AI重塑金融业底层逻辑 行业竞速智能化适配体系构建

　　12月20日，深圳香蜜湖金融年会上，与会嘉宾达成共识：人工智能技术的加速迭代与深度融入，正推动我国金融业从要素驱动迈入创新驱动的关键窗口期。AI不仅颠覆了传统资产定价与风险评估范式，更倒逼行业在数据价值释放、治理机制优化等方面构建适配体系，在创新激励与风险防控之间寻求新平衡。

　　一、估值体系受冲击：AI特性挑战传统金融支持模式

　　金融体系虽已通过“股贷债保租”等工具为AI产业提供全生命周期支持，但AI的独特属性带来了前所未有的挑战。中国证监会原主席、《香蜜湖智能金融发展报告(2025)》课题负责人肖钢指出，AI大模型呈现“价值缩水与发展速度同步加速”的特征，技术迭代越快，既有技术的折旧周期越短，淘汰风险越高。

　　这种高度不确定性对传统估值体系形成直接冲击。技术路径频繁“换道”导致前期巨额投入易快速“缩水”，而部分初创企业可能凭借单一技术突破“出道即巅峰”，让基于稳定现金流和成熟技术的投融资决策难度陡增。香港理工大学研究员李鸣补充，行业还面临治理规则不完善、高端复合型人才稀缺、知识产权界定模糊及初创企业融资渠道狭窄等现实问题。

　　对此，肖钢建议构建适配AI发展的金融支持体系：打造专业服务模式与定制化投融资配置方案，建立分层分类资本运作体系;同时提升金融产品适配性，壮大早期投资，增强风险管理能力并优化投后服务。行业实践中，已有“AI+EI(人类专家经验)”的定价模型探索，通过整合机器学习与专家先验知识，生成具备前瞻性的估值区间，缓解资产定价多样性难题。

　　二、技术架构革新：“效率革命”驱动智能金融落地

　　智能金融的蓬勃发展，核心源于一场涵盖模型、算力与数据的“效率革命”。全国政协委员、科学技术部原副部长李萌表示，这场革命的目标是实现智能水平大幅提升、应用成本大幅下降、应用场景大幅拓展，最终体现为“能效比”的显著跃升。其中，起步稍晚的数据效率革命已初见成效，成为转化数据资源优势的关键。

　　技术路径上，“分层协同”成为新主流。中国工商银行原首席技术官吕仲涛介绍，小模型并未被大模型取代，而是形成互补架构：小模型聚焦垂直场景高效精准执行，大模型承担复杂认知推理与泛化任务，共同构成智能金融的技术基座。

　　为推动数据从成本中心转向价值中心，李萌提出三大技术路径：一是构建跨系统感知、自主决策的数据智能体，打通数据孤岛;二是发展本体技术，建立统一语义层，解决数据“同名不同义”难题;三是推进湖仓一体架构，融合海量存储与高效查询能力，打造新型数据基础设施。吕仲涛进一步强调，需构建“通算+智算”双驱动的韧性基础设施，以真实业务场景为导向形成可落地的解决方案。

　　三、治理模式转型：从“人治”到“智治”的体系化探索

　　AI时代的数据洪流特征，让传统流程驱动的治理模式难以为继。中国银行业协会原首席信息官高峰指出，行业必须转向以AI执行为主、人类监督为辅的“智治”模式，利用AI技术提升治理效率、挖掘数据价值。

　　但系统性治理挑战仍存。国家金融监督管理总局原首席检查官王朝弟总结四大行业痛点：标准碎片化、模型同质化、行业协同机制缺失，以及数据治理中合规与效用难以兼顾。中小金融机构尤为被动，战略不清、资源有限、数据基础薄弱等问题制约其智能化进程。

　　针对这些问题，王朝弟提出四点解决方案：构建分层协同的监管框架、建立标准化技术治理体系、强化行业自律与生态共建、推动跨境协同治理。他特别建议，中小机构应立足实际构建“轻量化”智能治理体系，避免盲目追求“大而全”模型和过度依赖外部技术。中国人民银行原副行长李东荣则强调，发展智能金融需坚守四大原则：严控新型信息安全风险、坚守“金融为民”本质、建立适应性监管体系、机构理性选择发展路径。

　　四、行业共识凝聚：在创新与风控间寻求动态平衡

　　与会嘉宾普遍认为，AI对金融业的重塑是深层次、全方位的，既不能因风险而停滞创新，也不能因创新而忽视风险。构建适配AI特性的金融体系，核心在于实现创新激励与风险防控的动态平衡。

　　未来，金融业需在三方面持续发力：一是完善估值与投融资体系，适配AI技术快速迭代的特性;二是深化技术架构革新，释放数据要素价值;三是建立“智治”为主的治理体系，破解行业共性痛点。通过多维度协同，推动智能金融稳健发展，为经济高质量发展提供有力支撑。