本文长度3784字，建议阅读时间15分钟

自从ChatGPT横空出世，这款人工智能对话机器人俨然成为了全球最热门的话题之一。如果从ChatGPT来讨论人工智能在金融领域的应用状况，客观看，人工智能在组织运营、服务能力、风险管理方面的应用度更高一些，受技术和制度因素影响，在解决其他金融需求方面尚显不足。文章指出，ChatGPT虽然进一步凸显了人工智能的应用能力，但对于金融业来说，仍然面临诸多挑战，使其较长时期内仍无法给金融业带来重大变革。

从ChatGPT看人工智能在金融领域的应用

杨涛

国家金融与发展实验室副主任

02 从金融需求角度看人工智能应用机遇

随着数字经济和数字社会建设深入推进，产生了大量的数据，为人工智能的建模、训练和应用提供了广阔的“土壤”。特别是在金融领域积累了大规模、高质量的数据，同时具有多维度、多元化的应用场景，为人工智能应用蓬勃发展提供了良好的契机。通过人工智能和金融领域客户服务、产品创新、运营管理、风险防控等业务场景深度融合，对金融服务全流程进行模式重塑和智能赋能，推动金融产品创新、流程再造、渠道融合和服务升级，拓展金融服务的广度和深度，成为金融数字化转型的重要源泉和驱动力量。

归根结底，人工智能的应用价值在于解决金融领域存在的问题，这就要从金融需求角度来进行剖析。具体而言，从金融业的中观和微观层面看，面临的困境一是战略性问题。面对日益复杂的经济金融形势，金融业机构的战略制定变得尤为重要，这不仅仅是机构“一把手工程”，更需要视野、逻辑、经验的有效结合，也需要及时有效地进行动态优化。人工智能在战略制定中的应用思路，正是感知、推理、决策，天然地有可能与金融机构综合或专项战略制定相结合，并且进行动态随机优化。

二是结构性问题。虽然我国金融业综合实力不断增强，但还有诸多发展不平衡、不充分的结构性矛盾，这也为人工智能的“补短板”提出了要求。例如人工智能应用于财富管理领域，能否给家庭资产结构、金融资产布局失衡带来改变，直接影响到金融助力共同富裕的重大目标。

三是生产要素问题。金融机构的可持续发展与数字化转型，都需要考虑要素投入的经济性、规模性、效率性，其中最核心的就是数据和人。一方面，数据已成为重要的生产要素，是国家基础性战略资源。金融业如何改善数据“采、存、算、管、用”全生命周期活动，推动数据要素到数据资产的转化，是当前面临的迫切挑战，而人工智能与大数据相结合则会激发更多活力。另一方面，金融科技人才也是稀缺资源，

人工智能可以成为提升员工能力的“智慧助手”，也可以通过构建“数字人”来弥补团队能力。

四是组织运营问题。金融业数字化转型离不开组织架构与运营能力的保障，在此过程中可以充分利用人工智能打造自动化、智能化的运营模式，不断优化运营流程，创新运营模式，提升运营服务质量，降低运营成本，从而支撑综合化、智慧化的金融服务。

五是服务能力问题。金融机构的服务能力体现在多元化的产品、充足的市场分析能力、市场营销与渠道能力、客户维护与增值服务能力等。尤其是在定制化智能产品设计、客户全息画像服务精准营销、线上线下体验一致性等方面，已经有了卓有成效的探索。

六是风险管理问题。当前金融业面临的宏观与微观风险更加复杂，如能有效利用人工智能，可以在整合、分析大数据基础上，建立智能风控模型，成为识别风险、监测风险和控制风险的有效途径。一方面构建客户、业务和风险视图，动态全面反映风险全貌；另一方面，优化智能信用风险评估，实现风控向数控、智控的转变。

七是服务效果问题。人工智能在金融业应用是否高效，一是从金融机构自身看，二是从服务实体来看。一方面，近年来在金融业快速发展过程中，信息技术已经对金融业全要素生产率的提升与转变，产生了非常深刻的影响。人工智能的使用价值体现之一，就是能否进一步改善金融机构运行效率、优化财务指标。另一方面，金融业在助力普惠、绿色、科技、共同富裕等方面还有诸多职责，人工智能应用对其功能完善的价值如何，也需要进行考量。

八是合作生态问题。从开放银行到开放金融已经成为全球创新的主流，金融机构更需要与商业生态系统共享数据、算法、交易、流程和其他业务功能，为生态系统的客户、员工、第三方开发者、金融科技公司、供应商和其他合作伙伴提供服务，从而打造“智慧、开放、共享、敏捷、融合”为主要特征的数字金融生态。在人工智能和大数据的加持下，或许有助于进一步改善金融机构外部生态。

客观看，人工智能在组织运营、服务能力、风险管理方面的应用度更高一些，受技术和制度因素影响，在解决其他金融需求方面尚显不足。

03 金融业应用人工智能存在的挑战

ChatGPT进一步凸显了人工智能的应用能力，但对于金融业来说，仍然面临诸多挑战，使其较长时期内仍无法给金融业带来重大变革。

一是数据治理。金融业数字化转型的起点是做好数据治理，需要真正完善数据治理体系、增强数据管理能力、加强数据质量控制、提高数据应用能力。人工智能应用同样离不开高质量的海量数据，但金融机构的数据治理普遍处于起步阶段，数据低质量、数据孤岛、数据散乱等普遍存在，难以为人工智能提供充足的数据要素支撑。

二是场景的标准化。虽然人工智能的金融应用体现个性化、“千人千面”等特点，但长远来看在金融与技术的融合过程中，真正具有生命力的是标准化、通用型的金融科技创新场景，而非基于传统外包模式的差别化合作，这也是现有人工智能金融应用的制约之一。

三是技术与方案的高成本门槛。人工智能在金融活动中的技术应用与解决方案设置，通常具有较高的部署成本，难以适应广大中小金融机构的需要。据国盛证券的研究估算，GPT-3训练一次的成本约为140万美元，对于一些更大的LLM（大型语言模型），训练成本介于200万美元至1200万美元之间。

四是透明度与不可解释性。所谓可解释性，就是在一项行动认识或决策过程中，需要从中获取充足的、可理解的信息，从而帮助做决策。而在机器学习领域，在输入数据和输出答案之间通常有被称为“黑箱”的不可观察空间。只有发展可解释、可信任的人工智能金融应用，才能实现用户信任、模型可审计性并降低风险。

五是组织内部协调。就金融机构应用人工智能等前沿技术来说，通常难以形成有效的“激励相容”机制，而促使内部利益主体达成共识，以最大效率地体现技术创新价值。对此，如何在技术方案自身优化迭代的同时，努力通过规则设计来优化组织协调模式，也是人工智能绕不开的挑战。

六是责任分担。金融机构的产品设计与业务运行具有一定特殊性，也存在各类复杂风险。因此，基于风险可控和金融消费者保护的逻辑，任何金融活动都需要有清晰的责任分担机制。当引入人工智能之后，原有的金融机构业务流程中的权责相称，可能会出现一些新的模糊性，亟待从制度规则、业务实践、技术与业务、模型与人的关系等方面进一步探索。

七是合规性与伦理性。伴随着金融科技的快速发展，各国的监管都在与时俱进，面对动态演变的监管原则与模式，人工智能的金融应用存在更突出的合规压力。同时，算法歧视、大数据杀熟、信息泄露等金融科技伦理挑战，也给人工智能应用带来“阴影”，仍需深入探索如何用“负责任”的科技创新打造“有温度”的金融服务。

总之，人工智能驱动金融业数字化变革的图景已经展开，但这并非一帆风顺，仍面临众多重大挑战，亟待自我优化与持续“闯关”。

（本文来源于《一财网》）

点击下方【阅读原文】查看全文

中国社会科学院国家金融与发展实验室设立于2005年，原名“中国社会科学院金融实验室”。这是中国第一个兼跨社会科学和自然科学的国家级金融智库。2015年6月，在吸收社科院若干其他新型智库型研究机构的基础上，更名为“国家金融与发展实验室”。2015年11月，被中国政府批准为首批25家国家高端智库之一。