摘要：在金融高质量服务实体经济的战略目标引领下，金融业数字化转型进程逐渐深入，以AI大模型为代表的新技术迎来快速爆发期，进而对金融机构、金融产品、金融市场、金融监管等都带来深远影响。在政策加持与需求引领下，AI大模型金融应用面临的机遇日益显现，逐渐由简单到复杂，融入金融机构业务流程与产品创新中。同时，大模型仍存在内在技术挑战，并且在金融应用中也会产生各种新型风险，尤其是可解释性、准确性、算法趋同等。因此，各方应形成合力推动制度建设与完善创新保障机制，在有效应对风险的同时，积极引导AI大模型金融应用的理性健康发展。
关键词：数字金融；金融科技；人工智能；大模型
一、引言
当前，在加快建设金融强国、助力推进中国式现代化的总目标之下，金融业正在努力做好科技金融、绿色金融、普惠金融、养老金融、数字金融这“五篇大文章”。其中，数字金融是推动现代金融体系提质增效的重要主线，也是做好其他四篇“大文章”的基础保障。事实上，金融业作为特殊的信息处理行业，已经日益受到数字化与新技术的影响，在市场、机构、产品、功能等诸多方面进入了快速变革轨道。其中，人工智能（AI）大模型作为新一轮科技革命和产业变革的核心驱动力，成为数字金融创新的主要“生产工具”，对金融业带来复杂而深远的影响。在此背景下，有必要对于AI大模型金融应用的理论、政策与实践逻辑进行系统梳理，进而促使其更有效地助力防风险、强监管、促发展的金融高质量发展目标。
二、AI大模型金融应用的背景探讨
综合来看，AI大模型金融应用的驱动力来自战略、技术和政策三个层面。
第一，战略背景。一方面，当前我国经济运行面临前所未有的突出挑战，从短期来看，推动以新质生产力为核心的供给侧改革、以改善民生为重点的需求侧优化，还有持续促进高水平对外开放，都需要与之匹配的金融资源支持。从中长期来看，我国的强国建设致力于在2035年完成一系列战略重点，包括制造强国、科技强国、教育强国、文化强国等，这也离不开金融强国的持续保障。金融业要更好地服务于实体经济，必须在产品与服务的规模、价格、质量、效率、效果等方面不断完善，由此迫切需要充分利用新技术来实现自身的供给侧结构优化，努力增加有效金融供给。另一方面，在经济周期波动的影响下，金融业的可持续发展也遇到突出挑战。例如，据国家金融监督管理总局统计，2025年第三季度我国商业银行净息差收窄至1.42%，同时不良贷款率为1.52%，这些对商业银行的盈利能力、风险管理能力和稳健经营都带来多方面挑战，也使得银行数字化转型的内在驱动力不断增强，通过加快构建科技引领、数据赋能、数字经营的新模式，努力重塑业务模式与组织架构，以数字化手段做好资产负债与成本收益管理，同时尽可能提供个性化的产品与服务。
第二，技术背景。迄今为止，人类社会已经历了四次典型的工业革命，包括以蒸汽机发明应用为标志的蒸汽时代、以电力发明应用为标志的电气时代、以计算器和互联网为标志的信息时代，以及当前以AI广泛应用为标志的智能化时代。回顾历史，现代AI起源于20世纪50年代，并且经历了三次发展浪潮，直到2022年11月ChatGPT问世开启了AI大模型时代。进入2024年，AI大模型产业进入井喷阶段。中国信息通信研究院发布的《人工智能发展报告（2024年）》估计，2024年全球AI产业规模达6382亿美元（中国信息通信研究院，2024）。另据CB Insights发布的《2025年人工智能发展态势报告》，2024年全球AI领域的风险投资达到创纪录的1004亿美元（CB Insights，2025）。 就 AI大模型的技术演进趋势来看，在知识工程、尖端芯片与算法迭代的支撑下，多模态大模型的智能化程度不断提升，AI Agent进一步实现AI的自动化与实体化，这些都有助于在金融业等垂直行业加速推动企业级创新应用。
第三，政策背景。党的十九大以来，习近平总书记围绕AI发展做了一系列重要指示。其中，在2025年4月25日主持中央政治局集体学习时强调，“要正视差距、加倍努力，全面推进人工智能科技创新、产业发展和赋能应用，完善人工智能监管体制机制，牢牢掌握人工智能发展和治理主动权”。在此背景下，国家与地方层面的AI大模型相关政策不断推出。在2025年国务院政府工作报告中，提出要持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来；同时据统计，除港澳台之外的所有省份都发布了大模型相关政策。此外，2025年1月国家标准委发布《人工智能大模型第1部分：通用要求》（GB/T 45288.1—2025）、《人工智能大模型第2部分：评测指标与方法》（GB/T 45288.2—2025）、《人工智能大模型第3部分：服务能力成熟度评估》（GB/T 45288.3—2025），明确了大模型的参考架构，规范通用技术要求，描述大模型评测指标方法，提出大模型服务能力成熟度等级及评估方法。据国家互联网信息办公室披露，截至2025年6月我国已有433款大模型完成备案。此外，就金融领域来看，2024年11月，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》，明确提出要“加快云计算、人工智能等技术规范应用”。2025年中国人民银行科技工作会议则指出，要“安全稳妥有序推进人工智能大模型等在金融领域应用”。
三、AI大模型金融应用的机遇与趋势
（一）主要机遇
第一，数字金融与金融科技创新逐渐向纵深发展。通常来看，金融科技创新的供给侧驱动因素是不断演进的新技术和变化的金融监管，需求侧影响因素则是不断演变的企业与消费者偏好。就金融业拥抱数字化与新技术的进程而言：一是前沿技术呈现非线性快速发展的态势，AI与大数据、云计算、分布式技术等协同互补，不断提升技术对经济金融创新的贡献度；二是各国监管者在高度重视新技术金融应用带来的潜在风险并加强合规治理的同时，也对金融业数字化转型持有相对包容的态度，努力把握好创新价值与安全的平衡；三是随着数字经济带来数字产业化与产业数字化的持续变革，数据要素在经济社会发展中发挥重要的支撑作用，金融业也需要满足市场主体更加数字化、智能化的金融需求。由此，AI大模型金融应用也迎来新的发展契机。
第二，支撑AI大模型的数据、算法、算力持续完善。一是金融机构都在努力构建知识库，打造高质量数据集。其中，在单个样本层面的信息量增大，有助于模型训练；整体数据集的质量逐渐提升，覆盖面广、分布均衡，有助于提高大模型准确性和稳定性。当然也需承认，金融行业的数据互联互通方面仍有所不足，大模型的数据基础仍有较大完善空间。二是大模型的算法不断迭代创新，基于Transformer架构的参数规模持续扩大，带来了包括专家混合模型（MoE）、稀疏注意力机制（NSA）等算法结构创新，使大模型更容易理解复杂金融业务；同时模型训练技术也进一步迭代，使得大模型在通用能力基础上叠加了更多专业能力（何阳等，2025）。三是我国的算力基础设施规模持续扩张，并且依托“东数西算”工程实现了算力网络在全国的优化布局。根据国际数据公司（IDC）和浪潮信息联合发布的《2025年中国人工智能计算力发展评估报告》分析，2025年我国通用算力规模预计达85.8EFLOPS，增长20%；智能算力规模将达1037.3EFLOPS，增长43%，远高于通用算力增幅。
第三，基础大模型建设已经较为完整。基础（通用）大模型是指具有广泛适用性的预训练模型，其通常基于大规模数据集进行预训练，也是行业大模型和场景大模型的基础。进入2025年，我国的AI大模型产业迎来新的转折，从过去的技术追赶者转变为竞争参与者，同时相应的产业格局也发生重大变化，包括阿里、腾讯、百度在内的大型科技平台凭借技术、数据和生态等优势巩固基础大模型的领先地位；包括DeepSeek等在内的新兴力量通过知识蒸馏等技术努力实现模型轻量化与性能提升的平衡，也逐渐进入第一梯队。其他部分企业则放弃了基础大模型的竞争，逐渐转向垂直行业领域。综合来看，基础大模型已从实验室走向产业化落地，其“通用智能”的特性将重构金融等行业的服务模式，也为金融行业大模型探索提供了重要支撑。
第四，金融行业已经涌现出具有示范效应的大模型创新案例。当前，金融大模型市场的主要参与者包括大模型厂商、金融科技企业和持牌金融机构等。其中，大模型厂商主要通过夯实基础设施和MaaS能力，着力建设高效稳定、智慧简易的大模型支撑底座；金融科技企业则基于自身行业与数据基础，努力推动自研大模型建设，并结合金融行业痛点设计产品与服务；持牌金融机构则通过聚焦自身业务与场景需求，根据自身能力选择技术路径，着力开发机构大模型。根据沙丘智库的《大模型应用跟踪月报》分析，在其收录的2025年上半年的249个已产生阶段性成果的案例中，从行业分布上看，银行业占比最高（18.1%），其次为政府与公共服务（13.3%）、制造业（12.4%）、IT/互联网（10.8%）（沙丘智库，2025）。目前，国有大行和股份制银行都在大力投入大模型技术体系研发，并在前台、中台、后台等诸多业务领域出现落地案例。
第五，金融大模型应用的开放与合作生态逐渐形成。金融大模型的产业链由金融机构、技术企业、数据企业、科研机构等共同组成，处于既“百花齐放”又“互补共赢”的态势。当前，许多行业代表机构都在探索建设“政产学研用”深度融合的协同联动体系，构建激励相容的创新合作生态。事实上，以银行业为例，近年来着力推动的开放银行建设，就是着眼于打造新型的平台化合作模式，通过与各合作方共享数据、算法、交易、流程和其他业务功能，实现整个商业生态系统的共赢发展（杨涛，2021）。当前在大模型技术的助力下，从开放银行到开放金融的探索不断深入，反过来为金融大模型应用提供了生态保障。在实践中，金融机构在大模型应用中，开始广泛使用开源技术，从而体现更新迭代速度快、模型通用性更强、引入技术门槛低等优势，这也体现了开放生态的加持作用。
（二）发展趋势
第一，抓住金融业的需求痛点。AI大模型应用于金融机构，归根结底是要缓解其需求痛点，增强金融机构内生发展能力。具体看：一是战略决策问题。面对纷繁复杂的国内外因素影响，金融机构面临的竞争环境变得更为艰巨，必须全面提升自身的信息收集与决策能力，不断优化战略发展路径。对此，AI大模型的感知、推理、决策能力，天然地可助力管理层的战略制定。二是组织运营问题。金融机构较为传统的组织架构和运营能力，已经难以适应数字化转型的较高要求。对此，金融机构需要不断推动智能化组织建设、优化智慧化运营能力，持续提升运营服务质量并降低成本。AI大模型对于改善自动化、智能化的组织运营模式显然成效显著。三是投入产出问题。当前，金融机构也面临如何提高全要素生产率、解决可持续发展模式的问题。其中，银行业机构尤其需要通过完善资产负债管理、优化成本收益匹配，避免在经济周期波动中陷入经营失败。对此，AI大模型可以更好地整合数据、人力等要素投入，也能够全面提升产品与服务创新能力，更加契合地服务于客户“千人千面”的需求。四是风险管理问题。有效的全面风险管理是金融机构稳健发展的根基所在，AI大模型可以充分发掘风险信息，构建更准确而全面的风险模式，更好地评测与管理金融机构面临的各种潜在风险，有效把握市场风险变化、强化风险评估能力，并通过更精准的风险预测与辅助决策，全面提升合规风险管理水平。五是服务效果问题。当前金融机构除了做好数字金融之外，在其他四篇“大文章”方面也需做出成绩。对此，AI大模型可以帮助金融机构全面改善服务效果，如通过完善科技创新风险识别与信用评估来助力科技金融，通过环境数据评测与核算、绿色效益精准评估等来助力绿色金融，通过智能资源配置与产业链金融创新等来助力普惠金融，通过全生命周期的智能理财与保险服务来助力养老金融等。
第二，由简单到复杂逐渐深入应用。当前，AI大模型金融应用正在不断强化和深入，在客户助手、文档生成、智能风控、智能识别、代码生成、办公辅助等领域已经呈现较好价值。另外，国际数据公司（IDC）的研究认为，AI大模型应用一般逐渐从内部辅助运营到外部对客提效、从业务边缘到核心，相应对金融机构的价值也逐渐增大（国际数据公司 等，2025）。在未来，支付清算、智能投研、内部研发（代码生成、监测等）、数据分析（报表生成与分析、数据建模、数据决策等）、欺诈/洗钱/威胁监测、资产管理（资产尽调、资产评估及定价等）是金融机构主要的落地场景。我们认为，虽然目前AI大模型金融应用还未出现“颠覆性”创新，但未来逐渐拓展到金融机构核心业务场景的可能性在不断增加。
值得关注的是，一方面，DeepSeek推理大模型以其特有的比较优势，逐渐受到金融业机构的青睐。如邮储银行布局的“小邮助手”、江苏银行布局智能合同质检和自动估值对账场景，海外的摩根大通也借助DeepSeek构建反洗钱检测系统与合规管理系统，瑞士银行则用于辅助生成个性化资产配置方案。另一方面，AI Agent智能体开始扮演更加重要的角色，其依托自主思考和决策能力，通过“感知—决策—行动”的闭环来重构金融信息交互逻辑，有可能进一步提升金融业智能化、自动化水平。
四、AI大模型金融应用的风险与挑战
需要承认，虽然AI大模型金融应用逐渐进入加速期，但仍面临许多风险与问题。除了数据、算法、算力等基础保障仍需优化，金融机构的投入产出效果仍需提升，业务场景的内在价值仍需发掘等，更为重要的是还面临相关技术风险与金融风险的挑战。
（一）技术风险
一是可解释性风险。通常来看，AI算法固有某种“黑箱”特征，即难以在输入数据与输出结果之间厘清其因果关系，或许只能证明存在某种相关性。尤其是AI大模型以拥有更庞大数量参数的神经网络进行分析，或许导致其透明度与可解释性进一步降低，也削弱了各方的理解与信任。当然，可解释性的概念可能存在不同内涵，如“数学表达”是强调算法背后的数学推导合理性，“逻辑表达”是依托特定领域的专业知识来理解模型策略的合理性，“感知表达”则强调符合人类感知的理解常识。
二是偏见风险。这也是AI所固有的，只是在AI大模型运用中变得更为突出。AI大模型通常根据互联网上的海量数据进行训练，其中可能有存在性别、种族、文化等偏见的数据，被大模型在训练中学习并放大；AI大模型在追求提高性能的同时，或许忽视了公平性和多样性；在AI大模型的数据标注和处理过程中，以及模型参数设置中，来自人的主观偏见很可能体现在大模型架构与设计中。
三是准确性风险。亦即内容可信风险，这是AI大模型所特有的。其虽然能根据输入数据与文本生成连贯而恰当的回复，但自身可能难以真正理解并传递事实信息。通常可以把AI大模型的幻觉分为事实性幻觉（factuality hallucination）和忠实性幻觉（faithfulness hallucination），前者指大模型生成的内容与实际情况不一致或存在事实捏造行为，后者则指大模型生产的内容与用户给出的指令或上下文的逻辑不一致。究其原因，可能归根于数据源质量、训练过程、推理过程等出现问题，要真正缓解其“一本正经地胡说八道”的问题，还需要算法、数据、硬件的协同优化。
四是安全与隐私风险。这也是AI所固有的，而大模型的海量数据处理使得风险更为突出。其中，在缺乏合规原则的情况下，无底线地在大模型训练中收集和处理涉密数据、个人隐私数据、商业敏感数据等，可能会出现数据对外泄露或被违法获取的风险。同时，在客户与大模型进行交互信息时，也可能存在信息输入不当或个人信息泄露问题，当然大模型也可能被用来制作和传播虚假信息或恶意内容。此外，在大模型涉及的信息存储和传输环节，如果安全控制不当，或引来模型投毒、应用接口攻击等新型安全威胁，也可能对个人隐私、企业数据资产安全等带来负面影响。事实上，由于AI大模型的训练与结构日益复杂，很可能面临对抗攻击、后门攻击、成员推断攻击、模型窃取等安全挑战。
五是知识产权问题。AI大模型尤其是多模态大模型，可以通过大量途径收集和训练数据，很可能带来包括版权、商标权、专利权等在内的知识产权风险。实际上，自2023年12月27日《纽约时报》提起诉讼，指控微软及OpenAI侵犯版权以来，国内外出现了许多针对AI大模型训练数据的诉讼，涵盖文字、图片、音乐等各个领域版权问题。对此，国家网信办等七部门联合发布的《生成式人工智能服务管理暂行办法》规定：“生成式人工智能服务提供者应当依法开展预训练、优化训练等训练数据处理活动，使用具有合法来源的数据和基础模型；不得侵害他人依法享有的知识产权；涉及个人信息的，应当取得个人同意或者符合法律、行政法规规定的其他情形。”
（二）金融风险
第一，潜在系统性风险影响。防范化解金融风险，特别是防止发生系统性金融风险，是金融工作的根本性任务。当现代金融活动引入AI大模型之后，相关产品与交易变得更加复杂，由此在特定情况下或许会导致系统性风险的积累。一方面是带来市场非正常波动。例如，由于AI大模型可用于分析大量的市场信息，包括社交媒体和新闻文章等，如果其中呈现的投资者情绪和预期被错误解读甚至放大，则有可能带来更严重的信息过载并影响市场波动。再如当大模型被用于市场隐形操控等活动，甚至带来扭曲的算法交易，则会对市场稳健运行带来冲击。另一方面是带来风险集中爆发的可能性。由于AI大模型通常依赖历史数据和既定模型来分析和预测市场，当分析数据存在偏差或异常时，或者模型存在缺陷时，有可能带来预测失误、交易策略误判或羊群效应，进而导致风险集中。事实上，2018年由中国人民银行等四部门联合发布的《关于规范金融机构资产管理业务的指导意见》已指出，“金融机构应当根据不同产品投资策略研发对应的人工智能算法或者程序化交易，避免算法同质化加剧投资行为的顺周期性，并针对由此可能引发的市场波动风险制定应对预案”。
第二，非系统性风险影响。金融机构面临的非系统性风险主要包括信用风险、流动性风险、操作风险等。例如，虽然AI大模型在助力银行信贷风控方面日益凸显价值，能够有效识别与判断复杂信用风险，但仍难以直接用于精准度、风险要求较高的授信决策。尤其是当前银行业不良率上升趋势也逐渐显现，在此情况下，更需要审慎观察AI大模型深入应用对信用风险的复杂影响。再如，金融机构的操作风险是指由于内部程序、员工、信息科技系统存在问题以及外部事件造成损失的风险。随着AI大模型在金融领域的深度应用，确保系统安全、防范恶意攻击和数据篡改的压力就变得更加突出。金融机构迫切需要根据AI大模型应用特点来完善操作风险管理，完善业务连续性、外包风险管理、网络安全、数据安全、突发事件应对、恢复与处置计划等机制。还有，如果金融机构过度依赖外部技术企业提供基础大模型保障，则可能增加其供应链脆弱性和影响业务稳定性，因为或许在AI大模型设计中隐含了技术供应商的企业利益与价值判断，或者如技术企业出现问题则产生外部冲击，这些都可能带来新型“大而不能倒”风险。
五、稳步推动AI大模型金融应用的对策思考
（一）理性认识并有效监管AI大模型风险
我们认为，监管者应重点关注如下风险与挑战。
第一，应对可解释性风险。虽然存在诸多困难，但学术界与实业界都进行了大量颇有成效的努力，在某种程度上已经开始缓解可解释性难题的压力。同时，在AI大模型应用于金融业务与产品创新时，也不应片面追求极致的可解释性。实际上，对于不同金融场景来说，可解释性的重要性可能大有差异。当引入大模型技术之后，有的金融服务离不开高水平的可解释性，有的金融产品则或许并不需要太高的可解释性匹配，同样可以达到客户满意、监管合规的原则。
第二，应对准确性风险。对此，重点需要解决大模型幻觉问题与对齐问题，努力提升大模型对真实事件预测推理的准确程度。考虑到大模型的可解释性与准确性可能存在“此消彼长”，因此需要通过技术与规则安排尽可能平衡其关系。实际上，包括模型蒸馏、可解释性算法、多任务学习，以及DeepSeek深度推理思维链技术等，都有助于同步改善可解释性与准确性。这也需要监管者进一步督促AI大模型开发或应用机构，不断加强相关的风险管控与问责机制。
第三，应对算法趋同风险。所谓算法趋同，通常指AI大模型的算法或策略在决策与行为上逐渐趋于一致的表现，即随着算法的相互融合与借鉴，不同算法可能输出类似结果。在金融市场活动中，这就有可能导致交易行为的趋近与集中，进而加剧金融市场双向波动。同时，近年来海外监管者还高度关注算法共谋行为，即市场主体可能利用AI算法来隐形地协调价格与约束产量，从而对市场竞争造成负面影响。对此，监管者也应推动强化大模型算法可信机制、增强算法透明度，以及更加细致准确地把握算法在金融应用中的各类潜在风险。
第四，应对技术鸿沟挑战。中国人民银行在发布的《金融科技发展规划（2022—2025年）》中提到，大小金融机构间数字化发展“马太效应”尚待消除。可以看到，在数字化转型加速推进的背景下，不同资产规模、综合实力的金融机构之间的差距，或许会逐渐扩大。因为不同规模金融机构存在资源禀赋、技术实力、组织架构的较大差异，当拥抱了AI大模型等新技术之后，很有可能带来强者愈强、弱者愈弱的“马太效应”，进而影响金融体系整体稳健性（宋科 等，2024）。对此，一方面，应该支持和鼓励中小金融机构合理运用包括大模型在内的前沿技术，如引导大型金融机构向中小金融机构输出数字化能力，或鼓励外部科技公司与其高效合作、共赢发展；另一方面，在基础数据与知识库、行业通用算力设施等方面，也可探索为中小金融机构提供合理的公共支持与服务。
第五，应对金融信创挑战。近年来，在政策引导与市场需求的共同作用下，金融信创已进入快速发展阶段。目前大型金融机构在核心技术自主可控方面普遍取得重要进展，由于其通常具有较强的创新能力和研发实力，能够支持复杂的大模型开发和部署，所以通常积极布局全栈AI大模型体系的构建。当然，在金融信创不断推进的过程中，多数中小金融机构仍然面临突出挑战，尤其是在基于国产芯片进行大模型应用部署时，仍会遭遇效率与功能的约束。未来，一方面，我国AI芯片行业应探索以效率为导向的低成本发展模式，努力打破算力封锁；另一方面，也需要进一步探索开源AI大模型应用与金融信创相结合的特色发展路径。
（二）引导AI大模型金融应用的理性发展
第一，持续推动制度与标准的完善。当前，虽然AI大模型在国家层面的制度规则不断优化，但就金融应用领域来看，仍存在制度缺位与不足。可资借鉴的是，在2024年5月21日获得欧盟理事会批准的《人工智能法案》中，对AI应用采用了分类分级的风险监管思路。其中，银行及保险的 AI 应用被归类为高风险，需要满足严格的透明度和合规要求。此外，持续完善金融大模型的行业标准、团体标准，也是推动大模型金融应用健康发展的前提。
第二，创新风险与责任的明确与分担。伴随着数字化、新技术对金融业全产业链的深刻影响与重构，原有的金融机构边界、金融业务合作方式都受到颠覆式冲击。金融AI大模型的持续深入应用，既带来金融服务效率的全面提升，也可能带来金融产业链的剧变与风险积累。对此，把握好创新与安全“跷跷板”的关键在于明确潜在风险，实现各方的责任有效分担。例如，美国联邦金融机构检查委员会（FFIEC）通过标准和规则建设，努力推动金融科技创新参与主体的“各司其职、风险自担”，取得了良好的监管效果。
第三，理性看待其功能与价值。在AI大模型迭代发展中，诸多研究发现模型并非“越大越好”“越复杂越好”。大模型金融应用也逐渐体现出较高的灵活性和适用性，结构“小而精”并且走向“轻量化”。由于不同金融机构的资源与能力差异较大，可能存在专业性不足、成本高昂、适配难度大等问题，因此金融机构拥抱大模型也要避免“一哄而上”，而应引导其积极探索小模型应用的深耕细作，进行大小模型的合理搭配与组合（杨涛，2024）。从业务场景与功能价值出发，从需求痛点着手运用AI大模型的加持力量。
第四，提升监管科技与智慧监管能力。当AI大模型带来的数字金融创新变得日益复杂，传统金融监管模式与解决方案逐渐表现出局限性，难以应对海量数据、复杂规则和市场动态。虽然监管部门的现场检查能够实现精准穿透，但受制于人力约束，应该更着眼于以算力换人力，推动监管流程数字化再造，提升智慧监管能力与敏捷度。在实践中，依托大模型应用的监管通常是综合风险分析模型，同时叠加依托小模型的具体事件风险分析模型，由此在大小模型协同下，监管部门能更有效地实施穿透式监管。
第五，把握好金融科技伦理与金融文化底线。中国人民银行于2022年10月发布《金融领域科技伦理指引》（JR/T 0258—2022），旨在规范金融科技活动的伦理治理，明确科技为金融赋能的定位，防范技术滥用风险。面对AI大模型金融应用，把握好相关的伦理判断变得更为重要，还需进一步完善相关规则与标准，使得相关应用更符合技术责任、信息真实性和金融安全等重要伦理要求，也需匹配金融的政治性、人民性等价值观。同时，习近平总书记强调的中国特色金融文化的“五要五不”，也应该贯穿于大模型金融应用的算法原则与标准之中，从而真正实现技术向善。
原文载于《新金融》2026年第1期
