專題：新引擎新圖景丨金融新啟航

　　在即將開啟的“十五五”時(shí)期，中國(guó)金融體系正站上新的歷史關(guān)口。“加快建設(shè)金融強(qiáng)國(guó)”寫入規(guī)劃綱要，大力發(fā)展金融“五篇大文章”，為新質(zhì)生產(chǎn)力提供支撐、推動(dòng)實(shí)體經(jīng)濟(jì)躍升。金融體系的發(fā)展重心正向更高質(zhì)量、更強(qiáng)韌性邁進(jìn)。

　　在此背景下，新浪財(cái)經(jīng)推出《金融新啟航·新引擎新圖景》專題系列，邀請(qǐng)金融業(yè)界專家和學(xué)者，圍繞“十五五”新周期下的金融變革展開前瞻性研討。本期《金融新啟航·新引擎新圖景》對(duì)話哥倫比亞大學(xué)金融學(xué)博士、長(zhǎng)江商學(xué)院金融學(xué)助理教授梅丹青。梅丹青表示，AI對(duì)金融行業(yè)的影響在長(zhǎng)期來看一定是顛覆性的。

　　他認(rèn)為，與以往的數(shù)字化轉(zhuǎn)型或互聯(lián)網(wǎng)浪潮不同，AI的核心不在于流程優(yōu)化，而更多體現(xiàn)在認(rèn)知和決策層面的智能提升。尤其在金融領(lǐng)域，AI打破了過去長(zhǎng)期存在的一個(gè)“不可能三角”，即服務(wù)大量客戶、提供高度定制化服務(wù)、成本可控三者很難同時(shí)實(shí)現(xiàn)，而在AI時(shí)代，這一“不可能三角”正在變得可能。如果概括AI時(shí)代金融服務(wù)的核心特征，是可規(guī)?；亩ㄖ苹?。

　　通過工程化手段推動(dòng)AI在金融機(jī)構(gòu)穩(wěn)健運(yùn)行

　　新浪財(cái)經(jīng)：2026年是“十五五”開局之年，規(guī)劃中明確提出要建設(shè)安全、高效的金融基礎(chǔ)設(shè)施。站在這個(gè)節(jié)點(diǎn)上看，您如何理解AI在未來金融體系中的角色？

　　梅丹青：我認(rèn)為，當(dāng)下正好處在一個(gè)AI深度融入金融體系非常關(guān)鍵、也非常合適的時(shí)間點(diǎn)。一方面，大模型本身的能力已經(jīng)接近階段性瓶頸，單純依靠模型規(guī)?；蛩懔Χ询B，邊際提升正在下降；另一方面，行業(yè)的關(guān)注點(diǎn)正在明顯轉(zhuǎn)向，即轉(zhuǎn)向如何將工程能力與既有的模型能力結(jié)合，推動(dòng)更可持續(xù)的發(fā)展。

　　在投入層面，我一直比較認(rèn)同一句話：重要的投入，往往是看不見的；不那么重要的投入，反而往往很熱鬧。放在今天的語(yǔ)境下，真正關(guān)鍵的投入，并不是買了多少顯卡、訓(xùn)練了多大的模型，而是企業(yè)是否認(rèn)真思考過：如何將自身的業(yè)務(wù)流程與AI有機(jī)結(jié)合、如何評(píng)估AI的風(fēng)險(xiǎn)邊界與效率提升、在什么情況下必須引入人工介入。這些問題，才是AI在金融企業(yè)內(nèi)部長(zhǎng)期可用、可控的基礎(chǔ)。但它們往往不夠吸引眼球，也很少成為公開討論的焦點(diǎn)。

　　在金融行業(yè)，這種工程能力本質(zhì)上對(duì)應(yīng)的是安全。也就是說，如何通過工程化手段，確保AI能夠在企業(yè)內(nèi)部穩(wěn)定、可靠地運(yùn)行，同時(shí)具備可回溯、可評(píng)估、可持續(xù)演進(jìn)的能力。在我看來，今年是一個(gè)非常重要的窗口期，去認(rèn)真討論AI在企業(yè)內(nèi)部如何通過工程化方式實(shí)現(xiàn)穩(wěn)健運(yùn)行，并真正為金融機(jī)構(gòu)帶來可持續(xù)的效率提升。

　　新浪財(cái)經(jīng)：在金融領(lǐng)域，您認(rèn)為AI最具現(xiàn)實(shí)價(jià)值、也最有可能率先產(chǎn)生效果的應(yīng)用方向主要集中在哪些方面？

　　梅丹青：與以往的數(shù)字化轉(zhuǎn)型或互聯(lián)網(wǎng)浪潮不同，AI的核心不在于流程優(yōu)化，而更多體現(xiàn)在認(rèn)知和決策層面的智能提升。尤其在金融領(lǐng)域，我認(rèn)為AI帶來的最大變化，在于打破了過去長(zhǎng)期存在的一個(gè)“不可能三角”：一是服務(wù)大量客戶，二是提供高度定制化服務(wù)，三是成本可控。傳統(tǒng)金融體系下，這三者很難同時(shí)實(shí)現(xiàn)，定制化往往意味著更高的成本。

　　而在AI時(shí)代，這一“不可能三角”正在變得可能。如果用一句話概括AI時(shí)代金融服務(wù)的核心特征，我認(rèn)為是“可規(guī)?；亩ㄖ苹保╟ustomization is scalable）。這不僅是技術(shù)層面的進(jìn)步，更是金融服務(wù)模式的根本變化。例如，在風(fēng)險(xiǎn)識(shí)別和反金融欺詐方面，AI可以支持更高頻、更實(shí)時(shí)的決策；在資產(chǎn)定價(jià)、資產(chǎn)管理等領(lǐng)域， AI也開始輔助投資和配置決策。

　　AI對(duì)金融行業(yè)的影響在長(zhǎng)期來看一定是顛覆性的。但坦率地說，在當(dāng)下這個(gè)階段，我們其實(shí)還很難完整想象這種顛覆將以何種形式展開。原因在于，目前AI的能力邊界仍在快速演進(jìn)，其應(yīng)用方式也遠(yuǎn)未定型。無論是技術(shù)本身，還是與金融業(yè)務(wù)的結(jié)合路徑，都仍然存在很大的想象空間。

　　在數(shù)據(jù)安全、模型能力與工程可行性之間找平衡點(diǎn)

　　新浪財(cái)經(jīng)：我們看到，不同金融機(jī)構(gòu)在大模型和智能體應(yīng)用上的態(tài)度并不一致：有的相對(duì)審慎，有的推進(jìn)得較為積極。您認(rèn)為在當(dāng)前階段，金融機(jī)構(gòu)更合理的AI策略應(yīng)該是什么？

　　梅丹青：在戰(zhàn)略層面可以積極推進(jìn)，但在具體落地上必須保持審慎。這其實(shí)也是一個(gè)相對(duì)經(jīng)典的原則。

　　金融行業(yè)與其他行業(yè)不同的地方在于，它本質(zhì)上更強(qiáng)調(diào)可靠性和穩(wěn)定性，而不是單純追求創(chuàng)新速度。因此，在使用AI的過程中，行業(yè)的態(tài)度也呈現(xiàn)出明顯的階段性特征。

　　在2025年以前，行業(yè)更多還處在探索階段。當(dāng)時(shí)無論是大模型本身的能力，還是智能體（agent）體系的成熟度，都還不足以支撐大規(guī)模、系統(tǒng)性的應(yīng)用，機(jī)構(gòu)更多是在測(cè)試邊界：AI能做什么、能做到什么程度，很多嘗試未必成功，但核心目的是理解能力上限。

　　而從2025年下半年到2026年初，這一階段出現(xiàn)了明顯變化，尤其是在智能體領(lǐng)域。隨著模型能力的提升和智能體體系逐步完善，AI已經(jīng)開始進(jìn)入“企業(yè)可用”的階段。

　　更關(guān)鍵的問題是，在既有的大模型能力條件下，如何在企業(yè)內(nèi)部進(jìn)行工程化落地。這包括如何界定清晰的風(fēng)險(xiǎn)邊界，如何將智能體嵌入具體業(yè)務(wù)流程，以及如何在不同環(huán)節(jié)對(duì)智能體進(jìn)行評(píng)估。

　　新浪財(cái)經(jīng)：確實(shí)，金融行業(yè)對(duì)可靠性的要求極高，而其中的核心在于數(shù)據(jù)。在將數(shù)據(jù)用于模型訓(xùn)練的過程中，機(jī)構(gòu)最大的顧慮和挑戰(zhàn)是什么？

　　梅丹青：數(shù)據(jù)問題可能是當(dāng)前金融行業(yè)在引入AI時(shí)最復(fù)雜、也最具挑戰(zhàn)性的環(huán)節(jié)。金融數(shù)據(jù)天然具有高度敏感性，這決定了它在與大模型結(jié)合時(shí)，無法簡(jiǎn)單照搬其他行業(yè)的路徑。

　　一種相對(duì)直接的解決方案，是在本地部署開源大模型。這也是中國(guó)市場(chǎng)的一個(gè)獨(dú)特優(yōu)勢(shì)——在開源大模型領(lǐng)域，國(guó)內(nèi)的成熟度和活躍度都相對(duì)較高。但從現(xiàn)實(shí)角度看，本地部署意味著更高的算力和工程成本，這對(duì)中小機(jī)構(gòu)而言并不友好。

　　另一種路徑，是在不完全本地化的前提下，通過數(shù)據(jù)脫敏、權(quán)限隔離以及合同約束等方式，與大模型API提供方進(jìn)行合作。例如，明確數(shù)據(jù)隔離機(jī)制，或在合同層面約定模型提供方不得將金融機(jī)構(gòu)的數(shù)據(jù)用于再訓(xùn)練。這類做法，在工程和法律層面都需要更細(xì)致的設(shè)計(jì)。

　　我認(rèn)為，未來在這些層面上還會(huì)出現(xiàn)更系統(tǒng)性的完善，包括技術(shù)方案的成熟以及法律和合規(guī)框架的逐步清晰。

　　以量化基金為例，這種矛盾尤為典型。對(duì)量化機(jī)構(gòu)而言，核心交易信號(hào)和底層模型代碼本身就是最重要的資產(chǎn)。因此，在使用大模型時(shí)，很多機(jī)構(gòu)并不敢讓模型直接接觸最核心的部分，而往往只在外圍、表層環(huán)節(jié)引入AI，用于輔助優(yōu)化和效率提升。

　　無論是通過更成熟的本地部署方案，還是通過大模型廠商在技術(shù)層面引入更精細(xì)的數(shù)據(jù)隔離、脫敏和隱私保護(hù)機(jī)制，金融行業(yè)需要找到一種方式，讓AI能夠在不觸碰“核心資產(chǎn)”的前提下，發(fā)揮更深層次的價(jià)值。誰(shuí)能夠在數(shù)據(jù)安全、模型能力與工程可行性之間找到平衡點(diǎn)，誰(shuí)就有可能在下一階段的金融AI應(yīng)用中占據(jù)先發(fā)優(yōu)勢(shì)。

　　建議金融機(jī)構(gòu)把關(guān)注點(diǎn)放在AI的直接應(yīng)用上

　　新浪財(cái)經(jīng)：AI在資產(chǎn)定價(jià)等核心環(huán)節(jié)是否存在真正的想象空間？

　　梅丹青：談AI應(yīng)用，我們首先需要把一級(jí)市場(chǎng)和二級(jí)市場(chǎng)分開來看。

　　在二級(jí)市場(chǎng)，尤其是股票交易領(lǐng)域，AI的應(yīng)用其實(shí)早已非常廣泛。即便在大語(yǔ)言模型出現(xiàn)之前，市場(chǎng)上已經(jīng)有不少機(jī)構(gòu)利用機(jī)器學(xué)習(xí)等算法輔助投資決策，典型代表就是量化基金。需要說明的是，國(guó)內(nèi)普通投資者在提到量化時(shí)，往往首先聯(lián)想到高頻交易，但事實(shí)上，當(dāng)前市場(chǎng)中低頻量化的占比也在不斷提升。無論是高頻還是低頻策略，機(jī)器學(xué)習(xí)模型都已被廣泛用于信號(hào)篩選、因子構(gòu)建以及對(duì)未來價(jià)格走勢(shì)的預(yù)測(cè)。

　　隨著大語(yǔ)言模型和新一輪AI技術(shù)的發(fā)展，其對(duì)二級(jí)市場(chǎng)的影響進(jìn)一步體現(xiàn)在數(shù)據(jù)邊界的擴(kuò)展。過去難以系統(tǒng)利用的非結(jié)構(gòu)化數(shù)據(jù)，如新聞文本、上市公司公告、甚至視頻和圖像信息，如今都可以被更有效地理解和處理，從而為資產(chǎn)定價(jià)提供新的信息維度。

　　相比之下，一級(jí)市場(chǎng)中AI的滲透節(jié)奏相對(duì)更慢。一方面，一級(jí)市場(chǎng)本身的信息不對(duì)稱程度更高；另一方面，其長(zhǎng)期以來也并不習(xí)慣高度依賴數(shù)據(jù)進(jìn)行定價(jià)。即便在美國(guó)，一級(jí)市場(chǎng)系統(tǒng)性地利用數(shù)據(jù)輔助估值，也只是近些年才逐步興起。

　　從未來趨勢(shì)看，一級(jí)市場(chǎng)更可能呈現(xiàn)出“人機(jī)結(jié)合”的模式。AI可以基于可獲取的數(shù)據(jù)和模型，提供一個(gè)估值基準(zhǔn)（benchmark），但最終的投資決策仍然高度依賴人的判斷。尤其是在對(duì)創(chuàng)業(yè)者、商業(yè)模式和長(zhǎng)期潛力的評(píng)估上，人仍然不可替代。

　　值得注意的是，在前沿研究中，已經(jīng)有不少嘗試將一級(jí)市場(chǎng)中的結(jié)構(gòu)化數(shù)據(jù)（如初創(chuàng)企業(yè)的財(cái)務(wù)狀況）與非結(jié)構(gòu)化數(shù)據(jù)相結(jié)合，例如通過分析創(chuàng)業(yè)者訪談中的面部表情、聲音特征等，將“自信度”等主觀特質(zhì)進(jìn)行量化，以輔助判斷企業(yè)的長(zhǎng)期發(fā)展?jié)摿Α?/p>

　　新浪財(cái)經(jīng)：您認(rèn)為當(dāng)前金融行業(yè)在AI應(yīng)用上，最容易出現(xiàn)的“無效投入”主要集中在哪些方面？

　　梅丹青：在我看來，當(dāng)下一個(gè)比較典型的無效投入，是在重訓(xùn)大模型上投入過多精力。從今天AI產(chǎn)業(yè)的分工來看，這一領(lǐng)域的邊界其實(shí)已經(jīng)相當(dāng)清晰。在大多數(shù)情況下，大模型的訓(xùn)練工作已經(jīng)由少數(shù)頭部廠商承擔(dān)。

　　目前，無論是國(guó)際上的大型科技公司，還是國(guó)內(nèi)像Kimi、智譜等專注于基礎(chǔ)模型的廠商，它們本身就承擔(dān)了模型層的主要職責(zé)。在這樣的分工結(jié)構(gòu)下，金融機(jī)構(gòu)的核心任務(wù)，并不在于再去重復(fù)這一層的工作，而是思考如何把現(xiàn)有的大模型真正用起來。

　　我的觀點(diǎn)可能相對(duì)更激進(jìn)一些，即便是模型微調(diào)，在今天這個(gè)階段，對(duì)大多數(shù)金融機(jī)構(gòu)而言也并非必要。傳統(tǒng)認(rèn)知中，金融機(jī)構(gòu)的數(shù)據(jù)具有特殊性，因此需要通過微調(diào)來定制模型，使其更符合自身需求。相比重訓(xùn)，微調(diào)的成本確實(shí)低很多，但依然意味著不小的投入。

　　微調(diào)應(yīng)該是最后一步，而不是起點(diǎn)。只有在完成了前面所有工程層面的優(yōu)化之后，包括流程重構(gòu)、風(fēng)險(xiǎn)控制、評(píng)估機(jī)制和可靠性設(shè)計(jì)，仍然發(fā)現(xiàn)模型無法滿足業(yè)務(wù)需求，或者在響應(yīng)速度等方面有極端要求時(shí)，才有必要考慮是否進(jìn)行微調(diào)。

　　在此之前，更合理的投入方向，應(yīng)該放在工程優(yōu)化層面：在既定的大模型能力基礎(chǔ)上，通過工程手段減少出錯(cuò)概率、增強(qiáng)可控性，而不是去直接觸碰模型內(nèi)部參數(shù)。因?yàn)閺默F(xiàn)實(shí)情況看，所有直接介入模型參數(shù)層面的工作，成本都很高、門檻也很高。這不僅需要更專業(yè)的人才儲(chǔ)備，也意味著更高的不確定性，對(duì)大多數(shù)金融機(jī)構(gòu)而言，并不具備足夠的性價(jià)比。