体(Agent)快速发展，Agent直接交易、直接支付已成为新动向，X402等协议持续推动Agent支付落地。
杨涛：在我看来有四个重要方向，一是AI和大数据正深度赋能金融监管体系，推动金融治理变得更加智能高效。例如，AI助力监管科技快速发展，逐渐进入数据驱动、精准穿透的新阶段。
二是AI驱动金融业数字化转型，银行业是AI应用的“主战场”，非银金融机构的AI应用也将突飞猛进。
三是AI金融应用全面改善了金融产品与服务的提供方式，精准对接企业和居民需求，从而助力金融更高质量服务实体经济。
四是AI服务于金融基础设施建设，比如，AI可以通过智能风控系统实现毫秒级交易监控，大幅提升支付清算系统的安全性和稳定性。
单海军：未来3到5年，“AI+金融”将从单点工具应用迈向全流程自动化执行，核心落地场景集中在信贷智能风控、智能投顾与财富管理以及金融运营的全面自动化。在信贷智能风控领域，大模型可整合征信、工商、舆情、供应链等多源异构数据，构建动态风险知识图谱，实现对企业与个人信用风险的深度语义理解与前瞻性预警。智能体技术进一步赋予风控系统自主调查与闭环处置能力，AI Agent可自动触发贷后巡检、生成风险排查报告并联动法务催收系统，将“识别风险”升级为“自主化解风险”。在金融运营全面自动化层面，大模型的长文本理解与逻辑推理能力可处理信贷合同、监管文件等复杂任务，而多Agent协同编排能构建跨部门自动化工（850102）作流，如“尽调Agent”抓取企业信息、“运营Agent”同步完成系统录入，形成“人类专家+数字员工”的混合劳动力结构，推动运营效率实现数量级跃升。在发展方向上，AI技术将推动金融服务从“人找服务”转向“服务找人”，实现个性化、实时化、无感化的客户体验升级。同时，AI Agent技术的成熟将让金融机构具备自主决策与闭环执行能力，重塑业务价值链。
《金融时报》记者：就目前的发展情况，“AI+金融”在落地中面临哪些核心风险与挑战？
王永利：“AI+金融”的风险集中在三方面。一是泡沫化与资源浪费，部分机构一哄而上投入大模型、算力，本地化分散部署导致重复建设，投入产出严重失衡，缺乏专业化分工与共享机制；二是责任界定缺失，Agent可自主交易，但并非独立责任实体，必须明确由使用者承担最终责任，现有监管规则需进一步细化，金融领域更要分级分类规范；三是链上监管与隐私保护悖论，区块链（885757）强调匿名去中心化，但金融必须实名制，应管好“上链”与“下链”关口，平衡监管穿透与个人隐私。
单海军：核心挑战在于数据安全（885942）与隐私保护、模型“黑箱”导致的合规难题以及模型幻觉带来的决策可靠性问题。在数据层面，金融机构掌握海量高敏感客户信息与交易数据，大模型训练与推理过程中的数据泄露、成员推断攻击及跨境数据流动合规，均构成严峻的安全考验。在模型层面，金融场景对容错率极低，同时又要求满足高合规，当前智能体及大模型技术难以满足监管对信贷审批、投资建议“可审计、可追溯”的硬性要求，而模型幻觉可能导致错误的风险定价或投资建议，引发重大资金损失与声誉危机。在组织与技术层面，金融机构内部AI人才储备不足、传统IT架构与AI原生能力之间的融合断层，也是制约规模化落地的瓶颈；存量核心系统多为集中式单体架构，与AI所需的分布式、弹性算力及数据湖仓架构存在代际差异，“烟囱式”改造往往投入巨大且周期（883436）漫长，导致AI创新陷入“试点易、推广难”的困境。
杨涛：在我看来，一是AI自身一直存在许多技术不足，在大模型时代变得更加突出，当其在金融等严谨行业应用时，必然会面临更多技术风险的挑战。如准确性问题、可解释性问题、鲁棒性不足、安全性风险。二是AI金融应用可能带来诸多新的金融科技伦理挑战。例如，算法歧视与公平性缺失是最突出的伦理问题之一，数据隐私边界模糊问题越发严重，AI决策透明度与责任归属困境日益突出。三是AI在深度重塑金融业态的同时，也催生了新型风险，对金融稳定构成严峻挑战。例如，算法同质化可能引发的市场共振是最突出的风险隐患之一。再如，AI大模型高度依赖数据质量，但金融数据自身如果存在问题，很可能导致模型偏差甚至引发连锁反应并破坏金融机构运营连续性。
《金融时报》记者：在您看来，算力、芯片等底层技术如何支撑“AI+金融”发展？
单海军：金融AI对低延迟、高并发、高安全的算力需求苛刻，尤其是在实时风控、高频交易和智能客服等场景。专用芯片则能显著降低大模型推理延迟，满足金融级稳定性要求，为金融AI的普惠化部署提供坚实支撑。
杨涛：算力和芯片是金融安全与自主可控的基石，需充分重视国产替代之路。一方面，这是差异化应用与效能匹配的关键，当然，大模型训练依赖高端智算中心，高并发交易追求低时延专用芯片，边缘风控则需轻量化部署，并非算力越大越好。另一方面，也需要考虑推动从“可用”到“好用”。单颗芯片先进算力不够，还需解决软件生态适配、集群互联和能效优化等难题，才能真正将底层技术转化为规模化、稳定可靠的智慧金融服务。应该说，算力和芯片既涉及技术问题，更是战略和安全问题，需从供应链、场景适配到生态建设进行全局谋划。
王永利：算力作为核心生产要素，分散化部署是最大的浪费。当前，大型算力企业出租资源需预留大量冗余，全社会算力利用率偏低，应打造全国乃至全球算力调度平台，实现专业化共享、市场化计价，避免重复投入，提升资源利用效率。
《金融时报》记者：结合您对行业的观察，如何构建“AI+金融”健康可持续的生态体系？
杨涛：在生态层面要打造多元协同、开放共赢的产业发展格局。应推动持牌金融机构、科技企业、科研院所与监管部门之间建立常态化沟通协作机制。支持各方合作建设金融AI公共服务平台与中试基地，降低中小金融机构的技术门槛与应用成本。加强复合型人才培养，建立适应AI与金融融合发展的交叉学科体系与职业培训机制。积极参与全球AI金融治理规则制定，推动监管标准互认与跨境合作，提升我国的国际话语权和影响力。
王永利：“AI+金融”生态需从宏观社会层面统筹设计。一是明确数据资产权属，用户在金融机构产生的数据价值应合理归属与分配，打破“数据归平台所有”的单一格局；二是平衡便利与隐私，用户为便捷让渡指纹、人脸等信息，但需建立长效保护机制，避免过度采集与滥用；三是推动社会规则、法律监管同步升级，适配Agent、链上资产、数字身份等新生事物，避免行业出现合成谬误。
单海军：构建健康生态需要技术厂商、金融机构、监管部门多方协同共治。技术厂商应坚持“科技向善”，将可解释AI、模型安全等能力嵌入产品底层，强化AI工程化落地能力。行业层面需加快建立AI金融应用的标准规范与伦理准则，形成创新沙盒与风险防范机制。同时，推动开源生态降低重复投入，共享“从0到1”实践成果，推动产业生态发展。
