中经记者 张漫游 北京报道

3月24日至27日，博鳌亚洲论坛在海南博鳌举行。在今年议程中，“走进AI时代”成为重要议题之一。金融作为现代经济的核心，正处于这场变革的“深水区”。就在论坛前夕，中国人民银行召开2026年科技工作会议明确提出“深化业技融合，积极稳妥、安全有序推进金融领域人工智能应用”，为行业发展定下基调。

在创新与安全之间，金融机构如何找准战略重心？面对AI带来的效率革命与风险挑战，技术底座与风险管理体系又该如何进化？针对这些问题，《中国经营报》记者在博鳌论坛期间采访了毕马威中国金融科技主管合伙人黄艾舟。

分层推进 筑牢“稳敏双态”技术底座

《中国经营报》：央行科技工作会议为金融业AI应用划定了“积极稳妥、安全有序”的基调。在此背景下，今年金融机构在AI领域的战略重心主要落在哪里？

黄艾舟：对于金融机构而言，央行此次定调意味着金融领域的AI应用核心战略地位持续升级，在这一进程中，不同体量的金融机构鉴于其过往数字化转型基础和业务布局差异，AI战略重心各有不同。

对于头部金融机构而言，有望持续发挥技术、资金、人才和数据优势，推动AI应用持续深化，以全行级AI战略为引领，构建AI全栈技术能力，并将AI技术内嵌于业务流程和组织管理逻辑之中，实现全方位重构。

对于中小金融机构而言，在推动AI规模化应用和战略级转型方面，目前面临的挑战较大，既体现在资金、技术、人才等资源储备不足，也体现在IT系统建设、数据治理、合规内控等方面的基础较为薄弱，可能会通过与科技企业合作、接入第三方API等方式，降低转型成本，聚焦细分领域的AI应用升级实现差异化发展。

总体而言，在“严监管”的整体基调下，金融行业的安全底线必须牢牢守住，AI模型的全生命周期管理、数据使用规范，以及风险处置流程等必然是各家金融机构的AI战略重点之一。央行此次还提出统筹“远中近”目标，谋深谋实“十五五”时期科技工作，预计随着头部金融机构AI转型的标杆效应不断显现，中小金融机构的AI转型战略必将陆续跟上。

《中国经营报》：传统金融机构的集中式IT架构在面对AI的敏捷迭代时显得力不从心。金融机构应构建怎样的技术底座，才能既保障核心系统的稳定，又能灵活接入各类大模型，实现“稳敏双态”？

黄艾舟：AI技术仍在快速发展，异构算力、推理网关、RAG（检索增强生成）数据链路、LLMOps（大语言模型运维）、Agent（智能体）协作框架等新型技术能力的引入，给传统集中式IT架构带来的影响呈现出动态更新、日趋复杂的特点。由此，越来越多金融机构意识到需要整合分散的技术能力，统一技术栈并确保规范一致性，以便充分利用已有技术资源，及时适配大模型技术演进路线，避免技术过时或过度异构风险。

在建设方式上，全栈式、端到端的企业级数字底座或成为金融机构的必选，强调以云原生、分布式架构为主干，融合大数据与人工智能平台能力，通过“多平台融合、多技术栈融合、多工具融合”，打通从基础设施，开发平台再到场景应用的全栈链路，形成覆盖规划设计、开发测试、集成发布、运行监控、运维保障、灾备演练的端到端工作流。

这一方向也与监管导向高度契合。根据2025年年底发布的《银行业保险业数字金融高质量发展实施方案》，相关主体应当全面提升对多技术栈、复杂架构的管理水平，稳妥实施分布式、微服务改造，优化服务网格基础设施，增强基础平台产品化服务能力；探索低代码、无代码开发平台建设，促进架构及开发可视化；优化需求、研发、测试、投产、运营一体化协同机制，增强敏捷交付能力。

从“用好AI”到“管好AI”

《中国经营报》：AI在提升效率的同时，也放大了风险敞口。在利用AI进行反欺诈的同时，如何有效防范AI本身带来的新型技术风险？当前的应对机制是否跟得上风险演变的节奏？

黄艾舟：传统模型风险管理框架已不足以应对AI带来的新挑战。AI风险，特别是生成式AI，带来了诸如模型幻觉、数据投毒、算法黑箱等全新风险点。因此，风险管理必须升级为覆盖多模态数据治理、多源模型全生命周期管理、场景侧应用风险全面防御，以及可信AI治理的综合性体系。

具体而言，我们协助多家商业银行搭建的基于“可信人工智能”的风险管理体系，主要从四个层面构建防线：

一是多模态数据治理。建立覆盖数据全生命周期的安全闭环体系，以数据分级分类为基础，全程执行严格的安全策略，实现对数据风险的主动防御。

二是多源模型全生命周期管理。清晰划分模型从研究探索到退役的各个阶段，并为每个阶段设立客观的准入准出标准。在此基础上，从技术性能、业务效果、成本效益、安全合规四大维度对模型进行综合评估，确保引入和使用的模型“安全可控”。

三是场景侧应用风险全面防御。在真实业务场景中，AI风险具有高并发、强渗透的特点。这需要构建一个多层次防御体系：在环境层，实施沙盒化治理与“最小权限”联网原则；在模型层，通过领域知识图谱注入，实现推理过程的可视化追溯；在操作层，强化流程标准化与自动化，减少人工干预风险；在防护层，建立动态安全免疫体系，通过对抗演练持续优化模型鲁棒性（指系统在面临输入数据的变化、噪声、干扰甚至攻击时,仍能保持其功能和性能的稳定性和可靠性）。

四是前瞻性的可信AI治理。随着AI应用从局部试点走向规模化部署，金融机构亟须从组织层面主动应对。这包括统一AI应用的定义、设计清晰的AI风险管理机制、对AI应用进行风险分类并实施差异化管控，以及建立专门的AI模型验证方案。这一整套体系，旨在将风险管理从被动响应转变为主动免疫。

《中国经营报》：数据是AI的基石。在利用AI挖掘数据价值时，金融机构普遍面临哪些数据治理的短板？行业在构建高质量数据底座方面，又有哪些共性的解决思路？

黄艾舟：当前，金融机构在数据治理上普遍存在四大“拦路虎”：一是多源异构数据协同难，核心系统、外部API等数据源格式、标准不一，整合难度大；二是跨机构价值融合难，金融数据的高频、实时特性，使其在合规前提下实现跨行业、跨机构流通面临多重挑战；三是内部数据流通共享难，数据因系统、部门壁垒而碎片化，难以形成统一可用的知识资产；四是多模态数据知识转换难，大量合同、报告等非结构化数据蕴含丰富业务知识，但现有治理体系缺乏将其转化为高价值知识资产的成熟框架。

面对这些挑战，行业内的领先实践呈现出“系统性”与“工程性”并重的特征。系统性体现在，将数据全生命周期管理理念嵌入信息系统的各个环节；工程性则体现在，积极构建数据智能分析引擎及配套工具，确保数据处理的可追溯与合规性。

一个显著的趋势是，治理重心正从“结构化数据”向“知识类数据资产”迁移。由于大模型的输出质量高度依赖内部私有数据的输入，已有银行将知识类数据资产的治理作为应用大模型的前置条件。例如，通过对海量非结构化投研报告进行精细化切片，构建专业化的垂域知识库，以确保模型输出的可控性与可追溯性。

上升到行业基础设施层面，国家数据局正在推动的企业、行业、城市三类可信数据空间试点，为金融数据流通提供了新的可能。金融业作为资金融通的中介，在数据流通中能发挥关键桥梁作用。可信数据空间的建设，旨在解决数据源分散、跨主体流通风险高、数字鸿沟大等核心痛点，通过“区块链+隐私计算+动态使用控制”等技术，构建起覆盖“数据汇聚—安全流通—场景应用”的全流程体系。例如，“联邦学习+可信执行环境”的技术方案，就能在保护数据隐私的前提下，实现多方数据的安全协同建模，为金融AI应用注入更高质量的数据“活水”。

（编辑：杨井鑫 审核：何莎莎 校对：翟军）