

交行副行长钱斌：人工智能驱动数字金融高质量发展

金融科技教育网

2024-06-05

人工智能发展需要统筹推进“算力、算法、数据”三要素：一是加强算力支撑，为人工智能迭代升级提供保障；二是加强数据支撑，为人工智能扩充知识来源；三是持续推动算法创新，为场景应用提供强劲动能。

2024年全国两会期间，“新质生产力”“人工智能+”首次被写入政府工作报告，凸显了人工智能作为发展新质生产力的重要引擎作用。面对建设金融强国的新要求、发展数字经济的新形势，金融机构要牢牢把握人工智能发展的战略主动，因地制宜发展新质生产力，深入推进数字化转型，扎实书写数字金融大文章。

人工智能为数字金融高质量发展注入新动能

人工智能作为引领新一轮科技革命和产业变革的战略性技术，具有溢出性强、牵引力足的特点，正在引发世界范围内的社会生产力变革，具有很强的头雁效应。特别是生成式人工智能出现后，将进一步激发数字经济时代的创新与创造，为数字金融发展注入强大动力。

一方面，人工智能为新质生产力的发展提供重要引擎。新质生产力是技术革命性突破、生产要素创新性配置、产业深度转型升级而催生的当代先进生产力，它的核心标志是全要素生产率的提升。新一代人工智能等前沿技术正是推动生产力整体跃升的重要战略资源。与传统技术变革相比，人工智能不仅具有对体力劳动者和脑力劳动者的“双重”替代效应，还具有深度融合、广泛渗透传统要素的特点，能够提高要素流动性、改善要素质量和配置效率，从而实现对劳动力、资本等生产要素的智能替代和功能倍增，促进全要素生产率的提高。

另一方面，“人工智能+”为数字金融发展带来新机遇。中国信息通信研究院数据显示，2023年我国人工智能核心产业规模已达到5787亿元，相关企业数量达到4482家。人工智能产业链已覆盖芯片、算法、数据、平台、应用等上下游关键环节。伴随“人工智能+”发展和生成式人工智能技术演进，全国一体化算力体系加快形成，战略性新兴产业和未来产业发展提速，产业数字化与数字产业化加速融合，都将为数字金融发展带来海量的社会算力供给和丰富的创新应用场景，将进一步激发市场主体创新活力。

人工智能发展需要统筹推进“算力、算法、数据”三要素

当前，计算机视觉、机器学习等传统AI（人工智能）能力日趋成熟，大模型取得实质性突破，人工智能加速迈入规模应用新阶段，并逐步成为支撑经济转型升级不可或缺的基础设施和核心能力。万亿级别参数的人工智能大模型是大国重器，其建设需要融合国家、行业、企业的多方资源，不断提升算力资源统筹调度能力、模型算法创新迭代能力和高质量数据要素供给能力。

一是加强算力支撑，为人工智能迭代升级提供保障。算力是人工智能发展的基石，充足的算力保障对模型训练及推理至关重要。我国的算力总规模位居全球第二，但算力资源供给紧张、精准对接不足、不能有效利用等矛盾依然存在。有必要建立国家级的云计算底座，有效统筹大模型在训练、推理等不同环节所需的算力资源，合理分工，统筹规划，避免人工智能基础设施出现低水平重复建设。

在行业层面，探索建立行业公有云，提供公正、可信、可共享的算力用于训练包括行业通用大模型在内的各类AI模型，实现算力的高效利用。金融机构不但要以高度前瞻的视角关注供应链安全，加强安全可信的AI算力储备，还要积极打造绿色、低碳、环保的基础设施，搭建高效AI算力底座，实现资源云化管理，为大模型训练提供坚实稳定可靠的算力支持。

二是加强数据支撑，为人工智能扩充知识来源。经过多年的信息化建设，金融机构普遍积累了大量结构化数据和数据处理经验，但相对于大模型，还远远不够。在具体实践中，一方面需要着力丰富数据种类、强化数据治理、提升数据质量，建立“业务沉淀数据要素、数据要素转化为数据资产、数据资产反哺业务发展”的闭环机制；另一方面，需要建立高效稳定的数据标注体系，对训练数据进行辨别、清洗、加工，确保数据支撑有力、标注专业统一，为建模提供坚实基础。

三是持续推动算法创新，为场景应用提供强劲动能。模型算法是实现人工智能应用的关键引擎，实现模型持续创新需要前瞻性思维、开阔性视野，需要一批攻坚克难的全栈技术专家、业技融合的复合型人才、数字化思维的管理型队伍，并始终保持对前沿技术的方向把握和高度敏感，仅仅依靠金融机构自身力量很难达到，因此需要以包容心态，加强合作，协同各方发挥自身优势，合力共建一个便捷使用、繁荣发展的应用生态。

金融业要采取自主研发与合作共赢的策略，积极与头部科技企业和高校等研究机构开展产学研用深度合作，汲取外部先进经验，共同探索先进算法在金融领域的应用落地。同时，加大自身技术投入，深化对开源模型的研究，不断迭代提升算法能力，探索前沿技术在各种业务场景中的应用潜力。

人工智能场景将有力促进数字金融新生态

金融业是人工智能重要的实践领域，拥有大量用户群体，积累了海量数据，应用场景十分丰富。交通银行围绕“将人工智能技术打造成为交通银行数字化转型新名片”的总目标，在提升服务实体经济、提升数字化经营管理质效、提升防范金融风险能力等方面，充分发挥人工智能降成本、控风险、优体验、创价值的关键核心作用，推动人工智能应用的场景化、生态化、体系化。

一是提升金融服务实体经济能力。服务实体经济高质量发展是金融业的首要任务，在数字经济时代，金融业应当深化人工智能等技术应用，充分发挥其精准触达、变革模式、提升效率、优化体验等方面的作用，持续提升金融服务的可得性与便利性。

近几年，交通银行积极运用人工智能、大数据技术，精确洞察客户需求，实现产品与客户对位，为实体产业提供更高效、更便捷的金融服务。

如在科技金融方面，推动科技企业资产数字化、产业链条透明化，将数据转化为信贷动能，为科技型企业提供精准、安全、高效的综合金融服务。

在普惠金融方面，构建“普惠e贷”“兴农e贷”等线上产品体系，推动普惠业务线上化、批量化、信用化，更好满足中小微企业融资需求，助力乡村振兴战略实施。

在绿色金融方面，将智能化手段融入绿色金融体系建设进程，推动建设近20家“零碳网点”，助推实现电力电网等绿色项目识别与客户ESG（环境、社会和公司治理）评价精细化管理，有效支撑传统产业低碳转型和绿色产业发展壮大。

在养老金融方面，围绕客户全生命周期推进养老财富管理全旅程服务，2024年一季度新上线近百款适老化财富管理产品，助力养老产业和银发经济发展。

二是提升数字化经营管理质效。通过将大模型、计算机视觉、自然语言处理等AI能力嵌入流程节点，优化和重塑业务流程、提升运营管理质效和数字化作战能力，推动实现人机协同的“机构在线、员工在线、服务在线、产品在线”。

如将AI技术融入远程银行客户服务，打造线上音视频银行服务体系和座席智能助手，为一线客服人员提供业务问答、客户洞察等实时能力。构建网点智能服务助手，解决日常管理工作中制度检索难、业务规则理解耗时耗力等痛点，提升一线员工业务处理效率与服务质量。

目前，交通银行利用RPA（机器人流程自动化）、图像识别等技术打造“数字员工”。其中RPA业务处理效率较人工处理平均提升6倍以上；OCR（光学字符识别）可自动识别各类证件、表单、票据等900余种版面文字，主要凭证平均识别率90%以上。未来，生成式大模型逐渐成熟，将在座席辅助、外呼核实、集中录入等岗位嵌入更多数字员工能力，提升经营管理质效。

三是提升防范金融风险能力。深入推进数字化风险管理理念，将人工智能广泛应用于风控场景，通过差异化、场景化的风控模型组合，持续提升风险计量与检测能力。

利用“技防”协同“人防”，补充“智防”，将智能化监控预警和问题处置模块嵌入业务流程，提升操作风险防控和内控合规能力。构建信贷知识大模型，提升贷款审查审批效率，由传统的经验审批逐步向人机协同，智能辅助转变。

根据历史事件模拟场景信息和数据计量，提升市场风险及流动性管理前瞻性，做好应急处置恢复计划。通过知识图谱将碎片化的客户及其交易信息组织成可视化的关系网络，建立识别模型，挖掘隐藏风险因素，有效提高电信诈骗及非法集资的识别率，避免客户损失。

目前交通银行在反洗钱、反电诈领域运用人工智能，已基本实现97%以上的可疑账户自动识别，并同步节约50%人力成本。未来我们将在信贷全流程进一步加强大模型等AI能力运用，在财报分析预警、授信报告风险识别、内容合规检查、放款操作辅助、风险传染预判、临期预测等环节更多引入智能大模型，持续提升风险防控能力。

人工智能健康发展离不开完善的治理体系

新技术在促进发展、创造价值的同时，新的挑战与风险不容忽视，伴随着大模型技术突破，随之而来的是人工智能的安全风险将可能被放大。因此，坚持科技伦理、坚持守正创新，建设可信、安全、公平的人工智能金融应用，对于保障人工智能技术健康发展至关重要。

一是坚守金融科技伦理。在推进人工智能应用建设过程中，要始终秉持科技向善、数据平权的价值伦理，这是一切金融科技工作的基本出发点。要以金融为民、服务实体为根本遵循，反对一切伪创新、过度创新。高度关注人工智能可能带来的算法控制、算法歧视，避免出现价值偏离、不公平决策，甚至歧视性内容等伦理问题。配套建立有效的管控机制和应急策略，避免误导滥用，确保生成结果合理、准确、可靠。积极研究人工智能模型的伦理道德测试方法，完善伦理治理举措。

二是强化数据治理和数据安全。金融业要高度关注数据治理、规范数据标准，从源头确保数据可信、好用、易用、能用。应当全面落实数据安全法律法规与监管要求，主动落实数据安全管理责任，提升数据收集、传输、存储、使用与销毁等全生命周期的安全保护能力。统筹把握信息共享与数据安全，建立数据分级分类管理机制，通过制度规范和技术防御双管齐下，保障金融数据和个人信息安全。

三是高度重视模型治理。AI应用存在模型决策不透明、难以“白盒化”等问题，金融机构要加大力度推进负责任的模型治理，确保人工智能合规、安全和有效应用。一方面，要建立模型的评估与监测机制，定期对模型进行质量检查、性能评估、运行监控、风险审计，确保模型稳定运行；另一方面，要增强模型的安全防护，研究深度防伪技术，建设对抗训练平台，通过模拟对抗及时发现安全风险漏洞并采取加固，提升模型外部风险防控能力。

四是做好人工智能人才储备，培养工程化人才。数字金融高质量发展，新质生产力全方位培育离不开创新型人才的智力保障。金融机构要注重培育员工数字化素养，积极培养符合新时代数字化转型的人才队伍，一方面，通过自主培养、产学研深度合作等方式，着力造就一支知识型、技能型、创新型的工程化人才队伍；另一方面，通过人才的引进、消化、吸收以及合理流动等保障机制，充分激发高水平、工程化人才的创新活力。

来源：当代金融家
声明：此公号（ID：Fintech_Education）发布内容和图片的目的在于传播更多信息，版权归原作者所有，不为商业用途，如有侵犯，敬请作者与我们联系。

近期活动

Upcoming Activities

为了深入实践“加强金融科技人才队伍建设”和落实“金融与科技复合型人才能力培养与提升”的工作要求，中关村互联网金融研究院、中关村金融科技产业发展联盟，联合多家金融科技头部企业共同推出《金融大数据建模工程师应用能力认证项目》。3年课程研发，学制2个月，共36学时，采取线上学习，通过率92%，扫描下方二维码进行报名，随报随学。

【声明】内容源于网络

金融科技教育网

金融科技教育网主要关注如下内容：金融科技人才培养（认证课程、公开课、行业论坛、番钛客大赛、人才对接）；内容（学术前沿、创新技术）行业（金融科技、银行科技、保险科技等）；技术（人工智能、大数据、区块链、云计算、5G、物联网等）。

内容 883

粉丝 0

金融科技教育网金融科技教育网主要关注如下内容：金融科技人才培养（认证课程、公开课、行业论坛、番钛客大赛、人才对接）；内容（学术前沿、创新技术）行业（金融科技、银行科技、保险科技等）；技术（人工智能、大数据、区块链、云计算、5G、物联网等）。

总阅读233

粉丝0

内容883