文章总结： 杨涛研究员在金融论坛上分享了AI大模型在金融领域的应用机遇与挑战。机遇包括数字金融纵深发展、数据算法算力完善、基础大模型成熟、创新案例涌现及开放生态形成；未来需紧扣核心需求、改善投入产出、增强可持续发展能力。风险挑战包括技术层面的黑箱问题、准确性与偏见、数据安全与隐私，以及金融风险维度的系统性风险和非系统性风险。需要构建多层次治理体系，在创新与规范中求得平衡，确保大模型健康有序发展。 综合评分： 89 文章分类： AI安全,数据安全,应用安全,政策法规

杨涛：AI大模型金融应用的机遇与挑战

点击关注→

智探AI应用

2025年12月6日 19:02 广东

围绕AI大模型金融应用的背景、机遇现状及风险挑战展开分享。

来源｜中国社会科学院金融研究所

以下为全文

近日，中国社会科学院金融研究所举办《金融论坛》，邀请中国社会科学院金融研究所支付清算研究中心主任、研究员、博士生导师，全国金融标准化技术委员会委员杨涛为主讲嘉宾，就《AI大模型金融应用的机遇与挑战》作专题报告。围绕AI大模型金融应用的背景、机遇现状及风险挑战展开分享。

中央金融工作会议提出“金融强国”目标，直面我国金融业“大而不强”的现状，要求通过高质量发展提升金融体系的内在质效与综合竞争力。这一战略与党的二十大报告中“以中国式现代化全面推进中华民族伟大复兴”的部署紧密衔接，对金融业提出了更高的要求。2024年11月，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》，明确将人工智能纳入金融体系核心创新工具，强调技术、数据、基础设施等要素的协同作用。数字金融不仅涵盖技术驱动的业务与流程革新，更致力于全产业链的数字化再造，服务于新兴数字经济模式。在此背景下，AI大模型成为破解金融业信息不对称、优化资源配置的关键工具。

杨涛研究员认为，技术进步为AI大模型金融应用奠定了坚实基础。人工智能历经三波发展浪潮，从传统机器学习到深度学习，再迈向预训练时代的千亿参数级大模型，实现了从“单一任务”到“通用智能”的质变。当前大模型已具备世界知识、复杂推理、人类指令遵循等众多能力跃升，并通过人类反馈强化学习（RLHF）降低伦理风险。据相关机构统计，2024年全球人工智能产业规模达6382亿美元，金融业成为AI技术落地的前沿阵地。值得关注的是，DeepSeek等推理型大模型通过“慢思考”深度拆解复杂问题，在工商银行、摩根大通等机构的风险管理、资产配置场景中展现出超越人类顾问的认知深度。与此同时，多模态技术、智能体（Agent）、人机协同等趋势正重构金融服务范式，推动行业从“效率工具”向“决策引擎”演进。

党的十九大以来，习近平总书记围绕人工智能与高质量发展作出系列战略部署，为技术应用提供了根本遵循。2025年，国务院发布《关于深入实施“人工智能+”行动的意见》，明确推动人工智能与经济社会深度融合。中国人民银行科技工作会议强调“安全稳妥有序推进人工智能大模型应用”，《金融科技发展规划（2022-2025年）》要求健全算法管理与安全评估体系。2025年国标委发布《人工智能大模型》系列标准，金标委亦推动《数字金融人工智能大模型安全应用技术规范》编制，从国家标准与行业规范层面构建治理框架。这些政策既为创新留白，又通过完善政策原则、技术规则与伦理准则，筑牢了安全底线。

谈到AI大模型金融应用的机遇与现状，杨涛研究员总结出以下要点：

其一，数字金融与科技创新正迈向纵深发展。在供给侧，新技术演进与监管政策持续优化共同驱动创新；在需求侧，企业与消费者的数字化偏好不断提升。技术呈现非线性突破，AI与大数据、云计算等技术协同互补，持续提升对金融创新的贡献度。监管部门在防范风险的同时，对数字化转型保持合理包容态度，努力平衡创新与安全。随着数据要素价值日益凸显，金融业亟需满足市场主体的数字化需求，这为AI大模型金融应用创造了新的发展契机。

其二，数据、算法、算力三大要素持续完善。金融机构积极构建知识库，提升数据集质量，虽在数据互联互通方面仍有不足，但整体数据基础不断夯实。算法层面，Transformer架构持续优化，专家混合模型、稀疏注意力机制等创新技术助力大模型更好地理解复杂金融业务。算力基础设施快速扩张，“东数西算”工程优化全国算力布局。

其三，基础大模型建设日臻成熟，我国从技术追赶者转变为竞争参与者。阿里、腾讯、百度等大型科技平台巩固领先地位，DeepSeek等新兴力量通过知识蒸馏等技术实现轻量化与性能平衡，部分企业则转向垂直领域深耕。基础大模型的产业化落地，为金融服务模式重构提供了重要支撑。

其四，金融行业已涌现出一批示范性创新案例。大模型厂商、金融科技企业和持牌金融机构各展所长：厂商夯实基础设施，科技企业推动自研模型，金融机构聚焦业务场景开发专属模型。据分析，2025年上半年银行业应用占比达18.1%，国有大行和股份制银行在前中后台多个领域实现落地。

其五，开放合作生态逐渐形成，产业链各主体呈现“百花齐放、互补共赢”态势。“政产学研用”协同体系日益完善，开放银行向开放金融深化演进。开源技术的广泛应用进一步加速迭代，降低门槛，为金融大模型应用提供了坚实的生态保障。

对于未来的发展趋势，杨涛研究员提出五个方面值得关注的问题：

其一，AI大模型在金融领域的应用必须紧扣行业核心需求，着力解决金融机构面临的五大痛点。在战略决策层面，大模型能提升信息处理与决策能力，助力管理层应对复杂竞争环境；在组织运营方面，可推动智能化转型，优化运营效率并降低成本；在投入产出维度，能整合数据要素，提升全要素生产率，更好地服务客户个性化需求；在风险管理领域，可构建更精准的风险模型，强化合规管理水平；在服务效果上，将有力支撑科技金融、绿色金融、普惠金融、养老金融等重点方向的发展。

其二，当前需着力改善大模型应用的投入产出模式。面对科技投入持续增加但短期业务价值有限的矛盾，金融机构应坚持“精准投入、降本增效”原则，避免“为AI而AI”，通过优化投入结构和探索混合技术路线，提升成本收益比。

其三，大模型应用还需着眼于增强金融机构的可持续发展能力。以银行为例，2025年上半年末商业银行净息差仅为1.42%，不同类型银行分化明显，可持续发展面临挑战。大模型应重点帮助银行改善资产负债管理、提升风控能力，夯实稳健发展基础。

其四，服务实体经济方面，大模型应用需以提升服务实效为衡量标准。银行业要写好“五篇大文章”，证券业要助力居民增收，保险业要强化风险管理，共同通过精准资源配置为企业和居民创造价值。

其五，需要理性看待大模型应用的现实价值，避免“短期高估、长期低估”。应注重大小模型协同，实现性能、效率与成本的平衡。对中小银行而言，轻量化发展路径更为适宜；在智能体建设中，要防止“一哄而上”带来的资源浪费和效率降低，切实推动技术赋能向价值创造转化。

杨涛研究员分析了当前AI大模型金融应用的风险挑战问题。

（1）在技术层面，首当其冲的是模型“黑箱”问题。大模型基于复杂的神经网络构建，输入与输出间的因果关系难以追溯，这种可解释性的缺失在注重风险归因的金融领域尤为突出。与此同时，模型的准确性与偏见问题同样不容忽视。研究表明，大模型通常存在部分“幻觉”现象，即会虚构信息，这对要求高度精准的金融业务构成直接威胁。数据安全与隐私风险同样严峻，海量训练数据可能涉及个人隐私泄露，而商业数据在模型调用过程中的传输也可能引发安全问题。知识产权争议则成为另一个隐患，训练数据的采集与使用可能涉及版权、商标权等侵权风险。

（2）在金融风险维度，大模型可能加剧系统性风险。由于算法趋同现象日益显著，多家金融机构采用相似模型可能导致决策同质化，进而引发“羊群效应”，放大市场波动。具体表现为两个方面：一是市场波动问题，大模型对社交媒体和新闻情绪的分析若出现误判，可能错误引导投资者预期；二是风险集中问题，模型对历史数据的过度拟合可能导致未来预测失准，在市场变化时引发连锁反应。

（3）非系统性风险同样需要警惕。操作风险因系统复杂性而升级，大模型更易成为网络攻击目标，数据篡改、恶意攻击等威胁持续存在。实践中，大模型生成的虚假信息已对金融市场造成实质冲击，如2023年美国五角大楼爆炸假图片引发市场震荡等案例，均揭示了大模型虚假信息的破坏力。

（4）更值得关注的是新型金融风险的涌现。大模型可能催生新型“大而不能倒”机构，潜在利益冲突因模型可解释性不足而难以溯源。同时，大模型间的相互协作可能形成前所未有的风险传导路径，这些新型风险形态对现有监管框架构成严峻挑战。

归纳起来，与人工智能相关的监管面临诸多挑战。一是可解释性要求尤为迫切，尽管已有研究尝试通过Shapley值、定量输入影响（QII）等方法解读模型决策，但金融领域的可解释性研究仍处于探索阶段。未来或许应该分层认识可解释性，即引入大模型技术之后，有的金融服务离不开高水平的可解释性，有的金融产品则或许并不需要太高的可解释性匹配，同样可以达到客户满意、监管合规的原则。二是准确性方面需平衡性能与可解释性的关系，在控制“幻觉”的同时保持模型效能。三是算法趋同现象需要警惕其可能引发的市场双向波动和“默示共谋”，后者通过算法自动执行的价格协调行为，可能扰乱金融市场秩序。四是技术鸿沟问题值得关注，不同规模金融机构的数字化差距可能因大模型应用而进一步扩大。应对这些挑战，需要构建多层次治理体系：完善法律法规与标准化保障，明确创新风险的责任分担；持续优化数据、算法、算力等基础要素；建立有效的模型评估与审计机制；强化金融消费者保护；推动监管科技发展。只有在创新与规范中求得平衡，才能确保大模型在金融领域的健康有序发展，真正发挥其服务实体经济、推动金融强国建设的积极作用。

智探AI应用交流群，有兴趣的朋友请添加群主：cosmic-walker 备注：公司+姓名+职务+AI入群。