银行业AI应用路在何方？工商银行金融科技研究院发布的《商业银行人工智能应用实践及趋势展望》从五大方面做了深度剖析。
作为一种突破性前沿技术，人工智能日渐成为现代生产、生活不可或缺的组成部分，引领新一轮产业变革，推动社会经济数字化转型发展。一直以来，党中央和国务院格外的重视人工智能等新技术健康发展，先后印发《新一代AI发展规划》等系列指引和发展规划，鼓励和推动产业智能化升级。商业银行是国民经济资金流转的枢纽，承担着调节、优化资源配置的重要职能，如何利用大数据、人工智能等新兴技术创新金融理财产品、服务实体经济、促进供给侧结构性改革，成为商业银行智慧转型发展的新命题。（一）技术革新发展机遇，前瞻布局产业高地1. 人工智能取得技术突破，引领新一轮生产力革命早期人工智能主流理论专注于知识和经验的符号化表示和推理，形成了以专家系统为代表的实用技术；由于系统高度依赖人工经验的总结，开发成本高、泛化能力弱，应用规模局限在特定领域。九十年代机器学习理论兴起，探索基于结构化数据自动提高预测水平的计算机算法（如图1所示）。2000年前后，网络公司运用海量数据在搜索和推荐领域所取得的巨大成功令机器学习应用备受瞩目，大数据的价值也日益为业界所重视，相关理念激发建设了一系列非结构化标准数据集，如计算机视觉领域的ImageNet等。大规模开源数据集的建成和GPU算力的持续提升，助推深度学习算法的技术突破，图像识别领域达到乃至超越人工专家级识别水平，进而加快速度进行发展成为人脸识别、自然语言、语音识别等各个垂直领域的主流技术。2016年谷歌公司打造的围棋智能机器人AlphaGo战胜韩国棋手李世石，产生颠覆观念效应，让世界惊叹AI时代的来临。
深度学习技术基于深度神经元网络模型，在训练数据的规模和算力支撑有保障的情况下，模型训练的收敛过程稳定、模型准确率高、技术通用性强，被认为是继蒸汽机、电机、信息技术后的第四波技术浪潮。2013年，德国提出工业4.0概念，首次提出以数字化、智能化为核心来强化工业实力。如今，数字化、智能化理念慢慢的变成了包括银行业在内的各行各业发展和转型的主题词。人工智能技术也日益应用在广泛的经济和社会领域，从消费级的商业产品演进到企业级的体系性运用，助力打造企业核心竞争力。2.国家规划人工智能战略，全面推动产业升级换代以习同志为核心的党中央格外的重视科技发展，前瞻布局人工智能等新兴技术领域，推动出台系列国家政策规划。2015年，国务院先后颁布《中国制造2025》《关于积极地推进“互联网+”行动的指导意见》，首次将AI纳入产业高质量发展重点任务。2016年，人工智能写入“十三五”规划；2017年，国务院发布《新一代AI发展规划》，正式将AI上升到国家战略层面。2019年，人工智能作为新基建的重要领域纳入政府工作报告，受到产业界的高度关注。在顶层规划的引领下，工信部、科技部等部委和省市地方政府陆续推出专项规划和实施意见，积极孵化和扶持AI产业。 在国家战略和政策的有力推动下，基于健全的产业体系和完善的信息基础设施，我国已形成人工智能规模化应用和技术迭代的良性循环，发展水平居于世界前列。科学技术研发方面，斯坦福大学《人工智能报告》统计显示我国2021年会议论文发表和专利申请数量世界上的排名第一。总实力方面，根据2021年7月世界人工智能大会发布的全球AI指数，我国在基础支撑、创新资源和环境、科学技术研发和产业应用四个维度的综合评测排名世界第二，仅次于美国。市场规模方面，随着AI应用产业的逐步扩大，IDC预测2025年我们国家的人工智能市场支出规模有望突破184.3亿美元，占全球总规模的8.3%，世界排名位列第二（如图2所示）。
人民银行组织印发《金融科技发展规划（2022-2025年）》，提出以人为本、全面推进人工智能技术在金融领域深化应用的指导思想，着力打造以“数字、智慧、绿色、公平”为特征的金融服务能力。
商业银行持续运用人工智能技术赋能业务实践，在客服、营销、风控等方面取得显著成效。智能坐席、智能外呼等新应用正在重塑银行服务业态。根据中国银行业协会的统计数据，2021年客服中心和远程银行从业人员比2020年减少4200人，降幅7.72%，一改逐年递增的势头。智能营销、智能投研等应用基于AI模型预测客户需求和金融市场动向，助力银行把握市场先机。英伟达2022年的金融行业AI应用情况调研显示，超过30%的受访机构认为人工智对营收带来超过10%的提升率。智能风控综合运用联邦学习、图挖掘、人工智能等前沿技术对支付、信贷、投资业务中的各种风险进行全面监控和预警。以反欺诈模型为例，AI模型相对传统规则模型在精准率上提升可达60-70%，在银行业已得到广泛的采用。
商业银行充分运用金融科技新技术，结合内外部数据，完善小微企业的数字信贷流程和信用评价模型，为小微企业提供方便快捷的线上融资服务，切实纾解企业融资难、融资贵等问题。如基于大数据和区块链技术，对核心企业与上下游中小微企业间的交易数据进行智能化信贷决策分析，批量、便捷地提供金融服务。适老化和无障碍改造方面，各大商业银行结合图像识别、语音识别、虚拟现实等新技术，基本已完成网点布局、人工和柜面服务、手机APP等多方面的改造，为不同人群打造无障碍的金融服务体系。以电话银行为例，中国银行业协会的调研显示62%的电话银行已具备自动识别老年客户的功能，47%的电话银行设有老年客户直通人工服务选项。
商业银行积极响应国家“碳达峰、碳中和”目标，探索利用人工智能等技术建立绿色信息监测与分析模型，搭建风险知识图谱提升绿色金融风险管理能力，为企业提供绿色信贷、绿色债券等多元化碳金融产品和服务。针对绿色信贷中的信息不对称、标准不统一等难题，头部商业银行基于物联网、区块链、5G等技术建设绿色项目综合信息平台，打造绿色信用评价体系，运用大数据、机器学习等技术手段提升绿色信贷的智能定价和业务营销能力。为有效应对绿色债券业务中环境信息披露内容质量的把控难点以及“洗绿”行为鉴别等问题，业界探索利用AI技术对新闻、媒体、论坛等广泛信息进行事件提取和关联性分析，核验披露信息准确性。
商业银行贯彻落实乡村振兴战略，结合县域村镇银行线下渠道和手机银行APP、微信小程序等线上渠道，促进金融服务渠道的融合化发展，提供差异化定制服务，扩大农村金融覆盖面和服务质量。在此基础上，积极加强与农村经营主体的信息共享合作，发挥数据要素倍增作用，引导资金、技术等现代生产要素向农村特色产业集群和优势农业领域聚集。头部商业银行已在涉农信贷领域中引入卫星遥感、电子围栏等技术，强化农产品全产业链数据资源的整合分析，助力农业生产经营和管理数字化改造，赋能信用额度评估和贷后管理。
人工智能集成了计算机科学、生物学、语言学等诸多学科领域，产业链贯穿数据存储、计算芯片、算法框架、服务平台和应用集成等系列环节，其快速发展离不开健全的产业生态体系。商业银行应当积极对接国际先进技术理念，主动参与营建国内产业生态，强本固基、勇于创新，持续推动人工智能金融应用水平迈上新的高度。
产业发展，标准先行。随着人工智能应用的推广普及，各标准化组织纷纷制定人工智能相关的标准规范。国际标准方面，截止2022年10月，国际化标准组织ISO/IEC JTC 1/SC42人工智能专委会，已发布标准15个，在建标准24个，构建了较为完善的人工智能标准体系框架。国内标准方面，2020年7月，中央网信办等五部门发布《国家新一代人工智能标准体系建设指南》，我国人工智能产业标准化进程步入快车道。全国标准化技术委员会（SAC）下设信标委（TC28）面向人工智能通用领域，已发布《信息技术 人工智能 术语》、《信息技术 人工智能 平台计算资源规范》等标准。信安标委负责信息安全技术领域，正在推进《信息安全技术 机器学习算法安全评估规范》（征求意见稿）等标准的建设。金标委（TC180）面向金融人工智能领域发布了《人工智能算法金融应用评价规范》行业标准，强化金融人工智能的算法安全。
社会各界响应国家政策号召，积极成立行业及团体组织，共同推动人工智能产业生态的健康发展。
人工智能领域，在国家发展改革委、科学技术部、工业和信息化部、中央网信办四部委的共同指导下，中国人工智能产业发展联盟（简称“AIIA”）于2017年10月成立，拥有会员单位737余家，构建了覆盖基础软硬件、服务平台、基础应用、智能产品应用和服务以及安全评测5个技术领域的评估认证体系，先后主办了“世界人工智能大会”等人工智能会议、高峰论坛，支撑了我国人工智能产业生态建设。目前，工商银行、交通银行、招商银行等金融机构均与AIIA开展了深度合作。
金融行业，在人民银行的指导下，北京金融科技产业联盟（以下简称“联盟”）于2019年10月成立，旨在推动落实人民银行金融科技相关政策要求，促进我国金融科技良性可持续发展。联盟下设人工智能专委会，成员单位90余家，涵盖认证机构、商业银行及相关科技企业，组织会员单位进行联合技术攻关、标准制定、产业研究、政策传导、实验室建设等，促进金融科技合作，为金融人工智能应用和可持续发展提供合作交流平台。
人工智能作为一门新兴学科，虽然已经展现出巨大的应用价值，但其应用仍然存在着开发成本偏高、通用泛化能力不足、安全和可解释性等问题，有待学术界和产业界对新技术研发的持续投入和攻坚克难。
科研机构开拓前沿边界。国内科研机构和科技企业不断提升研究水平，根据2022年度的AI研究机构影响力排名（如图3所示），清华大学、阿里、商汤科技、腾讯、中科院所、南京大学等机构进入前100名。清华大学联合发布AI攻防对抗基准平台，涵盖数十种典型攻防算法；商汤科技和上海人工智能实验室联合打造统一模型架构UNiFormer，性能好功能全，可用于图像分类、视频分类、密集预测等下游任务；中科院自动化研究所自主研发的极低比特量化神经处理芯片（QNPU），助力AI“轻”装上阵；南京大学提出面向多义性对象的新型机器学习理论与方法，推动机器学习前沿技术蓬勃发展。
技术厂商打磨产品服务。国内各大科技公司在人工智能全栈技术领域持续布局发力、打磨产品和服务。
人工智能计算设备方面，已出现自主技术赶超国外先进水平的趋势。以华为海思、地平线、寒武纪、中星微电子、阿里平头哥等头部公司为主要代表推出了NPU、GPU等算力密集型芯片等，性能已开始接近国外对应厂商的水平。在服务器方面，以华为、浪潮、新华三等头部公司为主要代表推出了各类人工智能训练及推理服务器，支持中心侧、边缘侧主要计算任务场景。这些服务器产品在性能、可靠性方面已接近国际主流水平。在计算中心解决方案领域，国内的技术和服务在世界范围内处于较高水平，代表企业包括华为、浪潮、曙光等信息和通信技术的行业巨头。
在软件工具及应用服务方面，呈现出了百家争鸣的态势。相关企业或聚焦于单个领域，或在多个领域都有很好的建树。例如科大讯飞、思必驰、出门问问等聚焦语音领域；海康威视、依图、旷视等专注计算机视觉；海致星图、百分点科技等精于知识图谱；百度、腾讯、阿里、华为等大型人工智能企业跨领域全面打造产品能力。
在人工智能应用层面呈现出井喷的态势，如智能安防、智能金融、智能医疗、智能出行、智能教育、智能客服等，智能应用已经渗入生产生活的方方面面。人工智能产业近5年企业数量持续增长。据全球TMT的调研，截至2022年上半年，我国共有209.5万余家人工智能应用或服务相关企业。蚂蚁集团、京东科技、同盾科技等科技公司在金融领域内不断深耕和开拓，基于大数据、隐私计算和人工智能技术提供智慧金融产品和解决方案，赋能金融行业的营销和风控场景。
商业银行近年来持续加大科技投入力度。和讯网2022年调研显示，2021年A股22家上市银行的科技投入超过1681亿元。其中，3家银行2021年科技投入超过200亿元，均为国有大行。巨大的投入促进了技术能力的更新换代，加速了银行业务场景的智能化转型。如工行在打造领先的企业级自主创新技术平台方面，为推进数智融合构建企业级数据中台，实现全集团数据全入湖，沉淀14大类客户特征，为业务系统提供千余个企业级数据服务，覆盖客户营销、产品创新、风险防控、运营管理等各大领域场景；升级人工智能技术平台，利用数字人、智能问答、语音等交互技术落地600+具有数字员工属性的智能应用场景，支持“智慧大脑”营销升级，为7亿个人客户提供千人千面的智能服务方案。在探索前沿技术新高地方面，将卫星遥感技术和人工智能技术融合，借助高分辨率卫星遥感数据配套智能化监控模型，在农作物生长、大型工程类项目建设等场景进行贷后监控管理。
2012年以来，以深度学习为代表的新一代人工智能技术得到快速突破和应用，成为主流技术。深度学习算法对卷积、矩阵乘法运算任务以及内存存取等操作较为频繁，为执行串行逻辑运算而设计的CPU运行深度学习算法效率较低，难以满足需求。人工智能芯片满足人工智能场景复杂且多样性的计算需求，成为深度学习的主要算力支撑。现阶段人工智能芯片类型主要涵盖包含GPU、FPGA、ASIC等。
头部企业方面，Google通过自研TUP AI芯片，提供云、框架、芯片的全栈人工智能解决方案，当前已发布TPU v4 AI芯片，并将4096个TPU v4整合成一个Pod，单Pod算力超过2EFLOPs。英伟达A100系列GPU，FP16算力最高达到624TFLOPs。华为先后发布了面向训练的昇腾910和面向推理的昇腾310两种人工智能芯片，其中Ascend 910单卡FP16算力超过430TFLOPs。阿里研发的含光800人工智能专用芯片，并建成了单日数据处理量突破600PB的超大计算平台。2021年百度发布昆仑2.0 XPU通用AI芯片，单卡FP16算力128TFLOPs。同年腾讯旗下燧原科技云燧T2x系列芯片单卡FP16算力128TFLOPs。
近年来，随着算法的持续发展，算力需求从TFLOPS级别增加到PFLOPS级别，甚至开始进入EFLOPS级别。同时，超大规模预训练深度学习模型、自动模型结构搜索等新方法的涌现，导致计算需求持续增加。为了解决迫切的AI计算需求，人工智能计算中心向人工智能算力网络演变，通过新型网络技术将各地分布的人工智能计算中心节点连接起来，动态实时感知算力资源状态，进而统筹分配和调度计算任务，构成全国范围内感知、分配、调度人工智能算力的网络，在此基础上汇聚和共享算力、数据、算法资源。这种计算资源协同的新模式，将成为加速数字经济发展的新动力。
随着人工智能技术的深入发展，人工智能应用越来越多的应用到了企业经营管理各环节当中，如何高效的开发和部署人工智能应用是其可持续发展的关键一环。
云原生基于微服务和容器化技术，能够充分发挥云平台的弹性扩容、敏捷分发、高效易用、兼容适配等优势。而基于云原生的AI开发平台集成了数据资源管理、智能标注、可视化建模、计算资源分配、云原生应用部署等功能模块，帮助企业敏捷、高效、安全地利用数据进行人工智能应用开发，并在应用部署过程中实现成本优化和灵活的版本控制，已成为各企业人工智能开发和部署的主流平台。
当前亚马逊、微软、谷歌、VMware、Docker、RedHat、阿里、腾讯、华为、百度等企业都推出了相关的云原生解决方案，也有创业公司加入潮流之中，例如HashiCorp、Kong、Datadog、谐云科技、时速云、智领云等。在金融行业数字化转型的驱动下，国有银行、股份制银行和各级商业银行也纷纷步入容器化的进程。以工商银行为例，应用平台云容器规模超20w,业务容器规模55000+，核心应用基本全面入容器云。
深度学习模型的开发过程包括数据预处理、模型训练、模型评估、模型推理转换等几个步骤。在模型的选型上，涉及利用多种模型算子构造出适用于特定问题的模型结构。在训练环节中，为了保证训练过程的快速收敛，需要不断调整训练规则和超参，训练过程自身还涉及到的梯度反向传播等基础算法，学习门槛相当高。
为了提升研究人员和开发人员的工作效率并营造开发者生态，伯克利、谷歌、Meta（前身是Facebook）、微软、百度、华为等顶尖院校和头部科技企业相继推出了Caffe、Tensorflow、Pytorch、CNTK、PaddlePaddle、MindSpore等深度学习软件框架。其中，又以Tensorflow、Pytorch两个平台最为成功，受到人工智能开发者的青睐。例如，Pytorch支持便捷的数据加载和处理并行化，拥有丰富的特征工程接口，可灵活构建各类模型。其动态图特性可支持快速调试和多机多卡并行训练等特性。这些特性，使人工智能软件框架其成为人工智能开发过程中不可或缺的工具。
当前国际竞争日益激烈化，在应用人工智能的过程中自主可控就显得尤为重要。国内百度、华为、小米、阿里、腾讯、旷视、一流科技等公司也相继推出了PaddlePaddle、MindSpore、MACE、PocketFlow、X-DeepLearning、Brain++、OneFlow等深度学习、推理平台，为人工智能行业的国产替代打下了坚实的基础。以百度的PaddlePaddle为例，其拥有较为完善的深度学习平台功能，具备更易用、更快速的业务集成等特点，涵盖了从开发、训练到部署的一整套能力。在开发层面，PaddlePaddle已开源60多个经过真实业务场景验证的官方模型，涵盖视觉、NLP、推荐等 AI核心技术领域，成为官方支持模型最多的深度学习框架。目前Paddle累计开发者477万，服务企业18万家，基于飞桨开源深度学习框架产生了56万个模型，开发生态初具规模。整体上，由于国内人工智能软件框架的建设起步稍晚，国内企业在人工智能发展生态上相比起谷歌、Meta还有一定的差距，需要在理论创新、发展模式上下足功夫、力争上游。
深度学习的基础组件深度神经元网络简单来说是一个万能函数模拟器，无论一个函数多么复杂，理论上总存在一个神经网络能够拟合这个函数，因此神经网络具有强大的预测能力。该基础属性使得深度学习上的技术突破具备很强的通用性，从最初的计算机视觉任务很快渗透到语音、自然语言处理、智能决策等方向上。然而各个领域的任务各有其特点，在深度学习模型的运用过程中衍生出各异的方法，分化成丰富的技术垂直领域。
图像识别可从2D图片或3D影像中识别物体的类型、尺寸、位置等信息，例如文字识别（OCR）、人脸识别、动作识别等。自然语言处理技术可以基于用户输入文本完成语义分析、内容理解、机器翻译、文本生成等典型任务。知识图谱可揭示实体之间的语义网络，在很多场景下也用来表达现实世界中的事物多关系图，在NLP相关技术和大数据分析发挥关键性作用。生物识别通过采集和检验人体固有的指纹、面部、虹膜等生理特性，笔迹、声音、步态等行为特征来进行个人身份的鉴定。音视频相关的语音识别、语音合成、歌声合成、语音唤醒、声纹识别、声音事件检测、视频编辑、视频分析、视频超分、视频生成等，已广泛应用在了各行各业当中。其中语音识别是语音助手、智能家居、服务机器人、虚拟人、智能客服等应用的重要入口。虚拟现实通过对三维世界视觉、听觉、触觉等感官的模拟，为用户提供身临其境的沉浸式体验，并能在虚拟环境中与物体、人物等环境对象进行互动。流程机器人（RPA）与AI深度融合之后变成超级自动化流程机器人，已经成为降本增效的利器。这些人工智能技术已广泛应用于银行业的自动识别和录入、身份认证、智能客服、舆情分析、财报分析、反欺诈、风控、征信、审计等场景。
检视人工智能垂直领域列表，可以看出很多领域是按照信息源的类型来划分的，比如视觉、听觉、符号语言等。而在现实世界中，人类感知、认知和决策通常是综合了多种信息源。比如在嘈杂的环境下，普通人可以注意力集中在某一个人的谈话之中而忽略背景中其他的对话或噪音，而传统的语音助手在同样情形下无法有效的捕捉特定用户的声音加以识别。谷歌提出了音频-视觉模型，结合输入音频和视觉信号来识别语音，最终效果是只需要视觉框住特定人物的人脸就可以在多人同时说话的场景下识别特定人的语音。华为融合语音识别和唇语识别两种方案用于鸿蒙座舱之中，综合性能超过了单独使用某种模态的识别率。
多模态融合技术能够利用各种模态信息优势互补的优点，在自然语言理解、视频理解、视频检索等领域大放异彩，已成为当前人工智能的研究热点，在银行业数字员工、智能客服、复杂图表文案识别、综合身份认证等场景上有着极大的应用潜力。多模态技术的发展也彰显了人工智能在方法论上从循序渐进的分而治之演进到游刃有余的多多益善，预示着技术能力跨上一个新的台阶。
随着深度学习在专用标注数据上性能趋近瓶颈期，研发机构开始设计和采用更大的深度网络模型，并用更大更广的数据量来进行训练（如图4所示）。模型参数量从过去的几亿参数量到现在的千亿万亿参数量甚至以后的十万亿百万亿，训练数据量则上升至数十TB的规模。大模型的主要发展领域集中在自然语言处理领域，近年来蔓延扩展到图像处理、语音识别等领域以及多模态方面的应用，呈现出通用化的趋势。
在技术原理上，更大的模型能够通过训练来学习和表征更加丰富和复杂的数据特性和模式，从而能够做出更精准的判别，具备其技术合理性。大模型的发展，除了在模型准确率上追求极致，还可以通过同时学习各领域、各模态相关知识而具备通用能力。此外，大模型除了在训练算法上需要很高的专业技巧，在算力方面也开销惊人。例如GPT-3大模型的训练，如果在单机8卡(Nvidia-V100)的服务器上训练，需要36年的时间。在实际情况下，各大科技公司都是通过专用超级计算机或者计算网格的方式来实现大模型的全量训练，具备相当的技术门槛，可以成为企业的护城河。因此从国外的Bert、GPT-3、ViT、V-MoE到国内的盘古、悟道、M6、紫东.太初等，大模型已成为头部科技公司争先抢占的赛道。
对于银行业，大模型也具备现实的应用价值。虽然大模型技术还远未达到超级通用智能的水平，但得益于其训练过程中的海量数据，“见多识广”，可以作为一种通用的基础预训练模型，在其基础上通过少量金融场景专属训练数据来对模型进行微调训练，即可完成模型开发，可以极大地降低训练数据准备成本和开发周期。此外，随着金融数据规模的逐步扩大，数据模态的进一步丰富，面向更为复杂的智能决策场景，能力出众的大模型也将会成为自然的技术选择。
相对于大模型追求性能极致，轻量模型的发展深刻地体现出技术普及化的特点。对于追求快速现场响应、隐私保护和节能减排等场景则需要直接将模型部署在台式机、工控机、移动设备等设备上。模型轻量化成为提升模型运行效率的主要方向。知识蒸馏、剪枝、量化等模型轻量化手段逐步成熟，主流模型可达十几倍压缩率。如利用知识蒸馏等方式，从BERT模型中提取压缩模型Bort，压缩后模型大小仅为BERT-Large的6%，推理速度提升7倍；再例如Lite Transformer模型，是结合量化和剪枝技术将Transformer模型压缩95%后得到。模型轻量化技术对于银行业也是重点关注的技术领域，存在很强现实的需求。比如手机APP端通过端边的图像识别模块来进行卡证识别或者签名识别，不但能够有效的降低响应时延，提升用户体验，对用户隐私数据的保护也能够起到重要作用。此外，通过对训练好的大模型进行轻量化改造，也能够有效的降低大模型部署的算力和系统开销，为大模型的推广使用铺平道路。
深度学习的典型训练模式是，通过对大量的训练数据进行期望输出结果的标注，来指导模型拟合神经元参数，因此这种方式也被成为监督学习模式。训练数据的收集准备，以及为每条数据标注标准答案，往往涉及到大量的人力投入，导致模型开发成本很高，业界一度有戏称为“人力堆出的智能”。
在自然语言处理的大模型发展过程中，从互联网可以获取到海量的语料数据，但是为高达数十TB的数据进行标注是无法想象的艰巨任务，从而激发了自监督学习的发展。自监督学习能够从大规模的无标注数据中挖掘自身的监督信息，通过这种构造的监督信息对深度网络模型进行训练，学习到对下游任务有价值的表征，得到预训练模型。对于场景专属的下游任务，通过少量的有标注数据进行微调训练，将之前学习到的模型参数进行迁移，从而得到一个能适应新任务的模型。近年来，自监督训练已逐渐成为广受关注的深度学习前沿领域，并在自然语言处理、计算机视觉与语音处理领域取得了巨大成功。图5展示了图像识别领域的自监督学习方法原理，即在训练过程中，对原始图片添加噪音扰动进行异化，作为模型的输入，模型的输出也是图片形式，和原始图片作对比，得出的差值作为监督信号反馈给训练过程，促使深度网络能够复原出原始输入图片。这样得出的模型主干网络可以很容易的应用到图像的分类、检测等任务中去。
自监督学习较好的解决了标注成本的问题，但是仍然要求大量的输入数据样本作为训练数据。在很多应用场景中，难以提供大量的数据样本，尤其是一些创新应用场景，场景数据的积累本身有限。针对这样的问题，小样本学习，通过采用数据增广、度量学习、元学习等技术，实现低成本、快速的模型开发和部署上线，特别适合于智能场景的冷启动。小样本学习的技术发展，也涉及到对更高阶智能原理的探索和挖掘，对于人工智能的进一步发展有着重要的意义。
银行业人工智能模型的开发，也普遍面临着数据准备成本高，开发上线周期长的问题，有必要加强对自监督学习和小样本学习技术的掌握和运用。
当前以数据驱动为特征的人工智能技术体系，虽然取得了巨大的成功，但在实践中也越来越暴露出以下的问题。一是学习效率低，体现在模型规模持续增长，训练算力开销居高不下。二是擅长学习统计意义上的模式，不具备深度理解和逻辑推理的能力，比如自然语言生成任务仍然容易出现反常识、反逻辑的话术。三是模型的鲁棒性尚存在挑战，当引入人类无法察觉的攻击性噪声后可能导致识别错误。以上问题，相当程度上是由于当前的数据驱动的深度学习范式虽然擅长利用事实或证据，但本质上不具备知识归纳和演绎的能力。将知识融入到深度学习方法中去是当前模型技术的一个热点。
知识增强的深度学习模型已开始出现在自然语言处理中，如近期发布的鹏城-百度的文心大模型，在全球60多项自然语言处理任务中取得了领先的效果。其基本思想是在模型训练中，除了传统的语料数据外，将知识信息，如语言学、常识、百科全书等知识经过编码后注入模型的训练过程中去，从而使模型学习更加高效，生成的模型也更加精准、鲁棒和安全。目前的知识增强模型，在实现思路上类似多模态模型，知识信息仅作为一个额外的信息源注入模型训练，未来的技术演化方向还有很大的想象空间。从更长远看，发展安全、可信、可靠和可扩展的下一代人工智能技术，需要大力推进知识驱动与数据驱动的混合增强智能，强调人在智能系统中的作用，将机器擅长的运算存储能力与人类的抽象迁移能力结合，提升智能系统的泛化能力和决策水平。
银行业存在大量的领域知识需要在业务决策中充分考虑，对智能模型的安全性、鲁棒性也有很高的要求，知识和数据混合的增强智能技术将是银行智能化水平提升的重要支撑。
人工智能技术正在深刻改变人们的生产生活方式，与之相伴的是伦理风险、数据隐私、算法偏见等安全风险。促进可信人工智能的发展具有重要的战略意义。我国“十四五”规划纲要明确要求加快推进科技治理能力现代化，落实“完善国家科技治理体系”的决策部署。在2021年世界人工智能大会可信AI论坛上发布的《促进可信人工智能发展倡议》，也提出科技向善，确保可信AI造福人类的理念。
早在2019年6月，国务院发布的《新一代人工智能治理原则》着重提出了发展“负责任的人工智能”这一主题。2022年3月20日，中央办公厅、国务院印发《关于加强科技伦理治理的意见》，意见给出了科技伦理治理的基本原则、制度框架和主要措施。人民银行在发布的《金融科技发展规划（2022-2025）》中，提出健全金融科技治理体系的重点任务，人行金融科技委员会将“推动金融领域科技伦理治理”作为当前及今后的重要工作任务。
在标准规范上，人民银行于2022年10月发布了《金融领域科技伦理指引》行业标准，该指引明确了金融科技伦理的价值理念，从守正创新、数据安全、包容普惠、公开透明、公平竞争、风险防控、绿色低碳7个方面提出了共33条具体行为规范，多家金融机构参与了制定。工行牵头《联邦学习技术金融应用规范》等多项隐私计算标准工作，积极参与《人工智能算法金融应用信息披露指南》等行业标准制定，促进隐私保护，提升金融人工智能算法应用的安全性。
在认证服务方面，2022年3月，北京国家金融科技认证中心启动“人工智能金融应用伦理影响评估”，作为国家级认证机构，贯彻“以人为本、科技向善、权益保护、责任担当”的伦理理念，聚焦“算法滥用、数据鸿沟、隐私保护”等挑战，研制人工智能金融应用伦理影响评估模型与指标体系，探索推出人工智能金融应用伦理影响评估服务并启动试点。
人工智能技术提升业务能力、节省运营成本的同时，也存在着风险隐患，如算法安全导致的应用风险、黑箱模型导致算法不透明、数据歧视导致智能决策偏见、系统决策复杂导致责任事故主体难以界定等。因此关于建立可信人工智能体系的相关内容越来越受到监管重视。央行发布的《人工智能算法金融应用评价规范》从安全性、可解释性、精准性和性能方面开展AI算法评价。央行金融科技委员会在2021年重点工作会议中，提出要推动金融领域科技伦理治理体系建设，从算法伦理和公平性方面提出了要求。网信办发布的《算法推荐管理规定》提出不得利用算法屏蔽信息、过度推荐、实施不正当竞争等，对算法的公平性做出规定。
随着模型在银行业务中的应用日益广泛，模型复杂程度也不断提高，国际社会上，模型安全问题开始受到监管机构和金融机构管理层的高度重视。2011年，美联储/货币监理署发布了第一个模型风险管理的相关法规《模型风险管理监管指南》，明确了模型风险管理框架，包括模型风险管理定义、模型实施、模型验证等。2014年，欧洲银行管理局将模型风险管理纳入巴塞尔协议第二大支柱，并在2019年发布内部模型ECB(欧洲中央银行)指南，包含模型风险安全治理顶层原则、内部验证、模型使用、内部审计和评级方法等模型安全治理内容。国内相关部门也正在积极开展模型安全相关标准的立项工作，如工行在北京金融科技产业联盟指导下牵头在建《金融行业人工智能模型脆弱性测试规范》，规定了金融行业人工智能模型的脆弱性测试范围、测试过程、指标以及测试方法等，目前已立项。
目前国内业界已开展的第三方认证评测服务是由中国信通院牵头，与20多家企业单位共同制定的《人工智能模型风险治理能力成熟度模型》团体标准，针对组织在开发、实施和使用人工智能模型过程中面临的主要风险挑战，根据国家法律法规和监管要求，规范模型生命周期各环节中的风险治理活动，快速灵活应对模型风险，推动科技向善。包括工行、招行在内的多家商业银行，多家模型已通过中国信通院的认证。
银行业对人工智能新技术先试先行，拥抱数字化智能化转型，在企业级人工智能能力建设上，从技术、运营、管理各个层面持之以恒的探索和实践，对金融业务进行全面赋能。（一）企业级技术平台筑基智能化转型
商业银行的人工智能应用历程，大致可以分为三个阶段，如图6所示。经过早期的验证性试点应用，大型国有行和股份制银行纷纷把AI能力作为企业的核心技术能力来建设，综合自研、联创、采购多种方式打造人工智能企业级技术平台。技术平台的构架贴合人工智能的技术栈体系自下而上按照算力、算法、技术框架、AI开发工作站、智能服务形成分层复用的能力（如图7所示），有力的支持了智能服务早期的规模化应用。
随着应用规模的不断扩大和力度的不断深化，新的挑战逐渐露出端倪。一是企业开发、使用人工智能产品通常是采取自研和商用引入的模式，呈现出模型、服务等AI能力多样化标准不一，复用公共AI底座资源难度高、多能力组合难度大的问题。二是模型、服务等AI资产经常由不同的部门或团队建设和运维，欠缺统一管控，共享复用面临障碍。三是各个AI能力赋能业务应用后，往往缺少业务应用与智能服务、模型之间的有效反馈联动，根据数据持续迭代模型能力弱。
为此业界提出AI中台的建设理念，旨在通过AI中台方法体系，推进AI能力全生命周期的标准化建设、管理、运营，形成企业统一的智能化技术中枢，规模化、标准化推进产业企业数字化进程。如图8所示，AI中台的架构包含底座、开发、资产中心、服务中心、运营中心5大部分。
在底座上，强调以深度学习平台和各垂直领域技术平台为基础，封装异构算力、异构算法、异构框架、垂直领域异构技术，夯实公共AI技术软硬件基础设施的统一供给能力。具体措施包括算力的云化部署、算力异构混合部署、对CPU容器、GPU容器、国产算力容器、GPU物理机等异构资源的统一调度。对引入的智能商用产品的测评标准中纳入适配统一算力管理的软硬件标准，最大限度接入平台。
在开发上形成各垂直技术领域内的特色AI开发工作站，形成全领域专项化、自动化的建模能力。新训模型时可以直接使用预制的模型方案进行训练和部署，或者使用预制的配套组件，通过图形化、或者其他友好API实现模型搭建，提升建模效率；同时提供自动化的训练，调参，模型修改，模型测试能力，大幅降低人工处理时间。
统一资产管理主要实现模型、样本两类AI资产的全生命周期管理。模型管理方面，围绕MLOps理念，建立统一的模型库，建立模型全生命周期管理机制，并围绕安全合规要求，在模型全生命周期管理中强化模型安全测试、模型审计等安全合规环节，加强模型安全管控。样本管理方面，建立样本标注、标注管理、样本归档、样本使用、样本质量评价等样本全流程管理，通过建立数据沙箱、样本拆解脱敏等安全机制，保障样本资产的生产、使用的合规安全。
AI服务具有服务方式的多样性（来源多样、框架多样、服务方式多样）、算力资源的特殊性（如GPU）、服务组合快速部署的敏捷性等要求，因此业界在分布式服务、大数据等技术基础上，通过建立异构智能服务的标准化发布、智能服务的全生命周期管理、智能服务市场、可视化智能服务策略编排等能力，实现多形态异构智能服务的全流程标准化管理，实现具有业务含义的组合服务快速组装上线，加速人工智能场景快速落地。
运营管理的提升主要聚焦智能应用的数据闭环运营管理和AI生态构建。智能应用的数据闭环管理，针对业务价值进行度量指标体系设计，将业务指标与人工智能服务和模型指标相关联，通过建设多维度、体系化的指标体系和运营埋点，有效收集AI运营反馈数据，对人工智能带来的业务价值进行评估，并反馈到服务和模型的开发过程中，形成运营闭环，实现智能应用业务成效的可评估、可量化，为应用的迭代提升提供数据闭环基础。
AI生态构建主要通过建立AI运营社区，加强AI中台体系化课程库，打造技术专题、技术和活动动态、用户使用经验分享和讨论社区，形成AI中台应用的良性循环；建设业务需求方和开发者的场景案例库、应用模板以及相应智能服务和AI资产的导航图，促进AI能力的共享共建，加速规模化落地。
商业银行顺应形势开展人工智能应用实践，人工智能技术在金融机构客户营销、运营管理、风险管理、产品创新和生态合作等领域的应用日趋成熟，并创造出新的商业模式。以下分别从这五个方面阐述商业银行的人工智能应用现状。
交互技术提升用户体验。商业银行不断整合线上线下多元渠道，建立一站式金融服务模式，深化智能技术打造以客户为中心的全方位智能应用交互体验。生物识别技术通过比对采集到的用户生物特征来完成身份核验，在柜面、自助机具、移动端及银行内网的支付和金融账户登录等场景中均被广泛部署和应用，目前商业银行的身份核验过程可在短短1s内完成，识别准确率可超99.3%；计算机视觉技术实现对用户上传的合同、发票、货物上架等图片的精准识别，打造普惠金融自助式提额新模式；自然语言处理结合语音技术已经催生出智能语音助手、智能问答、智能外呼等一系列智能客服功能，能够聆听客户的问话和回答，理解客户意图，通过预设的任务处理逻辑来模拟相关业务场景下的人机交互，全天候服务客户。
用户画像助力智慧营销。商业银行客户画像应用已趋成熟，即用多维的特征标识来描绘客户，实现客户偏好的洞察。当前业界通常利用机器学习、知识图谱等技术挖掘客户特征，结合用户生命周期管理，建立客户标签体系，并分群进行细化拓展，可分为通用类智能全景客户画像和多种定制类客户画像。通过分析并聚类用户特征，智能营销运用协同过滤、分类等机器学习技术构建产品推荐模型，做到“千人千面”的智能推送。根据客户的资产信息、交易信息以及行为信息，可揭示客户流失规律，建立客户流失预警挽留机制。另外，运用知识图谱技术，根据客户画像中关于资金流向的分析描绘，建立全景资金流向监测分析模型，支持一线营销挽留资金，做好增存揽储。
商业银行的运营管理逐步走向智能化的道路，使用RPA、自然语言处理、计算机视觉等人工智能技术，把有限的人力资源从数据格式固定、规则标准明确的重复性流程工作中解放出来，实现业务运营和内部管理提质增效。BGC咨询预测到2025年人工智能应用将能帮助银行业节约23%的传统日常工作量。
业务流程自动化，分析决策智能化。运用RPA、文字识别、语义分析等技术可实现工单分析、信贷文本分类、客户信息一站式录入、关键信息抽取等多个业务场景运作的自动化，大幅度降低人员工作量和运营成本。在运营的分析决策智能化方面，构建自助柜员机以及网点现金需求预测模型、网点年日均存款预测模型、网点到店客户数预测模型，方便进行网点管理和决策；智能路径分析模型利用序列规则对给定客户的交易或者操作等行为记录进行分析，挖掘出客户的行为偏好，以指导提升客户体验的措施和方案。
智慧办公高效化，内部审计常态化。利用人工智能技术打造智慧办公服务，实现行内数据资源高效使用，加强安全保障精细化管理，高效提升了内部管理效率，目前已覆盖智能办公秘书、VR员工培训、简历自动识别、开发岗位胜任力模型、员工关系图谱等具体场景。在智能内部审计方面，综合机器学习、知识图谱等技术可实现审计证据自动化和持续采集，提高了内部审计履职能力。如工行利用文本挖掘、网络爬虫等技术，综合各类指标、报表、报告、宏观经济、外部舆情等多维度、多类别数据，实现对分支行等机构的准确画像，提高对各机构的审计服务能力。
数字员工激活企业用工新模式。近年来发展起来的“数字员工”概念，是将RPA与人工智能多项技术深度融合形成超级自动化、能够独立完成端到端业务流程，乃至具备以语音语言图像视频的拟人形象，能够与企业员工进行互动和交流的智能机器人。数字员工的出现，对企业具有重要意义：一是数字员工7*24 小时的高效优质工作能力，可将人力资源解放出来投入到更高附加价值的工作中，提升员工幸福度。二是有利于发挥业务和科技部门的主观能动性，深挖数字化需求和痛点，将端到端做深做透，增强企业数字基因。三是拟人化、形象化数字员工的推出，有利于提升客户体验，助力形成品牌效应，形成新的获客引流热点渠道，扩大企业影响力。四是促进前沿技术融合应用，助力数字化转型。
商业银行使用大数据和人工智能技术构建风险监控体系，满足境内外全业务、全场景的风控要求，全面提升风控的速度和精度。在操作风险上，应用生物识别、机器学习、OCR等人工智能技术，在手工录入场景逐步实现技术换人，降低员工在业务操作过程中产生的风险，提高工作效率。如交通银行在风险信息监测自动化流程中，利用RPA机器人从各个信息系统中自动获取客户风险信息并整理至本地，降低了风险信息核查错漏率。在信用风险上，主要针对个人客户的信用卡风险、小微企业客户和法人客户的信贷风险采取不同的预测模型，如建设银行的智能风控系统能够将“小微快贷”线%以下；工行基于卫星影像识别技术的“光伏风电贷后监测”场景，实现远程信贷审查；招商银行的风险知识图谱构建了全面的企业关联关系。在合规风险上，智能合规风险管理应用机器学习等技术，针对反洗钱、内控合规等场景，建立风险识别与预测模型，提升合规风险智能甄别质量和效率。
近年来，作为数字化转型战略的重点突破方向，国内头部商业银行基于开放API技术，持续推动向C端客户、B端企业、G端政府等跨行业的服务生态体系建设。例如，工行依托生物识别、OCR等人工智能技术，对接G端场景创新，服务BC端客户，打造GBC闭环生态，提升整体服务能力，包括推出医保电子凭证人脸识别服务、助力工会云推广服务管理等。
绿色经济、农村振兴新理念星星燎原。在“双碳”目标推动下，商业银行纷纷开展绿色信贷、绿色理财等绿色金融业务，以人工智能、区块链、云计算和大数据分析等技术为主要手段，从环境监测标准、污染治理效果、生态保护信息等作为信贷的重要考核条件，实现社会和经济效益双赢。同时践行“低碳”运营理念，通过运用智能化技术实现智能网点、智能照明、电子账单等场景的绿色化改造。在助力乡村振兴方面，遥感影像识别技术已被多家银行广泛应用，如通过定期监测乡镇企业工程实施建设等情况提供贷后风险预警；通过监测和汇总农作物种植面积、生长情况、水产养殖面积等农户信用资产档案来为农村普惠贷款发放提供依据，进一步完善农业农村信用资产数据与风险监测机制，赋能农业现代化。
国家近年来对包含人工智能在内的科技治理工作日益重视，在立法层面不断完善基础法律，在各行业领域内，监管部门也纷纷出台法规标准，规范科技和新技术的使用，已极大的遏制了新技术滥用的乱象。相关政策、法律和规划可望进一步完善实施细则，在行业、地方、和企业等不同层面制度化贯彻落实。商业银行应紧跟监管趋势，定期搜集监管最新规定并进行研究解读，积极响应监管并制定工作计划，跟进落实效果，根据监管新规建立健全相关行内管理制度和操作规程，开展覆盖全业务线、全渠道、全环节的合规自查，落实主体责任方，及时对员工进行相关教育和培训，制定并实施安全事件应急预案。
另一方面，国家积极推动人工智能产业生态建设，鼓励通过创新产业园区、人工智能试验区等形式推动产业创新和试验。工信部在对十三届全国人大三次会议第5777号建议的答复中表示，下一步将发挥区域优势，打造成熟的人工智能产业生态链。在基础技术短板上，通过政策倾斜促进资源的定向倾斜，已经取得了显著的成效，如2021年以来，上海构建了首批“AI+园区”张江人工智能产业生态园区，北京、深圳、广州等相继获批创建国家人工智能创新应用先导区，以北上广深为代表共有5个城市，根据自身实际情况积极申报和落地8个人工智能创新应用先导区，推动我国人工智能产业生态建设。
当前，我国人工智能产业发展机遇和挑战并存，应积极找差距，主动补短板。我国人工智能产业已形成依托基础技术、AI技术及AI应用的较为完善的产业体系。人工智能数据、算法、算力条件日趋成熟，智能芯片、智能机器人等细分产业，以及医疗、金融、交通、家居等重点应用领域发展势头良好。
未来，在相对短板的基础技术领域，如国有AI芯片、算法平台等，将不断补缺在算法理论和开发平台的核心技术短板，打磨提升产品的性能和可靠性；技术层面将乘胜追击，加大技术平民化的力度，通过产品创新降低技术使用门槛和落地成本，提升人工智能产品的适配性，提高技术的用户友好度；应用层面将以底层技术能力为主导，不断加大与细分行业的融合，深耕重点行业，打造契合行业诉求的智能产品和服务，助力产业全面数字转型的愿景。
当前，国内人工智能人才队伍主要面临以下问题：一是顶尖AI科学家相对匮乏；二是国内AI人才供需比例严重失衡，尤其是基础和技术层人才缺口较大；三是产业人才和复合型人才不足，限制AI技术与传统产业的融合。
中国AI市场需求前景广阔，亟需高质量、高水平的人才来支撑和推动人工智能行业发展。一方面，可引进国际顶尖科学家和先进青年人才，突破现有人工智能技术壁垒，不断探索新技术研究；另一方面，加快人才自主培育步伐，在人工智能学科建设上注意技术细分和学科交叉，培育能够着眼于产业智能化需求、理论与实践相结合的复合型人才。
在人工智能研究领域，头部公司、科研机构和高校科研院所等充分发挥其高端研究人才聚集效应，大胆创新，勇于试错，积极开拓技术前沿和引领技术趋势，同时不断推进人工智能产品化、人工智能生态建设等工作。
未来，有望进一步打造国内科研生态，鼓励校企科研合作，形成企业的市场和产业洞见与科研机构的创新能力形成合力，促进人工智能产业的可持续发展。商业银行应密切跟踪科研机构在人工智能技术上的创新，从业务场景维度关注业界和企业动态，定期对企业及业界前沿智能技术应用情况分析。对比银行存量场景，进行前瞻性应用判研，以客户为中心，借鉴业界实践经验改进现有场景或新增创新场景，以数据作为生产要素驱动业务提质增效，促进企业数字化转型。
近年来，商业银行的人工智能应用取得了长足的发展，但同时也应注意到，当前的发展在很大程度上得益于各大银行的加大投入建设，在从0到1或者从1到N的早期发展阶段取得的快速增长。放眼整个产业界，人工智能推广应用中也面临诸多挑战，典型的如对新技术期望过高，实际效能不如预期；智能应用的落地成本高，模型的场景泛化能力有待提升；模型投入运营需要不断迭代提升，对运营管理体系提出很高的要求。结合企业自身特点，探索可持续的智能数字化转型道路，将是各大商业银行持续探索的课题。
加强前瞻研判和产品规划。人工智能领域仍然处于加快速度进行发展阶段，新技术理念不断衍生和试错的同时也伴随着市场化的过度渲染包装现象出现。商业银行需要加强前瞻研判工作，与科技公司，科研院所和同业伙伴等保持广泛的交流和联动，就新技术的当下成熟度和发展前景形成洞见，指导新技术理念的跟进策略。对于有较大应用价值但技术成熟度尚不明朗的，可以采用预研和试点的方式开展应用研究和技术储备。在产品规划方面，对于通用型相对成熟的技术和产品，可以考虑以采购引进的方式快速形成能力；对于需要和行业数据和知识深度融合的智能产品和解决方案，宜综合考虑采购和自研的策略，同时对外购引入产品加强标准化技术纳管，以保证产品的可持续运营能力。
提升人工智能工程化落地能力。业界逐渐意识到AI落地成本对于应用推广的制约。Gartner将AI工程列入2022年重要战略技术趋势中。商业银行需要充分认识到智能应用开发运维流程和传统应用的不同点，综合运用开发运维一体化(DevOps)和机器学习运维（MLOps）的最佳工程实践，对软件开发人员和AI模型开发人员合理分工，高效联动，全面提升智能应用的开发效率和运维水平。在AI建模方面，由于当前模型技术仍然依托具体场景数据和标注的训练，对于银行业大量的碎片化应用场景，可以探索通过智能标注，无代码开发等低门槛建模能力充分调动各业务条线和开发单位的积极性和创造力，促进智能技术广泛融入业务应用。同时，通过加强对开发过程中形成的模型和数据标注资产的管理和沉淀，提升能力复用水平，充分发挥AI平台和中台的规模化优势。
推进技术研发业务落地，加大场景推广力度。银行业务条线和科技机构统筹开展企业范围内数据智能应用场景的推广工作,通过各相关单位的深度融合，加深跨机构条线的有效沟通，做好场景挖掘、推广场景评估、业务应急预案制定、场景效果跟踪、场景下线退出评估等工作。积极从已落地场景中识别评估可推广场景，大力开展经验分享。
完善人工智能产品运营能力。对于AI产品的持续化运营，头部科技公司，尤其是互联网公司有着以北极星指标为导向的成熟方法论，为商业银行提供了借鉴经验。但在运用实践中，任旧存在种种挑战，需要各机构结合自身特点探索有效的运营模式。在人工智能的原料——数据方面，传统商业银行的业务数据归属业务部门，承担着数据管理和安全的主体责任，跨部门的数据提取和使用流程较为复杂，尤其在AI模型投入使用后的数据回流方面往往无法满足持续运营的要求，存在数据孤岛的现象。后续应当通过制度规范和技术两方面的提升，在保障数据安全和理顺权责关系的基础上，促进数据在企业内的高效合规流转使用。此外，传统商业银行有着覆盖率可观的线下网点和经验丰富的线下营销团队。通过多源数据融合，AI分析结合交互式BI展现，赋能网点营销业务，是传统商业银行AI应用的重要一环。此外，如何对线下营销活动的策略、实施方法和成效评估过程进行数字化改造，纳入数字化运营体系，也有待未来进一步研究和实践。
