AI驱动金融强国：理论逻辑、实施路径与风险挑战（上）
■汪 勇 国家金融与发展实验室金融法律与金融监管研究基地副秘书长
■范云朋 国家金融与发展实验室金融法律与金融监管研究基地副秘书长
■王 瑶 国家金融与发展实验室国际货币体系研究中心研究员
本文长度11724字，建议阅读时间80分钟
AI已不再仅是技术工具，正演变为重构金融资源配置、风险评估和价格机制的核心引擎。在推进金融强国建设的背景下，AI深度改变了金融运行的内在逻辑。但这种变革具有双重性，在助力金融‘五篇大文章’的同时，也带来AI投资泡沫、模型幻觉、算法同质化及数据泄露等新问题。以AI赋能金融强国，需兼顾发展与安全，突破基础理论与关键技术，统筹算力与数据资源建设，建立透明的法律与伦理框架，完善监测应急体系，引导AI更好发挥作用。
原文载于《金融评论》2026年第1期。为方便阅读，分上、下两篇刊出，此为上篇。
AI赋能金融强国：理论逻辑、实施路径与风险挑战（上）
01
引言
习近平总书记指出：‘加快新一代AI发展是抓住科技革命机遇的战略问题。’《国民经济和社会发展第十五个五年规划建议》提出全面实施‘AI+’行动，加强治理与立法。2025年12月中央经济工作会议强调深化‘AI+’应用，完善治理。在建设金融强国和高质量发展的背景下，需系统研究AI如何赋能金融，推动善治，使先进技术发挥积极作用。本文讨论的AI，非指具体算法，而是以数据为基础、算法为核心、辅助决策为功能的通用技术形态。其关键特征在于显著提升信息处理能力。AI通过整合多场景信息，改变了依赖少量指标的传统模式，使机构能更细致识别主体状况与风险，持续影响金融运行。
AI在金融的深度应用是其渗透社会经济的典型体现。金融作为经济核心，与社会结构紧密关联。当前社会正经历数字化转型，AI融入生产、消费等环节，重塑信息结构与行为模式。在此背景下，金融应用AI既有内因——极大提升信息效率、风险精度与服务覆盖；也有外因——金融体系需对接数据驱动的社会经济趋势。同时，社会信息化为金融提供海量、多元、实时数据，加速AI融合创新。
AI在金融应用中的问题，既反映全社会的普遍挑战，也体现金融领域的特殊约束。普遍挑战包括算法偏见、隐私泄露、AI幻觉、伦理责任及新型欺诈，是各行业共性问题。金融因对信息真实性、决策精确性和系统稳定性的高要求，以及强监管属性，使上述问题更突出敏感，要求AI输出必须可靠、可解释、可追溯，且在合规风控框架下运行。因此，探讨AI如何重塑金融，需关注技术能力提升，也需分析在金融特殊领域内如何平衡创新与风控、效率与公平、自主与监管等多重关系。
我国高度重视AI发展。2025年以来，‘AI+金融’概念被明确提出。国家金融监督管理总局2025年12月印发《银行业保险业数字金融高质量发展实施方案》，首次对‘AI+金融’提出明确要求，强调防范AI风险。在国家战略指引下，金融业积极拥抱AI，使其成为重构服务成本、风险模式和用户体验的主动力，也促进了AI尤其是大模型与金融学研究的结合（苏治等，2017；李斌等，2019；范小云等，2022；姜富伟等，2024）。本文基于AI在金融的应用趋势，从理论厘清其重塑金融功能的逻辑，从实践论述其作用于‘五篇大文章’的机制路径，并系统评估推动金融强国建设中的风险与治理挑战，探讨技术变革下如何更好赋能金融强国。
02
AI在金融领域的发展趋势
历史上，每代信息技术都深刻影响金融体系，促进效率提升与创新。自1943年起，AI技术发展已逾80年，历经1956～1974年、1982～1995年两次浪潮，现处于2006年起的第三次浪潮。从简单规则策略到实际应用，催生算法模型，再升级为复杂模型，伴随数据量激增。基于AI从规则系统到机器学习再到深度学习的演进，其在金融应用也从‘浅层智能’到‘深层智能’、从‘辅助决策’到‘驱动核心业务’转变，增强金融系统处理信息、分析数据、识别模型和预测能力（Aldasoro et al.，2024）。尤其2022年以来大语言模型的发展，引发数据处理到洞察解读的全链条变革，以智能体为代表的AI成为新趋势。
20世纪80年代前，AI以专家系统为主，开发基于规则的系统模拟人类智能。专家系统指行业专家提供知识存入数据库，用户提问时系统按规则匹配答案返回。此阶段AI主要扮演‘数字员工’，应用于风险管理、基础交易规则、信用评分和欺诈检测等，核心价值是降本增效，解放人力，但未触及核心决策逻辑。且技术应用僵化，在模型识别、不确定性处理等方面远逊人类，无法适应动态金融领域，需人工监督。
20世纪80年代至21世纪初，需求推动AI进入机器学习阶段，多层感知机、决策树等算法发展，AI可自主学习经验执行任务，无需明确规则，实现自动优化、预测和分类，具备数据分析和模式识别能力，成为决策智能助手。早期机器学习依赖结构化数据，因模型动态适应新数据，决策过程透明度较低。
除基础功能外，机器学习进步开启AI在金融的新应用，尤其在资产定价领域。价格预测是核心，但相关信息集庞大，传统模型难纳入，叠加功能形式假设缺乏共识，导致预测效率低。机器学习可整合大量数据和灵活非参数函数，被广泛用于收益预测、风险回报权衡和组合配置，扩大AI应用范围。
21世纪以来，机器学习成熟进入深度学习阶段，用多层神经网络模拟人脑学习，自动提取复杂特征。相比传统机器学习，深度学习基于深度神经网络，具有无监督学习、泛化能力强、大数据稳健训练等优点（Huang et al.，2020），能利用更多数据和非结构化数据，训练更复杂模型，提高准确度。此阶段AI具备自主学习和复杂决策能力，成为业务创新核心引擎，推动收益预测（Frankel et al.，2022；马甜等，2022）、股票交易（Li et al.，2019）、组合管理（Almahdi and Yang，2017）和宏观预测（Chatzis et al.，2018）发展。
深度学习快速发展提升训练算力，推动生成式AI尤其是大语言模型（简称大模型）快速演进。大模型经大量参数训练，可生成、分析和分类文本及合成数据等（张晓燕和吴辉航，2024）。相比传统技术，生成式AI扩大金融应用范围，助力降本增效（廖高可和李庭辉，2023）。一方面，大模型增加数据类型，满足金融领域大规模实时数据需求；另一方面，在处理开放性问题上具优势，提升智能化水平。大模型改善后端处理、客服、合规等，应用于智能办公、客服、营销、投顾、风控等场景，促进自动化任务（Korinek，2023）。
智能体具有自主规划决策、工具使用和记忆反思特点，适用于业务复杂、可靠性要求高、多模态数据的金融领域。目前智能体已初步用于金融中重复性高、规则清晰的场景，核心作用是提升运行效率而非替代决策，如客服运营、营销支持、信贷辅助、保险理赔等。可见，当前智能体主要活动在金融业务外围，更多在既有流程中担任辅助角色。
当前智能体已具有限规划能力，未来技术发展可能促进AI范式跃迁，产生更高水平智能体系统，推动AI从技术想象回归业务现实、从能力展示走向价值交付。金融智能体或是未来方向，应用将从辅助行为扩展至更深层次，重塑金融科技竞争逻辑。
03
AI重塑金融功能的理论逻辑与实践场景
随着AI技术快速迭代，金融体系运行逻辑正经历深刻重塑。在数字化与智能化转型背景下，AI不仅改变业务流程、服务模式与风控框架，也根本性触及金融核心功能，引发学界与监管部门对‘AI是否会改变金融功能’的重新讨论。
回顾金融学发展，金融功能理论提供系统分析框架。早期学者如Gurley and Shaw（1956）、Goldsmith（1969）等从中介、风险转换角度探讨金融作用，Levine（1993）强调金融深化、信息效率与经济增长关联。Merton and Bodie（1995）、Merton and Bodie（2004）提出的金融功能观认为，体系核心不在于机构形态，而在于六大基本功能：支付清算、资源归集与股份分割、跨时空资源转移、风险管理、提供信息与价格发现、激励约束。因金融功能具‘第一性原理’特征，机构演化、市场变迁和技术创新皆围绕这些功能展开。体系形态会变，但功能具长期稳定性。
AI对金融的影响需从功能重塑而非替代视角理解。AI核心优势在于大规模数据处理、非结构化信息解读、复杂模式识别和动态预测的边际收益，改变运作方式，但未动摇功能本质。AI不能消除跨期风险、终结信息不对称或替代中介治理，但可通过机器学习等技术降低信息成本、提升风险精度、扩大服务边界，增强既有功能。随着AI在信贷审批、定价、投顾、交易监控等领域的渗透，它正以渐进系统方式重塑功能，使传统功能在效率、精度、速度与覆盖范围上显著提升。
在现代金融中，支付清算是最基础、具公共产品属性的核心功能。广义指在交易和债权债务中实现货币资金安全、有序、最终结算的过程。在我国，依托银行账户体系、大额实时支付系统等构成的网络结构。一旦支付系统在技术、流动性或信用上中断，风险易通过‘多米诺效应’放大为系统性危机。
理论层面，AI通过提升高维数据建模、网络结构刻画和异常识别能力，强化支付清算的安全性、稳定性与效率。一方面，AI重塑信息处理和风险识别机理。支付清算本质是对高频交易的实时验证、路由与结算。机器学习与网络分析在监管和维护中，用于监测高风险交易、异常模式及脆弱性，提升系统稳定性。另一方面，在欺诈数据不平衡环境下，深度学习与集成学习在捕捉稀有异常、降低误报率和提高可解释性上具优势，可推广至广义风控场景。
实践层面，AI对支付清算的重塑已在多场景体现。其一，零售支付中，银行与支付机构采用机器学习反欺诈系统，对交易金额、时间、位置等多维信息联合建模，毫秒级输出风险评分，实现‘交易-风控-授权’一体化机制。相比传统规则引擎，AI模型降低误报率、提高新型欺诈识别能力，提升安全边际。其二，在大额与批量清算系统中，AI用于流动性预测、清算优化和异常监测。其三，在跨境支付中，AI与合规科技结合，用于反洗钱、制裁筛查和可疑交易识别。BIS‘Project Aurora’等项目通过网络分析与机器学习，对跨境支付网络建模挖掘异常子图，提高洗钱网络识别效率。此外，在央行数字货币探索中，AI可在交易监控、智能合约风控及匿名性平衡中发挥关键作用，兼顾技术优势与公共目标。
资源归集与股份分割功能体现金融作为‘信用组织者’和‘资本形成机制’。内在逻辑：通过中介、市场和契约，将分散的家庭与企业资金集中，依托基金化等安排，将融资需求切割成风险可分担、期限可管理的‘份额’，促进资本形成。
理论层面，AI主要通过三机制重塑此功能。首先，在资产定价领域，AI处理高维多源数据，将资金基于丰富信息用于配置，提高‘分割股份’持有效率。大型资管机构用深度神经网络构建‘资产嵌入空间’，学习跨资产时间序列等数据，捕捉传统模型难识别的风险因子。其次，在投资者异质性建模上，AI提升‘谁持哪些份额’的配置效率。传统模型依赖静态问卷，难捕捉动态特征，而机器学习使画像基于交易、设备、文本等数据实时更新，实现从标准化产品到‘个性化份额结构’过渡（Gu et al.，2020）。第三，在市场微观结构上，AI通过算法交易等降低股份交换摩擦成本，改善可交易性与流动性。
实践层面，AI影响已在多领域显现。其一，财富管理中，智能投顾成为归集中小资金的重要载体。AI模型对宏观变量、因子暴露等综合建模，将分散资金纳入标准化组合，通过动态再平衡实现‘股份实时分割调整’。其二，在公募基金、ETF领域，AI用于指数权重优化、主题指数构建和‘智能Beta’策略，使资金以更复杂份额形态分割。其三，在股权众筹、数字证券发行中，AI扩大可归集与分割资产边界。众筹平台通过AI分析企业质量、市场舆情等，降低逆向选择风险。在代币化中，AI用于定价、欺诈识别、合规及合约执行，使不动产等难分割资产以小额份额流通。其四，在大型机构多资产配置中，AI模型帮助养老金等在庞大资产空间寻找最优组合，使长期资金以更耐心的份额结构分配。
跨时空资源转移功能通过金融契约等，使主体在不同时间、经济状态配置资源，平滑消费、优化投资。本质是‘以低成本安全转移资源于时间维度’。
理论层面，AI通过增强信息处理、改善风险评估与定价、优化期限管理，强化此功能效率。首先，在贷款定价上，AI处理高维信用、交易、社交等数据，显著提高信用资源跨期配置准确性。机器学习降低违约预测误差，使期限结构更反映未来收入风险（Berg et al.，2020）。其次，在储蓄-投资行为中，AI在收益预测、风险因子识别等应用，使长期投资更准确预测未来回报，实现跨期优化。最后，在期限结构管理上，AI动态预测能力使机构更有效识别利率、流动性等风险点。
实践层面，AI影响体现在多场景。其一，在个人部门，AI支持的智能投顾、生命周期规划工具，使储蓄从静态配置向动态跨期规划转型。例如，智能投顾根据年龄、收入等自动调整资产比例，实现‘生命周期跨期配置’。其二，在消费金融中，AI基于行为识别和实时评分，更准确评估借款人未来收入稳定性（Gambacorta et al.，2024），降低逆向选择，使信用资源有效转化，实现消费跨期平滑。其三，在养老金、保险等长期投资中，AI用于寿命预测、健康风险分析等，提高准备金管理、定价与投资策略科学性。
风险管理功能通过多样化工具等，使主体有效识别、分散、转移风险。其本质在于通过风险分散、保险机制等，使不确定性在更大范围承载。
理论层面，AI主要通过三机制影响此功能。首先，在风险识别上，AI突破传统模型在特征数量、复杂度识别约束。机器学习在捕捉违约概率、市场波动源等方面具优势，能识别传统模型难捕捉的潜在风险因子与尾部风险（Daníelsson et al.，2022；Berg et al.，2020）。AI利用多源数据构建风险特征，提升解释力。其次，在风险预测与压力测试中，AI通过非线性模型模拟未来状态。在预测流动性枯竭、市场波动聚集等方面具优势，尤其在高频交易网络中，对异质性行为建模强于传统模型。AI支持的情景分析自动生成数百种情景，增强评估稳健性。最后，AI通过复杂网络分析增强系统性风险识别。传统分析依赖相关性矩阵，而AI基于银行间贷款网络等结构特征，识别隐性关联与传染路径。
实践层面，AI对风险管理的重塑已全面展开。其一，在信用风险管理中，机构采用机器学习模型进行评分、预测与额度管理，利用借贷行为、现金流等多特征精准估计还款能力。其二，在市场风险管理中，AI用于预测波动率、识别结构性风险和构建预警系统，资产管理机构用‘波动率预测模型’提取风险信号。其三，在流动性风险管理中，AI分析交易网络与资金流动，预测枯竭节点。其四，在反洗钱、反诈骗中，AI通过NLP与图网络识别复杂交易模式、追踪资金链条。其五，在保险与精算中，AI用于事故预测、疾病风险预测，在健康险、车险中分析用户行为、医疗图像等形成精准风险分层。
提供信息与价格发现功能通过交易、定价等机制，使主体从分散信息提取信号，评估资产价值，提升资源配置效率。价格发现通过‘信息收集—交易互动—价格形成’链条稳定呈现：信息形成预期，交易反映信息，价格引导资源。
理论层面，AI影响主要体现在三方面。首先，AI突破传统模型仅处理结构化数据限制，使信息生产从结构化数据拓展到文本、图像等多模态信息。NLP在财报分析、舆情监测中广泛应用，增强市场对‘真实价值’感知。其次，在价格发现中，AI提升预测能力、定价效率与捕捉非线性关联。传统模型依赖有限因子，而AI处理数百因子并识别复杂非线性，使预测更准确。最后，从微观结构看，AI改变交易行为与订单簿动态，促使价格形成更高效。AI驱动的算法交易与智能订单路由成为主流，降低冲击成本。
实践层面，AI重塑已在多市场显现。其一，在股票市场，AI用于财报解读、舆情监测等，投资者实时掌握公司价值。大型机构通过NLP分析电话会议纪要等形成前瞻性判断。其二，在债券市场，AI用于信用评级、违约预测，使价格更快反映信用变化。在企业债市场，AI对财务报表质量等识别能力使市场更易定价隐藏风险。其三，在衍生品市场，AI用于波动率曲面预测、期权建模，使市场更好反映风险中性预期。其四，在外汇与大宗商品市场，AI基于多源数据构建预测模型，提升价格发现全球视野与实时性。其五，在数字资产市场，AI通过识别链上交易网络、异常资金流等，使高匿名环境下的价格发现更透明。
激励约束功能基于代理理论、信息不对称理论与契约理论。信息不对称导致逆向选择，隐性行为导致道德风险，不完备契约增加监督成本。金融体系通过制度机制（股权结构、债务契约等）使资金提供者与使用者激励一致，降低信息成本，确保交易安全；此功能不因机构结构或工具变化而改变。
理论层面，AI对激励机制的改善体现在三互相关联机制。其一，AI信息处理优势显著降低逆向选择。传统方法依赖财务报表等，维度有限且易操纵，而AI利用多源数据开展高维信息收集，包括交易行为、合同履约等。机器学习在信用评分中捕捉未披露信息，降低逆向选择概率。其二，AI显著提升监督能力，降低道德风险。道德风险