對話呂仲濤、楊兵兵：銀行如何用AI驅(qū)動業(yè)務(wù)增長？

在今年上市銀行發(fā)布的年報中，人工智能成了高頻詞。多點開花的場景應(yīng)用和戰(zhàn)略布局，讓人感受到銀行業(yè)真的進入了“AI時代”。AI不僅大大提升服務(wù)效率和風險管理水平，更開始革新銀行的商業(yè)模式，成為決定銀行業(yè)競爭力的關(guān)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(shù)官呂仲濤、光大銀行副行長楊兵兵，深入探討當前銀行業(yè)對人工智能的研究和應(yīng)用進展到了哪一步，發(fā)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(xiàn)精彩觀點。

本期會客廳還特別發(fā)布了《中國銀行業(yè)人工智能發(fā)展路徑研究》報告。該報告由新金融聯(lián)盟發(fā)起、工商銀行牽頭，聯(lián)合多家銀行、科技公司及高校共同撰寫，圍繞“技術(shù)為基、場景驅(qū)動、監(jiān)管護航、人才支撐、生態(tài)協(xié)同”五大維度展開深度分析，最終形成旨在推動全行業(yè)基礎(chǔ)共建、能力共享的發(fā)展路徑建議。轉(zhuǎn)發(fā)本文至朋友圈獲10個以上點贊或轉(zhuǎn)發(fā)3個以上百人群，并截圖發(fā)至本公眾號后臺，即可領(lǐng)取報告。

本期嘉賓：

中國工商銀行首席技術(shù)官 呂仲濤

歷任中國工商銀行信息科技部副總經(jīng)理、軟件開發(fā)中心總經(jīng)理、信息科技部總經(jīng)理、信息科技業(yè)務(wù)總監(jiān)。主持工行“十二五”、“十三五”信息科技發(fā)展規(guī)劃及落地，牽頭實施“兩地三中心”、IT架構(gòu)轉(zhuǎn)型及ECOS智慧銀行等重大工程。獲得全國五一勞動獎?wù)隆⑷珖鴦趧幽７兜葮s譽稱號，享受國務(wù)院政府特殊津貼。

中國光大銀行副行長 楊兵兵

現(xiàn)任中國光大銀行黨委委員、執(zhí)行董事、副行長。畢業(yè)于香港理工大學(xué)，獲工商管理碩士學(xué)位，高級經(jīng)濟師。楊兵兵先生是商業(yè)銀行數(shù)字化轉(zhuǎn)型領(lǐng)域的領(lǐng)軍人物，擁有超過20年的金融行業(yè)經(jīng)驗，深耕風險管理與金融科技。

主持人：

新金融聯(lián)盟秘書長、金融城CEO 吳雨珊

2013年創(chuàng)辦金融城，2016年擔任新金融聯(lián)盟秘書長，致力于金融政策研究、行業(yè)交流與知識傳播。曾就職于國內(nèi)頂尖財經(jīng)媒體，歷任高級記者、金融版主任。長期致力于中國銀行業(yè)改革發(fā)展的觀察和研究，公開出版相關(guān)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(yè)嬗變》《開發(fā)性金融創(chuàng)世記》。

銀行如何用AI驅(qū)動業(yè)務(wù)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(yè)對人工智能的研究和應(yīng)用進展到了哪一步，發(fā)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(shù)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(gòu)銀行業(yè)務(wù)價值鏈

主持人：歡迎兩位專家做客《雨珊會客廳》。今年春節(jié)以來，DeepSeek等國產(chǎn)大模型在金融業(yè)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(yè)數(shù)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(fā)展的價值？

呂仲濤：人工智能對金融行業(yè)的應(yīng)用價值，從短期來看，主要體現(xiàn)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(shù)字化轉(zhuǎn)型的終極目標來看，它的更大價值體現(xiàn)在如何利用智能技術(shù)重構(gòu)銀行的業(yè)務(wù)價值鏈，尋找新的賽道和發(fā)展機會。

楊兵兵：銀行的核心是以客戶為中心，任何技術(shù)的應(yīng)用都應(yīng)該體現(xiàn)在客戶服務(wù)的改變上。效果會很明顯，主要體現(xiàn)在客戶服務(wù)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(wù)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(yè)務(wù)模式的推動。能否請您舉一些業(yè)務(wù)方面的具體例子？

呂仲濤：業(yè)務(wù)模式變化里很重要的一點是，過去的流程驅(qū)動，包括人機的交互驅(qū)動，都是按照設(shè)定好的程序和邏輯規(guī)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(shù)進行串聯(lián)，人機交互模式可能都會發(fā)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(shù)可自動采集信息，無需人工干預(yù)。這樣，整個服務(wù)模式就會發(fā)生變化，甚至有可能打破傳統(tǒng)基于事權(quán)劃分的“部門墻”，在新的模式下，機構(gòu)更可能依托角色定位，實現(xiàn)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(jīng)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(xiàn)在服務(wù)效率的提升上？

楊兵兵：對，現(xiàn)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?shù)瓤蛻艚?jīng)理。雖然都是面客的，但細分領(lǐng)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(yīng)該給他提供全面的服務(wù)。但目前客戶經(jīng)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(chǎn)品？現(xiàn)在用人腦記憶不是不可以，但是挑戰(zhàn)非常大。如果你背后有一個助手，他獲取了所有的產(chǎn)品知識和業(yè)務(wù)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(yīng)地，客戶經(jīng)理是不是也應(yīng)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(yīng)，并提供最有價值的、性價比最高的產(chǎn)品和服務(wù)，這就是“超級員工”面客的一端。人的大腦潛力非常大，但開發(fā)利用的空間仍有限。機器可以充分地運轉(zhuǎn)，發(fā)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(shù)，可能它是由一系列具有專門技能的數(shù)字人或者叫數(shù)字員工集合起來，形成員工的統(tǒng)一助手入口。一個客戶經(jīng)理帶著若干個數(shù)字員工，以統(tǒng)一的視角為客戶提供集成的服務(wù)。

我之所以這樣判斷，是因為就目前的人工智能技術(shù)水平，要在一個模型里解決所有的能力還不太現(xiàn)實，可能還需要一些垂類的具體技能。我們打個引號叫“數(shù)字人”，但它實際上是具有專門領(lǐng)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(fù)雜問題。

楊兵兵：實際上，由于銀行業(yè)務(wù)本身按條線劃分，數(shù)字人一般也先從條線中產(chǎn)生。但數(shù)字人具備專業(yè)能力之后，它們之間的融合會比人與人之間的協(xié)作簡單得多。每一類數(shù)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(yōu)于多人協(xié)作的復(fù)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(xiàn)在銀行在應(yīng)用大模型過程中，有沒有什么技術(shù)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(chǔ)設(shè)施能力，可以大量采購算力。但基于國產(chǎn)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(xùn)練與推理基礎(chǔ)設(shè)施，合理布局，如何利用公域能力補充這些設(shè)施，這是個很大挑戰(zhàn)�；�于商業(yè)可持續(xù)的考量，很多領(lǐng)導(dǎo)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(xù)獲得穩(wěn)定收益。

第二，算法層面，是挑戰(zhàn)也是進展。從模型角度看，大量蒸餾技術(shù)推動AI平民化，很多機構(gòu)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(xié)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(xié)同，仍是熱議話題。

此外，開源也是很重要的發(fā)展趨勢。DeepSeek是一個引領(lǐng)者，有一堆開源，這對很多機構(gòu)進入這個賽道進行深度強化學(xué)習(xí)、二次訓(xùn)練帶來了可能。

第三，協(xié)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(xié)同。如何使自身的智能體間有效協(xié)同，以及同外部合作伙伴的智能體有效協(xié)同，變成未來需要大力推動的事。此外，通過上下文交互、MCP協(xié)議、標準接口實現(xiàn)內(nèi)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(shù)據(jù)是知識的數(shù)字化。

最顯性的“骨頭”是算力，因為投入非常直接，所以大家經(jīng)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(yīng)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(shù)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(zhàn)。一是有沒有源源不斷培養(yǎng)出來的人，二是培養(yǎng)出來的人能不能恰當?shù)貋淼胶线m的崗位，進入相當?shù)难芯亢蛻?yīng)用。在不同的機構(gòu)里，怎么發(fā)揮他們的作用。

第三，數(shù)據(jù)問題是核心的“硬骨頭”。原因是把知識數(shù)字化后才能產(chǎn)生數(shù)據(jù)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(shù)字化，真正要用到一個機構(gòu)內(nèi)部的其實是專業(yè)知識庫的數(shù)字化，這對各個機構(gòu)是有挑戰(zhàn)的。

當前數(shù)據(jù)治理面臨三大變化

主持人：此前在新金融聯(lián)盟舉辦的內(nèi)部研討會上，有監(jiān)管領(lǐng)導(dǎo)提出，大模型時代的數(shù)據(jù)治理跟原來銀行數(shù)字化轉(zhuǎn)型中的數(shù)據(jù)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(yīng)對這個挑戰(zhàn)？

呂仲濤：大模型訓(xùn)練數(shù)據(jù)本質(zhì)上仍源于原始數(shù)據(jù)，因此傳統(tǒng)數(shù)據(jù)治理中的基礎(chǔ)問題仍需要優(yōu)先解決。但在人工智能時代，由于數(shù)據(jù)經(jīng)過向量化、預(yù)訓(xùn)練等處理發(fā)生演變后，帶來了很多新的問題，治理要求更復(fù)雜。例如模型幻覺、魯棒性不足、數(shù)據(jù)投毒等風險，以及顯性知識轉(zhuǎn)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(xué)習(xí)，確保做到價值觀的對齊；通過大量的向量外掛數(shù)據(jù)庫、知識庫的引用，盡量減少數(shù)據(jù)幻覺的可能性；還要做各種“安全圍欄”，確保數(shù)據(jù)投毒的可能性降到最低或者提示詞的攻擊降得更低。

技術(shù)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(diào)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?nèi)齻�人坐了三把椅子，準確的數(shù)據(jù)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(xiàn)在它有幾個變化。

第一，顆粒度要變得細。不僅是追求結(jié)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(jīng)緯度。

第二，外部數(shù)據(jù)的加盟。外部數(shù)據(jù)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(shù)據(jù)，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(shù)據(jù)，這兩個很重要。

第三，非結(jié)構(gòu)化數(shù)據(jù)的加盟。其實在之前也有應(yīng)用，但現(xiàn)在更重要。咱們在這聊天，這是非結(jié)構(gòu)化數(shù)據(jù)。我們的坐姿轉(zhuǎn)化成結(jié)構(gòu)化數(shù)據(jù)后，就能判斷這個椅子是否舒服。

當前數(shù)據(jù)治理包含三個方面——顆粒度、外部數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的加盟。它會重新認知三把椅子的不同，從大數(shù)據(jù)時代進入大模型時代對數(shù)據(jù)的要求是不同的。

數(shù)據(jù)治理部門要耐得住寂寞

主持人：既然對數(shù)據(jù)治理提出了更高要求，它的復(fù)雜程度也更高了，那么在銀行新設(shè)一個數(shù)據(jù)治理部門是否變得十分必要和迫切？

呂仲濤：相關(guān)探索早就開始，甚至早于大數(shù)據(jù)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(yè)條線的管理，以前是信息，現(xiàn)在到了數(shù)據(jù)，怎么進行統(tǒng)籌治理。我覺得萬變不離其宗，很多單位搞集中式的數(shù)據(jù)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(jīng)營服務(wù)的，一定首先要解決業(yè)務(wù)的問題。

成立此類部門要避免“一統(tǒng)就死”。這個部門不是面向經(jīng)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(gòu)所有中后臺的數(shù)據(jù)，我認為數(shù)據(jù)中臺有兩層，一層是所謂標準化的東西。舉個例子，源數(shù)據(jù)的管理標準、安全底線基線等等，必須要統(tǒng)籌一個部門來進行協(xié)同管理，類似于成立一個數(shù)據(jù)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(chǎn)品部門、客戶部門跟數(shù)據(jù)部門形成緊密協(xié)同，它等于是個AI旅行業(yè)務(wù)。

但是要平衡�，F(xiàn)在產(chǎn)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(jié)合起來，最大化利用資源。在AI人才仍普遍緊缺的背景下，數(shù)據(jù)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(shù)據(jù)管理部最重要的一點，是強調(diào)數(shù)據(jù)后臺標準的統(tǒng)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(yīng)該基于業(yè)務(wù)的板塊化運營，把模型團隊、訓(xùn)練團隊、控制團隊，板塊化地延伸到各個業(yè)務(wù)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(shè)立了相關(guān)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(fā)，因為他們有的快有的慢，還有的尚未設(shè)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(guān)鍵？剛才我說了三大能力，最后是數(shù)據(jù)，總要有一個部門把數(shù)據(jù)給融合好。它不是真正的應(yīng)用部門，而是提供好用數(shù)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(xiàn)，而是體現(xiàn)在模型部門和前臺的應(yīng)用中。你們的任務(wù)是整備數(shù)據(jù)、制定標準、強化落地、管好質(zhì)量與安全。

現(xiàn)在為了讓業(yè)務(wù)單元有能力應(yīng)用，我們連續(xù)四年開展“數(shù)據(jù)分析師資格認證”，僅面向業(yè)務(wù)部門，科技部門不參加。通過認證者方可使用數(shù)據(jù)系統(tǒng)自主分析。我們每年都有培訓(xùn)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(shù)用起來。

這個部門是管數(shù)的，把數(shù)據(jù)提供好是他們最大的責任。業(yè)務(wù)單元是用數(shù)的，但是我們給他提供一個用數(shù)的能力，所以就做了結(jié)合和嘗試。關(guān)鍵在于數(shù)據(jù)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(shù)據(jù)質(zhì)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(shè)計這個組織體系，必須緊繃兩根線：一是堅持業(yè)務(wù)第一性，所有中后臺必須服務(wù)業(yè)務(wù)；二是通過績效綁定實現(xiàn)協(xié)同。如果不與業(yè)績結(jié)果直接掛鉤，而僅僅通過產(chǎn)品經(jīng)理、客戶經(jīng)理轉(zhuǎn)述需求來提供服務(wù)，他如何對最后的業(yè)績進行直接地反映？一定要把前面的業(yè)績部分傳導(dǎo)給服務(wù)的提供部門，沒有業(yè)績傳導(dǎo)機制，長期來看缺乏可持續(xù)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(guān)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(shù)據(jù)、智能、研發(fā)、風險、渠道及零售產(chǎn)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(yīng)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(yè)務(wù)進入數(shù)字化運后，一組人一起盯著屏幕，屏幕上數(shù)據(jù)的變化就是市場變化的反應(yīng)，而不是盯著各種文件，因為最后的文件都體現(xiàn)在數(shù)據(jù)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(yīng)，或者是僅某一類客戶響應(yīng)，而這類客戶又不是原來的目標類的客戶，這一定是投偏了�，F(xiàn)在應(yīng)該能夠?qū)崟r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(jié)果，大家開個會分析一下，再說要調(diào)整，基本上三個月過去了。這不是數(shù)字化運營，數(shù)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(jié)構(gòu)，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(yè)務(wù)的需求并不等同于滿足市場的需求。業(yè)務(wù)提的東西是不是滿足市場，還要看內(nèi)部的治理機制，總分行怎么協(xié)同，這是深層次的問題�，F(xiàn)在有些銀行科技是集中的，數(shù)據(jù)中臺部門也集中，然后希望業(yè)務(wù)部門能夠板塊化運營。好像從總行角度來講，每個業(yè)務(wù)部門提出客戶和業(yè)務(wù)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(xiàn)在有一個異化。從科技視角看，各家機構(gòu)的科技基本都是集約化經(jīng)營，沒什么問題，業(yè)務(wù)的主抓在總行，這個沒問題。但是主戰(zhàn)不在總行，主戰(zhàn)基本在分支機構(gòu)，那么科技怎么賦能到整個業(yè)務(wù)板塊？我認為需要研究。

科技與業(yè)務(wù)協(xié)作的問題一直存在，只是現(xiàn)在可能帶來了潛在的機會。隨著數(shù)字化轉(zhuǎn)型的提升，未來整個數(shù)據(jù)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(wǎng)上的情況下，它的權(quán)限管理模式可以做新的思考。未來可能總分行的主戰(zhàn)跟主抓模式，也要做些演進，可能未來總行的主戰(zhàn)的成本會增加。

傳統(tǒng)的銀行績效管理方法，存款客戶都要歸屬到管理網(wǎng)點，這樣總行績效很難確認。這是銀行經(jīng)營管理模式的問題。為什么客戶經(jīng)理會搶開戶銀行？客戶在這家機構(gòu)開戶，以后即便在互聯(lián)網(wǎng)上跑，存款也在這家機構(gòu)。人為地把客戶行為約定到某一個管理單位，而未來在互聯(lián)網(wǎng)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(yè)的，而不是某個機構(gòu)。

由于這個原因造成管理會計上出現(xiàn)很多矛盾，比如績效分潤問題、產(chǎn)品線分潤問題、機構(gòu)間的分潤問題�，F(xiàn)在互聯(lián)網(wǎng)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(jīng)營機構(gòu)間的業(yè)務(wù)流動。這個時候業(yè)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(chǎn)品和客戶的管理關(guān)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(chǎn)關(guān)系能適應(yīng)生產(chǎn)力就大力促進，不適應(yīng)不去改變就是阻礙生產(chǎn)力的發(fā)展。生產(chǎn)關(guān)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(shù)據(jù)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(jié)論，促進大的頂層設(shè)計，就是后面的挑戰(zhàn)了。但我覺得當務(wù)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(gòu)業(yè)務(wù)鏈的問題。實際上就是條線、總分之間，未來整個業(yè)務(wù)流怎么進行，要用數(shù)字化技術(shù)做這方面的探索。當然這是終極目標，短期還不太現(xiàn)實。

楊兵兵：反正就試吧，這個時代技術(shù)走得更快，我們肯定會用好技術(shù)，那就得反復(fù)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?nèi)绾翁暨x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(chǔ)大模型。不見得一定要是通用技術(shù)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(lǐng)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(xùn)練，這樣可以降低對算力的要求，可以側(cè)重做微調(diào)、強化學(xué)習(xí)及外掛的RAG技術(shù)運用。也可考慮用蒸餾技術(shù)，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(shù)角度提出的建議。還有一個角度，先不著急選什么模型，而應(yīng)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(yè)務(wù)應(yīng)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(yè)務(wù)上做出特色。尤其對中小銀行而言，發(fā)展到一定規(guī)模后必須依靠特色競爭，應(yīng)將各種優(yōu)勢資源包括新技術(shù)集中用于特色業(yè)務(wù)。這個時候，第一是選擇業(yè)務(wù)，第二是看這個業(yè)務(wù)在機構(gòu)里有沒有實現(xiàn)充分的知識數(shù)字化。如果有了模型，卻沒有足夠的數(shù)據(jù)，則無法在這個場景應(yīng)用落地。所以銀行可能先選幾個想重點做的特色業(yè)務(wù)，再找每個特色業(yè)務(wù)有沒有充分的知識數(shù)字化或者知識庫的數(shù)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(shù)的應(yīng)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(chǎn)生業(yè)務(wù)上的突破，但肯定會給想要做的特色業(yè)務(wù)帶來新變化。

如何平衡科技投入與業(yè)務(wù)價值

主持人：很實用，呂首席主要從技術(shù)的角度闡述，您從業(yè)務(wù)的角度來談。兩位都提到了產(chǎn)出的問題，如果短期內(nèi)看不到產(chǎn)出，很難促使銀行的決策層持續(xù)投入。那我們怎么去看待短期和中長期的產(chǎn)出，怎么平衡科技投入和業(yè)務(wù)價值？

呂仲濤：從提升效率角度看，它的產(chǎn)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(xiàn)在這么流行，因為它的產(chǎn)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(yè)經(jīng)營角度看，可能這不見是壞事，企業(yè)可以推動員工技能轉(zhuǎn)型，使其適應(yīng)新崗位。

當前有些人認為AI在關(guān)鍵領(lǐng)域的關(guān)鍵價值沒有體現(xiàn)出來，它隱含的內(nèi)在邏輯是希望出現(xiàn)“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(shù)是在演進和發(fā)展過程中，短期內(nèi)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(tǒng)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(tǒng)還好點，到中后臺系統(tǒng)、基礎(chǔ)設(shè)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(chǎn)規(guī)模有10倍的增長，客戶可能不止10倍，網(wǎng)點肯定沒有10倍的增長。

再看AI投入，它本質(zhì)上是一種戰(zhàn)略性決策，需由銀行領(lǐng)導(dǎo)班子、董事會及戰(zhàn)略委員會共同把握。現(xiàn)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(xiàn)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(jié)束，它是可控的。

銀行AI應(yīng)用從關(guān)鍵場景下手

主持人：今年上半年，新金融聯(lián)盟發(fā)起了名為《中國銀行業(yè)人工智能發(fā)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(yīng)用發(fā)展的現(xiàn)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(yīng)用方面取得了哪些比較突出的成果？未來是否可能出現(xiàn)“爆款”應(yīng)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(diào)的，人工智能在效率提升、客戶體驗優(yōu)化和風險管理等方面已經(jīng)體現(xiàn)出實實在在的價值。在生成式AI出來前，傳統(tǒng)AI的幾年，已經(jīng)有很多價值產(chǎn)生出來，只是沒有像現(xiàn)在這樣引發(fā)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(jīng)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(guān)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(shù)，包括智能語音、智能應(yīng)答、RPA等，解決了大量的催收、外呼及營銷問題，遠程客戶經(jīng)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(yè)務(wù)是用人工智能解決的。比如數(shù)據(jù)錄入切割、紙質(zhì)文檔的快速OCR識別等。它是人工智能技術(shù)分支，可以解決很多降本增效的場景。

對客戶經(jīng)理來講更重要。現(xiàn)在客戶經(jīng)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(chǎn)品業(yè)務(wù)。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(chǎn)品、服務(wù)和規(guī)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(wǎng)上銀行原來的人機交互模式未來會轉(zhuǎn)型，通過語音在適老化改造中。你可以用人工智能的技術(shù)快速了解客戶的意圖，自動推送客戶服務(wù)，這都可以在提升效率中解決。

在風險領(lǐng)域，AI的應(yīng)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(shù)據(jù)的探知能力比人更強。過去的打分卡模式已經(jīng)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(lián)網(wǎng)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(jīng)營風險的，這些場景一定會用到。

還有一些特殊領(lǐng)域，如金融市場業(yè)務(wù)交易撮合和財富管理，現(xiàn)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(jié)省時間、提高效率。效率的提高可能在內(nèi)控和內(nèi)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�，F(xiàn)在比較簡單，首先把非結(jié)構(gòu)化數(shù)據(jù)做轉(zhuǎn)換，然后加上模型要素，監(jiān)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(xiàn)在是實時，只要有一個人去處理，跟領(lǐng)導(dǎo)反映算是幾級，然后去處理就行。

再如貸款復(fù)檢，現(xiàn)在銀行的貸款業(yè)務(wù)有授權(quán)，授權(quán)給了分行，有的分行可能新的審批人剛?cè)ィ�或者有的分行授�?quán)剛提升，總行就要復(fù)查。以前復(fù)檢是靠人，一筆一筆地看，復(fù)檢多了就要增加人，要不就減少人，減少復(fù)檢量，中間取得一種平衡�，F(xiàn)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?nèi)��?fù)檢，最可疑的就會往外跳，跳出來的我們?nèi)タ�，沒跳出來就算過了，將來還會對沒跳出來的再做復(fù)查�，F(xiàn)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?zāi)Ｐ桶l(fā)現(xiàn)問題的能力。

人員結(jié)構(gòu)也發(fā)生了變化。銀行人員結(jié)構(gòu)從原來以“業(yè)務(wù)為主、技術(shù)為輔”，中期轉(zhuǎn)為以“金融科技為主、業(yè)務(wù)為輔”，未來可能金融科技大領(lǐng)域里，做模型和數(shù)據(jù)的人才要不斷地結(jié)構(gòu)化增加。不斷地投入人員校驗?zāi)Ｐ�，校驗�(zāi)Ｐ偷哪康氖鞘〉舾�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(nèi)控，它會帶來這個方面的變化。但現(xiàn)在直接對客的因為本身應(yīng)用有一定的限制，用了市場規(guī)模擴大了，短期還見不到，原因有很多，比如技術(shù)、應(yīng)用安全、機制等。但是節(jié)約時間，效率帶來的內(nèi)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(chǎn)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(shù)字化轉(zhuǎn)型。反過來講，現(xiàn)在很多中小銀行數(shù)據(jù)治理本身都做得不是很理想。由于現(xiàn)在人工智能的技術(shù)，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(shù)據(jù)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(yè)級的數(shù)據(jù)治理，搞數(shù)據(jù)標準化，下面的機構(gòu)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(shù)據(jù)集提煉出來，倒逼業(yè)務(wù)部門，把史上遺留下來的各類知識、信息、數(shù)據(jù)結(jié)構(gòu)化、條目化，進行強化學(xué)習(xí)。它有個過程，我認為這對中小銀行的數(shù)字化轉(zhuǎn)型是正向推動的作用。

智能體發(fā)展核心挑戰(zhàn)是協(xié)同

主持人：近一年來掀起了建設(shè)智能體的熱潮，不知各家銀行建的智能體的數(shù)量、質(zhì)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(wù)能力。目前已經(jīng)建設(shè)了許多智能體，并嵌入各類業(yè)務(wù)場景中。

當前的核心挑戰(zhàn)在于如何協(xié)同多個智能體以解決復(fù)雜問題。智能體協(xié)同有個很大的挑戰(zhàn)，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(xié)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(tǒng)，確保準確性、可控性，在正�？山邮艿膮^(qū)間里保證質(zhì)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(xié)同，搞一個超級智能體，調(diào)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(zhì)量穩(wěn)定性，減少幻覺，才是下一步要重點突破的。

實質(zhì)上，智能體的數(shù)量已經(jīng)不是問題，很多銀行已在不同的場景中廣泛引用。在協(xié)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”�！爸�”，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(xiàn)。但能不能做到？它在技術(shù)上有問題，在工程學(xué)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(shù)不斷迭代產(chǎn)生了新的效益。

楊兵兵：對，最后一定要回到智能體，想發(fā)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(yīng)用過程中怎么去防范、避免讓它“闖禍”？

呂仲濤：從技術(shù)原理上講，生成式AI產(chǎn)生幻覺可能是不可避免的，但它同樣給我們帶來創(chuàng)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(chǔ)手段，通過二次訓(xùn)練、強化學(xué)習(xí)及各種校驗建“安全圍欄”，防范幻覺出現(xiàn)的可能性。細節(jié)上我就不談了，目前有很多工程化的方法控制幻覺的產(chǎn)生。

最重要的一點是人類的監(jiān)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(shù)智能都是為人服務(wù)的，所以絕對不能喪失人對整個模型的控制力�！鞍踩珖鷻凇钡牡拙�是，在任何情況下，人類可以監(jiān)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(chǎn)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(chǎn)生脫韁的可能性。

反過來講，你越是約束它，讓它按照你的設(shè)定要求回答，或是按已知的要求回答，你也約束了它的創(chuàng)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(chuàng)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(shù)據(jù)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�？赡苣阏J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(xùn)練提供了這種能力，它只是利用這種能力進行大量的數(shù)據(jù)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(shù)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(fā)生幻覺。

能不能杜絕幻覺？它是人產(chǎn)生的，如果未來有新技術(shù)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(shù)肯定是可以的，但結(jié)果會產(chǎn)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(diào)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(fā)展過程中是關(guān)鍵的因素，那么，銀行業(yè)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(xiàn)在科技又泛化到跟數(shù)據(jù)和智能有關(guān)，它都是一個融合問題。過去人們注重數(shù)理化和語言等通識能力，未來人工智能技術(shù)甚至更全面的信息科技技術(shù)，能不能變成類似于像數(shù)理化和語言的通識？如果不能通識化，變成專業(yè)領(lǐng)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(shù)業(yè)有專攻”，不同行業(yè)的人才簡單放在一起并不等于融合。在機構(gòu)內(nèi)部有科技部和業(yè)務(wù)部，從機構(gòu)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(wù)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(yè)務(wù)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(shù)或者叫人工智能技術(shù)的學(xué)習(xí)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(fù)雜就變成專業(yè)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(xù)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(yè)務(wù)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(shù)能力，但不能快速解決業(yè)務(wù)問題。所以，我覺得還是要從業(yè)務(wù)視角，甚至可以找外部的資源，就看能不能養(yǎng)得起比較專深的 AI人才。

他能不能持續(xù)跟進技術(shù)的發(fā)展？因為他是有生態(tài)環(huán)境的。這些專才如果沒有生態(tài)環(huán)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(shù)發(fā)展很快。

如何利用業(yè)界的最新技術(shù)、最新技能的人跟自己本身的領(lǐng)域知識，關(guān)鍵是要有意念和動力推動尋找這些資源跟自己的業(yè)務(wù)結(jié)合。如果所有的企業(yè)都自己養(yǎng) AI人才，從學(xué)校角度來講，可以變成很大的教育產(chǎn)業(yè)去搞，但實際上是不是很多企業(yè)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(xué)術(shù)素質(zhì)，在銀行里能工作，能跟著市場化的高端人才學(xué)習(xí)，他們就是復(fù)合型人才。雖然他可能對業(yè)務(wù)人員來講不一定那么專，但對市場人員來講，他已經(jīng)是銀行業(yè)比較熟悉業(yè)務(wù)的人。對機構(gòu)來講，從學(xué)生開始培養(yǎng)起，一開始有學(xué)術(shù)素質(zhì)，再加上業(yè)務(wù)，他慢慢就是一個復(fù)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�？�，金融機構(gòu)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(nèi)部的技術(shù)人員也可以提升轉(zhuǎn)型。不代表原來做代碼編程的，就不能去學(xué)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(yè)戰(zhàn)略定位有關(guān)。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(lián)網(wǎng)公司。

呂仲濤：基本在互聯(lián)網(wǎng)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(lǐng)域并沒有什么特別的人才，持續(xù)發(fā)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(zhàn)略和經(jīng)營模式有關(guān)。

銀行的主營業(yè)務(wù)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(jīng)營模式、盈利模式、客戶模式都會發(fā)生重大變化，但這是不是你想做的？你是一個金融持牌機構(gòu)，重點在金融領(lǐng)域。

在這種情況下，你的定位要清楚，是技術(shù)的應(yīng)用者，而不是技術(shù)的創(chuàng)造者，你的人才結(jié)構(gòu)也是應(yīng)用技術(shù)的人才結(jié)構(gòu)。現(xiàn)在有些大學(xué)在培養(yǎng)復(fù)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(xiàn)在高校的AI人才培養(yǎng)能跟得上形勢嗎？

呂仲濤：現(xiàn)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(guān)。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(yè)邏輯、業(yè)務(wù)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(diào)度帶來很大挑戰(zhàn)。互聯(lián)網(wǎng)公司是不一樣的，它進來后可能給你這個要求，可能是業(yè)績?yōu)閷?dǎo)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(yè)人才要發(fā)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(yǎng)的好？原因就在自己培養(yǎng)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(yè)文化的人。這是硬幣的兩面，好的一面是有歷史傳承的脈絡(luò)，壞的一面是可能沉淀很多痼疾。

因此，銀行業(yè)AI人才建設(shè)面臨雙重挑戰(zhàn)：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(shù)，往往兩三年后便無聲息，真正帶領(lǐng)團隊實現(xiàn)突破的案例并不多見。

人工智能專業(yè)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(yè)是不是一個好的選擇？

楊兵兵：當前技術(shù)迭代很快，從專業(yè)選擇上，通識類或是相對泛的專業(yè)意義更大，因為你不知道后面還有什么變化。現(xiàn)在選專業(yè)，不是說4年畢業(yè)找工作，有可能是6年畢業(yè)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(yè)名稱迷惑，還是看看專業(yè)的內(nèi)容是不是這個領(lǐng)域的基礎(chǔ)性質(zhì)的，比如關(guān)于數(shù)據(jù)、人工智能，它可能有具體算法，也有可能做數(shù)據(jù)的，這些都屬于在大包裝下的具體內(nèi)涵。

呂仲濤：作為應(yīng)用單位，我們更關(guān)注實際技能。路線不能跑錯，因為它是個生態(tài)，如果所有生態(tài)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(tài)越做越大。對青年學(xué)生來講，他未來的選擇余地就大，發(fā)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(zhuǎn)型成本很高。

所以，現(xiàn)在最重要的是學(xué)了這個東西，未來幾年，它的生態(tài)會不會起來，就像鴻蒙。如果大的生態(tài)起得來，可能從各個學(xué)校進去，生態(tài)越來越大，掌握這種開發(fā)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(tǒng)意義上的通識類的基礎(chǔ)扎實的知識，比如計算機基本理論、數(shù)學(xué)、統(tǒng)計學(xué)等等，你掌握得比較好，后面轉(zhuǎn)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(yè)務(wù)部門，你們覺得哪種方式更利于人才發(fā)揮作用？

呂仲濤：我覺得兩邊應(yīng)該都要有，但是角色不完全一樣。簡單地說，跟人工智能有關(guān)的基礎(chǔ)性工作，例如數(shù)據(jù)科學(xué)家承擔的模型底層研發(fā)，適合在科技部門或?qū)ｉT的數(shù)據(jù)與智能管理機構(gòu)，負責面向分析和數(shù)據(jù)。數(shù)據(jù)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(yīng)用、參數(shù)調(diào)整及訓(xùn)練實施等環(huán)節(jié)，可能要放到板塊化的業(yè)務(wù)部門。

但是業(yè)務(wù)部門不要簡單講業(yè)務(wù)部門，現(xiàn)在銀行業(yè)務(wù)部門條線太多，你不能講到業(yè)務(wù)部門就全部散下去。因為資源不夠，銀行業(yè)務(wù)部門不是簡單一句話，還要強調(diào)業(yè)務(wù)融合�，F(xiàn)在老講科技跟業(yè)務(wù)融合，很少講業(yè)務(wù)融合。業(yè)務(wù)本身涉及前中后臺，產(chǎn)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(xué)融合的基礎(chǔ)上，要把具有應(yīng)用能力的工程師放到業(yè)務(wù)上去。

避免單一化配置，應(yīng)通過結(jié)耦設(shè)計、雙線布局與聯(lián)動考核，實現(xiàn)業(yè)務(wù)目標的整體優(yōu)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(yè)務(wù)融合在當今尤為重要。以往可能客戶對產(chǎn)品的需求比較單一，銀行從一個產(chǎn)品上獲得的足夠收益，也未必說客戶再多做幾個產(chǎn)品，當單一產(chǎn)品有足夠收益的時候，也沒想法去做多個產(chǎn)品。但是現(xiàn)在單一產(chǎn)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(shè)置，不夠融合，想給客戶綜合服務(wù)就有難度，難度最后帶到科技層面和AI層面。所有現(xiàn)在業(yè)務(wù)中的問題，最后都會映射在系統(tǒng)上，系統(tǒng)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(yīng)該同步推進，甚至可先設(shè)立集中部門。集中部門有幾個作用，第一，對底層技術(shù)的把握。他需要一撥人湊在一起形成小生態(tài)，賦予足夠的資源，技術(shù)上不斷提升。

例如我行成立數(shù)據(jù)資產(chǎn)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(chǎn)類模型智能中心去做，偏營銷類模型則業(yè)務(wù)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(yīng)類型的模型開發(fā)。

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(jīng)過認證后具備基礎(chǔ)性的能力，才有資格去做模型。因為這種模型一旦產(chǎn)生，發(fā)到業(yè)務(wù)系統(tǒng)里有問題就是系統(tǒng)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(tǒng)籌單位全部分散再進行，將來銀行的系統(tǒng)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(jié)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(xiàn)在大行在AI技術(shù)投入方面步伐較快，但中小銀行限于人力、財力、技術(shù)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(jīng)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(yè)都受益于AI？

呂仲濤：從政府和監(jiān)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(wù)輸出，包括基礎(chǔ)設(shè)施的輸出，在不違反監(jiān)管底線要求、隱私保護和數(shù)據(jù)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(tǒng)而且做公共基礎(chǔ)設(shè)施，但它到底能不能發(fā)揮作用？人家有沒有意愿使用這樣的公共基礎(chǔ)設(shè)施？不論是模型、數(shù)據(jù)還是基礎(chǔ)設(shè)施，當中涉及很多責權(quán)的問題。

我一直有種感覺，政府或是監(jiān)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(gòu)做的這些工作，是最有意義、最有價值的。一是總結(jié)大家走過的路，總結(jié)成功的經(jīng)驗，再組織小范圍的論壇，講講踩過的坑，總結(jié)失敗，其實就可以了。因為再小的銀行機構(gòu)，相對一般的企業(yè)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(jīng)驗與教訓(xùn)的分享。大家共同總結(jié)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(yīng)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(jīng)驗。關(guān)于銀行在AI生態(tài)中的定位，有人說應(yīng)該做“場景集成商”，有人說銀行應(yīng)該專注“搭平臺”，你們認同哪種觀點？或者銀行應(yīng)該扮演更豐富的角色？

楊兵兵：這與銀行自身的狀況有關(guān)。如果現(xiàn)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(yīng)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(shù)就改變了。你在市場中是什么角色，無非是用了新技術(shù)鞏固你的角色，或是在這個環(huán)境里提升你的能力。如果是突破性的，就要有新的應(yīng)用考慮了。

呂仲濤：我認為銀行在AI生態(tài)中的定位應(yīng)從三個維度考量：

第一，在內(nèi)部生態(tài)中，銀行如何利用人工智能優(yōu)化運營，這是自身的戰(zhàn)略選擇。

第二，在金融同業(yè)中，作為強監(jiān)管持牌機構(gòu)，銀行需明確自身定位。

第三，更高境界的，在社會生態(tài)中，銀行是怎么定位的。

為什么我提第二個維度？現(xiàn)在國家金融基礎(chǔ)設(shè)施也提出了這個概念，金融基礎(chǔ)設(shè)施有整個全行業(yè)、全大產(chǎn)業(yè)、國家級的數(shù)據(jù)基礎(chǔ)設(shè)施等等。很重要的一點，對金融機構(gòu)來講，金融有大量的金融基礎(chǔ)設(shè)施。在金融基礎(chǔ)設(shè)施中，新型金融基礎(chǔ)設(shè)施數(shù)據(jù)的模型，所謂的人工智能會不會成為一種新型的基礎(chǔ)設(shè)施？如果成為一個金融基礎(chǔ)設(shè)施，商業(yè)銀行，特別是大型商業(yè)銀行，你在整個的金融行業(yè)競爭中，定位在哪？你是平臺的貢獻者、主導(dǎo)者，還是參與方？如果你是參與方，誰來主導(dǎo)？是監(jiān)管機構(gòu)？還是央行建立人工智能生態(tài)？

更高層次就更復(fù)雜了，在一個全市場參與中，可能不單是行業(yè)的問題，還有很多互聯(lián)網(wǎng)大廠、科技公司等大平臺。金融機構(gòu)在整個生態(tài)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(gòu)來講，最現(xiàn)實的問題是在行業(yè)中的定位。你在行業(yè)中能夠發(fā)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(yè)化的共享基礎(chǔ)設(shè)施平臺？

近期央行發(fā)布的《金融基礎(chǔ)設(shè)施監(jiān)督管理辦法》雖未擴展到更大的新型經(jīng)濟基礎(chǔ)設(shè)施，但至少從概念上來講，已經(jīng)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(shù)及數(shù)據(jù)的運營，不同層次的運營到底誰來主導(dǎo)？還有監(jiān)管的指導(dǎo)，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(chǔ)設(shè)施，特別是人工智能的，還要觀察。

當然，對大型銀行而言，應(yīng)有動力與意愿在生態(tài)中發(fā)揮更重要作用。

主持人：剛才您重點討論了行業(yè)生態(tài)，那么在社會生態(tài)上，銀行怎么與科技公司、高校等伙伴更好合作，實現(xiàn)共贏？

呂仲濤：這類合作客觀上一直存在，只是現(xiàn)在如何進一步強化。

與高校合作主要在人才培養(yǎng)與小顆粒度的技術(shù)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(xiàn)實，因為它的團隊都比較小，更適合垂類的小領(lǐng)域。在這個過程中，銀行可以提供場景幫助、促進科技創(chuàng)新，幫助孵化小公司。工程化這一塊，高校還不現(xiàn)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(tài)，培育大的生態(tài)。這也是個培育，它不單單是技術(shù)的孵化，更重要的是通過大科技公司的合作，有時甚至?xí)�延伸到商業(yè)和生態(tài)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(yè)開展深度合作。我們必須深入理解技術(shù)底層關(guān)鍵環(huán)節(jié)，才能在應(yīng)用過程中規(guī)避系統(tǒng)性、技術(shù)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(yè)加快AI驅(qū)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(yè)人工智能發(fā)展路徑研究》課題報告的內(nèi)容，歡迎關(guān)注新金融聯(lián)盟NFA的視頻號和公眾號，獲得報告的PDF版。我們將持續(xù)關(guān)注經(jīng)濟金融領(lǐng)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(xù)關(guān)注《雨珊會客廳》！

    本文首發(fā)于微信公眾號：新金融聯(lián)盟NFA。文章內(nèi)容屬作者個人觀點，不代表和訊網(wǎng)立場。投資者據(jù)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(wǎng)無關(guān)。和訊網(wǎng)站對文中陳述、觀點判斷保持中立，不對所包含內(nèi)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