導(dǎo)讀：在智能化時代，大模型不只是金融服務(wù)降本增效的“工具”，更是發(fā)展新質(zhì)生產(chǎn)力的重要引擎，是驅(qū)動金融變革的關(guān)鍵力量

圖片

作者｜李偉「中國人民銀行科技司司長」

文章｜《中國金融》2025年第9期

習(xí)近平總書記在主持中共中央政治局第二十次集體學(xué)習(xí)時強(qiáng)調(diào)，面對新一代人工智能技術(shù)快速演進(jìn)的新形勢，要充分發(fā)揮新型舉國體制優(yōu)勢，堅(jiān)持自立自強(qiáng)，突出應(yīng)用導(dǎo)向，推動我國人工智能朝著有益、*、公平方向健康有序發(fā)展。我們要把握歷史機(jī)遇、迎接現(xiàn)實(shí)挑戰(zhàn)，穩(wěn)妥有序推進(jìn)人工智能大模型應(yīng)用，加快金融數(shù)字化、智能化轉(zhuǎn)型，為做好金融“五篇大文章”和推進(jìn)金融高質(zhì)量發(fā)展注入智慧動能。

人工智能技術(shù)發(fā)展的脈絡(luò)梳理?；仡櫄v史，人工智能技術(shù)發(fā)展演進(jìn)已走過70余年，從圖靈提出“機(jī)器能否思考”到今天的大模型時代，大致經(jīng)歷了三個發(fā)展階段。*階段（20世紀(jì)50年代～20世紀(jì)末），1956年達(dá)特茅斯會議*提出了“人工智能”概念，之后符號主義、聯(lián)結(jié)主義、機(jī)器學(xué)習(xí)等理論相繼被提出，基于規(guī)則的專家系統(tǒng)開始在醫(yī)療診斷、金融風(fēng)控等領(lǐng)域落地應(yīng)用。這時的專家系統(tǒng)本質(zhì)上是“白盒”模型，無法從數(shù)據(jù)中自動學(xué)習(xí)知識，需要人工將知識編譯成規(guī)則讓機(jī)器去運(yùn)行。第二階段（21世紀(jì)初～2017年），2006年杰弗里·辛頓在Science期刊發(fā)表論文提出深度學(xué)習(xí)理論，克服了神經(jīng)網(wǎng)絡(luò)層數(shù)擴(kuò)展的技術(shù)瓶頸，為深度學(xué)習(xí)快速發(fā)展奠定理論基礎(chǔ)。之后，深度學(xué)習(xí)算法在圖像識別、語音識別、自然語言處理等領(lǐng)域應(yīng)用并取得了良好效果。2016年DeepMind研制的AlphaGo圍棋程序戰(zhàn)勝**李世石，引起了全*的關(guān)注。這一時期的模型參數(shù)還比較小，只能完成特定任務(wù)、解決特定問題，不具備生成和泛化能力。第三階段（2017年以來），2017年谷歌研究團(tuán)隊(duì)提出Transformer算法架構(gòu)，引入自注意力機(jī)制，顯著提高了模型的并行計(jì)算能力和長序列處理表現(xiàn)。2020年OpenAI推出GPT-3，模型參數(shù)規(guī)模達(dá)到千億量級，展現(xiàn)出前所未有的語言理解、內(nèi)容生成和泛化能力。此后，大模型能力不斷提高，GPT-4o實(shí)現(xiàn)了跨模態(tài)語義貫通，GPT-o1通過長思維鏈實(shí)現(xiàn)復(fù)雜問題推理求解；DeepSeek系列模型憑借低成本、高性能、高開放性的優(yōu)勢，打破了“高算力和高投入是發(fā)展人工智能*途徑”的固有認(rèn)知，開辟了大模型技術(shù)發(fā)展的新方向。

人工智能技術(shù)發(fā)展的規(guī)律分析?？v觀歷史，人工智能技術(shù)發(fā)展伴隨著算法、算力、數(shù)據(jù)三要素的交替演進(jìn)、協(xié)同作用，也是技術(shù)與應(yīng)用相互促進(jìn)、螺旋迭代的過程。深刻認(rèn)識人工智能技術(shù)發(fā)展規(guī)律，對于把握智能化時代戰(zhàn)略機(jī)遇具有重要意義。*，算法是人工智能技術(shù)發(fā)展的基礎(chǔ)。自人工智能概念被提出以來，算法研究始終處于學(xué)術(shù)探索的核心地位。這是因?yàn)樗惴◤睦碚撋蠜Q定了人工智能技術(shù)發(fā)展的上限和空間，算法存在缺陷則人工智能技術(shù)發(fā)展勢頭可能被遏制，算法實(shí)現(xiàn)突破則人工智能技術(shù)可能迎來新的發(fā)展機(jī)遇。例如，1957年弗蘭克·羅森布拉特發(fā)明感知機(jī)，神經(jīng)網(wǎng)絡(luò)算法便已萌芽，但因馬文·明斯基證明單層感知機(jī)無法解決非線性分類問題使神經(jīng)網(wǎng)絡(luò)研究陷入沉寂。直到深度學(xué)習(xí)理論被提出，通過無監(jiān)督預(yù)訓(xùn)練緩解梯度消失問題，才為后續(xù)深層神經(jīng)網(wǎng)絡(luò)發(fā)展鋪平道路。第二，算力和數(shù)據(jù)是人工智能技術(shù)發(fā)展的“土壤”和“肥料”。算法雖從理論上奠定了人工智能技術(shù)發(fā)展的基礎(chǔ)，卻只是種下了一粒“種子”，沒有充足的算力“土壤”和數(shù)據(jù)“肥料”，也難以生根發(fā)芽、開花結(jié)果。例如，深度學(xué)習(xí)理論剛被提出時沒有引起很大的反響，原因就是算力、數(shù)據(jù)條件不具備。隨著互聯(lián)網(wǎng)發(fā)展使數(shù)據(jù)井噴式增長、智能芯片逐步成熟使算力跨越式突破，2012年杰弗里·辛頓的團(tuán)隊(duì)基于深度學(xué)習(xí)算法訓(xùn)練出的模型，在ImageNet視覺識別挑戰(zhàn)賽中一舉奪魁，才讓深度學(xué)習(xí)從眾多機(jī)器學(xué)習(xí)算法中脫穎而出。第三，應(yīng)用是檢驗(yàn)人工智能技術(shù)發(fā)展成效的標(biāo)準(zhǔn)。應(yīng)用實(shí)踐是檢驗(yàn)技術(shù)發(fā)展成效的“試金石”，能否落地應(yīng)用是影響人工智能技術(shù)發(fā)展興衰成敗的關(guān)鍵因素。20世紀(jì)八九十年代，專家系統(tǒng)興起是因?yàn)樗屓藗兛吹饺斯ぶ悄芗夹g(shù)落地應(yīng)用的希望，初步解決了人工智能“能不能用”的問題。2020年以來，GPT系列模型開啟新一輪的人工智能熱潮，是因?yàn)槠浯蠓嵘四Ｐ托阅芎蛻?yīng)用邊界，解決了人工智能“好不好用”的問題。2025年春節(jié)以來，DeepSeek引起廣泛關(guān)注，是因?yàn)樗ㄟ^算法架構(gòu)和工程優(yōu)化，大幅降低了大模型應(yīng)用門檻，解決了人工智能“用不用得起”的問題。

人工智能金融應(yīng)用的前景展望。在深度學(xué)習(xí)算法、大數(shù)據(jù)、強(qiáng)算力的協(xié)同共振下，以大模型為代表的新一代人工智能技術(shù)產(chǎn)生了“智能涌現(xiàn)”現(xiàn)象，內(nèi)容生成、泛化遷移、邏輯推理、交互對話等能力實(shí)現(xiàn)跨越式提升，開啟了人工智能“大航海”時代。金融業(yè)一直以來都是技術(shù)創(chuàng)新應(yīng)用的先行者，憑借豐富的應(yīng)用場景、海量的數(shù)據(jù)資源和扎實(shí)的技術(shù)基礎(chǔ)，必將成為大模型生根發(fā)芽的沃土。從金融機(jī)構(gòu)來看，大模型正逐步成為新一代“智慧大腦”，可統(tǒng)籌任務(wù)規(guī)劃調(diào)度、串聯(lián)復(fù)雜金融業(yè)務(wù)，實(shí)現(xiàn)能力有效整合和業(yè)務(wù)高效協(xié)同，甚至有望催生全新金融模式，拓寬金融生產(chǎn)的可能性邊界，實(shí)現(xiàn)金融機(jī)構(gòu)經(jīng)營模式變革升級。從金融市場來看，大模型可大幅提升供需雙方信息獲取、分析、處理能力，幫助金融機(jī)構(gòu)深入洞察市場趨勢、精準(zhǔn)定位潛在客群、不斷拓寬服務(wù)范圍，幫助用戶提升金融認(rèn)知能力和素養(yǎng)，紓解供需間信息不對稱問題，提升金融市場有效性。從金融監(jiān)管來看，大模型有助于理清監(jiān)管報(bào)送數(shù)據(jù)邏輯關(guān)系和層次結(jié)構(gòu)，將監(jiān)管規(guī)則形式化、數(shù)字化和程序化，挖掘分析金融機(jī)構(gòu)展業(yè)情況和關(guān)聯(lián)關(guān)系，準(zhǔn)確識別違規(guī)行為，提高風(fēng)險預(yù)警處置效率，提升監(jiān)管的穿透性、統(tǒng)一性與有效性?？梢灶A(yù)見，未來人工智能在金融領(lǐng)域的應(yīng)用將不斷深化，逐步從特定任務(wù)提質(zhì)增效的“輔助工具”演變?yōu)槎嘣I(lǐng)域賦能增智的“智能中樞”，大幅提升金融全要素生產(chǎn)率。同時要清醒認(rèn)識到，人工智能歷經(jīng)波折沉淀才走到今天，未來的路也絕非朝夕之功。要做好打攻堅(jiān)戰(zhàn)、持久戰(zhàn)的準(zhǔn)備，有“啃骨頭”的精神、“釘釘子”的勁頭，邊探索、邊應(yīng)用、邊完善，形成以應(yīng)用促創(chuàng)新、以應(yīng)用促提升的良性循環(huán)，推動人工智能技術(shù)不斷螺旋迭代、創(chuàng)新發(fā)展。

客觀來說，大模型應(yīng)用還存在一些潛在風(fēng)險，面臨諸多現(xiàn)實(shí)挑戰(zhàn)，距離全面深度融入金融價值鏈、產(chǎn)業(yè)鏈還需跨越不少艱難險阻。

算法模型問題較為突出。一是模型幻覺問題。受訓(xùn)練數(shù)據(jù)偏差、算法內(nèi)在缺陷等因素影響，大模型可能生成看似合理、實(shí)則與常識或事實(shí)相悖的內(nèi)容，且推理增強(qiáng)模型因推理復(fù)雜性可能導(dǎo)致幻覺問題更加突出。二是模型共振問題。若金融機(jī)構(gòu)普遍采用相同大模型，模型同質(zhì)化可能導(dǎo)致“羊群效應(yīng)”和市場共振，進(jìn)而引發(fā)跨機(jī)構(gòu)、跨市場的連鎖反應(yīng)，增加順周期性金融風(fēng)險。三是算法黑箱問題。由于模型規(guī)模龐大、工作原理復(fù)雜，大模型極大增加了對模型運(yùn)行機(jī)理、輸出結(jié)果的解讀難度，進(jìn)一步加劇了算法黑箱問題。雖然推理增強(qiáng)模型可輸出推理過程，但可解釋性仍然有限，難以完全滿足金融應(yīng)用中對模型透明度和可靠性的要求。

智能算力緊缺形勢嚴(yán)峻。大模型的訓(xùn)練和推理高度依賴智能算力的支撐，DeepSeek的技術(shù)突破雖大幅降低了大模型應(yīng)用門檻，但隨著大量使用者涌入，總體算力需求可能“不降反增”，引發(fā)“杰文斯悖論”。我國金融領(lǐng)域機(jī)構(gòu)數(shù)量眾多、場景復(fù)雜多樣、用戶基數(shù)龐大，大模型金融應(yīng)用的算力需求將不斷攀升，智能算力供給結(jié)構(gòu)性短缺、芯片配套生態(tài)不夠完善等問題或?qū)⒏鼮橥怀觥?/div>