AI对金融行业的颠覆性影响与核心特征 - AI对金融行业的影响在长期来看是颠覆性的 其核心不在于流程优化 而更多体现在认知和决策层面的智能提升 [1][8] - AI打破了金融领域长期存在的“不可能三角” 即服务大量客户 提供高度定制化服务 成本可控三者难以同时实现的困境 [1][7] - AI时代金融服务的核心特征是“可规模化的定制化” 这不仅是技术进步 更是金融服务模式的根本变化 [8][24] AI在金融体系中的当前角色与投入重点 - 当前是AI深度融入金融体系的关键时间点 大模型能力接近阶段性瓶颈 行业关注点转向将工程能力与模型能力结合以推动可持续发展 [6][22] - 真正关键的投入并非购买算力或训练大模型 而是思考如何将业务流程与AI有机结合 评估AI的风险边界与效率提升 以及确定人工介入的时机 [6][22] - 金融行业的工程能力本质对应安全 即通过工程化手段确保AI在企业内部稳定 可靠 可回溯 可评估地运行 今年是推动此进程的重要窗口期 [7][23] AI在金融领域的具体应用方向 - 在风险识别和反金融欺诈方面 AI可以支持更高频 更实时的决策 [8][24] - 在资产定价 资产管理等领域 AI开始辅助投资和配置决策 [8][24] - 在二级市场 AI应用已非常广泛 机器学习模型被广泛用于信号筛选 因子构建及价格预测 大语言模型进一步扩展了非结构化数据的利用边界 [12][28] - 在一级市场 AI渗透节奏相对更慢 未来更可能呈现“人机结合”模式 AI提供估值基准 但最终投资决策仍高度依赖人的判断 [12][13][28][29] 金融机构的AI策略与数据挑战 - 金融机构合理的AI策略是在战略层面积极推进 但在具体落地上必须保持审慎 更强调可靠性和稳定性而非单纯追求创新速度 [9][25] - 2025年以前行业处于探索阶段 2025年下半年到2026年初 AI进入“企业可用”阶段 关键问题是如何在企业内部进行工程化落地 [9][25] - 数据问题是金融行业引入AI时最复杂 最具挑战性的环节 金融数据的高度敏感性使其无法简单照搬其他行业路径 [10][26] - 解决方案包括本地部署开源大模型 或通过数据脱敏 权限隔离及合同约束与大模型API提供方合作 未来需在技术方案及法律合规框架上更系统性地完善 [10][26] - 行业需找到让AI在不触碰“核心资产”的前提下发挥深层价值的方式 在数据安全 模型能力与工程可行性之间找到平衡点者将占据先发优势 [11][27] 金融行业AI应用的无效投入与合理方向 - 当前典型的无效投入是在重训大模型上投入过多精力 大模型训练工作已由少数头部厂商承担 金融机构的核心任务在于思考如何应用现有模型 [15][30] - 对大多数金融机构而言 模型微调也并非必要 微调应是完成所有工程层面优化后的最后一步 [15][31] - 更合理的投入方向是工程优化 即在既定大模型能力基础上 通过工程手段减少出错概率 增强可控性 而非直接触碰模型内部参数 [16][31]