专访国家金融与发展实验室副主任杨涛：面对AI大模型等新技术，金融业应避免“短期高估”和“长期低估”

近年来，金融科技的发展对经济社会的发展产生了深刻影响。今年10月30日至31日，中央金融工作会议在北京举行。会议首次提出，加快建设金融强国。此外，会议还提出，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。金融科技的创新和应用也面临着新的机遇与挑战。

在此背景下，未来金融科技应用场景有哪些值得重点关注？数据资产将为金融业带来哪些想象空间？金融业又该如何拥抱新技术潮流？近日，由成都市锦江区人民政府主办的12345产业建圈强链“蓉易见”系列活动金融科技专场在成都举行。《每日经济新闻》记者对参加此次活动的国家金融与发展实验室副主任、研究员、博士生导师杨涛进行了专访，他从多个角度分享了对于这些问题的看法。

国家金融与发展实验室副主任、研究员、博士生导师 杨涛 图片来源：活动主办方

对于时下热门的人工智能大模型，杨涛认为，金融业拥抱AI大模型，首先要明确AI大模型的定位和服务，应避免对其“短期高估”和“长期低估”。在他看来，“短期高估”容易导致一哄而上、盲目跟风；如果“长期低估”，则可能会错失发展机会。

金融科技应用场景在三个方向具有较大潜力

今年10月30日至31日，中央金融工作会议在北京举行。会议首次提出，加快建设金融强国。杨涛认为，随着“加快建设金融强国”的提出，金融功能、要素和市场被寄予了更高的发展要求，需要不断地通过创新来适应经济社会发展的内生需求。

他表示，数字化正在促使有限的经济资源从效率相对较低的领域向效率较高的领域转移。新的发展形势下，需要抓住金融科技的核心元素，使之适应国家政策趋势以及经济社会发展内在规律，同时形成可持续的商业模式，保障好风险底线，这将成为未来金融发展的重点。

NBD：您认为，在当前的发展趋势下，金融科技未来在哪些应用场景中可能会具有比较大的价值和潜力？

杨涛：金融科技的应用场景很多，其中有三个方向值得重点关注。

一是关注金融机构。几乎所有的金融子行业都在积极地拥抱数字化和金融科技，因为这是适应竞争环境的必然选择。其中，银行业作为最前沿的一个子行业，拥有丰富的资源和场景，具有很大的应用金融科技的空间和需求。其他金融子行业，如证券业、保险业、信托业等，也需要对标国际一流机构，不断去提升自己的数字化和金融科技的能力。

二是关注金融业务功能。我们通常认为金融有融资、投资、支付结算、风险管理、信息管理等功能。在这些功能中，融资是最基本的需求，也催生了最多的创新，比如互联网金融、消费金融、供应链金融等等，体现了金融科技的价值。

比如在投资方面，金融科技可以解决信息不对称、不标准、不透明等问题；在风险管理方面，大数据、人工智能、云计算等技术可以帮助金融机构和客户更好地管理风险，防范和应对网络安全、数据隐私、道德风险等；在信息管理方面，金融科技可以解决信息不对称、提高信息质量、提升信息效率等，这些基于信息管理的创新也具有很大的意义。

三是关注金融价值落地。央行提出的中小微、农村、绿色、供应链四大场景，既是中国经济发展的重点和难点，也是金融科技重要的应用领域。

其中，中小微企业作为普惠金融的核心内容，融资需求很大，但也面临很多困难，比如信用评估、风险控制、成本效益等，需要基于数据和技术去进行信用评估、风险管理、服务模式等方面的创新。

农村金融也有很多困境，比如信息不足、服务不便、风险不低等，这些都需要金融科技来改善，比如基于信息化、标准化、数字化打造农业产业链、农产品数据库、农村金融服务等。

绿色是中国经济优化发展的重要战略目标，也是全球共识的重要着眼点。绿色金融需要运用金融科技来解决一些问题，比如绿色项目的标准化、信息不对称、服务不透明等。

供应链金融是最高层次的产融结合，金融科技的加持可以使整个产业链的金融需求和金融供给融合在一起，也可以提升产业链的效率和安全性。

NBD：您如何看待当下国内金融科技的创新水平和国际竞争力？

杨涛：金融科技的发展受到多方面的影响，综合来看，中国金融科技近年来快速发展，在全球体现出了一定的价值和竞争力，但在核心的竞争力和动能方面仍有不足。

从供给侧的技术视角来看，中国的技术驱动型创新并不突出，因为我们的底层技术创新和应用能力还不够强大，一些金融科技专利只是基于业务和场景的创新，而不是真正的技术创新，这方面与国际领先的国家有着较为明显的差距。

从需求侧的客户偏好视角来看，中国的金融科技创新有一定的特色，尤其是在服务于C端的领域，比如移动支付、互联网金融等，这些都是基于客户需求的创新，也体现了中国金融科技的价值。但是在服务于B端的领域，比如支持产业升级、数字经济发展等，中国的金融科技创新还有很大的空间和潜力，这也是当前我们讨论金融科技创新的重点之一。

从监管和政策视角来看，金融作为一个特殊行业，既要考虑效率也要考虑安全。因此，金融科技的发展需要有合适的监管和政策的支持，无论中国还是海外，面对金融科技的新生事物，监管和政策都会出现一些波动和调整，这是正常的。我们希望未来的监管和政策能够更加稳定、持续和平衡，更好地把握效率和安全的平衡点。

数据资产入表将为金融业带来巨大想象空间

今年，随着财政部印发《企业数据资源相关会计处理暂行规定》，“数据资产入表”成为市场热议话题。杨涛认为，如果未来既能在财务上认定数据资产，又能形成行业共识资产，那么无论对于企业还是对于金融为企业提供融资创新，都将带来巨大的想象空间。

同时，他还强调，要使数据真正成为金融业变革的核心力量，需要实现数据要素链、数据资产链与数据价值链“三链融合”。

NBD：在您看来，“数据资产入表”以及“三链融合”将对金融业带来哪些影响？

杨涛：我认为，数据的融合将对金融业产生很大影响，无论是从获得客户的角度还是提升自身管理的角度，都有很大的发展空间，主要可以从以下几个方面来看。

首先，我国要提升发展质量，就要推动经济数字化转型。企业要实现高质量发展，就要拥抱数字化，有效地管理数据，实现精细化管理，这样既能提升自身的综合能力，也将为金融机构提供更稳定的客户基础。

第二，除了管理好数据要素，企业还可以探索数据要素到数据资产的转换，如果得到金融机构的认可，就可以利用数据资产做金融创新。比如说，我们过去基于知识产权这种无形资产做了很多质押融资的创新，那么基于数据资产也可以做更多创新。这样可以改善金融服务企业的方式，也可以为金融机构开辟更多的业务增长空间。

第三，对于金融机构自身来说，数据治理也是很重要的。虽然金融业的数据质量和管理水平相对较高，但仍有不足。比如说，数据和业务之间的关联性还不够强，如何进行数据挖掘，使之有效地为业务创造价值，这就是一个重要的挑战。如果能够完善银行的数据治理，就可以提升银行的服务效率和能力。

第四，如果金融机构的数据要素可以“入表”，并且得到同业的认可，那么对于金融机构的运营也会带来复杂的挑战，因为会改变资产负债表的结构。当然，这一系列的变化并不是一蹴而就，还有很多障碍需要克服。

金融业拥抱AI大模型，先要明确其定位和服务

“技术解决了金融的生产方式，但另一方面我们也要充分考虑技术的安全性挑战。”杨涛指出，对于当前大家热议的“生成式AI大模型”，当运用到金融这样一个垂直行业的时候，内容可信、数据安全、落地成本等问题也会扑面而来。

他认为，技术进入金融领域是关键环节，既要注意避免短期内高估技术带来的影响，同时也不要在长期内低估其影响。

NBD：在当前生成式AI大模型发展阶段，您认为金融业应该如何运用大模型？

杨涛：金融业想要拥抱AI大模型，首先要明确AI大模型的定位和服务。严格意义上看，与AI大模型相关的服务主要分为三类：第一类是底层通用的模型，目标是打造基础设施；第二类是行业应用大模型，即在底层通用大模型的基础上，针对行业特征构建适合该行业的大模型；第三类是具体的AI产品或应用，利用底层或通用大模型，提供具体的应用支持，目前来看，大多数玩家只具备第三类的能力。

从金融机构自身的需求出发，机构对AI大模型的态度和应用与机构本身的规模有很大关系，大中小型金融机构之间存在明显的差异。

大型金融机构资源充足，面对这种风口，往往会投入一些资源进行探索。因为这关乎技术底层设施，如果探索失败，也只是承担一定的成本损失，但如果不去探索，未来可能会在这条赛道上迅速落后。所以大型金融机构的参与主要是出于中长期的战略布局，短期内的需求并不迫切。

对于中型金融机构而言，可能有更多的想法，或者是为了提高业务经营的自动化和智能化，或者是为了寻找一些“杀手锏”的应用，快速改变业务模式。

小型金融机构可能更多是因为数字化转型的压力，但资源又十分有限，难以进行深入的探索，所以往往是与技术企业或大模型企业合作，作为一个合作场景共同改善数字化基础，提升未来的竞争力。

如果再深入到具体的业务层面，我个人认为还是要降低预期，就像当初面对区块链的时候，很多人以为会立刻产生颠覆性的效果，但实际上更多只是在某些方面带来了改进。

我们要清楚，AI大模型的核心是语言和信息处理，而金融机构拥有海量的信息文本，如果利用适合这个行业特征的大模型来处理，显然会节省大量的成本。再比如，金融机构运营注重中台建设，核心是提高运营的自动化和智能化，这方面大模型也能发挥作用。另外，金融机构员工在面对客户咨询时，有时专业水平可能不够，这时候利用大模型提供一些智能辅助，也是有价值的。

所以综合来看，我觉得在金融这个特殊行业，目前为止AI大模型所展现出的价值主要还是集中在边缘改善上。如果金融机构能够与技术企业合作，共同解决一些痛点，应用程度就会更高。如果缺乏能力，可能就要降低预期。至于更长远的价值，还需要一个过程才能实现。

NBD：您所提到的待解决的“痛点”，具体是指哪些？

杨涛：一是数据问题。没有专业化的数据集，要想有效地进行训练其实是很难的，这也是大家都已经认识到的问题。

二是算力问题。现在因为芯片硬件等原因，很多国内大模型受到算力上限的制约。

三是风险管控问题。AI大模型本身可能会给垂直行业带来一些风险，比如在金融这个特殊领域的应用，必须配备专家，引入监督，针对特定的数据来进行训练，不能随意训练，这是我认为最重要的风险因素。

四是监管与政策问题，这是AI大模型应用最重要的问题。因为当面对金融科技创新的时候，最担心的是不透明、不可控，而AI大模型的核心是算法，而算法本质上是个黑箱。如何让算法在金融领域应用的时候尽可能做到可解释、可审计，对于未来从业者而言是个重要的挑战。无论是供给者还是需求者，都需要客观地看待这些挑战和障碍。

总之，对于金融业来说，面对AI大模型这样的新技术，既要避免“短期高估”，也要避免“长期低估”。如果“短期高估”，容易导致一哄而上、盲目跟风；如果“长期低估”，一旦产生颠覆效应，就会错失发展机会。

封面图片来源：视觉中国-VCG111391730464