随着人工智能大模型技术的日趋成熟,其在金融行业的应用已从概念探索迈向深度实践,广泛覆盖产品销售、运营管理、内控合规、风险管理、金融市场交易、客户服务及产品设计等核心业务场景。金融机构对大模型的能力要求也随之不断提升,尤其在数据的及时性、准确性以及风险预警与处置的前瞻性、精准性等方面,提出了更高的要求。
今年11月11日发布的《2025年第三季度中国货币政策执行报告》中明确提出,中国人民银行将充分发挥“数字技术+数据要素”双轮驱动作用,持续深化金融供给侧结构性改革;稳妥有序推进人工智能大模型在金融领域的应用,研究制定“十五五”时期金融科技发展规划;同步加强征信数据治理与产品创新,完善新型工业化金融服务体系,并强化金融服务质效评估,为加快建设金融强国、推动经济高质量发展提供坚实支撑。
业内认为,这不仅回应了金融行业对高质量发展的迫切需求,更清晰勾勒出人工智能大模型赋能金融行业的现实路径。
当前,金融行业普遍面临数据资源“碎片化”与“孤岛化”的困境。机构内部各条线系统林立,外部数据难以打通,导致大量数据处于“冷态”——虽被存储却未被有效利用。
同盾科技副总裁、数字金融部总经理董纪伟在接受《中国报道》采访时说:“以往的数据更多的是进行离线存储,如今数据落库后或产生过程中就要进行实时分析及应用。”这意味着数据在产生过程中即被激活,实时服务金融机构进行智能决策。
然而,要实现这一目标,前提是需要构建一套适配大模型需求的新型数据治理体系。董纪伟指出,传统数据治理侧重于标准化与合规性,而在AI时代,其内涵已扩展为“知识化、资产化、向量化”。
面对跨机构数据协同的合规挑战,董纪伟表示,同盾科技采用联邦学习、多方安全计算、同态加密等隐私计算技术,在不交换原始数据的前提下实现特征共享与模型共建,既保障数据安全,又有效穿透信息壁垒。
董纪伟认为,通过人工智能新技术提升数据治理能力,其核心在于利用AI优化数据采集、清洗、分析和应用的全流程,形成数据与AI的双向赋能。董纪伟进一步分析,通过智能标注(包括硬标签与软标签)、自动清洗、实体识别与关系抽取等手段,将原始“裸数据”转化为具备语义关联的知识单元。在此基础上,基于大模型应用构建了“实体-属性-事件-关系”的计算处理框架,并以此为基础打造特定场景的知识本体,使数据不再是孤立的字段,而是可推理、可链接的知识资产。
尤为关键的是,经过治理的数据并非直接喂给大模型,而是按照主题化、资产化、向量化的知识结构及逻辑处理,使得数据做到有效对齐,有效解决数据间的信息差,确保输入大模型的是高价值、低噪声的信息流。
正如董纪伟所言:“数据不仅仅是数据,更要形成知识萃取。”只有完成从“数据堆”到“知识网”的跃迁,用高质量的数据高效驱动AI才能真正实现“Data for AI”。
随着生成式AI的普及,新型金融风险攻击模式日益智能化、隐蔽化,“AI攻击”已成为行业重大威胁。传统风控模型依赖专家经验与历史数据,本质上是一种“事后响应”机制,面对动态演化的攻击手法显得力不从心。
董纪伟认为,以往的风控偏向被动,基于事后案例再去检测事故链路,存在较大的滞后性。比如,当欺诈行为发生后,传统的风控系统才会基于历史数据生成新规则或者模型,导致拦截效率受限。
如今金融行业需要“以AI反制AI”,通过大模型持续分析与动态风险管理,在风险(包括欺诈风险和信用风险等)发生前或发生初期,实现及时、精准的预警与干预。
中关村互联网金融研究院院长刘勇认为,人工智能可通过多模态数据融合分析,实现对信用风险、市场风险、操作风险等的精准刻画与动态预警。
中国银行业协会《AI在金融风控领域应用报告》显示,引入AI智能风控系统的银行,信贷不良率平均下降31%,欺诈交易识别率提升至96%。通过自然语言处理技术分析企业财报、新闻舆情与宏观政策,通过图计算识别复杂的担保网络和资金往来,通过时序模型预测市场波动,从而构建全方位、全流程的风险防控体系。
“大模型对动态风险管理时,需要做到从被动防御转向主动预警、实时感知潜在的风险隐患、根据风险因素的变化实时调整策略和模型。”董纪伟进一步解释,在大模型中增加数据埋点的方式可加强大模型的感知和侦测风险因子的能力。针对侦测到的风险因子,大模型可进行评估其危险性。在风险行为发生之前, 大模型能够及时精准预警, 实时构建弹性防御体系,避免、转移、降低系统面临的风险。
必赢国际437官方
据介绍,同盾推出的智策®2.0决策智能操作系统,集成了“超融合计算推理框架”,支持数据产生即加工、特征实时生成。当新风险因子出现时,大模型可自动调整策略权重,实现“感知-决策-反馈-进化”的闭环。这种动态调优机制,显著提升了大模型对未知威胁的适应性,提高风险治理能力。
更进一步,同盾科技正探索“大模型+小模型”的融合架构提高决策的精准度,同时针对垂直领域打造具有专业知识的AI虚拟专家智能体。此外,同盾科技打造名为“诸葛”的金融风控大模型平台,贯通“数据加工—知识构建—智能决策—反馈迭代”全链路,形成可持续进化的智能基础设施。