金融大家評 | 中國農(nóng)業(yè)銀行董事長、黨委書記 谷澍：提升AI應(yīng)用普惠性的若干思考

導語：黨的二十屆四中全會審議通過的《中共中央關(guān)于制定國民經(jīng)濟和社會發(fā)展第十五個五年規(guī)劃的建議》多次提及“人工智能”，指出要全面實施“人工智能+”行動，全方位賦能千行百業(yè)。2025年8月，國務(wù)院印發(fā)的《關(guān)于深入實施“人工智能+”行動的意見》明確要通過“三步走”，不斷提升新一代智能終端、智能體等應(yīng)用普及率。金融業(yè)應(yīng)主動融入“人工智能+”發(fā)展進程，當好提升AI應(yīng)用普惠性的踐行者，推動技術(shù)創(chuàng)新與業(yè)務(wù)應(yīng)用深度融合。當前，人工智能技術(shù)迭代演進速度非常快，下一步往哪個方向發(fā)展、發(fā)展成什么樣，難以形成統(tǒng)一的共識。但普惠是人類始終應(yīng)當堅持的價值取向。提升AI應(yīng)用普惠性的路徑，中國農(nóng)業(yè)銀行董事長、黨委書記谷澍認為有四方面問題需要考慮。

1

開源模型與閉源模型

開源、閉源的選擇不只是技術(shù)問題，而且對技術(shù)的應(yīng)用有深遠影響。開源意味著技術(shù)平權(quán)和自主可控，開源模型采用分布式協(xié)同創(chuàng)新，各類社會主體深度參與模型共建、共享復用集體智慧，節(jié)約了企業(yè)的應(yīng)用成本，提升了AI的普惠性。相對來說，模型迭代速度較慢，模型幻覺率較高。閉源意味著穩(wěn)定性和可靠性相對更高，在同等參數(shù)規(guī)模下，閉源模型性能可能更優(yōu)，服務(wù)支持更為成熟，但是自主定制化程度受限，模型透明度較低。

開源模型和閉源模型誰更優(yōu)？從金融業(yè)角度看，要重點考慮“AI+”，而不是考慮自己怎么去構(gòu)建一個大模型；要融合開源、閉源模型的優(yōu)勢，重點圍繞“+”來推動場景建設(shè)，持續(xù)提升金融服務(wù)質(zhì)效和內(nèi)部管理效能，讓客戶和員工更滿意。以農(nóng)業(yè)銀行為例，我們采取“兩條腿走路”的策略，推動AI在更大范圍內(nèi)應(yīng)用。一方面，積極跟進開源模型技術(shù)發(fā)展趨勢，在普惠服務(wù)、辦公等領(lǐng)域加快探索應(yīng)用，提高AI應(yīng)用的普及率；另一方面，通過本地化部署閉源模型，在客戶服務(wù)知識優(yōu)化推薦等場景落地應(yīng)用，確保數(shù)據(jù)隱私保護和用戶極致體驗。

2

決策式AI與生成式AI

決策式AI擅長“確定性優(yōu)化”，在強可解釋性和準確性要求高的場景中，決策式AI仍是最優(yōu)選擇。生成式AI擅長“可能性涌現(xiàn)”，在開放式和創(chuàng)意性場景中，生成式AI具有更好的泛化能力，拓展了AI的應(yīng)用邊界。從當前應(yīng)用情況看，不能簡單把AI等同于大模型，決策式AI的應(yīng)用仍是各行各業(yè)的主流路徑。從金融業(yè)應(yīng)用情況看，目前決策式AI的使用占比超過八成，在風險評估、算法交易和欺詐檢測等業(yè)務(wù)領(lǐng)域占據(jù)主導地位；生成式AI主要應(yīng)用于智能客服、知識助手、報告撰寫等非核心業(yè)務(wù)領(lǐng)域。

從發(fā)展趨勢看，隨著大模型能力的增強、生態(tài)體系的完善、算力上限的突破，生成式AI的應(yīng)用可能實現(xiàn)指數(shù)級增長，并與決策式AI協(xié)同，形成以智能體為主的通用范式，二者涇渭分明的邊界將趨于模糊。多智能體配合，實現(xiàn)“雙AI”編排協(xié)作的模式，可以更好實現(xiàn)AI能力的普惠化。近年來，農(nóng)業(yè)銀行在多智能體協(xié)作方面積極探索，推動AI創(chuàng)新應(yīng)用成果惠及更多人群。例如，在客戶營銷場景中，我們利用智能體，通過決策式AI構(gòu)建客戶畫像，通過生成式AI形成個性化服務(wù)方案，有效提升金融服務(wù)的精準性和獲得感。

3

AI普惠與算力供給

隨著AI普惠性的持續(xù)提升，數(shù)據(jù)處理規(guī)模和復雜度指數(shù)級增長，數(shù)據(jù)中心計算量的膨脹速度將會遠大于CPU處理效率進化的速度，而GPU憑借其更強大的并行計算能力，能夠高效應(yīng)對計算密集型任務(wù)。AI的大規(guī)模應(yīng)用就意味著進入了加速計算的時代。當然，加速計算的到來，通用計算也不會消失，通用計算會退化為“控制平面”，而高時效高計算負載的場景將通過專用加速計算來實現(xiàn)。

當前，AI正在加速普及，在這一過程中，GPU算力的需求和供給將始終處于“緊平衡”狀態(tài)。從節(jié)省能源、綠色發(fā)展角度看，這種“緊平衡”是必要的。要從存量挖潛和增量擴容兩端發(fā)力，平衡好AI普惠和算力供給之間的矛盾。一方面，通過工程化手段，如算力的靈活調(diào)度、參數(shù)規(guī)模的合理匹配、模型的壓縮加速等，降低模型的運行成本，節(jié)約算力資源；另一方面，要主動適應(yīng)加速計算的范式變革，加快建設(shè)支持AI高性能計算的智算中心。以農(nóng)業(yè)銀行為例，我們依托“農(nóng)銀智+”平臺，建成參數(shù)多樣、能力豐富的模型矩陣，精細化匹配業(yè)務(wù)場景需要，并通過模型蒸餾、微調(diào)等手段，充分利用GPU資源。同時，我們建設(shè)了支持多類型GPU組合的算力云平臺，保障AI算力彈性、韌性和可持續(xù)供給，為AI的規(guī)模化應(yīng)用做好算力儲備。

4

普惠性與安全性

我們在提升AI應(yīng)用普惠性的同時，也要高度重視AI應(yīng)用的安全性。

一是強化AI穩(wěn)定性，保障大眾利益。未來AI將像電力和互聯(lián)網(wǎng)一樣，成為數(shù)字世界的“基礎(chǔ)設(shè)施”。提示詞注入、資源消耗攻擊等風險會威脅AI安全，進而影響人民群眾的日常生活。要建立模型安全護欄、主動防御等技術(shù)手段，切實保障AI穩(wěn)定運行和業(yè)務(wù)連續(xù)性。

二是提升數(shù)據(jù)質(zhì)量，增強模型可信度。在AI廣泛應(yīng)用的背景下，數(shù)據(jù)來源更豐富、結(jié)構(gòu)更復雜。數(shù)據(jù)傾斜、數(shù)據(jù)投毒等問題會加劇模型的決策偏差，更易引發(fā)公眾信任危機。要建立全生命周期的模型評測和監(jiān)控體系，加強算法公平性約束，提升模型的穩(wěn)定性和可解釋性。

三是避免模型共振，防范系統(tǒng)性風險。隨著競爭的加劇，市場上主流大模型的集中度會越來越高。商業(yè)銀行依賴的模型算法將逐步趨同，局部缺陷有可能會形成機構(gòu)間模型共振，并引發(fā)系統(tǒng)性風險。要加快構(gòu)建更可靠的知識體系，開展差異化模型訓練，提升金融系統(tǒng)整體韌性。

來源丨《中國金融》

編輯丨秦婷

責編丨蘭銀帆

關(guān)于《清華金融評論》·金融大家評

天下人評天下金融

針對當前經(jīng)濟金融的重要政策、熱點話題進行深度探討、交流和解讀。把握現(xiàn)實經(jīng)濟金融現(xiàn)狀，看清事件背后的原因，探索經(jīng)濟金融未來發(fā)展的脈絡(luò)。