由太湖世界文化论坛主办，太湖世界文化论坛财富文化发展工作委员会、《财经》杂志、《财经智库》、浙江金融研究院、浙江财鑫传媒承办的“太湖世界文化论坛·钱塘对话”于11月13日在杭州黄龙饭店举办。
中国银行原行长李礼辉在论坛上谈到“金融的深度智能化”时表示，人工智能已被公认为决定未来国家实力的最为关键的领域，AI竞争集中表现为算力竞争，同时是不同国家资本巨头、科技巨头之间的企业级竞争。
中国银行原行长李礼辉
据李礼辉介绍，非权威数据显示，2024年底我国算力规模280EFlops（每秒2.8万亿亿次浮点运算），占全球的26%。我国选择硬算力软算力并行，投资1万亿元用于AI基础设施建设，软算力突破震动全球。
“技术创新的价值只有通过市场才能实现，缺乏市场需求的技术创新是难以变现为财富的。”李礼辉强调，技术上的创新最终取决于国家级和企业级的人力、财力、能力和定力，市场上的竞争最终取决于群体和个体的信任、信赖、信心和信念。
我国坚持独立自主、节约高效的发展道路，杭州的硬算力和软算力建设、通用大模型和行业垂直模型研发成就突出。技术上的创新最终取决于国家级和企业级的人力、财力、能力和定力，市场上的竞争最终取决于群体和个体的信任、信赖、信心和信念。核心技术的追赶需要时间和过程，市场信任的培育也需要时间和过程。
他进一步指出，私权保护鼓励创新，技术平权促进普惠。DeepSeek、阿里Qwen3-Omni等本土先进模型的开源，有利于打破闭源垄断，为中小企业提供节约高效的创新路径，推动AI产业普惠发展。
李礼辉同时强调，金融深度智能化必须把握三大价值取向：
第一，金融创新的人民性。 他指出，“金融的人民性不是口号，而是金融业最重要的经营宗旨和创新指南”。他以支付宝发展历程为例，从2004年独立运营，到推出全额赔付、公共事业缴费、快捷支付、二维码支付，再到2024年推出AI生活管家“支小宝”，强调“支付宝选择了老百姓，老百姓也选择了支付宝”。截至2024年，我国移动支付金额达563.70万亿元，支付宝占比45.7%，微信支付占比41.8%。
第二，金融创新的可靠性。 金融是安全性和可信度要求近乎苛刻的行业，必须做到三点：高可靠性，能抵抗攻击、避免幻觉、实现零误差；可解释性，能够展现推理路径和逻辑；合法性，明确金融智能体的法律地位和责任归属。
第三，金融创新的经济性。 他建议支持有实力的科技企业与金融机构合作，开发行业级金融模型和软件，为中小金融机构提供高性价比服务。例如恒生电子、同花顺的金融软件已覆盖银行、保险、证券、基金等领域，实现可信的技术协同和可靠的资源共享。
他提出，必须转变“公共数据部门所有制”的价值取向，从五个维度建设可共享的金融数据库：足够数量的公共与非公共数据、结构完整的交易与行为数据、质量达标的结构化与非结构化数据、统计准确的周期性与即期数据、专业细分的多维度与多模态数据。
以下为部分发言实录：
这里我就金融深度智能化的价值取向和选择偏好谈几点认识。
一、关于AI竞争中的硬算力与软算力。
我一般不说全球竞争而是说国际竞争。经济的全球化表现为产业链、数据链、价值链的全球化，而竞争主要发生在最有实力的国家之间。我们面对的国际竞争，主要是中国与美国之间的竞争。
人工智能已被公认为决定未来国家实力的最为关键的领域，AI竞争集中表现为算力竞争。算力竞争主要是中美之间的国家级竞争，同时是两国资本巨头、科技巨头之间的企业级竞争。
中美之间的AI竞争，具有不同的价值取向和选择偏好。
第一，硬算力是基础，软算力更高效。据非权威数据，2024年底我国算力规模280EFlops（每秒2.8万亿亿次浮点运算），占全球的26%，美国算力规模占全球的37%。美国坚持硬算力优先，启动“星际之门”计划，未来4年计划投资5000亿美元用于AI基础设施建设。我国选择硬算力软算力并行，投资1万亿元用于AI基础设施建设，软算力突破震动全球。
2024年12月26日，植根杭州的深度求索发布DeepSeek-V3并同步开源。DeepSeek通过算法创新显著节约资源，提升有效算力，具有突破性意义，是我国独立自主、节约高效的AI发展道路上的里程碑。全球知名的AI集成平台Composio从推理、数学、编程、创意4个维度的测试证明，DeepSeek-V3与OpenAI的GPT-4o的性能不分伯仲，但训练成本远低于GPT-4o。另据路透社报道，9月29日发布的DeepSeek V3.2实验性模型，通过引入稀疏注意力（DSA）机制降低计算复杂度，应用程序接口（API）价格降低50%以上。中国的科技巨头将进一步完善自主可控的AI生态，开拓高效可靠的AI发展道路。
第二，技术有政治边界，市场有价值边界。霸权政治破坏全球经济一体化，缺乏自主技术实力的国家是难以共享先进技术的。
技术创新的价值只有通过市场才能实现，缺乏市场需求的技术创新是难以变现为财富的。在AI领域，美国的主要优势在于全球领先的高端芯片核心技术。我国的主要优势在于全球最大的制造业、服务业数字技术市场需求和应用场景。在国家级AI竞争中，我国坚持独立自主、节约高效的发展道路，杭州的硬算力和软算力建设、通用大模型和行业垂直模型研发成就突出。技术上的创新最终取决于国家级和企业级的人力、财力、能力和定力，市场上的竞争最终取决于群体和个体的信任、信赖、信心和信念。核心技术的追赶需要时间和过程，市场信任的培育也需要时间和过程。未来5年，我们有可能在核心技术上实现接近和超越，市场上的可信任就将决定本土品牌的凝聚力和竞争力。
第三，私权鼓励创新，平权促进普惠。算力建设和算法开发需要庞大的资源和投资，相关技术知识产权一直受到严格的保护，最先进的AI大模型原来几乎都是闭源的。DeepSeek优化算法，节省算力需求，并采用开源模式，打破了这个格局。
相关的价值取向有几个要点。一是技术平权有利于AI普惠，开源可以为小企业提供节约高效的创新路径，但必须注意外国软件开源潜在的技术系统绑定和技术断桥风险。二是在市场经济环境中，私权和平权是对立统一的存在；在地缘政治格局中，西方国家对核心技术的封锁不可能轻易松绑。三是必须选择保护知识产权以鼓励创新，选择支持本土核心技术开源以促进独立自主的技术创新和变革。
例如，9月23日阿里发布并开源的Qwen3-Omni是首个端到端多模态大模型，具备原生多模态能力，支持119种文本语言、19种语音输入语言、10种语音输出语言，其自动语音识别ASR、语义理解和语音对话能力可与Google的多模态大模型Gemini2.5 Pro媲美。本土先进模型开源有利于我国AI产业的自主性、普惠性发展。
二、金融智能化的可靠性与经济性。
智能金融系统已进入规模化应用期。例如，家在杭州的网商银行培育了4只灵鸟：“大山雀”系统应用卫星遥感数据做耕地和农机监测分析，“百灵”系统应用交互式技术做客户资信调查，“大雁”系统应用知识图谱工具做产业链金融，“布谷鸟”系统应用量化模型做流动性管理。
具身智能体（AI-Agent）已初具感知、学习、交互、行动和决策的代理能力。金融智能体（Financial-Agent） 依托行业最佳流程、最佳标准的数据支持，培育专业水准的金融专业代理人，适用于市场分析、风险评估、投资顾问、财富管理、量化交易、产品定制、内部审计、数字员工等高价值的领域。
需要注意的是，生成式AI潜在的安全风险和技术陷阱尚未因算法创新而淡化。一是安全风险，特别是数据投毒、参数窃取、恶意文件上传和关键组件删除等恶意攻击。二是模型幻觉，测试发现最新的大模型还存在一定程度的幻觉率。三是模型歧视、算法共振、隐私泄露等技术陷阱。四是解释性难题，算法创新增加了模型的非线性、随机性和不确定性，模型的解释更加复杂。
我们面对的是一个机遇与挑战并存的创新时代，金融的深度智能化必须把持正确的价值取向与选择偏好。
第一，金融创新的人民性。
金融的人民性不是口号，而是金融业最重要的经营宗旨和创新指南。金融创新只有以满足人民大众的金融需求为依归，克服痛点和难点，实现金融服务普惠和金融资源共享，才能有竞争力，有市场，有效益，有价值。
例如，支付宝2004年成为独立的支付平台，2005年推出全额赔付制度增强用户信任，2008年上线公共事业缴费服务用户突破1亿，2009年手机客户端上线，2010年推出快捷支付用户突破5.5亿，2011年获得中央银行首张支付业务许可证，同年推出二维码支付功能，2019年推出海外版，2024年推出AI生活管家App“支小宝”。支付宝选择了老百姓，老百姓也选择了支付宝。支付宝和微信支付已全面融入百姓的日常生活，发展成为我国最大的移动支付平台。2024年我国移动支付2109.80亿笔，交易金额563.70万亿元。按交易金额计算的市场占比支付宝为45.7%，微信支付为41.8%。2024年我国第三方支付机构跨境互联网支付约20亿笔、1.5万亿元，其中支付宝约占50%，微信支付约占30%。
第二，金融创新的可靠性。
金融是安全性和可信度要求近乎苛刻的行业，必须保证金融资产和金融数据的安全，保证金融交易和金融服务的可靠性，保证账务处理和账务记录的准确性。
金融创新的基石是可信任，必须统筹安全和效率，切实做到可信可靠，让客户信得过，让市场信得过，让政府信得过。一是高可靠性。智能金融系统达到安全可靠的基本要求，既能抵抗恶意攻击，又能避免偶发性安全隐患，能够克制模型幻觉，避免模型歧视，防止算法共振，抵抗AI虚假，消解机器冰冷，达成零误差的正确率。二是可解释性。金融模型具备基础架构的可解释性，能够展现推理路径和逻辑，逐步实现从结果正确向过程可解释的跨越。三是合法性。明确金融智能体的法律地位，明确金融机构管理者的决策责任，明确金融智能体与金融客户的法理关系，同时建立金融智能体评估审核制度。
第三，金融创新的经济性。
垂直模型和具身智能体具有专业细分的不同个性，当专业领域和管理目标趋同时则具有共性，可实现交互和兼容。
例如，智能投资顾问已在成功应用并发育成为金融智能体。这类模型应用回归分析工具预测金融资产价格走势，应用聚类分析工具对股票、基金按风险-收益特征自动分组，基于现代投资组合理论优化算法并推荐风险-收益最优的投资组合，应用大数据技术对历史行情数据、实时交易数据、宏观经济数据、卫星遥感数据以及舆情数据进行综合分析，能够提前识别、预警潜在的市场风险和信用风险。
这类金融模型应用于多元化的集团企业，有助于加强战略管理和风险管理；应用于产业管理，有助于不断调整优化结构，避免黑天鹅风险。最优的价值取向是促进产业与金融的双向赋能和协同融合，促进产业结构优化和技术进步，促进产业链供应链优化升级。
因此，在执行金融风险隔离规则时，应准确把握数据隔离和核心技术隔离的原则和边界。
细分领域的金融产品、金融服务、金融管理的需求大同小异。用海量数据预训练行业级金融模型和金融软件并持续调优，再根据不同需求调适差异化应用，定制企业级金融模型和金融软件，可有效降低开发成本，扩展应用范围，提高投入产出比。应支持有实力的科技企业和金融机构深度合作，领军开发行业级金融模型和金融软件，为中小金融机构提供企业级金融模型服务和软件服务。例如，恒生电子、同花顺的金融软件覆盖银行、保险、证券、基金等领域，技术成熟，性价比高，具有很强的市场竞争力，实现可信的技术协同和可靠的资源共享，共建数字金融生态圈，促进高效率、低投入、个性化的数字金融创新。
三、数据共享的质量与数量。
金融是数据密集型行业，数据的质量和数量决定金融深度智能化的实际能力。
就全国来说，数据共享仍存在3大短板。一是公共数据局部行政分割。涉及居民和企业的财务数据和交易数据，分散在不同的局域系统中，共享程度不高。二是非公共数据局部流通不畅。全国移动支付用户超过9亿，数字化支付成为主要的数据入口，但数据大户与金融机构之间的数据关联、数据共享尚未达成成熟的模式。三是行为数据集开发应用不足。客户画像所需的用户行为数据分散在不同局域未形成关联数据集，行为数据金融应用存在较大的局限性。
这就要求转变公共数据部门所有制的价值取向，选择相互关联的5个维度，建设可共享的金融数据库：1.足够数量的公共数据和非公共数据，2.结构完整的交易数据和行为数据，3.质量达标的结构化数据和非结构化数据，4.统计准确的周期性数据和即期数据，5.专业细分的多维度数据和多模态数据。
在数据共享方面，浙江和杭州打造全国领先的数据环境，具有全局性的借鉴意义。浙江省出台全国首部地方性法规《浙江省公共数据条例》以及省级公共数据运营具体办法，统筹推进省市县三级一体化智能化公共数据平台，实现全省数据资源“一本账管理、一站式浏览、一揽子申请、一平台调度、一体化生产、一张网管控”，构建全省统一的公共数据目录。杭州市出台全国首部《数据流通交易促进条例》，明确数据主体和权益，促进数据流通交易。杭州的一家科技大厂正在策划牵头兴建金融业一体化数据库，这是具有现实需求和深远意义的“德政工程”。
未来5年我国技术先进、功能完善、安全可信的智能化数字金融生态圈将基本形成。一是构成软算力的本土化金融模型和应用软件延伸到小型金融机构，金融机构全面采用自主可控的操作系统和生产运营系统。二是构成硬算力的国家级、企业级算力中心、数据中心以及核心硬件能够满足本土需求。三是金融智能体和智能金融App覆盖金融应用端和用户端，能够提供安全可靠的链接、专业合规的代理、准确及时的信息、温馨体贴的服务，形成全场景可信任的用户体验。
