第三，关注人工智能提升效率与加剧风险的双重效应

 

当前，我国人工智能发展的总体态势良好，正处在加强人工智能布局、加快数字化智能化转型的历史机遇期。算力、算法和数据是大模型应用的三大支撑要素。同时也要清醒看到，人工智能的算法“黑箱”、数据污染、模型缺陷等潜在风险问题不容忽视。特别是在金融行业应用时，应关注人工智能带来的效率提升与风险加剧的双重效应。

 

（一）算力效率的提升是基础。大模型需要依托由高性能计算芯片、存储和网络共同构成算力集群。硬件投入大、训练成本高一直是在行业普及应用的重要制约因素。特别是中小银行科技投入能力明显不具优势。这种局面随着DeepSeek的出现，通过算法优化，减少了对高算力硬件的依赖，打破了“堆算力、拼资本”的大模型发展路径。大大减轻了金融机构特别是中小机构的资本投入压力，为弥合技术差距提供了机会。

 

（二）数据安全可靠与隐私保护是关注焦点。人工智能让数据的应用价值凸显，也让数据的安全防护变得更加复杂。一方面，持续加强数据的隐私安全保护。金融机构和科技企业需要共同研究数据在采集、存储、传输和使用过程中的安全性问题。要在保障安全和隐私前提下，推动金融与公共服务领域信息互联互通，释放数据要素潜能。另一方面，关注数据污染。金融机构每天都在处理海量的数据和复杂的交易，信息的准确性和可靠性至关重要。在金融行业，信息污染风险同样存在。如果虚假信息被灌入训练模型，有可能污染模型的训练数据。一旦部署到金融交易、风险分析当中，可能会引发连锁反应，造成难以估量的损失。

 

（三）提高模型算法的透明性和可解释性是关键。深度学习模型目前还存在不可解释性，输出的结果难以解释和追溯，增加了监管的难度。训练数据中的偏差会导致算法输出的不公平或错误。人工智能工具是根据过去的数据进行训练的，可能无法准确反映现实和预测未来。人工智能驱动的高频交易提升市场反应速度的同时，也放大了波动性。当多数人工智能策略采用相似风险模型时，这种同质化响应可能会加速放大负面反馈循环，进而加剧金融脆弱性。此外，需要强调一点，在模型训练中，还要充分体现国家的政策导向和相关要求。

 

为此，需要积极采取措施。一方面，在技术上强化垂直领域的专业性，在技术基座基础上针对金融行业特点进行精细训练，对生成内容及时进行交叉验证，提升模型的准确性和可靠性。另一方面，监管机构应密切关注人工智能技术在金融领域的应用动态，增强对智能算法风险的穿透式分析能力，健全智能算法的规则制度，提升算法可解释性、透明性、公平性和安全性。