金融行業的“不可能三角”，被AI打破了 | AI進化論

「AI進化論」是長江商學院推出的AI+主題欄目，匯聚全球AI領域的原創洞見、產業實踐及前瞻研判。從技術突破到產業應用，從戰略布局到倫理邊界，在這里，一起與AI同頻進化。今天和你分享新浪財經對長江商學院梅丹青教授的專訪文章。

來源 | 新浪財經

原標題 | 對話長江商學院梅丹青：AI時代金融服務的核心特征在于“可規模化的定制化”

梅丹青

長江商學院金融學助理教授

在即將開啟的“十五五”時期，中國金融體系正站上新的歷史關口。“加快建設金融強國”寫入規劃綱要，大力發展金融“五篇大文章”，為新質生產力提供支撐、推動實體經濟躍升。金融體系的發展重心正向更高質量、更強韌性邁進。

在此背景下，新浪財經推出《金融新啟航·新引擎新圖景》專題系列，邀請金融業界專家和學者，圍繞“十五五”新周期下的金融變革展開前瞻性研討。本期《金融新啟航·新引擎新圖景》對話哥倫比亞大學金融學博士、長江商學院金融學助理教授梅丹青。

梅丹青表示，AI對金融行業的影響在長期來看一定是顛覆性的。他認為：

●與以往的數字化轉型或互聯網浪潮不同，AI的核心不在于流程優化，而更多體現在認知和決策層面的智能提升。

● 尤其在金融領域，AI打破了過去長期存在的一個“不可能三角”，即服務大量客戶、提供高度定制化服務、成本可控三者很難同時實現，而在AI時代，這一“不可能三角”正在變得可能。

●如果概括AI時代金融服務的核心特征，是可規模化的定制化。

01

通過工程化手段

推動AI在金融機構穩健運行

Q: 2026年是“十五五”開局之年，規劃中明確提出要建設安全、高效的金融基礎設施。站在這個節點上看，您如何理解AI在未來金融體系中的角色？

梅丹青：我認為，當下正好處在一個AI深度融入金融體系非常關鍵、也非常合適的時間點。一方面，大模型本身的能力已經接近階段性瓶頸，單純依靠模型規模或算力堆疊，邊際提升正在下降；另一方面，行業的關注點正在明顯轉向，即轉向如何將工程能力與既有的模型能力結合，推動更可持續的發展。

在投入層面，我一直比較認同一句話：重要的投入，往往是看不見的；不那么重要的投入，反而往往很熱鬧。放在今天的語境下，真正關鍵的投入，并不是買了多少顯卡、訓練了多大的模型，而是企業是否認真思考過：如何將自身的業務流程與AI有機結合、如何評估AI的風險邊界與效率提升、在什么情況下必須引入人工介入。

這些問題，才是AI在金融企業內部長期可用、可控的基礎。但它們往往不夠吸引眼球，也很少成為公開討論的焦點。

在金融行業，這種工程能力本質上對應的是安全。也就是說，如何通過工程化手段，確保AI能夠在企業內部穩定、可靠地運行，同時具備可回溯、可評估、可持續演進的能力。在我看來，今年是一個非常重要的窗口期，去認真討論AI在企業內部如何通過工程化方式實現穩健運行，并真正為金融機構帶來可持續的效率提升。

Q: 在金融領域，您認為AI最具現實價值、也最有可能率先產生效果的應用方向主要集中在哪些方面？

梅丹青：與以往的數字化轉型或互聯網浪潮不同，AI的核心不在于流程優化，而更多體現在認知和決策層面的智能提升。

尤其在金融領域，我認為AI帶來的最大變化，在于打破了過去長期存在的一個“不可能三角”：

● 一是服務大量客戶

● 二是提供高度定制化服務

● 三是成本可控

傳統金融體系下，這三者很難同時實現，定制化往往意味著更高的成本。

而在AI時代，這一“不可能三角”正在變得可能。

如果用一句話概括AI時代金融服務的核心特征，我認為是“可規模化的定制化”（customization is scalable）。

這不僅是技術層面的進步，更是金融服務模式的根本變化。例如，在風險識別和反金融欺詐方面，AI可以支持更高頻、更實時的決策；在資產定價、資產管理等領域， AI也開始輔助投資和配置決策。

AI對金融行業的影響在長期來看一定是顛覆性的。

但坦率地說，在當下這個階段，我們其實還很難完整想象這種顛覆將以何種形式展開。原因在于，目前AI的能力邊界仍在快速演進，其應用方式也遠未定型。無論是技術本身，還是與金融業務的結合路徑，都仍然存在很大的想象空間。

02

在數據安全、模型能力

與工程可行性之間找平衡點

Q: 我們看到，不同金融機構在大模型和智能體應用上的態度并不一致：有的相對審慎，有的推進得較為積極。您認為在當前階段，金融機構更合理的AI策略應該是什么？

梅丹青：在戰略層面可以積極推進，但在具體落地上必須保持審慎。這其實也是一個相對經典的原則。

金融行業與其他行業不同的地方在于，它本質上更強調可靠性和穩定性，而不是單純追求創新速度。因此，在使用AI的過程中，行業的態度也呈現出明顯的階段性特征。

在2025年以前，行業更多還處在探索階段。當時無論是大模型本身的能力，還是智能體（agent）體系的成熟度，都還不足以支撐大規模、系統性的應用，機構更多是在測試邊界：AI能做什么、能做到什么程度，很多嘗試未必成功，但核心目的是理解能力上限。

而從2025年下半年到2026年初，這一階段出現了明顯變化，尤其是在智能體領域。隨著模型能力的提升和智能體體系逐步完善，AI已經開始進入“企業可用”的階段。

更關鍵的問題是，在既有的大模型能力條件下，如何在企業內部進行工程化落地。這包括如何界定清晰的風險邊界，如何將智能體嵌入具體業務流程，以及如何在不同環節對智能體進行評估。

Q: 確實，金融行業對可靠性的要求極高，而其中的核心在于數據。在將數據用于模型訓練的過程中，機構最大的顧慮和挑戰是什么？

梅丹青：數據問題可能是當前金融行業在引入AI時最復雜、也最具挑戰性的環節。金融數據天然具有高度敏感性，這決定了它在與大模型結合時，無法簡單照搬其他行業的路徑。

一種相對直接的解決方案，是在本地部署開源大模型。這也是中國市場的一個獨特優勢——在開源大模型領域，國內的成熟度和活躍度都相對較高。但從現實角度看，本地部署意味著更高的算力和工程成本，這對中小機構而言并不友好。

另一種路徑，是在不完全本地化的前提下，通過數據脫敏、權限隔離以及合同約束等方式，與大模型API提供方進行合作。例如，明確數據隔離機制，或在合同層面約定模型提供方不得將金融機構的數據用于再訓練。這類做法，在工程和法律層面都需要更細致的設計。

我認為，未來在這些層面上還會出現更系統性的完善，包括技術方案的成熟以及法律和合規框架的逐步清晰。

以量化基金為例，這種矛盾尤為典型。對量化機構而言，核心交易信號和底層模型代碼本身就是最重要的資產。因此，在使用大模型時，很多機構并不敢讓模型直接接觸最核心的部分，而往往只在外圍、表層環節引入AI，用于輔助優化和效率提升。

無論是通過更成熟的本地部署方案，還是通過大模型廠商在技術層面引入更精細的數據隔離、脫敏和隱私保護機制，金融行業需要找到一種方式，讓AI能夠在不觸碰“核心資產”的前提下，發揮更深層次的價值。誰能夠在數據安全、模型能力與工程可行性之間找到平衡點，誰就有可能在下一階段的金融AI應用中占據先發優勢。

03

建議金融機構把關注點

放在AI的直接應用上

Q: AI在資產定價等核心環節是否存在真正的想象空間？

梅丹青：談AI應用，我們首先需要把一級市場和二級市場分開來看。

在二級市場，尤其是股票交易領域，AI的應用其實早已非常廣泛。

即便在大語言模型出現之前，市場上已經有不少機構利用機器學習等算法輔助投資決策，典型代表就是量化基金。需要說明的是，國內普通投資者在提到量化時，往往首先聯想到高頻交易，但事實上，當前市場中低頻量化的占比也在不斷提升。無論是高頻還是低頻策略，機器學習模型都已被廣泛用于信號篩選、因子構建以及對未來價格走勢的預測。

隨著大語言模型和新一輪AI技術的發展，其對二級市場的影響進一步體現在數據邊界的擴展。過去難以系統利用的非結構化數據，如新聞文本、上市公司公告、甚至視頻和圖像信息，如今都可以被更有效地理解和處理，從而為資產定價提供新的信息維度。

相比之下，一級市場中AI的滲透節奏相對更慢。

一方面，一級市場本身的信息不對稱程度更高；另一方面，其長期以來也并不習慣高度依賴數據進行定價。即便在美國，一級市場系統性地利用數據輔助估值，也只是近些年才逐步興起。

從未來趨勢看，一級市場更可能呈現出“人機結合”的模式。AI可以基于可獲取的數據和模型，提供一個估值基準（benchmark），但最終的投資決策仍然高度依賴人的判斷。尤其是在對創業者、商業模式和長期潛力的評估上，人仍然不可替代。

值得注意的是，在前沿研究中，已經有不少嘗試將一級市場中的結構化數據（如初創企業的財務狀況）與非結構化數據相結合，例如通過分析創業者訪談中的面部表情、聲音特征等，將“自信度”等主觀特質進行量化，以輔助判斷企業的長期發展潛力。

Q:您認為當前金融行業在AI應用上，最容易出現的“無效投入”主要集中在哪些方面？

梅丹青：在我看來，當下一個比較典型的無效投入，是在重訓大模型上投入過多精力。從今天AI產業的分工來看，這一領域的邊界其實已經相當清晰。在大多數情況下，大模型的訓練工作已經由少數頭部廠商承擔。

目前，無論是國際上的大型科技公司，還是國內像Kimi、智譜等專注于基礎模型的廠商，它們本身就承擔了模型層的主要職責。

在這樣的分工結構下，金融機構的核心任務，并不在于再去重復這一層的工作，而是思考如何把現有的大模型真正用起來。

我的觀點可能相對更激進一些，即便是模型微調，在今天這個階段，對大多數金融機構而言也并非必要。

傳統認知中，金融機構的數據具有特殊性，因此需要通過微調來定制模型，使其更符合自身需求。相比重訓，微調的成本確實低很多，但依然意味著不小的投入。

微調應該是最后一步，而不是起點。只有在完成了前面所有工程層面的優化之后，包括流程重構、風險控制、評估機制和可靠性設計，仍然發現模型無法滿足業務需求，或者在響應速度等方面有極端要求時，才有必要考慮是否進行微調。

在此之前，更合理的投入方向，應該放在工程優化層面：在既定的大模型能力基礎上，通過工程手段減少出錯概率、增強可控性，而不是去直接觸碰模型內部參數。

因為從現實情況看，所有直接介入模型參數層面的工作，成本都很高、門檻也很高。這不僅需要更專業的人才儲備，也意味著更高的不確定性，對大多數金融機構而言，并不具備足夠的性價比。

文中圖片來自圖蟲創意，轉載需獲授權。

點擊下方卡片，關注長江商學院