新一轮AI浪潮汹涌而来，从“想到”到“做到”，金融大模型的发展日新月异，但金融领域因其固有的特殊性，效率与风控、成本与安全的矛盾变得更加突出，如何看待大模型技术带来的深远影响？金融行业距离真正的AIBank还有哪些“难关”要攻破？

近日，在金融街论坛系列活动“金融强国背景下的数字金融高质量发展”研讨会之“人工智能与数字金融高质量发展”研讨活动在京举办。该研讨由北京金融街服务局与北京立言金融与发展研究院联合主办，北京金融街服务局局长卢五星、国家金融与发展实验室副主任杨涛做致辞发言，神州信息新动力数字金融研究院副院长薛春雨受邀出席并参与讨论。

杨涛指出，做好数字金融大文章，可以从技术、数据要素和场景应用等视角出发，探讨人工智能在其中的重要作用的同时，也应正视其风险与挑战：一是正确处理技术逻辑与金融逻辑的融合，从金融视角来理解技术风险的冲击；二是引导金融业大模型采取差异化策略应用，避免一哄而上；三是避免对技术的短期内高估、长期内低估；四是促使监管合理拥抱大模型，不断优化监管科技水平，提高监管精准性；五是推动相关的技术标准化与软规则建设，促使参与各方实现“各司其职，风险共担”。

针对杨涛指出的重要议题，在圆桌交流环节，薛春雨与北京立言金融与发展研究院金融合规研究中心主任王铼等专家学者进行了深度剖析和解读。

圆桌讨论环节

神州信息新动力数字金融研究院副院长薛春雨，围绕大模型应用落地的实际情况，对人工智能在金融行业的应用中面临的风险进行了深入研讨。

薛春雨认为，除了需要注意通用大模型目前面临的共同的风险外，金融行业还应该关注以下几个风险：

一是数据风险。信息安全是金融业立身之本，这决定了金融业不能直接使用外部的大模型，现阶段内部私有化大模型提升能力尚需时日，如果要借助外部最新的能力，就需要对数据脱敏，但这同样面临执行过程中的风险；

二是模型风险。一方面，如果数据本身不准确，大模型的训练结果极有可能出现偏差；另一方面，如果模型算法方面本身也会存在一定的缺陷，那么大模型的高效性特质会对后续的纠错将会带来非常大的成本。

三是过度依赖。目前大模型的可解释性还存在较大的挑战，所以如果出现故障，如何快速解决将是一个非常棘手的问题。另外，如果金融行业对其过度依赖，一旦受到攻击，或者出现整体不可用的情况下，对金融机构的打击将是致命的。

四是潜在风险。大模型在金融行业中的应用，同样对一些从业人员会面临较大的冲击，造成一些抵触。但如果大规模发生，将会带来较大的社会问题。

面对以上这些问题，薛春雨认为，大模型在金融业的落地需要聚焦在企业大模型及相关联的场景大模型方面，以场景大模型切入，逐步形成完整的企业大模型能力。

为此，神州信息制定了AIBank五步走的战略。第一步：降本增效。先通过AIGC进行代码生成等相关工作，保证快速见效，产生实实在在的价值；第二步：知识问答类赋能。基于某领域的知识及数据，通过AIGC的方式，快速进行知识回答，提升交互体验；第三步：多种AI技术的融合。知识问答+传统AI技术，形成综合解决方案，并在多个业务条线进行落地；第四步：过程自动化。基于AIGC对知识的综合学习及判断，对流程及决策类系统进行自动化处理；第五步：高阶智能化。在日常工作及系统中，融入AIGC等技术，实现过程的全面自动化及专业化。

目前，神州信息也基本处在L2+到L3阶段。

在降本增效和知识问答两个阶段，神州信息自主研发了CodeMaster和 FinancialMaster，将其应用金融产品研发与业务处理场景，用于低代码开发和业务知识问答，让大模型在金融行业更加安全稳妥、切实有效地发挥作用。

最后，薛春雨提到，希望人工智能赋能数字金融，形成安全、高效、智能化、普惠的高质量发展！