永利策略雨珊会客厅|对话吕仲涛、杨兵兵：银行如何用AI驱动业务增长？

　　视频回顾：雨珊会客厅 | 银行如何用AI驱动业务增长？永利策略

　　在今年上市银行发布的年报中，人工智能成了高频词。多点开花的场景应用和战略布局，让人感受到银行业真的进入了“AI时代”。AI不仅大大提升服务效率和风险管理水平，更开始革新银行的商业模式，成为决定银行业竞争力的关键变量。本期《雨珊会客厅》邀请到两位资深专家：工商银行首席技术官吕仲涛、光大银行副行长杨兵兵，深入探讨当前银行业对人工智能的研究和应用进展到了哪一步，发展前景如何，还有哪些难点需要突破。

　　来源：新金融联盟NFA

　　访谈实录

　　主持人：今天，我们非常有幸地邀请到了两位资深专家，深入探讨当前银行业对人工智能的研究和应用进展到了哪一步，发展前景如何，还有哪些难点需要突破？一位是工商银行首席技术官吕仲涛，您好吕首席！

　　吕仲涛：雨珊好，大家好！

　　主持人：一位是光大银行副行长杨兵兵，您好杨行长！

　　杨兵兵：你好，大家好！

　　AI重构银行业务价值链

　　主持人：欢迎两位专家做客《雨珊会客厅》。今年春节以来，DeepSeek等国产大模型在金融业引起了一股不小的风潮，银行纷纷加快了人工智能的布局。作为银行业数字化、智能化变革最前沿的专家，二位怎么看待人工智能对银行发展的价值？

　　吕仲涛：人工智能对金融行业的应用价值，从短期来看，主要体现在提升运营效率、改善客户体验和增强银行风险管理能力等方面，这些都会带来直接的效益。

　　如果从未来数字化转型的终极目标来看，它的更大价值体现在如何利用智能技术重构银行的业务价值链，寻找新的赛道和发展机会。

　　杨兵兵：银行的核心是以客户为中心，任何技术的应用都应该体现在客户服务的改变上。效果会很明显，主要体现在客户服务效率的提升。这里的效率是广义的，既包括对客户的识别，也包括服务的精致化，进而提升对授信客户的风险控制能力，我相信很快客户就能够真真正正感受到变化。

　　主持人：杨行长主要从客户感受的角度谈，而吕首席刚才提到了对银行业务模式的推动。能否请您举一些业务方面的具体例子？

　　吕仲涛：业务模式变化里很重要的一点是，过去的流程驱动，包括人机的交互驱动，都是按照设定好的程序和逻辑规则在走。未来，如果借助人工智能的感知、判别和决策，用比较智能化的技术进行串联，人机交互模式可能都会发生变化。

　　目前的信息传递仍以员工处理文本为主，未来可能通过新的交互方式解决，甚至部分感知技术可自动采集信息，无需人工干预。这样，整个服务模式就会发生变化，甚至有可能打破传统基于事权划分的“部门墙”，在新的模式下，机构更可能依托角色定位，实现全工作流程的再造。

　　AI如何锻造银行“超级员工”

　　主持人：杨行长曾经在一次研讨会中提到，在人工智能的赋能下，一些员工可能会成为“超级员工”，请您简要阐释一下“超级员工”这一概念，是否主要体现在服务效率的提升上？

　　杨兵兵：对，现在银行员工因为各种原因分成了很多类，比如对公、个贷、理财等客户经理。虽然都是面客的，但细分领域比较多。其实客户在面对需求的时候，可能不是这么具体，他面对的是一家银行，你应该给他提供全面的服务。但目前客户经理的认知及后台支持，都是按照条线来划分的。

　　原因有很多，其中有一个是：我怎么能认识并记住这么多产品？现在用人脑记忆不是不可以，但是挑战非常大。如果你背后有一个助手，他获取了所有的产品知识和业务能力，对他而言，具备强大的计算与存储能力，那他就变得“全能”。相应地，客户经理是不是也应该“全能”？自然“超级员工”就会诞生，一旦“超级员工”诞生，面对客户提出的任何需求，他理论上都可以响应，并提供最有价值的、性价比最高的产品和服务，这就是“超级员工”面客的一端。人的大脑潜力非常大，但开发利用的空间仍有限。机器可以充分地运转，发挥充分效率，它的记忆力、知识输出是人脑无法比拟的。

　　吕仲涛：从宏观层面和用户视野来讲，“超级员工”好像是存在的。但从微观层面来讲，基于目前的人工智能技术，可能它是由一系列具有专门技能的数字人或者叫数字员工集合起来，形成员工的统一助手入口。一个客户经理带着若干个数字员工，以统一的视角为客户提供集成的服务。

　　我之所以这样判断，是因为就目前的人工智能技术水平，要在一个模型里解决所有的能力还不太现实，可能还需要一些垂类的具体技能。我们打个引号叫“数字人”，但它实际上是具有专门领域的人工智能能力的小模型，或者是垂类模型组合起来解决复杂问题。

　　杨兵兵：实际上，由于银行业务本身按条线划分，数字人一般也先从条线中产生。但数字人具备专业能力之后，它们之间的融合会比人与人之间的协作简单得多。每一类数字人拥有自己的小型知识库和模型算法，汇总起来更加高效，远优于多人协作的复杂度。这是一个循序渐进的过程。

　　银行用AI，到底“卡”在哪

　　主持人：现在银行在应用大模型过程中，有没有什么技术上比较难啃的“硬骨头”？能否用通俗易懂的语言给我们描述一下。

　　吕仲涛：我认为可从三个方面分析：

　　第一，算力层面。大型银行虽然有一定的资金和基础设施能力，可以大量采购算力。但基于国产算力，即便是有，整个投入也很大，对中小银行压力更大。所以，如何有效平衡训练与推理基础设施，合理布局，如何利用公域能力补充这些设施，这是个很大挑战。基于商业可持续的考量，很多领导会衡量算力投资的性价比，高昂的投入未来是不是能够持续获得稳定收益。

　　第二，算法层面，是挑战也是进展。从模型角度看，大量蒸馏技术推动AI平民化，很多机构都可以去探索各类小模型，这是一个趋势。但不论怎么说，未来对端跟云如何进行协同，哪些由云来进行人工智能的能力提供，哪些通过端机（如PC、手机），基于蒸馏模型在本地做协同，仍是热议话题。

　　此外，开源也是很重要的发展趋势。DeepSeek是一个引领者，有一堆开源，这对很多机构进入这个赛道进行深度强化学习、二次训练带来了可能。

　　第三，协同机制。未来不同的智能体，或者不同模型矩阵里的模型，需要在更高层次进行协同。如何使自身的智能体间有效协同，以及同外部合作伙伴的智能体有效协同，变成未来需要大力推动的事。此外，通过上下文交互、MCP协议、标准接口实现内容交互，都需要去突破。

　　主持人：杨行长，您怎么看？

　　杨兵兵：算力就是硬件，算法是人，数据是知识的数字化。

　　最显性的“骨头”是算力，因为投入非常直接，所以大家经常会讨论投多少，该不该投，收益是多少。但它是显性的，我觉得来自硬件的困难最终都会解决。其实硬件随着广泛的应用，成本会降下来。硬件的问题永远是表面化的、看起来最直接的困难，随着技术进步和市场竞争，成本会自然而然下来。

　　第二，算法背后隐含的是人才挑战。一是有没有源源不断培养出来的人，二是培养出来的人能不能恰当地来到合适的岗位，进入相当的研究和应用。在不同的机构里，怎么发挥他们的作用。

　　第三，数据问题是核心的“硬骨头”。原因是把知识数字化后才能产生数据和人工智能可以读懂的东西。除了广义的整个社会上的知识数字化，真正要用到一个机构内部的其实是专业知识库的数字化，这对各个机构是有挑战的。

　　当前数据治理面临三大变化

　　主持人：此前在新金融联盟举办的内部研讨会上，有监管领导提出，大模型时代的数据治理跟原来银行数字化转型中的数据治理不一样。你们怎么看这个不一样？我们在实践中怎么去应对这个挑战？

　　吕仲涛：大模型训练数据本质上仍源于原始数据，因此传统数据治理中的基础问题仍需要优先解决。但在人工智能时代，由于数据经过向量化、预训练等处理发生演变后，带来了很多新的问题，治理要求更复杂。例如模型幻觉、鲁棒性不足、数据投毒等风险，以及显性知识转化为隐性知识带来的不确定性，均需纳入风险治理框架。没办法，这是先天性的问题。

　　咱们要正视它，不能因为它有先天缺陷就不去用它，而要去管控它的风险。人工智能大模型时代的模型治理变得非常重要，需要有很多的手段。举个例子，我们要匹配大量的问题来做强化学习，确保做到价值观的对齐；通过大量的向量外挂数据库、知识库的引用，尽量减少数据幻觉的可能性；还要做各种“安全围栏”，确保数据投毒的可能性降到最低或者提示词的攻击降得更低。

　　技术都有两面性，便利的同时一定会带来问题。我们只要看清楚问题点在哪，想办法通过一些手段、工具去控制。但是我强调的是控制，你很难消灭这些风险，它还是会存在。

　　杨兵兵：我在想一个例子，这个屋子里咱们三个人坐了三把椅子，准确的数据是屋子里有三把椅子。以前是追求不能是两把不能是一把，一定是三把，但是现在它有几个变化。

　　第一，颗粒度要变得细。不仅是追求结果，说这有三把椅子，还要追求这三把椅子什么时候搬进来的，放的位置，甚至位置的经纬度。

　　第二，外部数据的加盟。外部数据加盟就像椅子似的，从哪运过来的是运货单，可能是商家有的外部数据，如果我们拿来至少这个椅子在哪做的、从哪运的，这是外部数据，这两个很重要。

　　第三，非结构化数据的加盟。其实在之前也有应用，但现在更重要。咱们在这聊天，这是非结构化数据。我们的坐姿转化成结构化数据后，就能判断这个椅子是否舒服。

　　当前数据治理包含三个方面——颗粒度、外部数据和非结构化数据的加盟。它会重新认知三把椅子的不同，从大数据时代进入大模型时代对数据的要求是不同的。

　　数据治理部门要耐得住寂寞

　　主持人：既然对数据治理提出了更高要求，它的复杂程度也更高了，那么在银行新设一个数据治理部门是否变得十分必要和迫切？

　　吕仲涛：相关探索早就开始，甚至早于大数据与人工智能时代。过去很多银行有管理信息部，这个问题实际上是条块的问题，长期存在。专业条线的管理，以前是信息，现在到了数据，怎么进行统筹治理。我觉得万变不离其宗，很多单位搞集中式的数据管理也好，管理信息的集中也好，可能不能回避一件事情——管理终究是为经营服务的，一定首先要解决业务的问题。

　　成立此类部门要避免“一统就死”。这个部门不是面向经营一线，会带有潜在的风险。因此，我觉得可能采取类似矩阵式的管理也是一个办法。一方面，对于这个机构所有中后台的数据，我认为数据中台有两层，一层是所谓标准化的东西。举个例子，源数据的管理标准、安全底线基线等等，必须要统筹一个部门来进行协同管理，类似于成立一个数据管理部，这是很有价值的。但对面向场景与客户的模型的运用改变，可能有这个部门不见得一定合适。这就需要前台的产品部门、客户部门跟数据部门形成紧密协同，它等于是个AI旅行业务。

　　但是要平衡。现在产品线这么多，“上面千条线，后面一根针”也不行，而要进行“板块化”整合，把同类型的个人部门、公司部门结合起来，最大化利用资源。在AI人才仍普遍紧缺的背景下，数据能力不宜过度分散，但集约化管理也不等于全部收归一个部门。

　　数据管理部最重要的一点，是强调数据后台标准的统一管理，模型的准入准出可能要做控制。而面向市场和客户的方面，我认为应该基于业务的板块化运营，把模型团队、训练团队、控制团队，板块化地延伸到各个业务部门做平衡，这样可能会缓解一些冲突，只能说缓解，不能完全解决。

　　主持人：工行、光大银行早就设立了相关部门，你们都有很前沿的实践。吕首席刚才的分享对中小银行来说很有启发，因为他们有的快有的慢，还有的尚未设立此类部门。杨行长，您有什么建议？

　　杨兵兵：2022年，我们正式成立了一个一级部，由之前的二级部升级而来。当时考虑的是面向AI时代什么是关键？刚才我说了三大能力，最后是数据，总要有一个部门把数据给融合好。它不是真正的应用部门，而是提供好用数的部门。

　　我常对他们说，你们要“耐得住寂寞”，成绩不在你们那体现，而是体现在模型部门和前台的应用中。你们的任务是整备数据、制定标准、强化落地、管好质量与安全。

　　现在为了让业务单元有能力应用，我们连续四年开展“数据分析师资格认证”，仅面向业务部门，科技部门不参加。通过认证者方可使用数据系统自主分析。我们每年都有培训和资格认证，三年有效期到了后会重新认证，这就能让他们把数用起来。

　　这个部门是管数的，把数据提供好是他们最大的责任。业务单元是用数的，但是我们给他提供一个用数的能力，所以就做了结合和尝试。关键在于数据部门要“耐得住寂寞”，这一点不容易。当然也需要银行高管层认识到这个部门是干这个事的，平时不显山不露水，只要数据质量没有问题，随需随取，就是他们最大的成绩。

　　吕仲涛：我的体会，不管怎么设计这个组织体系，必须紧绷两根线：一是坚持业务第一性，所有中后台必须服务业务；二是通过绩效绑定实现协同。如果不与业绩结果直接挂钩，而仅仅通过产品经理、客户经理转述需求来提供服务，他如何对最后的业绩进行直接地反映？一定要把前面的业绩部分传导给服务的提供部门，没有业绩传导机制，长期来看缺乏可持续性。

　　主持人：但这种考核是不是很困难？

　　杨兵兵：中后台与前台绑定的考核在银行并不罕见，关键看怎么绑定得更具体。我们尝试通过“柔性团队”推进专项考核。例如零售贷款自动化团队，由数据、智能、研发、风险、渠道及零售产品部门共同组成，虽仅二十余人但来源多元，实行单独绩效考核，同时兼顾原部门职责。

　　我们在普惠、供应链都有类似小范围的尝试，未来在组织机制上也有进一步拓展的空间。业务进入数字化运后，一组人一起盯着屏幕，屏幕上数据的变化就是市场变化的反应，而不是盯着各种文件，因为最后的文件都体现在数据的变化。比如我们投放了一种营销活动，看客户没有太多的响应，或者是仅某一类客户响应，而这类客户又不是原来的目标类的客户，这一定是投偏了。现在应该能够实时看到，然后去纠正。这就是大家在一起，而不是说投完了，过一个月后搜集营销结果，大家开个会分析一下，再说要调整，基本上三个月过去了。这不是数字化运营，数字化运营讲究的是效率和对市场的敏感。

　　吕仲涛：这里还有很多深层次的问题，我们刚才只是从总行的条线维度讲这个问题，但大型银行都是总分结构，主站在分行，运营需求大多来源于市场一线分行。

　　从科技角度看，满足业务的需求并不等同于满足市场的需求。业务提的东西是不是满足市场，还要看内部的治理机制，总分行怎么协同，这是深层次的问题。现在有些银行科技是集中的，数据中台部门也集中，然后希望业务部门能够板块化运营。好像从总行角度来讲，每个业务部门提出客户和业务的需求，我就认为是合理的，这本身就是一个问号。从全国市场来看，有没有这个能力？我认为现在有一个异化。从科技视角看，各家机构的科技基本都是集约化经营，没什么问题，业务的主抓在总行，这个没问题。但是主战不在总行，主战基本在分支机构，那么科技怎么赋能到整个业务板块？我认为需要研究。

　　科技与业务协作的问题一直存在，只是现在可能带来了潜在的机会。随着数字化转型的提升，未来整个数据流动的科层制变得没那么重要。过去的信息传递都是要科层制审批，未来在一个网上的情况下，它的权限管理模式可以做新的思考。未来可能总分行的主战跟主抓模式，也要做些演进，可能未来总行的主战的成本会增加。

　　传统的银行绩效管理方法，存款客户都要归属到管理网点，这样总行绩效很难确认。这是银行经营管理模式的问题。为什么客户经理会抢开户银行？客户在这家机构开户，以后即便在互联网上跑，存款也在这家机构。人为地把客户行为约定到某一个管理单位，而未来在互联网思维下，在总行的集约管理的模式下，客户实际上是这个企业的，而不是某个机构。

　　由于这个原因造成管理会计上出现很多矛盾，比如绩效分润问题、产品线分润问题、机构间的分润问题。现在互联网后，以后大模型大家都出来营销客户，可能一个客户在全国甚至在全球移动，由此带来客户在不同的经营机构间的业务流动。这个时候业绩归属如何，部门之间怎样分润，都是深层次的问题。这个问题如果不能很好解决，“以客户为中心”就是一个伪命题，很难做到。因为我们都是以产品和客户的管理关系评估绩效。

　　杨兵兵：刚才说了“硬骨头”，第四根骨头没说，也就是背后的长期运营机制和思想能不能跟上时代带来的变化，生产关系能适应生产力就大力促进，不适应不去改变就是阻碍生产力的发展。生产关系对银行来讲，就是思想加机制，这也是块硬骨头，是更深层次的。数据是稍微隐性一点，到了这个就是隐性中的隐性，但你必然会碰到。到一定程度后永利策略，你可以在不同的点上试。当然，如果多点试后，能不能形成一个共同的结论，促进大的顶层设计，就是后面的挑战了。但我觉得当务之急是在先试，如果上来就要变，而不去试就没有办法促进真正的变。

　　吕仲涛：最重要的一点是重构业务链的问题。实际上就是条线、总分之间，未来整个业务流怎么进行，要用数字化技术做这方面的探索。当然这是终极目标，短期还不太现实。

　　杨兵兵：反正就试吧，这个时代技术走得更快，我们肯定会用好技术，那就得反复地试，积极地试。在这个过程中，不断改变大家的认知。其实每一点变化都是一大进步，我们期待一点点的变化。

　　中小银行如何选择AI模型？

　　主持人：很多中小银行财力有限，他们如何挑选适合自己的、更具性价比的大模型，有什么好的建议？

　　吕仲涛：主要看几个问题。第一，当前通用大模型众多，市场尚未收敛，需明确是选择一个还是多个模型。第二，选模型到底要解决什么问题。目前对通用类的能力，如写会议纪要、翻译、摘要等，用市场化或者是外部的就可以。对于需要用到银行私域信息的专属模型，要慎重选择与场景比较匹配的基础大模型。不见得一定要是通用技术大模型，你可以有不同的选择，因为它是垂类模型，是针对特定领域解决问题的，这取决于自己的能力。我建议最好减少二次训练，这样可以降低对算力的要求，可以侧重做微调、强化学习及外挂的RAG技术运用。也可考虑用蒸馏技术，选用符合能力要求的小模型，从而有效缓解算力压力。

　　杨兵兵：我完全同意首席从技术角度提出的建议。还有一个角度，先不着急选什么模型，而应先明确目标。我觉得有两个方向，第一，解决思想问题，帮助大家从日常繁琐的办公中解脱出来，让大家感觉到这东西真的有用且有意思，让大家愿意去探索。目的是让大家因为用而感觉有变化，因为有变化带来思想上的变化，思想上的变化可能会对更多的业务应用、更大的投入带来变化。这种的选择就是起点想好，不要有太高的追求。

　　第二，明白银行到底想在哪个业务上做出特色。尤其对中小银行而言，发展到一定规模后必须依靠特色竞争，应将各种优势资源包括新技术集中用于特色业务。这个时候，第一是选择业务，第二是看这个业务在机构里有没有实现充分的知识数字化。如果有了模型，却没有足够的数据，则无法在这个场景应用落地。所以银行可能先选几个想重点做的特色业务，再找每个特色业务有没有充分的知识数字化或者知识库的数字化，找到一个最佳的就可以开始。然后将把一些模型的选择和技术的应用落地，它会让管理者很快看到变化，不管这个变化会不会产生业务上的突破，但肯定会给想要做的特色业务带来新变化。

　　如何平衡科技投入与业务价值

　　主持人：很实用，吕首席主要从技术的角度阐述，您从业务的角度来谈。两位都提到了产出的问题，如果短期内看不到产出，很难促使银行的决策层持续投入。那我们怎么去看待短期和中长期的产出，怎么平衡科技投入和业务价值？

　　吕仲涛：从提升效率角度看，它的产出是有的，只是没办法量化而已。为什么有些员工欢迎，有些员工不欢迎？它解决了很多繁琐的工作，员工肯定欢迎。为什么AI的文章现在这么流行，因为它的产出效率高。

　　主持人：解放了一大批“表哥”“表姐”。

　　吕仲涛：肯定是有价值，只是这个价值没有量化而已，对员工的工作体验改善肯定是有直接的效益。但是有些员工可能会担心自己下岗，甚至某些岗位因为AI消失。但从企业经营角度看，可能这不见是坏事，企业可以推动员工技能转型，使其适应新岗位。

　　当前有些人认为AI在关键领域的关键价值没有体现出来，它隐含的内在逻辑是希望出现“爆款”，有个一蹴而就、直接显性的价值。这种思维是有问题的，因为人工智能技术是在演进和发展过程中，短期内不管能否量化，它的价值是客观存在的，至少隐性价值是存在的。从长期看，你丧失了这方面的能力，未来可能面临更高的追赶成本与时间压力。只是说你投哪儿的问题，你不得不投，不能好像效益不够而短视，未来可能就不是要不要的问题，而是跟不跟得上的问题。

　　杨兵兵：AI投入跟科技投入一样，每一个系统投入是不是都能算出成本收入？科技到了今天还能算一算。前台系统还好点，到中后台系统、基础设施就更难算了。怎么办？从长时间来看，一个银行的成长，各个银行自己可以看看，比如我行资产规模有10倍的增长，客户可能不止10倍，网点肯定没有10倍的增长。

　　再看AI投入，它本质上是一种战略性决策，需由银行领导班子、董事会及战略委员会共同把握。现在大部分AI大模型投入更高一些，AI大部分处于帮助你的阶段，还没到替代你。只要不替代你，就见不到“省人”、流程缩短、交易快速变化。它没有替代你，还是人和人的交互。

　　例如，原来写一篇文章花两天时间才交给下一手，现在可以半天交给下一手。你能确保下一手拿到就马上能处理吗？如果他没有马上处理，搁两天，效率变了吗？没变。但是如果替代你，我和下一手都变成机器，1秒传过去，3秒审核，10秒结束，它是可控的。

　　银行AI应用从关键场景下手

　　主持人：今年上半年，新金融联盟发起了名为《中国银行业人工智能发展路径研究》的课题报告，由吕首席牵头，杨行长参与。报告提到了应用发展的现状，能否请两位专家给大家讲一讲，目前主流银行在人工智能应用方面取得了哪些比较突出的成果？未来是否可能出现“爆款”应用？

　　吕仲涛：目前看还没有特别明显的“爆款”，但正如我一直强调的，人工智能在效率提升、客户体验优化和风险管理等方面已经体现出实实在在的价值。在生成式AI出来前，传统AI的几年，已经有很多价值产生出来，只是没有像现在这样引发广泛讨论。

　　例如工商银行的ECOS，在AI大模型前叫ECOS，其中最重要的就是Smart，即“智能”的概念。从这个角度看，目前人工智能由于各种原因，好像对银行垂类的核心场景使用得并不多。它有先天性的问题没有完全解决，比如隐私问题、幻觉问题，但是对有容错能力的场景，已经大大提升了效率。

　　对中小银行也一样，不要面面俱到，什么都想解决。你能不能找到痛点关键场景，解决重要的一点，成本投入跟效率提升了，可以解决很多问题。

　　工行原来有两块大的投入。一是远程客服。通过大量的人工智能技术，包括智能语音、智能应答、RPA等，解决了大量的催收、外呼及营销问题，远程客户经理下降很多，这是效率的提升。

　　二是运营管理。运营管理中大量业务是用人工智能解决的。比如数据录入切割、纸质文档的快速OCR识别等。它是人工智能技术分支，可以解决很多降本增效的场景。

　　对客户经理来讲更重要。现在客户经理大都很年轻，流动性大，技能提升慢，没办法快速理解并跟客户讲清楚各种产品业务。怎么办？我们做了一个人工智能的员工助手。他带着助手，可以快速地检索、了解银行的各类产品、服务和规章制度，及时跟客户进行交互，这就是提升效率。

　　很重要的一点，手机银行、网上银行原来的人机交互模式未来会转型，通过语音在适老化改造中。你可以用人工智能的技术快速了解客户的意图，自动推送客户服务，这都可以在提升效率中解决。

　　在风险领域，AI的应用更为广泛。无论是反欺诈还是反洗钱，它的感知能力、对外部数据的探知能力比人更强。过去的打分卡模式已经远远不足以支撑它对实时外部信息的获取。人工智能可以通过互联网实时检索，外部知识库的化解，快速判断客户的综合形象，判断客户画像，快速甄别潜在风险。银行都是经营风险的，这些场景一定会用到。

　　还有一些特殊领域，如金融市场业务交易撮合和财富管理，现在很多人都在做，也有很多潜在场景机会。

　　主持人：杨行长，您有哪些补充？

　　杨兵兵：刚才首席讲得很全面，直观的就是节省时间、提高效率。效率的提高可能在内控和内部管理上会有很大变化。

　　举个例子，以往进金库需要双人同在，为了保证做到这个，我们有视频保证，有专人定期抽查看录像。现在比较简单，首先把非结构化数据做转换，然后加上模型要素，监控室可以实时报警。如遇到一人未入库、两人未面对面等，就会实时报警，不用看录像。原来看录像，怎么抽查才算达标？可能就不是几个人天天看。现在是实时，只要有一个人去处理，跟领导反映算是几级，然后去处理就行。

　　再如贷款复检，现在银行的贷款业务有授权，授权给了分行，有的分行可能新的审批人刚去，或者有的分行授权刚提升，总行就要复查。以前复检是靠人，一笔一笔地看，复检多了就要增加人，要不就减少人，减少复检量，中间取得一种平衡。现在，我们通过阅读大量的可疑文本后，形成模型的能力去里面抓取。我们去复检，最可疑的就会往外跳，跳出来的我们去看，没跳出来就算过了，将来还会对没跳出来的再做复查。现在为了提高效率，不用不断增加人，而是不断增加模型的人员，不断校验模型发现问题的能力。

　　人员结构也发生了变化。银行人员结构从原来以“业务为主、技术为辅”，中期转为以“金融科技为主、业务为辅”，未来可能金融科技大领域里，做模型和数据的人才要不断地结构化增加。不断地投入人员校验模型，校验模型的目的是省掉更多的人，更精准、更公平，而且维持尺度地去做筛选和判断工作。

　　效率背后是内控，它会带来这个方面的变化。但现在直接对客的因为本身应用有一定的限制，用了市场规模扩大了，短期还见不到，原因有很多，比如技术、应用安全、机制等。但是节约时间，效率带来的内控变化，这个肯定可以达到。

　　所以，大家锚中几个点进行，做得越深，效果越明显。如果分散地用力，反正说10个单位都有需求，我都替他做了，这么多人分散在每个单位，还不如供给一两个点产生明显的效果，更好地带动大家进行思想认识上的变化，在这个时期更有意义。

　　吕仲涛：实际上是找准一个场景，倒推数字化转型。反过来讲，现在很多中小银行数据治理本身都做得不是很理想。由于现在人工智能的技术，甚至是AI起来后，知识工程变得很重要，知识控制的前提就是本身数据治理能力要上去。

　　所以我认为要利用抓手，没有抓手就更难。要搞企业级的数据治理，搞数据标准化，下面的机构好像无从下手。但如果你抓住某一个点，针对某个场景倒逼知识工程，把私域数据集提炼出来，倒逼业务部门，把史上遗留下来的各类知识、信息、数据结构化、条目化，进行强化学习。它有个过程，我认为这对中小银行的数字化转型是正向推动的作用。

　　智能体发展核心挑战是协同

　　主持人：近一年来掀起了建设智能体的热潮，不知各家银行建的智能体的数量、质量到底怎么样？

　　吕仲涛：我们在垂类模型方面已做了大量工作，针对不同场景，最终通过智能体的形式形成包装好的服务能力。目前已经建设了许多智能体，并嵌入各类业务场景中。

　　当前的核心挑战在于如何协同多个智能体以解决复杂问题。智能体协同有个很大的挑战，即幻觉问题。智能体在交互和感知的过程中，要做简单的理解与判断。如果它有幻觉，从高可靠性角度来讲，即便单个智能体准确率达到95%，多个这样的智能体协同后，整体准确率也会显著下降。所以，如何纠正多智能体系统，确保准确性、可控性，在正常可接受的区间里保证质量，我认为下一步要做很多的研究。大家说起来很容易，说要搞多智能体协同，搞一个超级智能体，调度下面小的二级智能体。方法论好像看上去很简单，但事实上在不同的智能体中，如何确保质量稳定性，减少幻觉，才是下一步要重点突破的。

　　实质上，智能体的数量已经不是问题，很多银行已在不同的场景中广泛引用。在协同做得还不太好的情况下，有些银行可能简化智能体来解决特定的小场景，先用起来，嵌入到流程中去。

　　杨兵兵：生成式大模型只要有了思维，大家就期待它能行动。在智能体身上最典型的就是“知行合一”。“知”，它先有了思维，我们赋予它生成式的思维，形成判断，最后去“行”。

　　“知行合一”是智能体最佳的体现。但能不能做到？它在技术上有问题，在工程学上有概率的问题，还有各种其他问题。能不能达到“知行合一”？“知”可能效果越来越好，“行”会有一个过程。

　　主持人：随着技术不断迭代产生了新的效益。

　　杨兵兵：对，最后一定要回到智能体，想发挥作用，它一定要去动，不能只是分析。它不可能替代我，因为我要做决策、要行动，不是光有知识。智能体最终要走到那一步，智能体的合作或者超级智能体的诞生，一定是有这一步的，只是有一个过程。

　　如何避免AI“闯祸”？

　　主持人：两位专家都提到AI存在风险，比如AI幻觉或其他风险，怎么认知这种风险？在实际的应用过程中怎么去防范、避免让它“闯祸”？

　　吕仲涛：从技术原理上讲，生成式AI产生幻觉可能是不可避免的，但它同样给我们带来创造性、探知未来的价值。所以怎么在可控的情况下合理运用它是我们的命题，而不是去回避。

　　如何去控制，主要有几个方面。第一，通过各种工程化的基础手段，通过二次训练、强化学习及各种校验建“安全围栏”，防范幻觉出现的可能性。细节上我就不谈了，目前有很多工程化的方法控制幻觉的产生。

　　最重要的一点是人类的监督。你不能希望AI自主决策，无论在什么情况下做出行动，人总是最高的。任何技术智能都是为人服务的，所以绝对不能丧失人对整个模型的控制力。“安全围栏”的底线是，在任何情况下，人类可以监督、终止。这是我们必须坚守的底线，来确保大模型的幻觉，或是它产生的负面作用。目前我们有很多工程化的方法，约束模型可能产生脱缰的可能性。

　　反过来讲，你越是约束它，让它按照你的设定要求回答，或是按已知的要求回答，你也约束了它的创造力。通过大量的问题建“安全围栏”，让它变成完全不是深层次的东西了。按照约定的要求，再给出可以解释的问题和答案，它是个悖论。它的创造性恰恰是在探索未知信息的时候，这是可解释性的问题。

　　所谓的可解释性是基于数据的认知来解释的。但是我们不得不承认，大模型由于它的高维，它的信息感知能力远远超过人类的五官。可能你认为不可解释，这只是我们的视角，也许它有它的解释逻辑，只是我们未知。

　　当然，它的很多推理和思维链过程，也是通过人类的训练提供了这种能力，它只是利用这种能力进行大量的数据感知、推理的过程。所以针对不同的场景，可能有不同的使用管理要求，但最终人类对它的控制必须是第一位的。

　　主持人：谢谢吕首席，杨行长怎么看？

　　杨兵兵：AI幻觉来源于技术对人脑思维的模拟。人的思维有缺陷与幻觉，AI像人的思维，在某种意义上来讲，就越容易发生幻觉。

　　能不能杜绝幻觉？它是人产生的，如果未来有新技术诞生，它是超越人，可能能避免人的缺点。如果不能超越人，它只会极大程度地减少人的缺点。

　　AI存在幻觉是在提示大家：即使是机器做出来的，也不一定百分百正确。尤其是生成式的思维不是一个逻辑决策形成的，一定有不对的地方。

　　在大模型时代，人不能丧失判断能力。即使将来有了智能体，最终很多事都要你来判断。你做了很多决策，框架路径依然是你告诉它的，否则它就全部按照自己的想法来做，技术肯定是可以的，但结果会产生很大的不确定性，你能不能接受？

　　银行需要什么样的AI人才

　　主持人：杨行长强调人的判断力非常重要，吕首席认为人员控制是“安全围栏”的底线。人在人工智能发展过程中是关键的因素，那么，银行业需要什么样的AI人才？

　　吕仲涛：实际上又回到原来讲的金融科技问题。所谓的金融与科技，只是现在科技又泛化到跟数据和智能有关，它都是一个融合问题。过去人们注重数理化和语言等通识能力，未来人工智能技术甚至更全面的信息科技技术，能不能变成类似于像数理化和语言的通识？如果不能通识化，变成专业领域的知识，实际上就有了壁垒，之后要想融合是很难的事。

　　有道是“术业有专攻”，不同行业的人才简单放在一起并不等于融合。在机构内部有科技部和业务部，从机构角度来讲，为什么没融合？因为是两个部门。反过来，我把你放到一个团队里，这个组织中也是两拨人，你还是没融合。两个人交流沟通，可能还是很难说到一起。甚至如果你的绩效考核是不同的视角，你是服务支持部门，那边是市场部门，绩效不一样就更难融合。

　　怎么去看融合这件事？首先是思想意识层面，如果业务部门把IT和人工智能作为一种通识，从技能来掌握，他一定有第一动因，利用这种东西解决问题。这是长期问题，我只是谈得较远。

　　目前最重要的一点是如何降低IT技术或者叫人工智能技术的学习门槛，让它“平民化”，尽可能变成一种通识。通识没有那么容易简单，越简单就越容易形成通识，越复杂就变成专业知识。从IT人员角度看，就是要做布道的事，通过各种简单工具生成工程化的方法，让所有的员工快速掌握这门工具。这可能比把两拨人放到一起更有可持续性的价值。

　　银行真正需要的，不仅是AI专家，更是懂银行的AI人才。直接引入AI人才当然可行，但他跟业务的赋能还是有难点，如何快速解决银行的场景问题也是难点。银行直接引入AI人才，性价比不一定非常高。投入很大，虽然能提升技术能力，但不能快速解决业务问题。所以，我觉得还是要从业务视角，甚至可以找外部的资源，就看能不能养得起比较专深的 AI人才。

　　他能不能持续跟进技术的发展？因为他是有生态环境的。这些专才如果没有生态环境，可能进来时是很好的一个人，三年后就泯灭于大众，因为技术发展很快。

　　如何利用业界的最新技术、最新技能的人跟自己本身的领域知识，关键是要有意念和动力推动寻找这些资源跟自己的业务结合。如果所有的企业都自己养 AI人才，从学校角度来讲，可以变成很大的教育产业去搞，但实际上是不是很多企业能做到这一点，我不特别看好。

　　主持人：杨行长，您怎么看？

　　杨兵兵：高端的AI人才对银行来说，在市场化时代还是用市场化的方式、合作的方式进行。同时，我们引进更多来自高校的人才，他们有很好的学术素质，在银行里能工作，能跟着市场化的高端人才学习，他们就是复合型人才。虽然他可能对业务人员来讲不一定那么专，但对市场人员来讲，他已经是银行业比较熟悉业务的人。对机构来讲，从学生开始培养起，一开始有学术素质，再加上业务，他慢慢就是一个复合型的人才。

　　主持人：您不觉得这两年人工智能迭代特别快吗？从open AI到DeepSeek迭代非常快，金融机构是不是也会感觉人才有点跟不上？

　　杨兵兵：我们有跟市场化的合作，内部的技术人员也可以提升转型。不代表原来做代码编程的，就不能去学人工智能。他有门槛，但还没有那么高。

　　吕仲涛：它有一个前提，跟企业战略定位有关。美国的人工智能专家、头部人物哪个是从哪家银行出来的？我没看见。

　　主持人：基本上都在硅谷的互联网公司。

　　吕仲涛：基本在互联网大厂、大科技公司。说明什么问题？它的人工智能投入其实大过银行。银行在人工智能专家领域并没有什么特别的人才，持续发展的模型出来。我认为不单单是科技投入的问题，实际上跟战略和经营模式有关。

　　银行的主营业务是金融，不能想变成大科技公司。如果你要变成大的科技公司，经营模式、盈利模式、客户模式都会发生重大变化，但这是不是你想做的？你是一个金融持牌机构，重点在金融领域。

　　在这种情况下，你的定位要清楚，是技术的应用者，而不是技术的创造者，你的人才结构也是应用技术的人才结构。现在有些大学在培养复合型的人才，但目前成熟的不多。

　　主持人：二位都提到了很重要的人才来源是高校，现在高校的AI人才培养能跟得上形势吗？

　　吕仲涛：现在高校直接讲AI的人才好像不多，基本上还是通识类的IT人才。社招类的 AI人才总体效用不尽理想，这跟文化融合有关。很多社招的、有一定层次的人才，跟原来的团队融合非常困难，这不仅仅是技能的问题。

　　很多社招人才有一套商业逻辑、业务逻辑，包括管理文化，依靠一两个人很难改变。银行相对更严谨，也会给资源调度带来很大挑战。互联网公司是不一样的，它进来后可能给你这个要求，可能是业绩为导向，可能一两年不行就走人。但银行得从长期来看，虽然进来的门槛不低，但要出去一般比较慎重。

　　它有很多文化冲突，高薪进来的专业人才要发挥作用非常难。不是说想招就招，从长周期来看，这些人为什么没有自己培养的好？原因就在自己培养的人才，从进来开始，通过几年的历练就可以塑造成符合企业文化的人。这是硬币的两面，好的一面是有历史传承的脉络，坏的一面是可能沉淀很多痼疾。

　　因此，银行业AI人才建设面临双重挑战：一是人才短缺，二是如何有效使用人才。目前来看，外部引进人才“水土不服”的情况仍占多数，往往两三年后便无声息，真正带领团队实现突破的案例并不多见。

　　人工智能专业值得报考吗？

　　主持人：稍微延伸一下，对年轻人来说，高考报考志愿时，人工智能专业是不是一个好的选择？

　　杨兵兵：当前技术迭代很快，从专业选择上，通识类或是相对泛的专业意义更大，因为你不知道后面还有什么变化。现在选专业，不是说4年毕业找工作，有可能是6年毕业找工作。6年后有什么变化？可能4年先是通识类的，后面2年如果读研究生再去锁定，可能意义更大。

　　另外，要避免被专业名称迷惑，还是看看专业的内容是不是这个领域的基础性质的，比如关于数据、人工智能，它可能有具体算法，也有可能做数据的，这些都属于在大包装下的具体内涵。

　　吕仲涛：作为应用单位，我们更关注实际技能。路线不能跑错，因为它是个生态，如果所有生态里的人，大家都用同样一种语言，用同样的工具做同样的事情，而且生态越做越大。对青年学生来讲，他未来的选择余地就大，发展空间也大。但如果你跑到未来不是一个方向，可能后面的转型成本很高。

　　所以，现在最重要的是学了这个东西，未来几年，它的生态会不会起来，就像鸿蒙。如果大的生态起得来，可能从各个学校进去，生态越来越大，掌握这种开发技能的人，以后在市场上比较容易被接受。

　　正如杨行长所说， AI也看方向，如果怕风险，有些传统意义上的通识类的基础扎实的知识，比如计算机基本理论、数学、统计学等等，你掌握得比较好，后面转型就相对会更好。

　　银行如何用好AI人才？

　　主持人：有的银行把AI专家放在科技部或者研究院，有的银行把他们分散到各业务部门，你们觉得哪种方式更利于人才发挥作用？

　　吕仲涛：我觉得两边应该都要有，但是角色不完全一样。简单地说，跟人工智能有关的基础性工作，例如数据科学家承担的模型底层研发，适合在科技部门或专门的数据与智能管理机构，负责面向分析和数据。数据工程师、模型工程师和算法工程师可能较多在集中化部门。而模型应用、参数调整及训练实施等环节，可能要放到板块化的业务部门。

　　但是业务部门不要简单讲业务部门，现在银行业务部门条线太多，你不能讲到业务部门就全部散下去。因为资源不够，银行业务部门不是简单一句话，还要强调业务融合。现在老讲科技跟业务融合，很少讲业务融合。业务本身涉及前中后台，产品线、客户线之间的融合很重要，但又不是一股脑全融合在一起，因为有些需要做相互制约和前后台的分离。所以在进行科学融合的基础上，要把具有应用能力的工程师放到业务上去。

　　避免单一化配置，应通过结耦设计、双线布局与联动考核，实现业务目标的整体优化。它是一个平衡过程，不能简单全部集中或全部分散，这两个方向可能都有问题。

　　杨兵兵：吕首席说得非常好！我补充两点。

　　第一，业务融合在当今尤为重要。以往可能客户对产品的需求比较单一，银行从一个产品上获得的足够收益，也未必说客户再多做几个产品，当单一产品有足够收益的时候，也没想法去做多个产品。但是现在单一产品覆盖成本越来越难，必须依靠组合营销。如果部门是分割式设置，不够融合，想给客户综合服务就有难度，难度最后带到科技层面和AI层面。所有现在业务中的问题，最后都会映射在系统上，系统会映射在模型上，因为模型本身不会倒过来改变的。

　　集中和分布应该同步推进，甚至可先设立集中部门。集中部门有几个作用，第一，对底层技术的把握。他需要一拨人凑在一起形成小生态，赋予足够的资源，技术上不断提升。

　　例如我行成立数据资产管理部的同时也成立了智能运营中心，主要做算法和人工智能。但同步做了另外两件事：一是实施模型分级管理，如资产类模型智能中心去做，偏营销类模型则业务单元去做；二是推行“模型师资格认证”，通过认证的人员才可开展相应类型的模型开发。

　　这样做意味着这个单元想做这些模型得有这样的人，这样的人经过认证后具备基础性的能力，才有资格去做模型。因为这种模型一旦产生，发到业务系统里有问题就是系统性的问题。所以这种人如果没有足够的资格，或者没有一个统筹单位全部分散再进行，将来银行的系统性风险会遍地开花，没人能够控制得住。

　　我觉得要有集中部门，集中部门不能什么都把在手里，要做模型分层并允许外面的人有资格做这个事。这样就是集中和分布做了一个结合。

　　主持人：这听起来是非常有效的办法。

　　杨兵兵：我们还在探索中。

　　大银行怎样将AI能力高效赋能中小行？

　　主持人：报告中提到，现在大行在AI技术投入方面步伐较快，但中小银行限于人力、财力、技术储备的不足，有点跟不上进度。那么，如何将大银行趟出来的路、积累的经验，高效地分享给中小银行？有没有好的“传帮带”机制，让整个银行业都受益于AI？

　　吕仲涛：从政府和监管视角，意愿肯定是明确的，但从市场化视角来看，可能还要用市场的力量解决这个问题。大银行服务输出，包括基础设施的输出，在不违反监管底线要求、隐私保护和数据安全的前提下，可能还要通过市场化的力量解决。不然，靠强行推动拉郎配可能不理想。过去搞银银合作，各种场景搞了不少，但因为各种顾虑，推动都不是特别理想，未来这个问题也要当心。

　　反过来看，小银行间抱团行不行？为什么有些抱不起来，有些就抱起来了？这也是市场化的问题。我觉得可能用市场力量看待这个问题会更好，因为终究都是市场主体。以管理者视角来看当然很简单，大一统而且做公共基础设施，但它到底能不能发挥作用？人家有没有意愿使用这样的公共基础设施？不论是模型、数据还是基础设施，当中涉及很多责权的问题。

　　我一直有种感觉，政府或是监管可以鼓励民间银行合作，如果民间都鼓励不起来的话，用行政手段可能效果也不会太好。

　　杨兵兵：是的。通过课题研究报告，以及咱们这样的机构做的这些工作，是最有意义、最有价值的。一是总结大家走过的路，总结成功的经验，再组织小范围的论坛，讲讲踩过的坑，总结失败，其实就可以了。因为再小的银行机构，相对一般的企业都是大的，他如果愿意做还是有资源能做的，无非是少踩点坑，走正确的路。

　　第三方平台可多组织交流，以市场化方式促进经验与教训的分享。大家共同总结实践中遇到的问题，避免重蹈覆辙，这种形式更容易被接受。

　　银行的AI定位应考量三个维度

　　主持人：感谢杨行长的鼓励与鞭策，也感谢吕首席和杨行长一直以来的支持，为中小银行输送了很多宝贵经验。关于银行在AI生态中的定位，有人说应该做“场景集成商”，有人说银行应该专注“搭平台”，你们认同哪种观点？或者银行应该扮演更丰富的角色？

　　杨兵兵：这与银行自身的状况有关。如果现在是参与型，你把人工智能标准化接口做好，等着去参与到人家的场景就行。如果自身有足够的场景资源，你就把场景变成平台，吸引各方参与。

　　当前人工智能的应用不太可能改变运营方式。你是参与型的，还是形成平台让大家参与，不会因为用了人工智能技术就改变了。你在市场中是什么角色，无非是用了新技术巩固你的角色，或是在这个环境里提升你的能力。如果是突破性的，就要有新的应用考虑了。

　　吕仲涛：我认为银行在AI生态中的定位应从三个维度考量：

　　第一，在内部生态中，银行如何利用人工智能优化运营，这是自身的战略选择。

　　第二，在金融同业中，作为强监管持牌机构，银行需明确自身定位。

　　第三，更高境界的，在社会生态中，银行是怎么定位的。

　　为什么我提第二个维度？现在国家金融基础设施也提出了这个概念，金融基础设施有整个全行业、全大产业、国家级的数据基础设施等等。很重要的一点，对金融机构来讲，金融有大量的金融基础设施。在金融基础设施中，新型金融基础设施数据的模型，所谓的人工智能会不会成为一种新型的基础设施？如果成为一个金融基础设施，商业银行，特别是大型商业银行，你在整个的金融行业竞争中，定位在哪？你是平台的贡献者、主导者，还是参与方？如果你是参与方，谁来主导？是监管机构？还是央行建立人工智能生态？

　　更高层次就更复杂了，在一个全市场参与中，可能不单是行业的问题，还有很多互联网大厂、科技公司等大平台。金融机构在整个生态中是怎样的角色，不能一蹴而就来讲，要从这三个视角来看。从金融机构来讲，最现实的问题是在行业中的定位。你在行业中能够发挥什么作用？还是只是一个标准的差异化，各自建各自的，没有办法形成市场化的或者商业化的共享基础设施平台？

　　近期央行发布的《金融基础设施监督管理办法》虽未扩展到更大的新型经济基础设施，但至少从概念上来讲，已经提出了这样一个问题。你只要变成一个平台，变成一个场景的参与方，就类似于一个打引号的“金融投资”。公共平台有场景、技术及数据的运营，不同层次的运营到底谁来主导？还有监管的指导，如何申请持牌，它是有流程的，还有些是不能进的市场。未来对这些新型金融基础设施，特别是人工智能的，还要观察。

　　当然，对大型银行而言，应有动力与意愿在生态中发挥更重要作用。

　　主持人：刚才您重点讨论了行业生态，那么在社会生态上，银行怎么与科技公司、高校等伙伴更好合作，实现共赢？

　　吕仲涛：这类合作客观上一直存在，只是现在如何进一步强化。

　　与高校合作主要在人才培养与小颗粒度的技术孵化上。为什么是小颗粒度？因为大型的工程化的项目，高校做不太现实，因为它的团队都比较小，更适合垂类的小领域。在这个过程中，银行可以提供场景帮助、促进科技创新，帮助孵化小公司。工程化这一块，高校还不现实，合作主要在人才交互方面。

　　与大型科技公司合作，主要在工程化落地，我们提供场景和生态，培育大的生态。这也是个培育，它不单单是技术的孵化，更重要的是通过大科技公司的合作，有时甚至会延伸到商业和生态的合作。我认为它是这样的过程，有很多不同的定位。

　　主持人：杨行长，您怎么看？

　　杨行长：我完全同意吕首席的观点。当前合作正在不断深化和扩展。由于AI尤其是生成式模型仍处于前沿阶段，越是这样，就越需要与高校、科技企业开展深度合作。我们必须深入理解技术底层关键环节，才能在应用过程中规避系统性、技术性风险。在这一阶段，此类合作只会更加地深刻。

　　主持人：感谢吕首席和杨行长的坦诚分享和深刻见解，为银行业加快AI驱动的变革提供了宝贵的思考维度。如果屏幕前的您想更多地了解《中国银行业人工智能发展路径研究》课题报告的内容，欢迎关注新金融联盟NFA的视频号和公众号，获得报告的PDF版。我们将持续关注经济金融领域重要政策、热点话题，邀请资深专家传递真知灼见，欢迎大家继续关注《雨珊会客厅》！