在今年上市銀行發布的年報中，人工智能成了高頻詞。多點開花的場景應用和戰略布局，讓人感受到銀行業真的進入了“AI時代”。AI不僅大大提升服務效率和風險管理水平，更開始革新銀行的商業模式，成為決定銀行業競爭力的關鍵變量。
本期《雨珊會客廳》邀請到兩位資深專家：工商銀行首席技術官呂仲濤、光大銀行副行長楊兵兵，深入探討當前銀行業對人工智能的研究和應用進展到了哪一步，發展前景如何，還有哪些難點需要突破。本文為本次訪談的視頻+文字實錄，完整呈現精彩觀點。
本期會客廳還特別發布了《中國銀行業人工智能發展路徑研究》報告。該報告由新金融聯盟發起、工商銀行牽頭，聯合多家銀行、科技公司及高校共同撰寫，圍繞“技術為基、場景驅動、監管護航、人才支撐、生態協同”五大維度展開深度分析，最終形成旨在推動全行業基礎共建、能力共享的發展路徑建議。轉發本文至朋友圈獲10個以上點贊或轉發3個以上百人群，并截圖發至本公眾號后臺，即可領取報告。
本期嘉賓：
中國工商銀行首席技術官 呂仲濤
歷任中國工商銀行信息科技部副總經理、軟件開發中心總經理、信息科技部總經理、信息科技業務總監。主持工行“十二五”、“十三五”信息科技發展規劃及落地，牽頭實施“兩地三中心”、IT架構轉型及ECOS智慧銀行等重大工程。獲得全國五一勞動獎章、全國勞動模范等榮譽稱號，享受國務院政府特殊津貼。
中國光大銀行副行長 楊兵兵
現任中國光大銀行黨委委員、執行董事、副行長。畢業于香港理工大學，獲工商管理碩士學位，高級經濟師。楊兵兵先生是商業銀行數字化轉型領域的領軍人物，擁有超過20年的金融行業經驗，深耕風險管理與金融科技。
主持人：
新金融聯盟秘書長、金融城CEO 吳雨珊
2013年創辦金融城，2016年擔任新金融聯盟秘書長，致力于金融政策研究、行業交流與知識傳播。曾就職于國內頂尖財經媒體，歷任高級記者、金融版主任。長期致力于中國銀行業改革發展的觀察和研究，公開出版相關文章及書籍逾100萬字。曾出版著作《變革二十年——交通銀行與中國銀行業嬗變》《開發性金融創世記》。
銀行如何用AI驅動業務增長？
訪談實錄
主持人：今天，我們非常有幸地邀請到了兩位資深專家，深入探討當前銀行業對人工智能的研究和應用進展到了哪一步，發展前景如何，還有哪些難點需要突破？一位是工商銀行首席技術官呂仲濤，您好呂首席！
呂仲濤：雨珊好，大家好！
主持人：一位是光大銀行副行長楊兵兵，您好楊行長！
楊兵兵：你好，大家好！
AI重構銀行業務價值鏈
主持人：歡迎兩位專家做客《雨珊會客廳》。今年春節以來，DeepSeek等國產大模型在金融業引起了一股不小的風潮，銀行紛紛加快了人工智能的布局。作為銀行業數字化、智能化變革最前沿的專家，二位怎么看待人工智能對銀行發展的價值？
呂仲濤：人工智能對金融行業的應用價值，從短期來看，主要體現在提升運營效率、改善客戶體驗和增強銀行風險管理能力等方面，這些都會帶來直接的效益。
如果從未來數字化轉型的終極目標來看，它的更大價值體現在如何利用智能技術重構銀行的業務價值鏈，尋找新的賽道和發展機會。
楊兵兵：銀行的核心是以客戶為中心，任何技術的應用都應該體現在客戶服務的改變上。效果會很明顯，主要體現在客戶服務效率的提升。這里的效率是廣義的，既包括對客戶的識別，也包括服務的精致化，進而提升對授信客戶的風險控制能力，我相信很快客戶就能夠真真正正感受到變化。
主持人：楊行長主要從客戶感受的角度談，而呂首席剛才提到了對銀行業務模式的推動。能否請您舉一些業務方面的具體例子？
呂仲濤：業務模式變化里很重要的一點是，過去的流程驅動，包括人機的交互驅動，都是按照設定好的程序和邏輯規則在走。未來，如果借助人工智能的感知、判別和決策，用比較智能化的技術進行串聯，人機交互模式可能都會發生變化。
目前的信息傳遞仍以員工處理文本為主，未來可能通過新的交互方式解決，甚至部分感知技術可自動采集信息，無需人工干預。這樣，整個服務模式就會發生變化，甚至有可能打破傳統基于事權劃分的“部門墻”，在新的模式下，機構更可能依托角色定位，實現全工作流程的再造。
AI如何鍛造銀行“超級員工”
主持人：楊行長曾經在一次研討會中提到，在人工智能的賦能下，一些員工可能會成為“超級員工”，請您簡要闡釋一下“超級員工”這一概念，是否主要體現在服務效率的提升上？
楊兵兵：對，現在銀行員工因為各種原因分成了很多類，比如對公、個貸、理財等客戶經理。雖然都是面客的，但細分領域比較多。其實客戶在面對需求的時候，可能不是這么具體，他面對的是一家銀行，你應該給他提供全面的服務。但目前客戶經理的認知及后臺支持，都是按照條線來劃分的。
原因有很多，其中有一個是：我怎么能認識并記住這么多產品？現在用人腦記憶不是不可以，但是挑戰非常大。如果你背后有一個助手，他獲取了所有的產品知識和業務能力，對他而言，具備強大的計算與存儲能力，那他就變得“全能”。相應地，客戶經理是不是也應該“全能”？自然“超級員工”就會誕生，一旦“超級員工”誕生，面對客戶提出的任何需求，他理論上都可以響應，并提供最有價值的、性價比最高的產品和服務，這就是“超級員工”面客的一端。人的大腦潛力非常大，但開發利用的空間仍有限。機器可以充分地運轉，發揮充分效率，它的記憶力、知識輸出是人腦無法比擬的。
呂仲濤：從宏觀層面和用戶視野來講，“超級員工”好像是存在的。但從微觀層面來講，基于目前的人工智能技術，可能它是由一系列具有專門技能的數字人或者叫數字員工集合起來，形成員工的統一助手入口。一個客戶經理帶著若干個數字員工，以統一的視角為客戶提供集成的服務。
我之所以這樣判斷，是因為就目前的人工智能技術水平，要在一個模型里解決所有的能力還不太現實，可能還需要一些垂類的具體技能。我們打個引號叫“數字人”，但它實際上是具有專門領域的人工智能能力的小模型，或者是垂類模型組合起來解決復雜問題。
楊兵兵：實際上，由于銀行業務本身按條線劃分，數字人一般也先從條線中產生。但數字人具備專業能力之后，它們之間的融合會比人與人之間的協作簡單得多。每一類數字人擁有自己的小型知識庫和模型算法，匯總起來更加高效，遠優于多人協作的復雜度。這是一個循序漸進的過程。
銀行用AI，到底“卡”在哪
主持人：現在銀行在應用大模型過程中，有沒有什么技術上比較難啃的“硬骨頭”？能否用通俗易懂的語言給我們描述一下。
呂仲濤：我認為可從三個方面分析：
第一，算力層面。大型銀行雖然有一定的資金和基礎設施能力，可以大量采購算力。但基于國產算力，即便是有，整個投入也很大，對中小銀行壓力更大。所以，如何有效平衡訓練與推理基礎設施，合理布局，如何利用公域能力補充這些設施，這是個很大挑戰。基于商業可持續的考量，很多領導會衡量算力投資的性價比，高昂的投入未來是不是能夠持續獲得穩定收益。
第二，算法層面，是挑戰也是進展。從模型角度看，大量蒸餾技術推動AI平民化，很多機構都可以去探索各類小模型，這是一個趨勢。但不論怎么說，未來對端跟云如何進行協同，哪些由云來進行人工智能的能力提供，哪些通過端機（如PC、手機），基于蒸餾模型在本地做協同，仍是熱議話題。
此外，開源也是很重要的發展趨勢。DeepSeek是一個引領者，有一堆開源，這對很多機構進入這個賽道進行深度強化學習、二次訓練帶來了可能。
第三，協同機制。未來不同的智能體，或者不同模型矩陣里的模型，需要在更高層次進行協同。如何使自身的智能體間有效協同，以及同外部合作伙伴的智能體有效協同，變成未來需要大力推動的事。此外，通過上下文交互、MCP協議、標準接口實現內容交互，都需要去突破。
主持人：楊行長，您怎么看？
楊兵兵：算力就是硬件，算法是人，數據是知識的數字化。
最顯性的“骨頭”是算力，因為投入非常直接，所以大家經常會討論投多少，該不該投，收益是多少。但它是顯性的，我覺得來自硬件的困難最終都會解決。其實硬件隨著廣泛的應用，成本會降下來。硬件的問題永遠是表面化的、看起來最直接的困難，隨著技術進步和市場競爭，成本會自然而然下來。
第二，算法背后隱含的是人才挑戰。一是有沒有源源不斷培養出來的人，二是培養出來的人能不能恰當地來到合適的崗位，進入相當的研究和應用。在不同的機構里，怎么發揮他們的作用。
第三，數據問題是核心的“硬骨頭”。原因是把知識數字化后才能產生數據和人工智能可以讀懂的東西。除了廣義的整個社會上的知識數字化，真正要用到一個機構內部的其實是專業知識庫的數字化，這對各個機構是有挑戰的。
當前數據治理面臨三大變化
主持人：此前在新金融聯盟舉辦的內部研討會上，有監管領導提出，大模型時代的數據治理跟原來銀行數字化轉型中的數據治理不一樣。你們怎么看這個不一樣？我們在實踐中怎么去應對這個挑戰？
呂仲濤：大模型訓練數據本質上仍源于原始數據，因此傳統數據治理中的基礎問題仍需要優先解決。但在人工智能時代，由于數據經過向量化、預訓練等處理發生演變后，帶來了很多新的問題，治理要求更復雜。例如模型幻覺、魯棒性不足、數據投毒等風險，以及顯性知識轉化為隱性知識帶來的不確定性，均需納入風險治理框架。沒辦法，這是先天性的問題。
咱們要正視它，不能因為它有先天缺陷就不去用它，而要去管控它的風險。人工智能大模型時代的模型治理變得非常重要，需要有很多的手段。舉個例子，我們要匹配大量的問題來做強化學習，確保做到價值觀的對齊；通過大量的向量外掛數據庫、知識庫的引用，盡量減少數據幻覺的可能性；還要做各種“安全圍欄”，確保數據投毒的可能性降到最低或者提示詞的攻擊降得更低。
技術都有兩面性，便利的同時一定會帶來問題。我們只要看清楚問題點在哪，想辦法通過一些手段、工具去控制。但是我強調的是控制，你很難消滅這些風險，它還是會存在。
楊兵兵：我在想一個例子，這個屋子里咱們三個人坐了三把椅子，準確的數據是屋子里有三把椅子。以前是追求不能是兩把不能是一把，一定是三把，但是現在它有幾個變化。
第一，顆粒度要變得細。不僅是追求結果，說這有三把椅子，還要追求這三把椅子什么時候搬進來的，放的位置，甚至位置的經緯度。
第二，外部數據的加盟。外部數據加盟就像椅子似的，從哪運過來的是運貨單，可能是商家有的外部數據，如果我們拿來至少這個椅子在哪做的、從哪運的，這是外部數據，這兩個很重要。
第三，非結構化數據的加盟。其實在之前也有應用，但現在更重要。咱們在這聊天，這是非結構化數據。我們的坐姿轉化成結構化數據后，就能判斷這個椅子是否舒服。
當前數據治理包含三個方面——顆粒度、外部數據和非結構化數據的加盟。它會重新認知三把椅子的不同，從大數據時代進入大模型時代對數據的要求是不同的。
數據治理部門要耐得住寂寞
主持人：既然對數據治理提出了更高要求，它的復雜程度也更高了，那么在銀行新設一個數據治理部門是否變得十分必要和迫切？
呂仲濤：相關探索早就開始，甚至早于大數據與人工智能時代。過去很多銀行有管理信息部，這個問題實際上是條塊的問題，長期存在。專業條線的管理，以前是信息，現在到了數據，怎么進行統籌治理。我覺得萬變不離其宗，很多單位搞集中式的數據管理也好，管理信息的集中也好，可能不能回避一件事情——管理終究是為經營服務的，一定首先要解決業務的問題。
成立此類部門要避免“一統就死”。這個部門不是面向經營一線，會帶有潛在的風險。因此，我覺得可能采取類似矩陣式的管理也是一個辦法。一方面，對于這個機構所有中后臺的數據，我認為數據中臺有兩層，一層是所謂標準化的東西。舉個例子，源數據的管理標準、安全底線基線等等，必須要統籌一個部門來進行協同管理，類似于成立一個數據管理部，這是很有價值的。但對面向場景與客戶的模型的運用改變，可能有這個部門不見得一定合適。這就需要前臺的產品部門、客戶部門跟數據部門形成緊密協同，它等于是個AI旅行業務。
但是要平衡。現在產品線這么多，“上面千條線，后面一根針”也不行，而要進行“板塊化”整合，把同類型的個人部門、公司部門結合起來，最大化利用資源。在AI人才仍普遍緊缺的背景下，數據能力不宜過度分散，但集約化管理也不等于全部收歸一個部門。
數據管理部最重要的一點，是強調數據后臺標準的統一管理，模型的準入準出可能要做控制。而面向市場和客戶的方面，我認為應該基于業務的板塊化運營，把模型團隊、訓練團隊、控制團隊，板塊化地延伸到各個業務部門做平衡，這樣可能會緩解一些沖突，只能說緩解，不能完全解決。
主持人：工行、光大銀行早就設立了相關部門，你們都有很前沿的實踐。呂首席剛才的分享對中小銀行來說很有啟發，因為他們有的快有的慢，還有的尚未設立此類部門。楊行長，您有什么建議？
楊兵兵：2022年，我們正式成立了一個一級部，由之前的二級部升級而來。當時考慮的是面向AI時代什么是關鍵？剛才我說了三大能力，最后是數據，總要有一個部門把數據給融合好。它不是真正的應用部門，而是提供好用數的部門。
我常對他們說，你們要“耐得住寂寞”，成績不在你們那體現，而是體現在模型部門和前臺的應用中。你們的任務是整備數據、制定標準、強化落地、管好質量與安全。
現在為了讓業務單元有能力應用，我們連續四年開展“數據分析師資格認證”，僅面向業務部門，科技部門不參加。通過認證者方可使用數據系統自主分析。我們每年都有培訓和資格認證，三年有效期到了后會重新認證，這就能讓他們把數用起來。
這個部門是管數的，把數據提供好是他們最大的責任。業務單元是用數的，但是我們給他提供一個用數的能力，所以就做了結合和嘗試。關鍵在于數據部門要“耐得住寂寞”，這一點不容易。當然也需要銀行高管層認識到這個部門是干這個事的，平時不顯山不露水，只要數據質量沒有問題，隨需隨取，就是他們最大的成績。
呂仲濤：我的體會，不管怎么設計這個組織體系，必須緊繃兩根線：一是堅持業務第一性，所有中后臺必須服務業務；二是通過績效綁定實現協同。如果不與業績結果直接掛鉤，而僅僅通過產品經理、客戶經理轉述需求來提供服務，他如何對最后的業績進行直接地反映？一定要把前面的業績部分傳導給服務的提供部門，沒有業績傳導機制，長期來看缺乏可持續性。
主持人：但這種考核是不是很困難？
楊兵兵：中后臺與前臺綁定的考核在銀行并不罕見，關鍵看怎么綁定得更具體。我們嘗試通過“柔性團隊”推進專項考核。例如零售貸款自動化團隊，由數據、智能、研發、風險、渠道及零售產品部門共同組成，雖僅二十余人但來源多元，實行單獨績效考核，同時兼顧原部門職責。
我們在普惠、供應鏈都有類似小范圍的嘗試，未來在組織機制上也有進一步拓展的空間。業務進入數字化運后，一組人一起盯著屏幕，屏幕上數據的變化就是市場變化的反應，而不是盯著各種文件，因為最后的文件都體現在數據的變化。比如我們投放了一種營銷活動，看客戶沒有太多的響應，或者是僅某一類客戶響應，而這類客戶又不是原來的目標類的客戶，這一定是投偏了。現在應該能夠實時看到，然后去糾正。這就是大家在一起，而不是說投完了，過一個月后搜集營銷結果，大家開個會分析一下，再說要調整，基本上三個月過去了。這不是數字化運營，數字化運營講究的是效率和對市場的敏感。
呂仲濤：這里還有很多深層次的問題，我們剛才只是從總行的條線維度講這個問題，但大型銀行都是總分結構，主站在分行，運營需求大多來源于市場一線分行。
從科技角度看，滿足業務的需求并不等同于滿足市場的需求。業務提的東西是不是滿足市場，還要看內部的治理機制，總分行怎么協同，這是深層次的問題。現在有些銀行科技是集中的，數據中臺部門也集中，然后希望業務部門能夠板塊化運營。好像從總行角度來講，每個業務部門提出客戶和業務的需求，我就認為是合理的，這本身就是一個問號。從全國市場來看，有沒有這個能力？我認為現在有一個異化。從科技視角看，各家機構的科技基本都是集約化經營，沒什么問題，業務的主抓在總行，這個沒問題。但是主戰不在總行，主戰基本在分支機構，那么科技怎么賦能到整個業務板塊？我認為需要研究。
科技與業務協作的問題一直存在，只是現在可能帶來了潛在的機會。隨著數字化轉型的提升，未來整個數據流動的科層制變得沒那么重要。過去的信息傳遞都是要科層制審批，未來在一個網上的情況下，它的權限管理模式可以做新的思考。未來可能總分行的主戰跟主抓模式，也要做些演進，可能未來總行的主戰的成本會增加。
傳統的銀行績效管理方法，存款客戶都要歸屬到管理網點，這樣總行績效很難確認。這是銀行經營管理模式的問題。為什么客戶經理會搶開戶銀行？客戶在這家機構開戶，以后即便在互聯網上跑，存款也在這家機構。人為地把客戶行為約定到某一個管理單位，而未來在互聯網思維下，在總行的集約管理的模式下，客戶實際上是這個企業的，而不是某個機構。
由于這個原因造成管理會計上出現很多矛盾，比如績效分潤問題、產品線分潤問題、機構間的分潤問題。現在互聯網后，以后大模型大家都出來營銷客戶，可能一個客戶在全國甚至在全球移動，由此帶來客戶在不同的經營機構間的業務流動。這個時候業績歸屬如何，部門之間怎樣分潤，都是深層次的問題。這個問題如果不能很好解決，“以客戶為中心”就是一個偽命題，很難做到。因為我們都是以產品和客戶的管理關系評估績效。
楊兵兵：剛才說了“硬骨頭”，第四根骨頭沒說，也就是背后的長期運營機制和思想能不能跟上時代帶來的變化，生產關系能適應生產力就大力促進，不適應不去改變就是阻礙生產力的發展。生產關系對銀行來講，就是思想加機制，這也是塊硬骨頭，是更深層次的。數據是稍微隱性一點，到了這個就是隱性中的隱性，但你必然會碰到。到一定程度后，你可以在不同的點上試。當然，如果多點試后，能不能形成一個共同的結論，促進大的頂層設計，就是后面的挑戰了。但我覺得當務之急是在先試，如果上來就要變，而不去試就沒有辦法促進真正的變。
呂仲濤：最重要的一點是重構業務鏈的問題。實際上就是條線、總分之間，未來整個業務流怎么進行，要用數字化技術做這方面的探索。當然這是終極目標，短期還不太現實。
楊兵兵：反正就試吧，這個時代技術走得更快，我們肯定會用好技術，那就得反復地試，積極地試。在這個過程中，不斷改變大家的認知。其實每一點變化都是一大進步，我們期待一點點的變化。
中小銀行如何選擇AI模型？
主持人：很多中小銀行財力有限，他們如何挑選適合自己的、更具性價比的大模型，有什么好的建議？
呂仲濤：主要看幾個問題。第一，當前通用大模型眾多，市場尚未收斂，需明確是選擇一個還是多個模型。第二，選模型到底要解決什么問題。目前對通用類的能力，如寫會議紀要、翻譯、摘要等，用市場化或者是外部的就可以。對于需要用到銀行私域信息的專屬模型，要慎重選擇與場景比較匹配的基礎大模型。不見得一定要是通用技術大模型，你可以有不同的選擇，因為它是垂類模型，是針對特定領域解決問題的，這取決于自己的能力。我建議最好減少二次訓練，這樣可以降低對算力的要求，可以側重做微調、強化學習及外掛的RAG技術運用。也可考慮用蒸餾技術，選用符合能力要求的小模型，從而有效緩解算力壓力。
楊兵兵：我完全同意首席從技術角度提出的建議。還有一個角度，先不著急選什么模型，而應先明確目標。我覺得有兩個方向，第一，解決思想問題，幫助大家從日常繁瑣的辦公中解脫出來，讓大家感覺到這東西真的有用且有意思，讓大家愿意去探索。目的是讓大家因為用而感覺有變化，因為有變化帶來思想上的變化，思想上的變化可能會對更多的業務應用、更大的投入帶來變化。這種的選擇就是起點想好，不要有太高的追求。
第二，明白銀行到底想在哪個業務上做出特色。尤其對中小銀行而言，發展到一定規模后必須依靠特色競爭，應將各種優勢資源包括新技術集中用于特色業務。這個時候，第一是選擇業務，第二是看這個業務在機構里有沒有實現充分的知識數字化。如果有了模型，卻沒有足夠的數據，則無法在這個場景應用落地。所以銀行可能先選幾個想重點做的特色業務，再找每個特色業務有沒有充分的知識數字化或者知識庫的數字化，找到一個最佳的就可以開始。然后將把一些模型的選擇和技術的應用落地，它會讓管理者很快看到變化，不管這個變化會不會產生業務上的突破，但肯定會給想要做的特色業務帶來新變化。
如何平衡科技投入與業務價值
主持人：很實用，呂首席主要從技術的角度闡述，您從業務的角度來談。兩位都提到了產出的問題，如果短期內看不到產出，很難促使銀行的決策層持續投入。那我們怎么去看待短期和中長期的產出，怎么平衡科技投入和業務價值？
呂仲濤：從提升效率角度看，它的產出是有的，只是沒辦法量化而已。為什么有些員工歡迎，有些員工不歡迎？它解決了很多繁瑣的工作，員工肯定歡迎。為什么AI的文章現在這么流行，因為它的產出效率高。
主持人：解放了一大批“表哥”“表姐”。
呂仲濤：肯定是有價值，只是這個價值沒有量化而已，對員工的工作體驗改善肯定是有直接的效益。但是有些員工可能會擔心自己下崗，甚至某些崗位因為AI消失。但從企業經營角度看，可能這不見是壞事，企業可以推動員工技能轉型，使其適應新崗位。
當前有些人認為AI在關鍵領域的關鍵價值沒有體現出來，它隱含的內在邏輯是希望出現“爆款”，有個一蹴而就、直接顯性的價值。這種思維是有問題的，因為人工智能技術是在演進和發展過程中，短期內不管能否量化，它的價值是客觀存在的，至少隱性價值是存在的。從長期看，你喪失了這方面的能力，未來可能面臨更高的追趕成本與時間壓力。只是說你投哪兒的問題，你不得不投，不能好像效益不夠而短視，未來可能就不是要不要的問題，而是跟不跟得上的問題。
楊兵兵：AI投入跟科技投入一樣，每一個系統投入是不是都能算出成本收入？科技到了今天還能算一算。前臺系統還好點，到中后臺系統、基礎設施就更難算了。怎么辦？從長時間來看，一個銀行的成長，各個銀行自己可以看看，比如我行資產規模有10倍的增長，客戶可能不止10倍，網點肯定沒有10倍的增長。
再看AI投入，它本質上是一種戰略性決策，需由銀行領導班子、董事會及戰略委員會共同把握。現在大部分AI大模型投入更高一些，AI大部分處于幫助你的階段，還沒到替代你。只要不替代你，就見不到“省人”、流程縮短、交易快速變化。它沒有替代你，還是人和人的交互。
例如，原來寫一篇文章花兩天時間才交給下一手，現在可以半天交給下一手。你能確保下一手拿到就馬上能處理嗎？如果他沒有馬上處理，擱兩天，效率變了嗎？沒變。但是如果替代你，我和下一手都變成機器，1秒傳過去，3秒審核，10秒結束，它是可控的。
銀行AI應用從關鍵場景下手
主持人：今年上半年，新金融聯盟發起了名為《中國銀行業人工智能發展路徑研究》的課題報告，由呂首席牽頭，楊行長參與。報告提到了應用發展的現狀，能否請兩位專家給大家講一講，目前主流銀行在人工智能應用方面取得了哪些比較突出的成果？未來是否可能出現“爆款”應用？
呂仲濤：目前看還沒有特別明顯的“爆款”，但正如我一直強調的，人工智能在效率提升、客戶體驗優化和風險管理等方面已經體現出實實在在的價值。在生成式AI出來前，傳統AI的幾年，已經有很多價值產生出來，只是沒有像現在這樣引發廣泛討論。
例如工商銀行的ECOS，在AI大模型前叫ECOS，其中最重要的就是Smart，即“智能”的概念。從這個角度看，目前人工智能由于各種原因，好像對銀行垂類的核心場景使用得并不多。它有先天性的問題沒有完全解決，比如隱私問題、幻覺問題，但是對有容錯能力的場景，已經大大提升了效率。
對中小銀行也一樣，不要面面俱到，什么都想解決。你能不能找到痛點關鍵場景，解決重要的一點，成本投入跟效率提升了，可以解決很多問題。
工行原來有兩塊大的投入。一是遠程客服。通過大量的人工智能技術，包括智能語音、智能應答、RPA等，解決了大量的催收、外呼及營銷問題，遠程客戶經理下降很多，這是效率的提升。
二是運營管理。運營管理中大量業務是用人工智能解決的。比如數據錄入切割、紙質文檔的快速OCR識別等。它是人工智能技術分支，可以解決很多降本增效的場景。
對客戶經理來講更重要。現在客戶經理大都很年輕，流動性大，技能提升慢，沒辦法快速理解并跟客戶講清楚各種產品業務。怎么辦？我們做了一個人工智能的員工助手。他帶著助手，可以快速地檢索、了解銀行的各類產品、服務和規章制度，及時跟客戶進行交互，這就是提升效率。
很重要的一點，手機銀行、網上銀行原來的人機交互模式未來會轉型，通過語音在適老化改造中。你可以用人工智能的技術快速了解客戶的意圖，自動推送客戶服務，這都可以在提升效率中解決。
在風險領域，AI的應用更為廣泛。無論是反欺詐還是反洗錢，它的感知能力、對外部數據的探知能力比人更強。過去的打分卡模式已經遠遠不足以支撐它對實時外部信息的獲取。人工智能可以通過互聯網實時檢索，外部知識庫的化解，快速判斷客戶的綜合形象，判斷客戶畫像，快速甄別潛在風險。銀行都是經營風險的，這些場景一定會用到。
還有一些特殊領域，如金融市場業務交易撮合和財富管理，現在很多人都在做，也有很多潛在場景機會。
主持人：楊行長，您有哪些補充？
楊兵兵：剛才首席講得很全面，直觀的就是節省時間、提高效率。效率的提高可能在內控和內部管理上會有很大變化。
舉個例子，以往進金庫需要雙人同在，為了保證做到這個，我們有視頻保證，有專人定期抽查看錄像。現在比較簡單，首先把非結構化數據做轉換，然后加上模型要素，監控室可以實時報警。如遇到一人未入庫、兩人未面對面等，就會實時報警，不用看錄像。原來看錄像，怎么抽查才算達標？可能就不是幾個人天天看。現在是實時，只要有一個人去處理，跟領導反映算是幾級，然后去處理就行。
再如貸款復檢，現在銀行的貸款業務有授權，授權給了分行，有的分行可能新的審批人剛去，或者有的分行授權剛提升，總行就要復查。以前復檢是靠人，一筆一筆地看，復檢多了就要增加人，要不就減少人，減少復檢量，中間取得一種平衡。現在，我們通過閱讀大量的可疑文本后，形成模型的能力去里面抓取。我們去復檢，最可疑的就會往外跳，跳出來的我們去看，沒跳出來就算過了，將來還會對沒跳出來的再做復查。現在為了提高效率，不用不斷增加人，而是不斷增加模型的人員，不斷校驗模型發現問題的能力。
人員結構也發生了變化。銀行人員結構從原來以“業務為主、技術為輔”，中期轉為以“金融科技為主、業務為輔”，未來可能金融科技大領域里，做模型和數據的人才要不斷地結構化增加。不斷地投入人員校驗模型，校驗模型的目的是省掉更多的人，更精準、更公平，而且維持尺度地去做篩選和判斷工作。
效率背后是內控，它會帶來這個方面的變化。但現在直接對客的因為本身應用有一定的限制，用了市場規模擴大了，短期還見不到，原因有很多，比如技術、應用安全、機制等。但是節約時間，效率帶來的內控變化，這個肯定可以達到。
所以，大家錨中幾個點進行，做得越深，效果越明顯。如果分散地用力，反正說10個單位都有需求，我都替他做了，這么多人分散在每個單位，還不如供給一兩個點產生明顯的效果，更好地帶動大家進行思想認識上的變化，在這個時期更有意義。
呂仲濤：實際上是找準一個場景，倒推數字化轉型。反過來講，現在很多中小銀行數據治理本身都做得不是很理想。由于現在人工智能的技術，甚至是AI起來后，知識工程變得很重要，知識控制的前提就是本身數據治理能力要上去。
所以我認為要利用抓手，沒有抓手就更難。要搞企業級的數據治理，搞數據標準化，下面的機構好像無從下手。但如果你抓住某一個點，針對某個場景倒逼知識工程，把私域數據集提煉出來，倒逼業務部門，把史上遺留下來的各類知識、信息、數據結構化、條目化，進行強化學習。它有個過程，我認為這對中小銀行的數字化轉型是正向推動的作用。
智能體發展核心挑戰是協同
主持人：近一年來掀起了建設智能體的熱潮，不知各家銀行建的智能體的數量、質量到底怎么樣？
呂仲濤：我們在垂類模型方面已做了大量工作，針對不同場景，最終通過智能體的形式形成包裝好的服務能力。目前已經建設了許多智能體，并嵌入各類業務場景中。
當前的核心挑戰在于如何協同多個智能體以解決復雜問題。智能體協同有個很大的挑戰，即幻覺問題。智能體在交互和感知的過程中，要做簡單的理解與判斷。如果它有幻覺，從高可靠性角度來講，即便單個智能體準確率達到95%，多個這樣的智能體協同后，整體準確率也會顯著下降。所以，如何糾正多智能體系統，確保準確性、可控性，在正常可接受的區間里保證質量，我認為下一步要做很多的研究。大家說起來很容易，說要搞多智能體協同，搞一個超級智能體，調度下面小的二級智能體。方法論好像看上去很簡單，但事實上在不同的智能體中，如何確保質量穩定性，減少幻覺，才是下一步要重點突破的。
實質上，智能體的數量已經不是問題，很多銀行已在不同的場景中廣泛引用。在協同做得還不太好的情況下，有些銀行可能簡化智能體來解決特定的小場景，先用起來，嵌入到流程中去。
楊兵兵：生成式大模型只要有了思維，大家就期待它能行動。在智能體身上最典型的就是“知行合一”。“知”，它先有了思維，我們賦予它生成式的思維，形成判斷，最后去“行”。
“知行合一”是智能體最佳的體現。但能不能做到？它在技術上有問題，在工程學上有概率的問題，還有各種其他問題。能不能達到“知行合一”？“知”可能效果越來越好，“行”會有一個過程。
主持人：隨著技術不斷迭代產生了新的效益。
楊兵兵：對，最后一定要回到智能體，想發揮作用，它一定要去動，不能只是分析。它不可能替代我，因為我要做決策、要行動，不是光有知識。智能體最終要走到那一步，智能體的合作或者超級智能體的誕生，一定是有這一步的，只是有一個過程。
如何避免AI“闖禍”？
主持人：兩位專家都提到AI存在風險，比如AI幻覺或其他風險，怎么認知這種風險？在實際的應用過程中怎么去防范、避免讓它“闖禍”？
呂仲濤：從技術原理上講，生成式AI產生幻覺可能是不可避免的，但它同樣給我們帶來創造性、探知未來的價值。所以怎么在可控的情況下合理運用它是我們的命題，而不是去回避。
如何去控制，主要有幾個方面。第一，通過各種工程化的基礎手段，通過二次訓練、強化學習及各種校驗建“安全圍欄”，防范幻覺出現的可能性。細節上我就不談了，目前有很多工程化的方法控制幻覺的產生。
最重要的一點是人類的監督。你不能希望AI自主決策，無論在什么情況下做出行動，人總是最高的。任何技術智能都是為人服務的，所以絕對不能喪失人對整個模型的控制力。“安全圍欄”的底線是，在任何情況下，人類可以監督、終止。這是我們必須堅守的底線，來確保大模型的幻覺，或是它產生的負面作用。目前我們有很多工程化的方法，約束模型可能產生脫韁的可能性。
反過來講，你越是約束它，讓它按照你的設定要求回答，或是按已知的要求回答，你也約束了它的創造力。通過大量的問題建“安全圍欄”，讓它變成完全不是深層次的東西了。按照約定的要求，再給出可以解釋的問題和答案，它是個悖論。它的創造性恰恰是在探索未知信息的時候，這是可解釋性的問題。
所謂的可解釋性是基于數據的認知來解釋的。但是我們不得不承認，大模型由于它的高維，它的信息感知能力遠遠超過人類的五官。可能你認為不可解釋，這只是我們的視角，也許它有它的解釋邏輯，只是我們未知。
當然，它的很多推理和思維鏈過程，也是通過人類的訓練提供了這種能力，它只是利用這種能力進行大量的數據感知、推理的過程。所以針對不同的場景，可能有不同的使用管理要求，但最終人類對它的控制必須是第一位的。
主持人：謝謝呂首席，楊行長怎么看？
楊兵兵：AI幻覺來源于技術對人腦思維的模擬。人的思維有缺陷與幻覺，AI像人的思維，在某種意義上來講，就越容易發生幻覺。
能不能杜絕幻覺？它是人產生的，如果未來有新技術誕生，它是超越人，可能能避免人的缺點。如果不能超越人，它只會極大程度地減少人的缺點。
AI存在幻覺是在提示大家：即使是機器做出來的，也不一定百分百正確。尤其是生成式的思維不是一個邏輯決策形成的，一定有不對的地方。
在大模型時代，人不能喪失判斷能力。即使將來有了智能體，最終很多事都要你來判斷。你做了很多決策，框架路徑依然是你告訴它的，否則它就全部按照自己的想法來做，技術肯定是可以的，但結果會產生很大的不確定性，你能不能接受？
銀行需要什么樣的AI人才
主持人：楊行長強調人的判斷力非常重要，呂首席認為人員控制是“安全圍欄”的底線。人在人工智能發展過程中是關鍵的因素，那么，銀行業需要什么樣的AI人才？
呂仲濤：實際上又回到原來講的金融科技問題。所謂的金融與科技，只是現在科技又泛化到跟數據和智能有關，它都是一個融合問題。過去人們注重數理化和語言等通識能力，未來人工智能技術甚至更全面的信息科技技術，能不能變成類似于像數理化和語言的通識？如果不能通識化，變成專業領域的知識，實際上就有了壁壘，之后要想融合是很難的事。
有道是“術業有專攻”，不同行業的人才簡單放在一起并不等于融合。在機構內部有科技部和業務部，從機構角度來講，為什么沒融合？因為是兩個部門。反過來，我把你放到一個團隊里，這個組織中也是兩撥人，你還是沒融合。兩個人交流溝通，可能還是很難說到一起。甚至如果你的績效考核是不同的視角，你是服務支持部門，那邊是市場部門，績效不一樣就更難融合。
怎么去看融合這件事？首先是思想意識層面，如果業務部門把IT和人工智能作為一種通識，從技能來掌握，他一定有第一動因，利用這種東西解決問題。這是長期問題，我只是談得較遠。
目前最重要的一點是如何降低IT技術或者叫人工智能技術的學習門檻，讓它“平民化”，盡可能變成一種通識。通識沒有那么容易簡單，越簡單就越容易形成通識，越復雜就變成專業知識。從IT人員角度看，就是要做布道的事，通過各種簡單工具生成工程化的方法，讓所有的員工快速掌握這門工具。這可能比把兩撥人放到一起更有可持續性的價值。
銀行真正需要的，不僅是AI專家，更是懂銀行的AI人才。直接引入AI人才當然可行，但他跟業務的賦能還是有難點，如何快速解決銀行的場景問題也是難點。銀行直接引入AI人才，性價比不一定非常高。投入很大，雖然能提升技術能力，但不能快速解決業務問題。所以，我覺得還是要從業務視角，甚至可以找外部的資源，就看能不能養得起比較專深的 AI人才。
他能不能持續跟進技術的發展？因為他是有生態環境的。這些專才如果沒有生態環境，可能進來時是很好的一個人，三年后就泯滅于大眾，因為技術發展很快。
如何利用業界的最新技術、最新技能的人跟自己本身的領域知識，關鍵是要有意念和動力推動尋找這些資源跟自己的業務結合。如果所有的企業都自己養 AI人才，從學校角度來講，可以變成很大的教育產業去搞，但實際上是不是很多企業能做到這一點，我不特別看好。
主持人：楊行長，您怎么看？
楊兵兵：高端的AI人才對銀行來說，在市場化時代還是用市場化的方式、合作的方式進行。同時，我們引進更多來自高校的人才，他們有很好的學術素質，在銀行里能工作，能跟著市場化的高端人才學習，他們就是復合型人才。雖然他可能對業務人員來講不一定那么專，但對市場人員來講，他已經是銀行業比較熟悉業務的人。對機構來講，從學生開始培養起，一開始有學術素質，再加上業務，他慢慢就是一個復合型的人才。
主持人：您不覺得這兩年人工智能迭代特別快嗎？從open AI到DeepSeek迭代非常快，金融機構是不是也會感覺人才有點跟不上？
楊兵兵：我們有跟市場化的合作，內部的技術人員也可以提升轉型。不代表原來做代碼編程的，就不能去學人工智能。他有門檻，但還沒有那么高。
呂仲濤：它有一個前提，跟企業戰略定位有關。美國的人工智能專家、頭部人物哪個是從哪家銀行出來的？我沒看見。
主持人：基本上都在硅谷的互聯網公司。
呂仲濤：基本在互聯網大廠、大科技公司。說明什么問題？它的人工智能投入其實大過銀行。銀行在人工智能專家領域并沒有什么特別的人才，持續發展的模型出來。我認為不單單是科技投入的問題，實際上跟戰略和經營模式有關。
銀行的主營業務是金融，不能想變成大科技公司。如果你要變成大的科技公司，經營模式、盈利模式、客戶模式都會發生重大變化，但這是不是你想做的？你是一個金融持牌機構，重點在金融領域。
在這種情況下，你的定位要清楚，是技術的應用者，而不是技術的創造者，你的人才結構也是應用技術的人才結構。現在有些大學在培養復合型的人才，但目前成熟的不多。
主持人：二位都提到了很重要的人才來源是高校，現在高校的AI人才培養能跟得上形勢嗎？
呂仲濤：現在高校直接講AI的人才好像不多，基本上還是通識類的IT人才。社招類的 AI人才總體效用不盡理想，這跟文化融合有關。很多社招的、有一定層次的人才，跟原來的團隊融合非常困難，這不僅僅是技能的問題。
很多社招人才有一套商業邏輯、業務邏輯，包括管理文化，依靠一兩個人很難改變。銀行相對更嚴謹，也會給資源調度帶來很大挑戰。互聯網公司是不一樣的，它進來后可能給你這個要求，可能是業績為導向，可能一兩年不行就走人。但銀行得從長期來看，雖然進來的門檻不低，但要出去一般比較慎重。
它有很多文化沖突，高薪進來的專業人才要發揮作用非常難。不是說想招就招，從長周期來看，這些人為什么沒有自己培養的好？原因就在自己培養的人才，從進來開始，通過幾年的歷練就可以塑造成符合企業文化的人。這是硬幣的兩面，好的一面是有歷史傳承的脈絡，壞的一面是可能沉淀很多痼疾。
因此，銀行業AI人才建設面臨雙重挑戰：一是人才短缺，二是如何有效使用人才。目前來看，外部引進人才“水土不服”的情況仍占多數，往往兩三年后便無聲息，真正帶領團隊實現突破的案例并不多見。
人工智能專業值得報考嗎？
主持人：稍微延伸一下，對年輕人來說，高考報考志愿時，人工智能專業是不是一個好的選擇？
楊兵兵：當前技術迭代很快，從專業選擇上，通識類或是相對泛的專業意義更大，因為你不知道后面還有什么變化。現在選專業，不是說4年畢業找工作，有可能是6年畢業找工作。6年后有什么變化？可能4年先是通識類的，后面2年如果讀研究生再去鎖定，可能意義更大。
另外，要避免被專業名稱迷惑，還是看看專業的內容是不是這個領域的基礎性質的，比如關于數據、人工智能，它可能有具體算法，也有可能做數據的，這些都屬于在大包裝下的具體內涵。
呂仲濤：作為應用單位，我們更關注實際技能。路線不能跑錯，因為它是個生態，如果所有生態里的人，大家都用同樣一種語言，用同樣的工具做同樣的事情，而且生態越做越大。對青年學生來講，他未來的選擇余地就大，發展空間也大。但如果你跑到未來不是一個方向，可能后面的轉型成本很高。
所以，現在最重要的是學了這個東西，未來幾年，它的生態會不會起來，就像鴻蒙。如果大的生態起得來，可能從各個學校進去，生態越來越大，掌握這種開發技能的人，以后在市場上比較容易被接受。
正如楊行長所說， AI也看方向，如果怕風險，有些傳統意義上的通識類的基礎扎實的知識，比如計算機基本理論、數學、統計學等等，你掌握得比較好，后面轉型就相對會更好。
銀行如何用好AI人才？
主持人：有的銀行把AI專家放在科技部或者研究院，有的銀行把他們分散到各業務部門，你們覺得哪種方式更利于人才發揮作用？
呂仲濤：我覺得兩邊應該都要有，但是角色不完全一樣。簡單地說，跟人工智能有關的基礎性工作，例如數據科學家承擔的模型底層研發，適合在科技部門或專門的數據與智能管理機構，負責面向分析和數據。數據工程師、模型工程師和算法工程師可能較多在集中化部門。而模型應用、參數調整及訓練實施等環節，可能要放到板塊化的業務部門。
但是業務部門不要簡單講業務部門，現在銀行業務部門條線太多，你不能講到業務部門就全部散下去。因為資源不夠，銀行業務部門不是簡單一句話，還要強調業務融合。現在老講科技跟業務融合，很少講業務融合。業務本身涉及前中后臺，產品線、客戶線之間的融合很重要，但又不是一股腦全融合在一起，因為有些需要做相互制約和前后臺的分離。所以在進行科學融合的基礎上，要把具有應用能力的工程師放到業務上去。
避免單一化配置，應通過結耦設計、雙線布局與聯動考核，實現業務目標的整體優化。它是一個平衡過程，不能簡單全部集中或全部分散，這兩個方向可能都有問題。
楊兵兵：呂首席說得非常好！我補充兩點。
第一，業務融合在當今尤為重要。以往可能客戶對產品的需求比較單一，銀行從一個產品上獲得的足夠收益，也未必說客戶再多做幾個產品，當單一產品有足夠收益的時候，也沒想法去做多個產品。但是現在單一產品覆蓋成本越來越難，必須依靠組合營銷。如果部門是分割式設置，不夠融合，想給客戶綜合服務就有難度，難度最后帶到科技層面和AI層面。所有現在業務中的問題，最后都會映射在系統上，系統會映射在模型上，因為模型本身不會倒過來改變的。
集中和分布應該同步推進，甚至可先設立集中部門。集中部門有幾個作用，第一，對底層技術的把握。他需要一撥人湊在一起形成小生態，賦予足夠的資源，技術上不斷提升。
例如我行成立數據資產管理部的同時也成立了智能運營中心，主要做算法和人工智能。但同步做了另外兩件事：一是實施模型分級管理，如資產類模型智能中心去做，偏營銷類模型則業務單元去做；二是推行“模型師資格認證”，通過認證的人員才可開展相應類型的模型開發。
這樣做意味著這個單元想做這些模型得有這樣的人，這樣的人經過認證后具備基礎性的能力，才有資格去做模型。因為這種模型一旦產生，發到業務系統里有問題就是系統性的問題。所以這種人如果沒有足夠的資格，或者沒有一個統籌單位全部分散再進行，將來銀行的系統性風險會遍地開花，沒人能夠控制得住。
我覺得要有集中部門，集中部門不能什么都把在手里，要做模型分層并允許外面的人有資格做這個事。這樣就是集中和分布做了一個結合。
主持人：這聽起來是非常有效的辦法。
楊兵兵：我們還在探索中。
大銀行怎樣將AI能力高效賦能中小行？
主持人：報告中提到，現在大行在AI技術投入方面步伐較快，但中小銀行限于人力、財力、技術儲備的不足，有點跟不上進度。那么，如何將大銀行趟出來的路、積累的經驗，高效地分享給中小銀行？有沒有好的“傳幫帶”機制，讓整個銀行業都受益于AI？
呂仲濤：從政府和監管視角，意愿肯定是明確的，但從市場化視角來看，可能還要用市場的力量解決這個問題。大銀行服務輸出，包括基礎設施的輸出，在不違反監管底線要求、隱私保護和數據安全的前提下，可能還要通過市場化的力量解決。不然，靠強行推動拉郎配可能不理想。過去搞銀銀合作，各種場景搞了不少，但因為各種顧慮，推動都不是特別理想，未來這個問題也要當心。
反過來看，小銀行間抱團行不行？為什么有些抱不起來，有些就抱起來了？這也是市場化的問題。我覺得可能用市場力量看待這個問題會更好，因為終究都是市場主體。以管理者視角來看當然很簡單，大一統而且做公共基礎設施，但它到底能不能發揮作用？人家有沒有意愿使用這樣的公共基礎設施？不論是模型、數據還是基礎設施，當中涉及很多責權的問題。
我一直有種感覺，政府或是監管可以鼓勵民間銀行合作，如果民間都鼓勵不起來的話，用行政手段可能效果也不會太好。
楊兵兵：是的。通過課題研究報告，以及咱們這樣的機構做的這些工作，是最有意義、最有價值的。一是總結大家走過的路，總結成功的經驗，再組織小范圍的論壇，講講踩過的坑，總結失敗，其實就可以了。因為再小的銀行機構，相對一般的企業都是大的，他如果愿意做還是有資源能做的，無非是少踩點坑，走正確的路。
第三方平臺可多組織交流，以市場化方式促進經驗與教訓的分享。大家共同總結實踐中遇到的問題，避免重蹈覆轍，這種形式更容易被接受。
銀行的AI定位應考量三個維度
主持人：感謝楊行長的鼓勵與鞭策，也感謝呂首席和楊行長一直以來的支持，為中小銀行輸送了很多寶貴經驗。關于銀行在AI生態中的定位，有人說應該做“場景集成商”，有人說銀行應該專注“搭平臺”，你們認同哪種觀點？或者銀行應該扮演更豐富的角色？
楊兵兵：這與銀行自身的狀況有關。如果現在是參與型，你把人工智能標準化接口做好，等著去參與到人家的場景就行。如果自身有足夠的場景資源，你就把場景變成平臺，吸引各方參與。
當前人工智能的應用不太可能改變運營方式。你是參與型的，還是形成平臺讓大家參與，不會因為用了人工智能技術就改變了。你在市場中是什么角色，無非是用了新技術鞏固你的角色，或是在這個環境里提升你的能力。如果是突破性的，就要有新的應用考慮了。
呂仲濤：我認為銀行在AI生態中的定位應從三個維度考量：
第一，在內部生態中，銀行如何利用人工智能優化運營，這是自身的戰略選擇。
第二，在金融同業中，作為強監管持牌機構，銀行需明確自身定位。
第三，更高境界的，在社會生態中，銀行是怎么定位的。
為什么我提第二個維度？現在國家金融基礎設施也提出了這個概念，金融基礎設施有整個全行業、全大產業、國家級的數據基礎設施等等。很重要的一點，對金融機構來講，金融有大量的金融基礎設施。在金融基礎設施中，新型金融基礎設施數據的模型，所謂的人工智能會不會成為一種新型的基礎設施？如果成為一個金融基礎設施，商業銀行，特別是大型商業銀行，你在整個的金融行業競爭中，定位在哪？你是平臺的貢獻者、主導者，還是參與方？如果你是參與方，誰來主導？是監管機構？還是央行建立人工智能生態？
更高層次就更復雜了，在一個全市場參與中，可能不單是行業的問題，還有很多互聯網大廠、科技公司等大平臺。金融機構在整個生態中是怎樣的角色，不能一蹴而就來講，要從這三個視角來看。從金融機構來講，最現實的問題是在行業中的定位。你在行業中能夠發揮什么作用？還是只是一個標準的差異化，各自建各自的，沒有辦法形成市場化的或者商業化的共享基礎設施平臺？
近期央行發布的《金融基礎設施監督管理辦法》雖未擴展到更大的新型經濟基礎設施，但至少從概念上來講，已經提出了這樣一個問題。你只要變成一個平臺，變成一個場景的參與方，就類似于一個打引號的“金融投資”。公共平臺有場景、技術及數據的運營，不同層次的運營到底誰來主導？還有監管的指導，如何申請持牌，它是有流程的，還有些是不能進的市場。未來對這些新型金融基礎設施，特別是人工智能的，還要觀察。
當然，對大型銀行而言，應有動力與意愿在生態中發揮更重要作用。
主持人：剛才您重點討論了行業生態，那么在社會生態上，銀行怎么與科技公司、高校等伙伴更好合作，實現共贏？
呂仲濤：這類合作客觀上一直存在，只是現在如何進一步強化。
與高校合作主要在人才培養與小顆粒度的技術孵化上。為什么是小顆粒度？因為大型的工程化的項目，高校做不太現實，因為它的團隊都比較小，更適合垂類的小領域。在這個過程中，銀行可以提供場景幫助、促進科技創新，幫助孵化小公司。工程化這一塊，高校還不現實，合作主要在人才交互方面。
與大型科技公司合作，主要在工程化落地，我們提供場景和生態，培育大的生態。這也是個培育，它不單單是技術的孵化，更重要的是通過大科技公司的合作，有時甚至會延伸到商業和生態的合作。我認為它是這樣的過程，有很多不同的定位。
主持人：楊行長，您怎么看？
楊行長：我完全同意呂首席的觀點。當前合作正在不斷深化和擴展。由于AI尤其是生成式模型仍處于前沿階段，越是這樣，就越需要與高校、科技企業開展深度合作。我們必須深入理解技術底層關鍵環節，才能在應用過程中規避系統性、技術性風險。在這一階段，此類合作只會更加地深刻。
主持人：感謝呂首席和楊行長的坦誠分享和深刻見解，為銀行業加快AI驅動的變革提供了寶貴的思考維度。如果屏幕前的您想更多地了解《中國銀行業人工智能發展路徑研究》課題報告的內容，歡迎關注新金融聯盟NFA的視頻號和公眾號，獲得報告的PDF版。我們將持續關注經濟金融領域重要政策、熱點話題，邀請資深專家傳遞真知灼見，歡迎大家繼續關注《雨珊會客廳》！
本文首發于微信公眾號：新金融聯盟NFA。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。
【免責聲明】本文僅代表作者本人觀點，與和訊網無關。和訊網站對文中陳述、觀點判斷保持中立，不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考，并請自行承擔全部責任。郵箱：news_center@staff.hexun.com
最新評論