▲ 欧阳日辉

中央财经大学中国互联网经济研究院副院长，教授、博士生导师

图｜由作者提供

当代金融发展的核心动力来自两大源泉：一是科技创新带来的生产力跃升，二是制度创新释放的价值潜能。“十五五”规划纲要正是抓住了这两个关键方向，一方面以“全面实施‘人工智能+’行动”引领技术变革，另一方面以“大力发展数字金融”推进制度优化。两股力量在金融领域的交汇，标志着我国金融业正进入以“人工智能+数据要素”双轮驱动的深度智能化新阶段。

本专题六篇文章的核心判断是，“人工智能+金融”的本质，绝非技术的简单叠加，而是一场从“认识论一实践论一系统论”层层递进的系统性变革，其核心逻辑是“协同发展”。本文以“协同”为主线穿针引线，将各位专家的洞见与本人多年研究积累相结合，系统阐述迈向智能金融新生态的关键命题：协同何以成为核心逻辑？我们从认识论入手，辨析“人工智能+金融”究竟是工具升级还是范式革命；从实践论切入，审视技术与业务、数据与场景、组织与生态如何实现高效协同；从治理论落脚，建构能够驾驭这场深刻变革的系统性制度框架。这三个层面相互嵌套、彼此支撑，构成从理念认知到行动方略的完整闭环。

一、人工智能何以成为金融的“范式变革”

在探讨“如何做”之前，必须首先厘清“是什么”。如果我们对这场变革的本质缺乏深刻理解，就可能在技术应用中陷入“路径依赖”——将新的工具应用于旧的逻辑，却错失了重构逻辑本身的机遇。

我始终认为，数字金融是持牌金融机构运用数字技术，通过数据协同、复用和融合打造智慧金融生态系统，精准地为客户提供个性化、定制化和智能化的金融服务，是与数字经济相匹配的金融形态。这一判断的核心在于“协同”与“融合”，数字金融不是技术的嵌入式点缀，而是通过数据与技术的内生化整合，重塑金融系统的运行方式。从这一视角审视人工智能在金融领域的渗透，AI正在推动金融业由流程驱动的数字化阶段，迈入智能驱动的数智化新阶段。这场变革不只是对传统业务模式的局部优化，更是对金融机构运营、产品设计、风险管控等运行逻辑的系统性重塑，但并未改变金融服务实体经济、管理风险的核心本源。

中国社科院杨涛研究员在《“人工智能+金融”的理论、实践与风险挑战》一文中，给出了一个极具理论深度的分析框架。他指出，AI深刻改变了现代金融体系的四大基本要素——机构、产品、市场与制度。金融机构作为“特殊的信息企业”，其职能边界、服务模式和组织形态在AI冲击下面临颠覆性重塑；金融产品的设计逻辑从经验判断转向算法建模，风险管理从静态指标转向动态预测；金融市场在信息充分性、运行效率和复杂性方面发生质变；适应AI的规则体系也正在制度层面进行调整。与此同时，AI有效推动了金融四大功能的迭代升级：资金融通和资源配置功能因智能匹配机制的引入而更加精准高效；支付清算功能在智能化手段的加持下更加流畅安全；风险管理功能因基于大数据的智能风控而显著提升；信息提供与价格发现功能因AI突破了传统数据边界而更加深入动态。杨涛研究员特别强调，金融业本质上是信息处理行业，其形态始终随着信息技术的每一次迭代而演进——从电子化到网络化再到移动化，每一步都曾引发深刻变革。而在以生成式AI、智能体为代表的新一轮技术浪潮中，数据、算法、算力基础日益完备，正在推动AI进入非线性加速增长阶段，其对金融业的冲击力大概率将远超以往任何一次信息革命。

我在解读2023年中央金融工作会议时曾指出，数字金融是金融“五篇大文章”的基础性支撑，因为科技金融、绿色金融、普惠金融、养老金融的高质量发展，都以数据的高效运营和智能分析为前提。杨涛研究员的论述，恰好呼应了这一判断：数字金融之所以能成为“五篇大文章”的基础，恰恰是因为AI和数据要素对金融功能的全面赋能，使科技金融的“数据信用”替代了“抵押逻辑”，使绿色金融的“精准定量”替代了“模糊定性”，使普惠金融从“有没有”走向“好不好”。这正是认识论层面需要达成的基本共识，AI不是锦上添花的辅助工具，而是重构金融运行逻辑的底层技术。

然而，认识一场变革的深度，不仅需要看到它的正面效能，更要意识到它所带来的系统性挑战。杨涛研究员也敏锐地指出，AI金融应用带来了准确性问题(“一本正经胡说八道”的幻觉现象)、可解释性不足(算法内部的“黑箱”特性让监管穿透变得艰难)、鲁棒性欠缺(模型在训练数据分布之外的场景中表现急剧下降)以及安全性风险(数据投毒等新型攻击手段层出不穷)等多重挑战。这些“硬币的另一面”，恰恰在提醒我们：理解AI对金融的重塑，不能仅仅停留在“赋能”层面，更需要从制度、治理、风险管理等维度进行系统性前瞻。

将各位专家的论述与我个人的研究汇聚起来，可以得出一个基本判断：“人工智能+金融”正在从“局部效率工具”演变为“全系统重塑力量”。由此，我们的方法论也必须随之升级——仅靠技术逻辑已经不够，必须引入系统论和协同论的分析范式。

二、以“协同”为核心展开的多层次试验

从认识论推进至实践论，一个突出问题摆在面前：如何将宏大的范式变革理想落地为企业层面的可操作方案?对此，中国科学院大学孙毅教授团队在《以协同思维构建“人工智能+金融”新生态》一文中，提出了一套极具洞见的分析框架——TBOE协同框架(技术一业务一组织一环境)。这一框架的价值在于，它突破了传统“技术优先”的单向思维，将人工智能与金融的融合理解为一个多要素动态耦合的系统工程。

孙毅教授精准诊断了当前“人工智能+金融”发展的三大瓶颈：技术与业务适配不足——AI多停留在智能客服、后台运营等低技术门槛的辅助场景，难以渗透投研定价、信贷审批等核心业务环节。组织架构滞后于技术创新——“重技术、轻业务”的评价体系割裂导致“有技术无场景、有需求无工具”的结构性困境。制度供给滞后于业态演进——跨机构数据共享缺乏制度指引，金融机构面临合规风险而“不敢共享、不愿共享”。这些诊断切中肯繁，也为构建协同机制点明了突破口。

孙毅教授开出的“药方”是：以“任务单元”重塑组织，打通业务、技术与治理壁垒；以“数据中台”贯通信息，构建高质量可信数据资产池；以“动态适配”完善治理，在严守底线的前提下营造包容创新环境。这些主张与我长期倡导的“多元协同治理”理念高度一致。我在诸多研究场合持续强调，数据要素的激活需要制度、市场与技术“三驾马车”协同驱动，数据价值的释放有赖于多主体共建的协作生态。孙毅教授从业务与组织协同的角度为之提供了更加微观和具体化的实践路径。

(一)技术维度的协同

在TBOE框架中，技术是整个变革的启动装置。然而，当前金融机构绝大多数的智能化应用仍停留在“单点智能”的初级阶段——风控、客服、营销各自为政，犹如一座座“智能烟囱”孤立运作，数据不互通，能力不共享。

从这个意义上讲，中国移动研究院孙奇正等在《智能体矩阵赋能金融数字化转型：从“单点智能”到“全域协同”的突破路径》一文中的核心判断，具有战略性的理论价值和实践指导意义。他们提出的“智能体矩阵”，是对传统单点智能模式的根本性超越：如果说传统的AI模型是智能化的“单兵作战”，那么智能体矩阵就是智能化的“集团军协同”。其本质是一个由多个功能定位互补、决策权限分层的智能体单元构成的复杂有机系统，依托统一的任务调度框架和标准化协同交互机制，实现金融业务全链路、全场景的智能化重构与自主化运行。一个完备的金融智能体单元，需具备“感知一推理一规划—执行—学习一合规”六大核心功能组件，通过“总—分一总”的纵向层级协同、“能力互补”的横向平行协同以及“人机互补”的双轨协同三大运行机制，实现系统整体效能超越个体能力之和的涌现效应。

孙奇正等进一步构建了“基础能力筑基一单一场景验证—跨域协同整合一生态开放融合”的四阶段渐进式实施路径，为金融机构体系化落地智能体矩阵提供了可复制的实践指引。这种从“点状突破”到“全域协同”的演进思路，与我此前关于智能体发展的看法是一致的，智能体在金融领域的关注度持续提升，其自主性、交互性与协助性的深化发展，使公众感知更为切实；智能体能够实现重复性业务自动化处理，覆盖信贷审批、反欺诈等环节，贯穿金融服务全生命周期。然而在技术协同的推进过程中，我们也必须清醒认识到，智能体在复杂决策逻辑的可靠性、长期记忆、协作能力以及安全合规等方面仍面临诸多挑战。

在我看来，正如我多次在学术演讲和行业研讨中所论述的，智能体与金融业务的深度融合，其挑战不仅在于技术本身，更在于如何在“效率”与“控制”、“自主”与“安全”之间找到平衡。自动决策固然能提升响应速度，但若缺乏有效的人机协同机制，一旦智能体出现行为失控或逻辑漏洞，由此造成的误判或经济损失将是灾难性的。因此，在推进智能体矩阵的全域协同落地时，必须将“人在回路”作为核心治理原则嵌入技术架构之中。金融行业发展的双重核心命题，一是稳妥推进金融智能体规模化落地应用，二是构建完善的约束机制，确保智能体始终在监管规则、业务合规框架内安全可控运行。

(二)数据维度的协同与赋能

如果说智能体矩阵是金融智能化的“大脑”，那么高质量数据集就是支撑其高效运转的“血液”。这一点恰恰是当前实践中最大的短板。

广东财经大学王方方教授在《建设金融数据专业市场，赋能金融服务提质增效》一文中，对数据协同问题进行了极具分量的剖析。他明确指出，建设金融数据专业市场的核心目标不是“做大交易规模”，而是要构建一个以统一标准为制度基石、以高质量金融数据集和AI训练语料为供给核心、以行业数据空间为流通载体、以重点应用场景为价值出口的专业化要素配置体系。当前，金融数据要素流通存在四大突出梗阻：一是行业数据标准不统一，跨机构数据融合缺少统一基准。二是高质量标注金融数据集供给稀缺，存量业务数据价值未充分挖掘。三是数据流通交易、权责划分机制不完善，机构出于合规追责顾虑，存在“有数据不愿共享、想共享不敢流通”的现象。四是联邦学习、TEE等可信流通基础设施覆盖不足，行业统一数据空间建设进度滞后。这些梗阻不打破，AI金融应用的发展就将面临“无米之炊”的困境。

基于此，我也长期呼吁，建设高质量数据集不能仅靠“堆积数据”，而必须建立“多元主体协同供给”的生态系统。我曾在多场学术论坛中指出，数据交易所应积极创新，开发分析决策型数据产品、智能体服务与高质量数据集，并探索数据作价出资等价值实现新路径。王方方教授提出，应从“供给侧构建多元协同供给体系、健全数据标准规范体系、完善数据合规流通机制”等多维度发力，并特别强调建设金融行业数据空间的重要性——基于可信执行环境(TEE)、联邦学习等前沿技术，实现“数据可用不可见、模型可训不可取”。我认为，这是为打通金融数据流通梗阻、拥抱AI时代的治理理念与技术体系上的务实创新。

上海数据交易所刘巍等在《高质量数据集赋能科技金融发展的机制、障碍与实现路径》一文中，将这一宏观视角落到了科技金融这一核心场景。通过杭州银行依托高质量数据集服务近3万家科创企业、微众银行基于多源数据推出“微业贷”惠及33万家企业的鲜活案例，生动展现了高质量数据集如何通过拓宽信息来源、升级风控体系、驱动产品创新、优化业务流程，实现对科技金融的深度赋能。刘巍等指出，“轻资产、难估值”的科创企业尤其依赖“数据信用”来替代“抵押逻辑”，而高质量数据集正是构建这一新型信用体系的基础设施。这恰恰印证了我一贯的观点：数据要素是做好金融“五篇大文章”的关键支撑，数据的协同优化、复用增效和融合创新，正是推动科技金融从“抵押逻辑”转变为“数字信用”、普惠金融从“数据荒漠”转变为“信用绿洲”的核心动力。从这一视角看，高质量金融数据集的供需畅通，不仅是数据要素市场化的应有之义，更是实现“科技一产业一金融”良性循环的制度基础。

(三)组织与制度的协同

在技术与数据两大维度的协同之外，一个更基础但常被忽视的问题在于组织与制度层面的协同。当我们抛出智能体矩阵这样的宏大技术蓝图时，必须追问：金融机构的既有组织架构和治理规则，能否承接住如此深度的变革?

孙毅教授在TBOE框架中提出的“任务导向的敏捷组织”构想，正是对传统“部门银行”“科层制”运作逻辑的深刻反思。它主张围绕信贷审批、智能投顾等核心业务场景，组建一个涵盖业务专家、算法工程师、合规专员、风控人员的跨职能“任务单元”，使技术开发、业务运营、风险管控与合规治理原生内嵌于业务闭环之中。这一构想正是我对“数据协同、复用和融合打造智慧金融生态系统”理念的制度化延伸——技术与业务的深度融合需要组织的制度承载，而传统科层制的部门割裂正是数据流通、智能应用面临的最大制度障碍。

与此同时，我注意到治理体系的迭代如果不能跟上技术变革的节奏，将成为组织变革中最薄弱的一环。当前，各金融机构的智能体建设往往技术先行，合规体系却难以同步配套，导致创新行为面临问责风险。因此，我在多次学术交流中提议，政府需构建完备的金融监管体系，推动公共数据流通共享并降低其应用成本，健全组织管理体系。金融机构内部也应配套建立动态评估和“业务反馈一规则迭代”的适配机制，探索内部创新沙盒和自动化治理工具的联动。通过上述制度安排，组织治理才能从“被动修补”走向“主动适配”,为智能金融的可持续发展提供坚实的制度保障。

三、金融治理从被动应对到主动驾驭

生成式AI正在引领一场“金融核心系统级”的效率革命，客服、文档审核、数据整理等人力密集型环节成本大幅削减，决策支持从“天级”压缩至“分钟级”，知识普惠化和长尾客户的服务覆盖面显著提升。然而，正如我在多个研究场合反复强调的，“效率革命”的另一面是“风险转型”，生成式AI正将金融业的治理能力推向前所未有的压力测试。

广东外语外贸大学刘倩等在《生成式AI深度渗透金融领域：新应用、新风险与新治理》一文中，系统梳理了生成式AI赋能金融反欺诈、投研合规和财富管理的三大创新应用场景，更在此基础之上敏锐捕捉到了三类超越传统算法安全范畴的金融专属风险：一是提示注入攻击——攻击者无需破解金融系统的底层代码，仅凭精心构造的自然语言指令就能诱导AI模型执行非预期的恶意操作，突破传统网络安全防御边界。二是AI幻觉——AI生成看似严谨的虚假信息一旦被金融决策环节采纳，可能引发市场扰动和信任危机。三是模型同质化共振——国内多数金融机构基于同类通用大模型开展行业微调，模型底层决策逻辑高度趋同。若共性模型出现系统性误判，风险将通过跨机构业务链条快速传导，在证券交易、信贷投放等场景诱发“算法羊群效应”，加剧市场波动与局部流动性压力。刘倩等引用的研究数据表明，当任务场景不匹配时，大语言模型的幻觉率可能比基准提示高出40倍。这种情况下，AI生成内容以标准化、专业化形式呈现，更易被市场赋予虚假权威性，其潜在危害远超传统数据统计错误或个别员工误判。

上述三类风险，已经从“技术缺陷”演变为“系统威胁”，而破解之道，恰恰需要回到我们始终强调的“协同”思维。正如刘倩等提出的“三维治理”框架：技术层筑牢源头防御屏障，研发反提示注入检测算法、事实校验模块和模型轻量化定制方案，从源头降低幻觉和攻击风险；流程层通过标准化业务内嵌将风险防控动态化，建立常态化的红队测试机制和“AI辅助决策+人工最终决策”的人机协同流程，构建全流程日志记录制度；生态层通过监管引导、行业自律和主体协同，构建“多元共治格局”，实施差异化监管激励政策，推动金融机构开展模型自主研发与定制化调优，从生态层面规避系统性共振风险。

这正是我长期倡导的“政府、市场、社会”三方协同治理金融科技深化的具体实践路径。在我看来，金融业的AI治理框架不能只是一纸规则，必须嵌人技术研发、业务流程与行业生态建设的全生命周期中。

将刘倩等的分析置于更宏观的视野下，我们还会发现很多深层问题。正如杨涛研究员在对金融大模型应用的研究中所总结的：算法“黑箱”特性让监管穿透性面临困境，模型策略同质化可能放大系统性风险，头部机构的技术积累正在拉大行业鸿沟，中小机构的发展压力空前。面向“十五五”，制度层面亟须加快构建包容审慎、分层分类的治理体系：对信贷审批、高频交易等高风险AI金融应用实施更完备的全流程穿透式监管，对智能客服、运营优化等低风险场景则给予更大创新空间。杨涛还特别提出推动“监管沙盒”机制常态化运行，针对金融智能体等前沿应用开展试点测试，完善金融AI大模型的安全性、公平性与可解释性的独立第三方评估机制。

从协同治理的视角审视，这场变革需要监管机构、行业协会、金融机构、科技公司和科研力量共同参与。在此过程中，我深切认同杨涛研究员关于“政府需要构建完备的金融监管体系，推动公共数据流通共享并降低其应用成本”的呼吁，以及孙毅教授关于“行业自律与生态共治”的论断。人工智能与金融的融合已经迈向“深水区”，任何单一主体都不足以独立驾驭其复杂性，唯有构建“多元协同、规范有序、安全可信”的智能金融新生态监管体系，才可能在这轮全球金融科技竞争中占据长期优势。

四、迈向多元协同的智能金融新时代

回望本专题六篇力作，从认识论的理论奠基到实践论的技术支撑、数据基石与组织赋能，再到治理论的系统建构，它们共同构成了一幅“人工智能+金融”迈向新生态的完整图谱。这场系统变革的核心逻辑，始终是“协同”，即技术、业务、组织、环境之间的协同，数据标准与流通机制之间的协同，制度规范与创新活力的协同，监管机构与市场主体的协同。

在综合各位专家洞见与本人长期研究之后，我有三点前瞻性判断：

第一，这场变革已不可逆转，但成功的远不止于“领先者”，更是“协作者”。智能金融新生态是一个有机的整体系统，金融机构之间、行业与平台之间、技术与制度之间，谁能在协同中找准生态位、嵌入价值链，谁就能立于不败之地。

第二，数据与实体经济的融合，将是决定未来智能金融发展质效的关键变量。数据要素具有乘数效应，它能够串联生产、分配、流通、消费等社会再生产全过程，而AI正是数据发挥乘数效应的最佳引擎。推动高质量数据集建设、完善数据定价机制、引导社会主体从大模型训练到场景微调全链条参与数据生态建设，将是“十五五”乃至更长时期内金融智能化发展的核心课题。

第三，治理体系的先导性与适配性，将决定智能金融的可持续发展空间。面对AI正在重塑的金融运行格局，从机构的边界重塑到产品的设计迭代、从市场的效率提升到制度的适应性调整，我们的治理体系不能停留在“逐案解决”的被动模式。必须前瞻性地构建“技术层—流程层—生态层”协同联动的三维治理体系，以多元主体协同共建为基本路径，推动人工智能在金融领域安全、有序、高效地释放其应有的创新价值。

正是在这个意义上，迈向智能金融新生态的路径，既需要我们以系统思维把握变革方向，更需要落地于制度创新、组织再造与技术升级的有机互动之中。我相信，在本专题各位专家精诚协作的指引下，广大金融从业者及相关领域的研究人员，必将能够更清晰地洞察变革逻辑，在创新与安全的动态均衡中推动我国迈向更高质量、更有效率、更加智能的金融强国时代。

责任编辑｜吴政希

校对｜余健仪

文献来源：欧阳日辉.打造协同发展的智能金融新生态[J].科技与金融,2026(6):2-8.