AI前沿｜杨涛：理解金融智能体——理论、实践与政策

以下根据发言实录整理：

杨涛提出，AI在金融领域的应用源于理论与政策的双重驱动。理论层面，银行业本质上属于信息处理行业，AI引领的信息技术变革将深度改变行业的要素构成、功能定位与组织模式；政策层面，近年来中美博弈与AI发展两大战略主线深度交织，AI对金融及实体经济的影响呈现高度重要性和复杂性。

首先，从理论视角理解金融智能体。第一，“智能新经济”为金融智能体提供了基础性定位。相较于平台主导的数字经济模式，智能体经济的竞争核心从流量入口转向能力供给。经济运行逻辑与竞争范式发生深层变革，未来可能形成经济智能体、社会智能体、金融智能体、支付智能体等分层体系。第二，智能体经济本质是“委托-代理”关系的重构。代理成本并未消失，而是发生了形态转移，衍生出可观测性、目标校准、责任归属等新挑战，多智能体交互场景下的挑战进一步凸显。第三，智能体经济的微观支撑体现为“3+1”核心特征，即自主性、能动性、适应性。叠加可审计性这一制度约束，该框架同样适用于金融领域智能体的价值评估。第四，支付智能体应用将推动信用体系重构，催生KYA监管新命题。技术路线有二：一是赋予所有Agent某种新型的身份识别机制；二是将所有Agent穿透到现实的人或主体，回归最终规则的KYC或KYB。判断责任归属包含三个层面：以权限判断定性、以效果判断定级、以证据判断定责。

其次，从实践视角理解金融智能体。一是从行业整体看，金融业凭借数据密集、规则明确、流程标准化的特征，成为智能体落地的优势场景。落地重心从中前台业务逐步向支付清算等底层基础设施延伸，将对金融业态产生颠覆性影响。二是从梯队分化格局看，国有大行依托体系化能力全面铺开，各有特色；股份制银行更多披露量化指标、强调可衡量性；中小银行走差异化路线，不盲目追求规模数量。三是从落地问题看，对标“3+1”框架，当前行业公开披露以效率指标为主，可审计性的短板突出。一方面，日志留存、行为追溯、人工复核等治理指标披露不足，与国际头部机构存在明显差距，背后反映出标准缺失与治理体系不完善的深层问题。另一方面，词元消耗量成为衡量落地进度的关键指标，但实践中存在资源投入与效益不匹配的争议。从应用场景整体呈现风控、运营双轮驱动格局。四是从国际实践看，全球银行业均处于智能体规模化部署的加速期。美国大行呈现出三大特征：平台先行的发展路径、美元价值量化的披露方式、治理前置的管理模式，这为国内实践提供参考。

目前，我国金融智能体实践面临六方面共性问题。一是指标口径不统一，规模与价值衡量存在偏差；二是数据质量与核心业务容错约束有待突破；三是成本压力加剧，能力分布不均衡；四是新型风险治理滞后于部署节奏；五是智能体间交互与模型集中度风险凸显；六是“人在回路”机制存在形式化倾向，落地实效有待提升。

再次，从政策逻辑理解金融智能体。国内监管以《关于“人工智能+金融”的实施意见》（101 号文）和《智能体规范应用与创新发展实施意见》（8 号文）构建监管框架。核心原则是压实主体责任，锚定可识别的主体、可复现的行为。其中8号文对智能体规范更具落地针对性，推动监管从“管模型”向“管智能体”延伸。国际上，主要经济体监管路径存在差异。欧盟以刚性立法为主，美国侧重政策与市场协同引导，英国采取原则性监管，新加坡推行合作治理。各国普遍共识是实行分类分级监管，高风险严监管、低风险宽空间。目前，我国金融领域智能体监管已走在全球前列，率先出台行业专项监管规则，而非仅在通用性规则中涉及金融领域。

最后，提出四项核心结论与建议。一是出台金融领域智能体应用专项细则，统一概念、标准与统计口径，适配银行、证券等不同细分行业的差异化特征。二是建立健全KYA机制，筑牢智能体信任基础，适配智能体时代金融信任体系的变革。三是将智能体应用纳入压力测试与业务连续性演练体系，提升极端场景下的风险应对能力。四是依托监管沙盒机制，开展高风险场景先行先试，平衡创新发展与风险防控。