12月6日，上海市临港新片区主办的“2024年滴水湖新兴金融大会”隆重举行。当日下午，在南方财经全媒体集团、21世纪经济报道承办的“2024南财数字金融领航者论坛”上，中国银行原行长李礼辉表示，数字金融的智能化已经起步，但就人工智能技术发展的可能性来说，目前还处在辅助和助理的早期阶段。主要应用一是改进产品创新和客户服务，二是改进运营管理和风险管控。

　　他将人工智能的前沿技术的创新归纳为四个方面。一是从结构化到非结构化。以前人工智能是应对结构化的文本，现在生成式的人工智能大模型可以学习和理解非结构化的数据，生成新的非结构化的内容，包括文本、音频、视频、图像和代码，能够适应多种任务。

　　二是从单模态到多模态。以前是单一的文本模态，现在的GPT4o等大模型具备了文本、视觉、语音多模态组合的感知、学习和交互的能力，已经突破了文本交互的局限性，能够感知、理解和模拟动态物理世界。

　　三是从助理到代理，从人工智能的助理到人工智能的代理。以前是人工智能辅助和助理，现在正在研发的具身智能体集成神经网络和知识工程和控制端的技术，通过遴选行业的最佳标准、最佳流程的专业化数据优势和算力优势，培育在不同场景中的感知、学习、行动和决策的代理，甚至可以超越一般水平的生产力。

　　四是从推断到推理。以前是人工智能的推断和验证，未来依托全面数据高维算力和超级算力的优势，有可能形成比人类最高级智慧更广阔的推理空间，更高深的科学猜想，成为科学发现与技术发明的新范式。

　　人工智能应用于数字金融创新需要实现三个可信任

　　李礼辉表示，人工智能的前沿技术应用于数字金融创新，需要实现三个可信任。一是有可能实现人机交互可信任的拟人化。比如应用多模态技术的智能机器人，有可能做到动态捕捉、及时感知、正确理解客户的语言和表情，准确判断客户的风险偏好和业务诉求。采用具有人性温度的表达方式，为客户提供可信任的服务方案，解决机器服务冰冷的问题，甚至成为柜台服务的数字人。

　　二是有可能实现非结构化数据处理可信任的精确性。现在的人工智能已经可以处理非结构化数据，但是到100%的可信任的精确性还是有一点点的距离。今后应用多模态的技术工具，有可能在健康医疗保险中对病历和医疗影像进行专业水准的质检和分类，核准健康评估，识别医生的制剂，判别声纹、鉴别虚假理赔，也可以在银行的前台和中后台对各种票据、合同等非结构化数据进行真实性审核和自动化录入，分辨克隆的票据或者虚假的合同，正确提取数据并及时记账，提高服务品质和运营效率。

　　三是有可能实现金融智能体应用的可信赖的专业性。例如在市场分析、风险评估、投资顾问、财富管理、产品定制和内部审计等专业领域，培育自主感知、学习行动和决策能力的智能金融体。提供行业最佳流程、最佳标准和专业数据支持，明确智能体的行为边界，明确管理者的决策责任，明确智能体与金融客户的法理关系，就有可能在高度复杂的场景中达到可信任的专业水准。

　　行政分割、流通不畅问题待解

　　人工智能大模型取决于参数规模、数据集品质、有效算力三大要素，适用于“规模定律”。李礼辉认为，中美两个国家都是数据大国，但数据资源的结构不同。美国依托科学技术长期发展累积的信息资源，在知识和学术领域具有数据优势。中国依托人口规模和互联网经济超越式发展堆积的数据资源、信息资源，在市场交易和公民行为领域具有数据优势。海量的市场交易和公民行为数据是我国数字经济、数字金融发展的宝贵资源。

　　他表示，公用数据存在行政分割的问题，比如涉及居民和企业的财务数据和行为数据，分散在金融监管、工商管理、税务、海关等不同的局域系统中，共享程度不高，影响数据价值的深度开发。

　　此外，非公共数据存在流通不畅的问题，比如全国移动支付的用户超过9亿，数字化支付已经成为最主要的数据入口。但是，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，数据的价值也未能充分发掘。

　　中央的“数据二十条”制定了数据产权制度、数据要素流通和交易制度、数据要素收益分配制度、数据要素治理制度的基本规范。李礼辉表示，2023年8月，财政部制定了《关于数据资源入表的会计准则》， 有四大重点。

　　重点之一是公共数据的开放共享，着力解决公共数据开放不足，行政分割的问题。国家建立集中统一的公共数据库和互联互通的公共数据应用系统，打破数据孤岛。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。

　　重点之二是个人数据和企业数据的共同使用。着力解决个人数据和企业数据保护不力、流通不畅的问题，完善个人信息保护机制，规范采集使用个人信息的行为。同时，创新技术手段，推动个人信息匿名化处理，保障使用个人信息实施的信息安全和个人隐私。还要推进非公共数据按市场化的方式共同使用、共享收益的新的模式。支持金融机构与互联网平台企业、交通运输企业、物流企业、数据分析加工企业、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，为产业金融、普惠金融提供数据支持。

　　重点之三是建立数据资产市场，着力解决数据产权落地、数据资源配置优化的问题。

　　重点之四是弥补数字鸿沟，着力解决数字经济时代小微企业和弱势群体数字服务获得难、信息落差大的问题。

　　以金融安全为前提进行创新

　　“数字金融的创新并非给传统体制、传统流程加上数字化的外套，而是从根本上改革体制、重构流程、再造底层系统”，李礼辉分享了其对数字创新的理解。

　　他认为，数字金融创新其面对的特殊挑战主要是模型歧视、算法趋同、隐私保护等。

　　模型歧视指模型输出的结果出现对某些群体的集体性偏见、差评和政治限制。算法趋同指在不同机构的量化交易之类的智能金融程序中，由于算法逻辑趋同，出现相同的市场趋势的预测，执行相同的市场交易策略，导致单边化市场交易，可能引发暴涨暴跌的市场危机。

　　李礼辉强调，数字金融创新必须以金融安全为前提，必须实现符合伦理标准的金融平等，保障符合安全标准的金融效率，营造符合经济规律的创新模式。

　　具体来说，一是行业级的垂直模型与企业级垂直模型融合发展，用海量数据预训练行业级垂直模型，并持续调优，再根据不同需求调试差异化的应用，定制企业级的垂直模型，可以降低模型开发的边际成本，扩展垂直模型的应用范围。金融业涵盖金融、保险、证券投资、财富管理等领域。同一领域的金融服务和管理需求大同小异，采用行业级和企业级垂直模型融合发展的技术路线，同时选择适当的商业模式，有利于实现高效率、低投入、个性化的金融创新需求。

　　二是建设安全高效的数字金融创新制度。过于严苛的监管可能抑制创新和产业发展，可以考虑的原则是高、中、初、小。高是占领技术高地；中是全球领先的中国方案；初是我们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的最小化。

　　他认为，加快数字金融的监管创新。一是完善法律法规，明确数字金融各参与方的责任边界，包括数字金融的基本原则，监管机构的职责和权限，金融机构的智能金融业务规范等等。

　　二是完善一体化参考式的金融监管系统，集成数字技术，共享多方监管数据，执行一致化的合规标准，覆盖所有的金融机构穿透不同领域的金融市场和金融业务，实现金融监管全流程的智能化，降低监管成本，也降低被监管成本。 三是完善数字金融技术审核认证制度，赋予合格企业数字信任标志，完善人工智能大模型测试的平台、工具、标准和方法。

（文章来源：21世纪经济报道）