银行业如何在人工智能时代做好三个“共治”？

银行业的三个“共治”

算力基础共治

随着DeepSeek-R1模型的推出，不少银行部署了私有化的DeepSeek，但市场算力需求不减。对于银行业，尤其是中小银行，满足其算力需求面临挑战。一方面，要加强金融专用算力基础设施建设，构建灵活架构。另一方面，要通过集约化运营提升使用率，还得加快解决国产化算力在适配大模型时的效率和兼容性问题。这有助于银行业整体在人工智能时代更好地发展。

行业模型共治

目前预训练的基础大模型中金融知识占比低，影响在金融场景的深度应用。部分国有大行已尝试二次训练企业大模型。行业大模型有推广和成本方面的优势，整合行业资源建设行业大模型成为热点话题。大型金融机构与中小金融机构应加强合作交流，缩小数字鸿沟，以推动行业模型的发展。

行业数据集共治

金融业对数据隐私保护和使用要求高，金融公共语料缺乏。可考虑在数据分级分类管理基础上，组织行业共同建设金融公共语料库。这样能降低各金融机构单独构建的成本，还能建立统一的评测体系。标准化测试数据集和评测方法的建立，有助于提升大模型在金融应用中的质量和水平。

银行机构的三个“协同”

场景和技术协同

不同的人工智能技术有不同特性，金融场景需求也各异。大模型技术并非适用于所有业务场景。各机构要建立KYA机制，结合业务场景、风险特征和算法特点，合理选择大小模型。大小模型搭配、高低组合的方式，既能实现高效应用，又能有效降低成本。

业务和科技协同

银行要搭建企业级人工智能应用框架和体系，实现算力、数据和专家知识的共享。降低应用门槛，支持业务人员通过工具箱开展业务验证和场景孵化工作。要加快培养复合型专家型人才，推进业务全面智能化转型，将人工智能优势转化为业务价值。

组织和技术协同

人工智能会重塑银行岗位职责、业务流程和决策模式，人机协同将成常态。银行要构建人工智能和行业专家紧密协作的新型模式。在金融行业中，重复性高、规则明确的工作可能被替代，金融从业者要转型为AI训练师等角色，掌握复合技能，实现人与智能优势互补。

筑牢安全与风险三道防线

筑牢企业治理防线

银行机构要建立健全企业级人工智能治理机制，将人工智能管理纳入全面风险管理框架。强化科技伦理和消费者权益保护审核，建立全生命周期管理机制，涵盖模型开发到退出的各个环节。通过统一管理，确保企业对人工智能应用的主动掌控。

筑牢业务安全防线

当前银行应用人工智能技术时，业务流程最终责任要落实到人。在实操中，一方面要明确人工智能的辅助定位，关键业务环节建立人工审核机制。另一方面，在高风险业务领域要审慎使用，优先选择精确度高、可解释性强的方案，确保问题可追溯、责任可落实。

筑牢技术安全防线

DeepSeek虽带来便利，但也可能诱发新问题，如数据质量不可控、模型输出结果不准确等。生成式人工智能应用可能涉及隐私数据泄露风险，还可能带来复杂网络攻击行为。银行要坚持相关原则，利用技术手段实现内容和交互安全，如多层审核防护拦截违法内容等。

银行业在人工智能时代要在多个方面做出努力，从三个“共治”到三个“协同”，再到筑牢安全与风险三道防线，这些措施有助于银行业更好地适应人工智能发展，在保障安全的前提下实现创新发展。

相关问答

银行业做好算力基础共治有哪些具体措施？

银行业做好算力基础共治，要加强金融专用算力基础设施建设，构建灵活的算力架构，通过集约化运营提升使用率，还要加快解决国产化算力的效率和兼容性问题。

为什么行业模型共治在银行业很重要？

预训练的基础大模型金融知识占比低，影响金融场景深度应用。行业模型共治可整合资源，大型和中小金融机构合作能缩小数字鸿沟，促进行业模型推广，降低成本。

行业数据集共治对金融机构成本有何影响？

行业数据集共治通过组织行业共同建设金融公共语料库，能降低各金融机构单独构建的投入成本，同时建立评测体系提升大模型应用质量。

银行机构场景和技术协同的关键是什么？

关键在于建立KYA机制，根据业务场景、风险特征和算法特点，合理选择大小模型，采用大小搭配、高低组合的方式，兼顾高效应用和成本降低。

业务和科技协同如何转化人工智能的优势？

通过搭建应用框架和体系共享资源，降低应用门槛，业务人员能开展业务验证等工作，培养复合型人才，从而将人工智能优势转化为业务价值。

筑牢企业治理防线需要建立哪些机制？

需要建立健全企业级人工智能治理机制，纳入全面风险管理框架，强化审核，建立模型全生命周期管理机制，包括开发、验证、部署等环节。