伦敦政治经济学院金融系 何 岸
【摘要】随着相关技术日渐成熟，人工智能在金融行业的应用场景更加丰富，将实现从外围业务向核心业务转变，对金融行业产生深远影响，但这一过程也伴随着一些困难和风险，需要国家加强监测和政策预研储备。未来人工智能在金融行业应用可能采取决策中枢大模型与专业执行垂直模型协同的多智能体联合运作分工模式。应积极鼓励人工智能多种技术路线协同发展，同时加强相关规范监管政策储备，扎实稳妥推进“人工智能+金融”重大课题的研究落地，持续深入做好金融“五篇大文章”，助力金融强国建设。
【关键词】人工智能 模式机制 普惠金融 风险管理
【中图分类号】F832/TP18 【文献标识码】A
【DOI】10.16619/j.cnki.rmltxsqy.2025.08.009
从ChatGPT到DeepSeek，人工智能（AI）技术在加速自身迭代的同时，持续推动各领域转型升级。2024年中央经济工作会议部署开展“人工智能＋”行动，[1]加快人工智能技术研发和应用，推动其与千行百业深度融合，为经济发展注入新的动能与活力。金融行业具有信息数据密集、人才智力密集、利润丰厚、业务场景及展业流程多样复杂等特征，[2]该领域人工智能应用潜力巨大。2023年中央金融工作会议强调，金融要为经济社会发展提供高质量服务，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。[3]本文结合人工智能大模型在金融行业应用现状，分析由以预测为基础的决策支持到以全权代理为特征的自主决策的人工智能在金融行业落地的应用模式，进而分析人工智能在金融行业应用的挑战风险与未来方向。
人工智能在金融行业的应用模式
聊天机器人（Chatbot）模式。该模式以对话、搜集和生成能力为基础，以辅助外围工作为主要形态。现有的AI大模型在金融行业的应用主要集中于金融机构的外围业务，如用人工智能大模型进行报告生成、客户体验及活跃度优化、合成数据生成与营销，等等。对于金融核心业务的涉及深度仍然有限。这是由于相关应用功能的实现大多基于交互对话、信息整理和内容生成等Chatbot模式。随着以DeepSeek为代表的具备更强逻辑预测能力和自主学习能力的智能助手（Copilot）模式，乃至未来更加智能的自主代理（Agents）模式的出现，金融行业人工智能应用将更加深入，其重塑效应也将更加明显。
智能助手（Copilot）模式。该模式以推理预测能力为基础、以决策支持为主要形态。随着AI逐步进入Copilot模式，AI通过链式思维机制模拟人类复杂推理过程的能力、利用检索增强生成技术（RAG）引入外部资料的能力显著增强，这使得其可以在不依赖人工标注的前提下，承担更为复杂的金融推理问题，为分析预测金融产品走势、实现复杂决策支撑提供了可能。在此背景下，AI在金融行业应用场景主要包括以下方面。
一是基于多模态数据融合分析全面提升投研精准度。传统投资研究主要依赖结构化数据，如历史交易数据、财务报表等，这些数据信息维度单一，且不同分析师的分析能力存在差异，传统投资研究难以全面反映市场动态，无法做到对未来的精准预测。AI通过处理文本、图像、语音和视频等多种非结构化数据，进行多模态数据融合分析和复杂逻辑推理，能够帮助金融行业人员提升信息搜索和分析研判效率，全面及时洞察市场、精准预判未来趋势，为投资者提供更为全面的研究支持。例如，华泰证券以“DeepSeek＋投研＝？”作为研究主题输入测试DeepSeek-Researcher功能。[4]
二是基于强大严谨的逻辑推理能力赋能金融产品构建。传统金融产品构建领域的分析决策含有较多主观判断，可能出现人工失误导致的偏差，产品服务的不确定性较大。AI大模型不仅能够提供单期的市场预测，还能够通过综合分析海量数据和实时信息，依托强大算力开展复杂逻辑运算，预测市场走势、资产价格波动、经济周期变化等更加复杂的市场动态，扩大从业者信息搜集半径、提升金融产品构建效率，全面赋能金融行业。AI大模型还可以结合投资者独特的风险偏好和投资目标，生成个性化的投资组合与管理策略，不仅能为投资者打造更契合需求的金融产品、为金融机构降本增效带来新机遇，更能进一步降低高质量投资理财服务的进入门槛。例如，华泰证券推出的“AI量化工厂”在接入DeepSeek算法引擎后，策略回测效率提升了20倍。[5]此外，由于AI大模型可实现实时推理和自动执行交易策略，因此可以有效减少量化交易中的人为错误，提升量化产品稳定性。
三是基于全面动态分析推理能力助力提升风控水平。传统的金融风控往往依赖于人的经验和脑力，其本身存在一定的不稳定性、不确定性，也无法实现对突发事件的瞬时精准评估反应。AI能够凭借海量数据预训练和生成能力，突破传统风控在数据处理速度、复杂关联挖掘和实时响应方面的瓶颈，将“事后分析”转变为“事前预警”与“事中监控”，提升风控预警的精准度和实效性，同时可以快速发现欺诈行为，降低重大损失的可能性。AI可以通过引入非线性模型帮助拟合尾部风险，提高风险价值（VaR）的计算精度。例如，东方财富的妙想大模型能够通过舆情监控提前识别异常交易模式和合规风险。[6]
四是基于强大的数智化管理能力推动绿色金融发展。绿色金融的发展需要银行业有效引导资本市场。向相关重点领域的企业发放绿色信贷，降低绿色项目的融资成本，需要以企业环境、社会及管治（ESG）评级为依据，这要求ESG数据具有良好的完整性与一致性，并且相关金融机构需要具备精准评估绿色项目的能力。AI大模型凭借其在自然语言处理、跨模态理解及知识推理等方面的强大能力，正逐步成为银行提升ESG数据处理与信披管理效率的有力工具。一方面，AI大模型具备强大的非结构化文本理解能力，可高效解析企业年报、ESG报告、新闻舆情等海量非结构化信息，自动提取关键信息与ESG指标，显著提升信息披露的透明度与一致性；另一方面，借助知识图谱构建与风险识别机制，AI大模型可对企业在环境保护、社会责任、治理结构等方面的潜在风险进行深入分析，辅助银行精准识别绿色信贷及绿色债券项目的可持续性与合规性。此外，通过构建行业级别的ESG智能分析平台，银行可实现对客户ESG表现的持续跟踪、智能评分和差异化金融支持，从而有力服务“双碳”目标与绿色金融体系建设。例如，2024年，华夏银行携手百融云创，利用AI技术打造数智化绿色金融解决方案，实现对绿色业务识别、评估、管理等环节的全流程覆盖、一站式管理，有效支撑了华夏银行绿色金融业务的开展。[7]
自主代理（Agents）模式。该模式以AI全权代理、自主承担工作分配、拆解与执行能力为基础，以AI自主决策为主要形态。未来，AI可能进化到Agents模式，将在增强原有逻辑推理能力的基础上，强化自主决策和任务分解能力，使其可以自主收集信息、调用工具、制定计划并执行复杂任务。AI赋能下，金融行业发现价值、预测市场走势、促进资金融通的能力将显著增强，这一阶段人工智能在金融行业应用可能包含以下几个典型方面。
一是AI赋能创业投资基金，助力新质生产力发展。传统创业投资基金主要通过人为的尽职调查、财务数据收集、参与创业企业路演等方式进行投资标的选择，在这一过程中，人的主观因素影响很大，且初创企业自身发展前景不确定性强的特点使得投资基金准确评估标的公司价值的难度较大，这也导致创业投资基金投资不确定性强、风险大。未来随着AI的持续进步，可能出现由AI自主收集信息、自主分析研判、自主决策投资的AI创投基金。AI创投基金能够基于海量的多模态数据、强大的逻辑推演能力、丰富的知识储备，综合分析研判创业公司发展潜力，合理评估创业企业当前价值，并以相关评估结果自动化地给予资金支持。上述模式的AI创投基金能够以较低的成本和较高的精确性综合评估创业企业的综合价值，在一定程度上降低投资的风险。同时，以AI进行自动化判断能够在很大程度上避免传统创业投资基金普遍存在的“代理人问题”，将基金投资人对于代理人道德风险的担忧转化为对人工智能本身能力的评判，这也使基金投资人投得更安心，更有利于吸引国有资本、养老金、社保基金、家族办公室等稳健类型基金投资人参与创业投资，更好发挥金融对新质生产力发展的支撑作用。
二是AI赋能信贷，助力中小微企业和民营企业发展。长期以来，中小微企业和民营企业存在融资难、融资贵的问题，究其原因主要有，银行与中小微企业、民营企业之间信息不对称，银行想获取真实的中小微企业、民营企业情况需要花费很大的成本；银行贷款审批流程复杂、时间长，增加了企业获取融资的时间成本；银行从业者出于免责考虑，更倾向于风险低的国有企业投放贷款。未来随着AI的持续进步，可能出现AI自主授信贷款业务，涉及中小微企业、民营企业的贷款授信审批均可由AI自主进行。通过AI赋能信贷，银行可利用AI强大的信息收集、逻辑推理、高效的自动处理能力等，分析处理场景化的企业信息，精准刻画企业信用、未来发展前景等画像，降低与中小微企业、民营企业间的信息不对称，降低银行侧的调研成本，压缩授信审批放款等流程时间，也可以防止银行工作人员个人偏好对信贷产生影响，从而实现信贷业务针对中小微企业和民营企业的精准定价、有效覆盖，更好助力中小微企业、民营企业健康发展，降低整个社会融资成本，推动以AI科技为基础的普惠金融。
三是AI赋能低碳，引导资本市场绿色转型。目前，资本市场绿色转型的主要瓶颈在于ESG数据质量与透明度不足，缺乏成熟完善的监管标准与评价体系，企业社会责任与盈利能力之间难以平衡。AI大模型的引入有望解决这一困境，推动ESG基金的发展进入有策略竞争力的市场化阶段，全面展现出ESG公司卓越的投资价值。未来，随着AI大模型发展，可能出现金融机构利用AI技术将ESG因子更好地融入基金投资策略，从而由AI高效设计出兼顾ESG偏好与风险收益表现的优秀ESG策略，甚至由AI独立管理ESG基金。随着技术的成熟和市场需求的增长，预计未来该模式将逐渐得到更多机构的认可和采用。
四是AI赋能新型保险，实现助农助老防灾。传统保险行业的底层逻辑建立在精算模型、人工核保和渠道分销三大支柱上，[8]但随着经济发展，我国保险行业日益暴露出产品设计同质化严重、保费定价合理性不足、人工审核理赔难以应对欺诈、理赔审核周期长、营销成本高等问题，在养老、助农、防灾等长尾领域覆盖不足。未来随着AI的持续进步，可能出现AI自主设计并长期管理的保险产品。保险公司可基于AI的实时高速运算能力和强大的预测能力，不断提升风险定价能力、降低服务成本，针对不同客户特别是上述长尾领域用户灵活定制个性化险种，设计出针对不同群体的养老保险、针对不同作物品种的农业保险、针对不同灾害种类的巨灾保险等多样化的保险产品，精准核算保费标准，推动保险服务下沉，扩大保险覆盖面。AI自主定损、自动审核，可以提高理赔反欺诈水平，缩短理赔审核周期，提升保险风控能力。保险客户也可以通过AI自主设计管理保险，找到适合自身多样化需求的保险品种，获得便捷的理赔体验，进而形成稳定的理赔预期。
人工智能在金融行业应用的挑战与风险
AI在金融领域应用正面临诸多挑战。一是责任界定难以划清。金融行业属于资金密集型领域，因而对责任的清晰界定要求很高。若AI涉及金融行业核心业务并获得盈利或造成损失，相关成果或责任的归属将成为重要的法律问题。目前我国法律对这方面的权责界定尚缺乏明确的依据，导致大部分金融机构对于AI的实际应用持审慎推进的态度，一方面，倾向于自己开发应用于自身业务的AI模型，另一方面，对将AI应用于核心业务更为谨慎。二是AI自身准确性不足。受限于当前AI自身发展水平，其推理出结果的准确性尚显不足，有时甚至会出现相关性、上下文语境一致性或内容真实性方面的错误，答非所问、肆意杜撰，造成所谓“AI幻觉”，这与金融本身高精度、低容错的要求不符，也使得现阶段AI对于金融核心业务的提升作用有限。三是AI结果可检测性不足。由于当前AI大多基于大模型设计，其模型及运算推理过程相对复杂，存在“黑箱”，这将导致结果回溯与经济学解释十分困难，即便安排人工进行复核，也会增加较多成本，且复核效率和结果难以保证。
AI在金融领域规模化应用后可能带来的风险。一是威胁宏观金融稳定。由于AI具备短时间内处理大量数据和快速自动化完成交易的能力，特定市场条件下可能因诸如多支AI都卖出某股票的操作造成交易事故，导致个股暴跌，招致操纵市场之嫌，甚至在“羊群效应”推动下激起市场短时间内的恐慌情绪，持续放大市场波动，进而引发金融风险。此外，当面对新型复杂问题时，若AI出现偶发性宕机，可能引发金融系统暂时性崩溃。二是引发不当牟利。在不预设限制性条款情况下，AI可能通过散布虚假消息、短期内暴力拉升个股等方式操控市场，牟取超额利润，导致广大普通投资者遭受巨额损失，影响正常的金融秩序。三是因数据偏误造成错误。当前阶段的AI运行机制都是基于现有数据集进行训练和推理，若其训练时选取的数据集本身质量不佳或存在偏误，可能导致AI在金融领域应用后的结果出现系统性或特质性偏误，给客户带来损失。四是加剧价格歧视。参考AI算法在短视频、电商等领域广泛应用的经验教训，AI在金融领域大规模应用可能也会引发基于不同客户特征的价格歧视、杀熟等现象，妨碍金融市场公平。五是侵犯个人隐私。金融行业存在大量的敏感隐私数据，而AI在金融领域大规模应用必然需要广泛收集这些数据。此外，因为AI具有多模态分析能力，较传统金融分析而言AI赋能金融还需要收集诸如视频、音频等非金融数据，在这一过程中，一方面，原本的金融隐私数据可能因为AI算法本身的漏洞而泄漏，另一方面，AI未经允许擅自使用非金融数据进行分析也会存在侵犯个人隐私的问题，可能引发公众的不满。六是造成金融垄断。金融行业大规模使用AI可能加剧金融公司间的“马太效应”，头部金融公司因具备较多的人力资源、算力资源、数据资源，有更多机会研发高水平的金融AI，从而加速行业整合，可能形成金融垄断，扰乱金融市场秩序。
人工智能在金融行业应用的未来方向
金融行业的核心能力可分为业务供给能力、渠道运营能力以及资源配置能力，与国际一流金融公司相比，我国金融公司在业务供给能力、资源配置能力方面的短板较为突出。随着AI技术的快速发展及在金融行业的大规模应用，金融行业的价值链、管理链将被重构，AI可能成为未来金融业务增长的重要驱动力。我国金融公司可以借助AI赋能快速提升业务供给与资源配置能力，实现对国际一流金融公司的弯道超车，也可以利用AI赋能，推动我国金融行业降本增效，提升金融市场有效性，增强金融服务可得性、普惠性，做好金融“五篇大文章”，推动金融高质量发展。此外，随着AI与金融的深度融合，AI在金融行业应用也可能催生决策中枢大模型与专业执行垂直模型协同的多智能体联合运作分工模式，推动人工智能发展。
为支持AI更好在金融行业应用，应加大力度支持人工智能领域技术研发，发展多技术路线，推动AI在金融行业实现从“可用”到“可靠”的转变；以开放包容的心态支持相关人工智能技术在金融行业试点应用、“小步快跑”；注重加强相关领域国际合作，抢占AI在金融行业应用方面国际标准制定的主动权、话语权。同时，也要找到鼓励创新与防范风险的平衡点，加强对金融行业使用AI技术的风险监测，做好相关领域监管的政策预研储备，确保AI与金融实现良性融合，促进金融行业和谐、健康、安全地可持续发展。
注释
[1]《中央经济工作会议在北京举行》，《人民日报》，2024年12月13日，第1版。
[2]姚泽宇、苏杭：《AI大模型在金融行业的应用前景及潜在影响分析》，《国际金融》，2024年第10期。
[3]《中央金融工作会议在北京举行》，《人民日报》，2023年11月1日，第1版。
[4]《华泰金工｜Deepseek＋投研：大模型应用集锦》，2025年3月1日，https://www.53ai.com/news/OpenSourceLLM/2025030107928.html。
[5][8]《AI赋能下的金融行业重构及变革——DeepSeek冲击波》，2025年2月19日，https://pdf.dfcfw.com/pdf/H3_AP202502211643359606_1.pdf?1740154789000.pdf。
[6]《两会｜对话东方财富董事长其实：金融业正系统性拥抱AI，大模型应用有三大挑战》，2025年3月7日，https://finance.sina.com.cn/stock/roll/2025-03-07/doc-inenxvcf1418733.shtml。
[7]《入选工信部优秀案例！百融云创＋华夏银行＝AI×绿色金融》，2024年7月1日，https://www.bsia.org.cn/site/content/27200.html。
Artificial Intelligence in Finance: Application Modes, Challenges, and Future Pathways
He An
Abstract: As artificial intelligence (AI) technologies mature, their applications in the financial industry are becoming increasingly diverse, evolving from peripheral functions to core operations. This transformation is poised to exert a profound impact on the sector but is accompanied by various challenges and risks that call for proactive monitoring and forward-looking policy planning. Looking ahead, AI deployment in finance may adopt a multi-agent framework, wherein central decision-making models collaborate with specialized vertical models for execution. It is essential to foster the coordinated development of multiple AI technological pathways while enhancing the preparedness of regulatory policies. To build a strong financial nation, a solid and pragmatic approach must be taken to advance the research and implementation of the "AI + Finance" agenda, while continuously enhancing the development of the "Five Major Areas of Finance".
Keywords: artificial intelligence, model mechanism, inclusive finance, risk management
