【摘要】普惠金融是写好金融“五篇大文章”的重要组成部分。当前，我国普惠金融发展面临可持续性、普及性不足以及信用体系不完善等挑战。近年来，生成式人工智能迅猛发展，正在成为信息化、数字化、智能化的新型技术基座，其拥有强大的知识编码和储存能力、文本和代码理解及生成能力以及复杂任务的推理能力，能够对普惠金融产生数据资源化、数据资产化、数字信任、风险控制、降本增效五大效应，从而有效赋能普惠金融高质量发展。
【关键词】生成式人工智能 普惠金融 融合机理 伦理风险
【中图分类号】F832.0 【文献标识码】A
【DOI】10.16619/j.cnki.rmltxsqy.2024.06.007
刘志雄，中国政法大学商学院副院长、教授、博导。研究方向为数字经济，产业经济。主要著作有《开放条件下中国农业安全问题研究》、《数据流动与数据生态治理研究》（论文）、《媒体负面报道对公司股价影响的研究：来自白酒塑化剂事件的证据》（论文）等。
引言
发展普惠金融是实现联合国千年发展目标的重要手段。自从2005年联合国“国际小额信贷年”首次提出普惠金融的概念，发展普惠金融逐渐成为一个全球性的金融发展议程。从全球视角来看，普惠金融经历了“小额信贷—微型金融—普惠金融—数字普惠金融”的发展轨迹。2023年，中央金融工作会议强调，要做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章。然而，我国普惠金融高质量发展仍然面临挑战，其中，小微企业、涉农群体等融资难和融资贵的问题最为突出，普惠金融如何更好地服务实体经济是摆在我们面前的一个重要课题。
2023年发布的《国务院关于推进普惠金融高质量发展的实施意见》强调，强化科技赋能普惠金融，支持金融机构深化运用互联网、大数据、人工智能、区块链等科技手段，优化普惠金融服务模式，改进授信审批和风险管理模型，提升小微企业、个体工商户、涉农主体等金融服务可得性和质量。在普惠金融发展过程中，数字技术为金融服务从传统的供给驱动模式向满足更广泛的普惠金融需求驱动模式转变提供了动力（石宗辉，2022）。随着金融科技和数字金融的快速发展，人工智能在金融领域的应用正在不断深化。至今，人工智能经历了“规则型人工智能”“决策式人工智能”“生成式人工智能”三个阶段。生成式人工智能（Generative Artificial Intelligence，简称“GAI”）是一种基于机器学习和深度学习的技术，可通过学习大量数据生成新的内容，与利用传统机器学习技术的人工智能相比具有更强的理解、推理和生成能力。在“生成式人工智能的技术—经济”模式下，具备自适应性、运转性和并行性的特征是人工智能步入新阶段的重要标志（欧阳日辉，2024；蔡跃洲，2019；彭兰，2023）。当前，生成式人工智能正在加速发展，不断催生新场景、新业态、新模式。金融业具有数据质量高、数据量大的特点，生成式人工智能在金融领域具有不可估量的应用潜力。推动生成式人工智能技术在金融领域的发展和应用，对于实现金融强国的战略目标，支持金融服务于实体经济和乡村振兴具有重要意义。
普惠金融发展面临的挑战
第一，普惠金融缺乏“可持续性”。2015年末，国务院印发的《推进普惠金融发展规划（2016—2020年）》指出，我国普惠金融的商业可持续性有待提升。然而在实践过程中，金融机构对普惠金融的理解往往存在误区，将其看作信贷补贴、政策性贷款甚至慈善捐赠，又或片面将普惠金融看作政治任务。这些误解、误读不仅阻碍了普惠金融的健康发展，也使其效果大打折扣。与此同时，因受到较多行政干预的影响，一些普惠金融机构的市场运作被扭曲，经营效率常常受到挑战（世界银行和中国人民银行，2018）。如果对普惠金融缺乏准确而深刻的理论认知，就会削弱政府和金融机构提供服务和创新的积极性，从而影响普惠金融发展的效果。因此，普惠金融如何以可持续的商业运作模式，为传统金融服务难以覆盖的群体提供金融产品和服务是当前面临的一个重要难题。
第二，普惠金融缺乏“普及性”。按照世界银行定义，普惠金融是指能够使社会所有阶层和群体广泛、无障碍地享受金融服务的一种金融体系（Allen et al., 2016）。在现实中，弱势群体的金融可得性是普惠金融推广过程中的难点。如果难以普及这些群体，则意味着普惠金融的服务均衡性不够。目前，普惠金融缺乏普及性，主要表现在以下两方面：一方面，从区域上来说，普惠金融在城乡间发展不平衡。在城市，金融机构的实体网点分布广，且能提供最为广泛的金融产品和服务。然而在农村，金融网点分布就要少得多，通常只能提供少数种类的金融产品和服务。根据金融排斥理论，农村地区的金融机构服务网点有限，分布不均衡并且长期存在逆向选择问题，从而导致农村金融服务有效覆盖面不足。在我国农村地区，居民普遍缺乏基本的金融知识和风险意识，根据人力资本理论，这不仅加剧了金融服务的不平等，也限制了他们利用金融服务的能力。另一方面，从产品设计来说，普惠金融在不同群体间提供的金融产品和服务不平衡。考虑到规模经济性，传统金融产品设计主要针对大客户，或大众金融消费者，而不是针对零散小客户等特定消费者群体的需求。然而，普惠金融的主要服务对象为后者。例如，小微企业、低收入群体等普惠金融服务对象可能无法提供符合金融机构要求的质抵押品，也难以找到有效担保，甚至无法提供符合标准的财务报告和经营数据（李昊然等，2023）。因此，为满足弱势群体的普惠金融需求，金融机构应有针对性地设计合适的金融产品和服务。
第三，金融市场信用体系不完善。近年来，我国非传统金融机构在推动建立全面、功能强大的全国性支付产品和服务方面取得了重大进展，使得金融服务在覆盖范围和服务效率方面均大幅提升。然而，促进普惠金融发展的一系列信用基础体系仍有待完善。信用基础体系主要包括征信体系、担保和破产制度等。如果金融需求方在信用评价中拥有来自征信系统的重要信息，则其信用等级就会较高，获得资金的概率也会相应提高。目前，约三分之一的市场主体未被纳入金融信用信息基础数据库，尤其在普惠小微贷款领域，传统抵押贷款仍占主导地位。当前，我国金融市场急需引入可靠的信用数据以填补小微信贷需求的数据缺口。然而，由于信用数据分散在工商、税务和第三方数据供应商，导致银行难以准确、全面、及时地获取数据。地区数据标准化低、数字化不足，数据来源分散，制约数字普惠金融发展。在上述背景下，信贷歧视和信贷配给成为金融资源分配的关键挑战。信息不对称导致金融机构在缺乏全面信用评估体系时依赖主观判断，容易产生信贷歧视。而信贷配给问题表明即便借款人愿意支付更高利率，贷款供应仍可能不足，特别是对于缺少信用背书的个体工商户和小微企业。在这些情况下，利率未能充分发挥其调节信贷供求关系的功能，反映了金融机构在面临高风险或信用评估不透明时的过度谨慎问题。这些问题不仅阻碍了金融资源的有效流动和市场的健康运作，还加剧了社会经济的不平等（邢乐成等，2019）。
第四，传统业务模式与评估机制不完善。普惠金融旨在提供广泛的金融服务，特别是对于那些传统金融服务难以覆盖的中小微企业和农村市场。然而，当前普惠金融业务在信息获取、服务成本、规模经济性等方面遭遇较大挑战。在传统银行风控模式下，许多银行的授信过分依赖抵押贷款等传统信贷标准的“软信息”，而对于中小微企业的市场潜力、知识产权、新型技术等“软信息”的评估不足，继而形成金融错配，甚至可能扭曲金融市场的正常运作，加剧金融资源配置的不均衡（赵晓鸽等，2021）。
生成式人工智能赋能普惠金融的具体路径
第一，金融数据资源化。在PB级规模数据集的支持下，基于深度学习的预训练大语言模型（LLM, Large Language Model）拥有的数以千亿甚至数以万计的参数，在运算过程中呈现出理解、逻辑、记忆和生成等能力，生成式人工智能能够胜任自然语言处理（NLP, Natural Language Processing）的任务。将大语言模型等生成式人工智能嵌入金融业务中，可对文字、图片、视频、音频等非结构性数据进行逻辑性分析，释放多模态信息和金融数据价值。具体来说，在生成式人工智能赋能金融业务时，金融产品和服务不再局限于单一类型，而是可以更多满足不同社会群体日益增长的个性化多样化的金融需求（Lee et al., 2021）。因此，借助生成式人工智能，金融机构能够了解更多小微企业、个体工商户、涉农主体等群体的隐性信息，不仅能有效地缓解金融交易中的信息不对称问题，而且能更精准匹配资金需求，从而扩展普惠金融的“长尾市场”、提升金融普惠性。
第二，金融数据资产化。一方面，生成式人工智能能够对金融业务及相关市场的原始数据进行结构转换、提炼降维、数值计算和转化映射等工程化处理，使数据成为更具业务应用价值的资产。另一方面，尽管大语言模型尚不是普遍认可的生成式人工智能代表，但已具备较强的通用性和拟人特性，能够理解和生成自然语言，模拟人类行为，并与人类自然交流，还能够在各类任务上与人类主观体验对齐，从而提升客户体验。当前，大多数金融机构的应用系统仍以业务流程为导向，通过API设计解决特定的结构化问题。同时，基于弱人工智能的AI技术平台也未给金融IT架构带来太大变化，在使用方式上仍依赖业务系统调用封装弱人工智能能力的API接口，通过固定规则交互实现业务价值。因此，生成式人工智能能够极大地提升金融业生产效率，为金融业转型升级带来了新的机遇。
第三，产生数字信任效应。数字信任在普惠金融中扮演着重要角色，生成式人工智能通过“数字要素＋技术”的结合，为构建数字信任提供了坚实基础。这一过程涉及数据的收集、分析和应用，以及相应的技术保障。在收集数据的过程中，生成式人工智能可以确保数据的真实性和完整性，这是构建数字信任的前提。在数据分析和应用阶段，通过算法模型的优化和迭代，生成式人工智能可以更准确地评估借款人的信用状况，减少贷款违约的风险。此外，在技术保障方面，生成式人工智能（如区块链技术的应用）可以进一步增强数据安全和透明度，为数字信任提供了更为坚实的支撑。在普惠金融领域，这种数字信任效应尤为重要，因为它打破了传统金融服务中对抵押品的依赖，使得无抵押或低抵押的小微企业和个人也能获得金融服务。通过这种方式，生成式人工智能不仅降低了金融服务的门槛，还提升了金融市场的包容性，极大拓展了金融服务的覆盖面。
第四，助力降本增效。首先，降低运营成本。生成式人工智能可以通过自动化和优化流程来减少手动操作和重复性工作，从而降低运营成本。根据金融中介理论，通过减少交易成本和信息不对称，人工智能技术提升了金融机构的运营效率，这对于经营成本较高的小型和中型金融机构尤为重要。其次，提升服务可及性。人工智能技术在提高金融服务的可及性方面扮演关键角色。通过数字化渠道和人工智能驱动的服务，金融机构能够覆盖更广泛的地理区域，为那些传统银行服务未能触及的客户群体提供服务。依据数字鸿沟理论，这种技术的应用有助于缩小城乡间、不同社会经济群体间的金融服务差距。最后，创新产品和服务。人工智能技术能够分析复杂的市场数据，帮助金融机构开发更适合特定客户群体的产品和服务，更精确地满足低收入和边缘群体的特定金融需求。根据市场分割理论，通过更加细致的市场划分和有针对性的产品设计，金融机构能够更有效地服务于多样化的客户群体（廖高可等，2023）。
第五，提升金融风控水平。基于大模型，生成式人工智能可以高效完成冗长复杂的合同等文档阅读，并利用逻辑推理进行信息理解和信息提炼，进而生成便于阅读和理解的图表、报告、结论和意见等结果。对金融领域而言，生成式人工智能对金融业务中的风险因素进行分析、识别和预测，有助于消除潜在风险。在信用评估阶段，生成式人工智能可以帮助金融机构多维度评估贷款人的个人信息、财务数据和征信记录等，从而评价还款人的风险等级，降低信用风险。在贷后阶段，生成式人工智能可以帮助金融机构结合宏观经济指标、行业趋势和贷款人等多方面信息对潜在客户进行深度挖掘和分析，以便动态调整授信等工作。
生成式人工智能赋能普惠金融的潜在风险
一是“技术”风险。生成式人工智能具有巨大潜力，但在实际应用中仍面临如何把握准确性、真实性与时效性的重大技术风险。首先，生成式人工智能在普惠金融情景下的应用面临与业务流程的耦合问题。在普惠金融应用场景下，遇到的问题类型可能更复杂和难以准确预测，因而，生成式人工智能的泛化能力过强将导致模型在特定普惠金融领域的精准度降低，使其在应对具体且复杂的金融问题时难以给出准确的回答，进而引发操作风险。其次，生成式人工智能在应用过程中存在模型“幻觉”问题。现有研究发现，类似ChatGPT之类的大模型仍会输出虚假或误导性信息。基于数据训练，生成式人工智能大模型可以生成一些貌似合理，但却完全虚构的内容，轻则可能误导用户，重则可能导致金融决策失误，从而增加操作风险。最后，生成式人工智能需要超大规模的数据样本进行训练，训练时间更长，训练成本更高，因此，生成式人工智能难以避免出现“信息滞后”、时效性受限等挑战。
二是“隐私安全”风险。生成式人工智能赋能普惠金融必然要面对与数据隐私和安全性相关的重大挑战。生成式人工智能非常依赖数据，在处理个人和企业敏感数据时，可能会触及复杂的隐私保护问题，如客户的财务状况、信用记录和个人身份信息等，甚至包含个人或家庭的日常工作生活信息。这些敏感数据如果未得到充分保护，可能面临被泄露或滥用的风险。在普惠金融服务中，数据隐私和安全性的问题尤为突出，因为这些服务往往涉及低收入和边缘化群体，他们对于数据保护可能缺乏足够的认识。因此，任何数据泄露或滥用行为都可能对这些群体造成严重的财务和社会影响，同时削弱公众对普惠金融服务的信任。根据数据隐私保护理论，保护客户的隐私不仅是严守法律底线的要求，也是维护客户信任和构建长期可持续关系的基础。此外，普惠金融机构还面临着如何平衡高标准隐私保护措施与高效金融服务提供的问题。因此，如何确保所有数据处理步骤符合隐私保护要求，成为生成式人工智能能否有效赋能普惠金融的关键。
三是“算法”风险。首先是“算法歧视”风险。生成式人工智能是基于机器学习模型，利用大量数据进行预训练的一种算法。虽然算法可实现数据标签精准化，但这是一把“双刃剑”。如果算法在设计上或用于训练的数据本身包含了歧视性信息，那么在生成内容时可能会重复或放大这些数据中的歧视性，从而严重损害公平属性。普惠金融致力于消除金融服务在不同社会群体间的不平等，但生成式人工智能带来的算法偏差可能对这一目标构成威胁。当生成式人工智能基于历史数据进行信贷决策时，若这些数据反映了现有的社会经济结构偏见，那么生成式人工智能可能会复制，甚至加剧这些偏见。这不仅可能导致对特定群体的不公正待遇，如高风险评级或拒绝服务，还可能加深现有的社会和经济不平等。根据市场失灵理论，如果市场信息不完全或存在偏差，市场将无法有效分配资源。在普惠金融的背景下，这意味着生成式人工智能可能因为错误的偏见而未能将金融资源分配给真正需要的群体。同时，这种偏差可能导致不断自我强化的恶性循环，信贷市场中的特定群体因为系统性偏见而无法获得信贷，进而无法产生良好的信贷记录，使得偏见在未来的生成式人工智能决策中得以继续存在。其次是“算法黑箱”风险。从本质上说，算法都是“黑箱”，因为不可能所有人都拥有足够的知识来理解算法的内涵和模型参数。真正的“算法黑箱”是指算法背后所隐藏的决策标准和基本逻辑不被外人所理解。当生成式人工智能模型达到千亿级别的参数密集度时，甚至连开发人员都不能很好地理解算法运作的具体细节与逻辑。“算法黑箱”可能导致金融机构掩盖金融交易过程中的不当行为，以技术中立的形式平等掩盖实质上的不平等，进而导致金融市场与政府监管的双重失灵（程雪军，2023）。
四是知识产权风险。普惠金融的持续创新依赖新技术的应用，但在普惠金融领域应用生成式人工智能时，知识产权的问题不容忽视。生成式人工智能在分析市场趋势、制定金融策略或提供个性化建议时，可能会用到受专利技术、版权保护的数据集或分析方法，这种非主观故意或被动的知识产权侵犯可能导致法律纠纷和道德问题，从而影响金融机构的声誉和运营。而知识产权法律的复杂性加剧了这一挑战，当生成式人工智能算法自主生成的内容与已有的受版权保护内容相似时，判定侵权的界限将变得模糊。此外，这还涉及生成式人工智能创造性成果的所有权问题，即确定算法生成的分析或策略的知识产权归属。这些问题涉及普惠金融的创新动力及其在市场上的公平竞争，不仅是法律问题也是伦理道德问题。
五是“更具传染性”的市场风险。生成式人工智能在为金融风险控制变革带来了机遇的同时，也强化了金融市场风险的传染性。首先，面对风云变幻的经济环境，由数据驱动的智能化可能会使金融交易产生错误决策，从而产生金融风险。其次，生成式人工智能不仅强化了经济主体（如个人、机构等）之间的关联性，而且强化了不同市场甚至是不同国家和地区的联系，这将导致金融风险的传染速度更快，传染路径更复杂，传染范围更广泛，传染破坏力更强大。
生成式人工智能赋能普惠金融的实施策略
发挥体制和市场优势：推动生成式人工智能技术进步。从全球范围来看，以大模型为代表的生成式人工智能在过去取得了突飞猛进的发展。然而，在当前国际环境下，仅靠科技公司和金融机构的积极性是远远不够的，生成式人工智能赋能普惠金融还需要政策给予扶持，引导金融机构积极探索生成式人工智能赋能普惠金融业务的具体路径。一方面，大模型快速更新迭代对算力提出了更高的要求，而高端芯片是我国科技发展亟待补齐的短板。对此，应充分发挥我国新型举国体制优势，加强数字经济基础技术研发，夯实我国生成式人工智能的底层技术基础。另一方面，利用我国金融市场规模大、数据量多的优势，不断提高数据质量，这对模型训练来说至关重要。对此，有关部门需要考虑进一步加大力度打通数据孤岛，完善数据托管、交易制度，引导数据有序管控和流动。
发展负责任的技术：强化生成式人工智能的算法平等。科技伦理对于生成式人工智能发展的重要性不言而喻。在生成式人工智能赋能普惠金融过程中，要确保算法公平，从而避免形成金融歧视。首先，通过整合来自不同社会群体的经济数据，尤其是那些在传统金融体系中被边缘化的群体，生成式人工智能能够减少固有的偏见，从而做出更加平衡和全面的决策。其次，定期进行算法审计和偏差检测。生成式人工智能不会天然地关注普惠金融中的小微企业、低收入群体等，不会自动考虑社会经济发展过程中的公平、正义等价值观，按照代表性偏差理论，系统性地识别并纠正可能的偏差，确保生成式人工智能模型的决策符合普惠金融的公正性原则。再次，提高生成式人工智能决策过程的透明度并增强这些决策的可解释性，让用户和监管机构能够理解其决策逻辑和依据。最后，开发和集成解释性生成式人工智能工具，为特定决策提供清晰说明。要发展负责任的生成式人工智能技术，伦理治理至关重要。只有将伦理治理贯穿于数据收集、研发设计、使用和评估整个流程，才能确保伦理约束在法律触及不到的地方仍然有效。
智能创新导航：完善普惠金融领域的知识产权政策。普惠金融的知识产权保护工作刻不容缓。首先，普惠金融机构应实施知识产权合规性检查，以避免在利用生成式人工智能时无意中侵犯专利技术、版权保护的数据集或分析方法。这一措施的核心在于建立一个全面的知识产权管理框架，指导机构合法利用外部数据和技术。此外，考虑到知识产权法律的复杂性，特别是当生成式人工智能算法自主生成的内容与已有的受版权保护内容相似时，普惠金融机构应积极参与行业对话和法规制定，以澄清和维护合法权益。同时，鼓励开放创新和行业合作，共享非敏感数据和方法，这不仅有助于促进行业内的良性竞争，也能够避免重复“造轮子”，降低侵权风险。这些措施有助于普惠金融机构在利用生成式人工智能进行市场分析、制定金融策略或提供个性化建议时，既能保持创新活力，也能确保其活动合法合理合情。
保护隐私：筑牢普惠金融的数据隐私与安全性防线。首先，利用先进的数据安全技术，如强加密方法和安全的数据存储方案，以及严格的身份验证和访问控制机制，以防止未经授权的数据访问和泄露。同时，建立全面的数据治理策略，覆盖数据的收集、存储、处理和共享的所有方面，定期更新这些策略以适应技术和法规的变化。其次，金融机构应采取积极措施提升这些用户的数据安全意识，如通过研讨会、宣传材料和在线资源进行教育和宣传。最后，金融机构在提供快速有效的服务的同时，应确保所有数据处理步骤都严格遵守隐私保护要求，找到技术创新和隐私保护之间的平衡点。
平衡安全与发展：创新生成式人工智能金融领域的监管政策。生成式人工智能赋能普惠金融的同时，对国家的金融监管政策和手段提出了更高要求，倒逼政府及相关部门创新金融监管政策。生成式人工智能的发展，一方面将促使金融交易方式或业态更为多样，另一方面可能会产生更隐蔽、破坏性更大的金融风险。在生成式人工智能技术快速发展的情境下，国家监管在把主要精力集中在大型金融机构、量化交易、主要金融风险的同时，还要高度关注生成式人工智能技术发展可能导致的小型、分散的金融风险。因此，需要行业监管部门转变监管理念，积极引导发展智能监管，以适应金融机构在技术领域的创新。如何借助生成式人工智能解决金融发展与监管的矛盾，将成为未来研究重点。
（本文系北京市社会科学基金规划项目“数据要素市场驱动北京数字经济高质量发展研究”的阶段性成果，项目编号：23JJB014；中国政法大学商学院博士研究生林登辉、谢建邦和王则仁对本文亦有贡献）
参考文献
F. Allen, A. Demirguc-Kunt, L. Klapper and M. S. Martinez Peria, 2016, "The Foundations of Financial Inclusion: Understanding Ownership and Use of Formal Accounts," Journal of Financial Intermediation, 27.
C. C. Lee, X. Li, C. H. Yu, et al., 2021, "Does Fintech Innovation Improve Bank Efficiency? Evidence from Chinas' Banking Industry," International Review of Economics and Finance, 74.
蔡跃洲、陈楠，2019，《新技术革命下人工智能与高质量增长、高质量就业》，《数量经济技术经济研究》，第5期。
陈建兵、王明，2024，《负责任的人工智能：技术伦理危机下AIGC的治理基点》，《西安交通大学学报（社会科学版）》，第1期。
程雪军，2023，《金融科技平台算法黑箱的国际规制与中国因应》，《国际经济法学刊》，第2期。
李昊然、刘诗源、康润琦，2023，《普惠金融与小微企业破产风险——来自小微支行设立的准自然实验》，《经济研究》，第11期。
廖高可、李庭辉，2023，《人工智能在金融领域的应用研究进展》，《经济学动态》，第3期。
欧阳日辉、刘昱宏，2024，《生成式人工智能（AIGC）融入制造业的理论逻辑与实现路径》，《新疆师范大学学报（哲学社会科学版）》，第1期。
彭兰，2023，《AIGC与智能时代的新生存特征》，《南京社会科学》，第5期。
邱晗、黄益平、纪洋，2018，《金融科技对传统银行行为的影响——基于互联网理财的视角》，《金融研究》，第11期。
石宗辉、韩俊华，2022，《金融科技的数字普惠金融机理分析及应用研究》，《科学管理研究》，第3期。
世界银行、中国人民银行，2018，《全球视野下的中国普惠金融：实践、经验与挑战》，北京：中国金融出版社。
肖仰华，2023，《生成式语言模型与通用人工智能：内涵、路径与启示》，《人民论坛·学术前沿》，第14期。
邢乐成、赵建，2019，《多维视角下的中国普惠金融：概念梳理与理论框架》，《清华大学学报（哲学社会科学版）》，第1期。
张勋、万广华、张佳佳、何宗樾，2019，《数字经济、普惠金融与包容性增长》，《经济研究》，第8期。
赵晓鸽、钟世虎、郭晓欣，2021，《数字普惠金融发展、金融错配缓解与企业创新》，《科研管理》，第4期。
Empowering Inclusive Finance with Generative Artificial Intelligence: Realistic Foundations, Critical Risks, and Countermeasures
Liu Zhixiong
Abstract: Inclusive finance is an integral part of the "Five Major Tasks" of financial development. Currently, the development of inclusive finance in China faces challenges such as lack of sustainability, insufficient popularization, and an imperfect credit system. In recent years, the rapid development of generative artificial intelligence (GAI), emerging as a new technological base for informationization, digitalization, and intelligentization, possesses powerful capabilities for knowledge encoding and storage, understanding and generating text and code, and reasoning for complex tasks. It can generate five major effects on inclusive finance: data resourceization, data assetization, digital trust, risk control, and cost reduction and efficiency enhancement, thereby effectively empowering the high-quality development of inclusive finance.
Keywords: generative artificial Intelligence, inclusive finance, integration mechanism, ethical risk
责 编／韩 拓 美 编∕梁丽琛
