特稿 | 杨涛：从ChatGPT看人工智能在金融领域的应用

美国人工智能研究实验室 OpenAI 开发的对话机器人 ChatGPT引起了国内外各界的广泛关注，并且掀起了一轮人工智能热潮。与此同时，金融业的数字化转型已成为各国的大势所趋，在我国也是监管部门推动的重要改革方向。因此，从 ChatGPT 入手深入分析人工智能在金融领域应用的状况、机遇与挑战，有助于更精准地实现科技助力金融高质量发展。

人工智能发展现状及 ChatGPT 的地位

从宏观层面看，无论是“十四五”规划的顶层设计和数字经济发展规划，还是金融领域新版的金融科技发展规划和数字化转型指导意见，人工智能都被视为数字经济的核心驱动力、重点产业和数字底座。数字经济的高速发展为人工智能创造了良好的经济和技术环境；同时， 人工智能作为关键的新型基础设施，也为拉动我国数字经济发展提供了新动能。综合看，开放共享的基础设施、聚焦落地的工具流程、多元广阔的应用场景，为人工智能蓬勃发展提供了良好的应用环境与市场空间。

从技术发展趋势来看，超大规模预训练模型无疑是当前人工智能技术发展的重点和热点领域，近两年迎来了大爆发和“军备竞赛”。总体来看，大模型表现出多模态、多技术、多能力和多应用的发展趋势，在理想实验室环境和垂直行业的真实环境中均展现了良好的应用效果，未来将形成大小模型与云边协同发展的智能体系。

同时，人工智能也对现有的伦理准则、社会治理带来了巨大的冲击和挑战。因此，如何实现人工智能的有效治理，成为近年来国内外各界的关注焦点。可以看到，国内外人工智能治理取得突破性进展，已从理念层面进入建章立制、落地实施阶段，发展可信 AI成为核心内容。

应该说，当前人工智能已成为技术创新最重要的“催化剂”，而与 ChatGPT 相关的自然语言处理（NLP） 被认为是人工智能皇冠上的“明珠”。我们看到，人工智能的发展历史，事实上是不断提升模型维度的历史，从人工专家写规则，到机器写少量规则，再到机器写大量规则，最后到迁移学习大模型。在此过程中， ChatGPT 用文本学习方式来拓展领域，GPT-3 即拥有5000 亿单词、1750 亿参数，最终在海量信息的支撑下， 获得了功能的全面提升，但也存在内容可信、数据安全、落地成本高的挑战。

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。

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”。

（作者系中国社会科学院金融研究所研究员）