挪威国油在北海发现“高品质储油层”

因此我们就会看到，在滞胀中面临经济增长速度持续下降。

（4）互联网产业非常明显，一些资本利用互联网平台不断推动垄断，使得中小企业不断被盘剥，甚至举步维艰。为了打击这两个新的经济增长点，美国与上述两个国家分别签署了新的《广场协议》，其核心就是要求它们的币种升值。

我们的股市之所以稳不下来，就是因为缺乏中长期资金。这表明，企业不能随意定义自己为投资公司，你的自然人是谁，实际控制人是谁，这些问题都要回答清楚。化工行业主要要解决废气排放的问题，精细化工主要要解决废水排放的问题。所有银行的资本金充足率都要达到30%，以保证其抗风险的能力，保证一处出事，不会引发所有的问题出现。金融利用科技也依然是金融，这一点绝对不能混淆。

（4）股市股市是金融的第四个组成部分，这部分基本上是利好消息。后续，我估计还会不断地引发一些问题，所以大众对房地产的投资一定要慎之又慎。四是透明度与不可解释性。

只有发展可解释、可信任的人工智能金融应用，才能实现用户信任、模型可审计性并降低风险。数字经济的高速发展为人工智能创造了良好的经济和技术环境。在人工智能和大数据的加持下，或许有助于进一步改善金融机构外部生态。金融业数字化转型离不开组织架构与运营能力的保障，在此过程中可以充分利用人工智能打造自动化、智能化的运营模式，不断优化运营流程，创新运营模式，提升运营服务质量，降低运营成本，从而支撑综合化、智慧化的金融服务。

当前金融业面临的宏观与微观风险更加复杂，如能有效利用人工智能，可以在整合、分析大数据基础上，建立智能风控模型，成为识别风险、监测风险和控制风险的有效途径。金融业如何改善数据采、存、算、管、用全生命周期活动，推动数据要素到数据资产的转化，是当前面临的迫切挑战，而人工智能与大数据相结合则会激发更多活力

具体而言，从金融业的中观和微观层面看，面临的困境一是战略性问题。因此，如何实现人工智能的有效治理，成为近年来国内外各界的关注焦点。金融机构的可持续发展与数字化转型，都需要考虑要素投入的经济性、规模性、效率性，其中最核心的就是数据和人。据国盛证券的研究估算，GPT-3训练一次的成本约为140万美元，对于一些更大的LLM（大型语言模型），训练成本介于200万美元至1200万美元之间。

总体来看，大模型表现出多模态、多技术、多能力和多应用的发展趋势，在理想实验室环境和垂直行业的真实环境中均展现了良好的应用效果，未来将形成大小模型与云边协同发展的智能体系。伴随着金融科技的快速发展，各国的监管都在与时俱进，面对动态演变的监管原则与模式，人工智能的金融应用存在更突出的合规压力。面对日益复杂的经济金融形势，金融业机构的战略制定变得尤为重要，这不仅仅是机构一把手工程，更需要视野、逻辑、经验的有效结合，也需要及时有效地进行动态优化。金融机构的服务能力体现在多元化的产品、充足的市场分析能力、市场营销与渠道能力、客户维护与增值服务能力等。

一方面构建客户、业务和风险视图，动态全面反映风险全貌。特别是在金融领域积累了大规模、高质量的数据，同时具有多维度、多元化的应用场景，为人工智能应用蓬勃发展提供了良好的契机。

金融机构的产品设计与业务运行具有一定特殊性，也存在各类复杂风险。另一方面，金融业在助力普惠、绿色、科技、共同富裕等方面还有诸多职责，人工智能应用对其功能完善的价值如何，也需要进行考量。

在此过程中，ChatGPT用文本学习方式来拓展领域，GPT-3即拥有5000亿单词、1750亿参数，最终在海量信息的支撑下，获得了功能的全面提升，但也存在内容可信、数据安全、落地成本高的挑战。一方面，数据已成为重要的生产要素，是国家基础性战略资源。一、人工智能发展现状及ChatGPT的地位从宏观层面看，无论是十四五规划的顶层设计和数字经济发展规划，还是金融领域新版的金融科技发展规划和数字化转型指导意见，人工智能都被视为数字经济的核心驱动力、重点产业和数字底座。从开放银行到开放金融已经成为全球创新的主流，金融机构更需要与商业生态系统共享数据、算法、交易、流程和其他业务功能，为生态系统的客户、员工、第三方开发者、金融科技公司、供应商和其他合作伙伴提供服务，从而打造智慧、开放、共享、敏捷、融合为主要特征的数字金融生态。同时，算法歧视、大数据杀熟、信息泄露等金融科技伦理挑战，也给人工智能应用带来阴影，仍需深入探索如何用负责任的科技创新打造有温度的金融服务。另一方面，优化智能信用风险评估，实现风控向数控、智控的转变。

三、金融业应用人工智能存在的挑战ChatGPT进一步凸显了人工智能的应用能力，但对于金融业来说，仍然面临诸多挑战，使其较长时期内仍无法给金融业带来重大变革。虽然人工智能的金融应用体现个性化、千人千面等特点，但长远来看在金融与技术的融合过程中，真正具有生命力的是标准化、通用型的金融科技创新场景，而非基于传统外包模式的差别化合作，这也是现有人工智能金融应用的制约之一。

人工智能在金融活动中的技术应用与解决方案设置，通常具有较高的部署成本，难以适应广大中小金融机构的需要。四是透明度与不可解释性。

人工智能应用同样离不开高质量的海量数据，但金融机构的数据治理普遍处于起步阶段，数据低质量、数据孤岛、数据散乱等普遍存在，难以为人工智能提供充足的数据要素支撑。因此，基于风险可控和金融消费者保护的逻辑，任何金融活动都需要有清晰的责任分担机制。

当前金融业面临的宏观与微观风险更加复杂，如能有效利用人工智能，可以在整合、分析大数据基础上，建立智能风控模型，成为识别风险、监测风险和控制风险的有效途径。综合看，开放共享的基础设施、聚焦落地的工具流程、多元广阔的应用场景，为人工智能蓬勃发展提供了良好的应用环境与市场空间。金融业如何改善数据采、存、算、管、用全生命周期活动，推动数据要素到数据资产的转化，是当前面临的迫切挑战，而人工智能与大数据相结合则会激发更多活力。人工智能的使用价值体现之一，就是能否进一步改善金融机构运行效率、优化财务指标。

在人工智能和大数据的加持下，或许有助于进一步改善金融机构外部生态。就金融机构应用人工智能等前沿技术来说，通常难以形成有效的激励相容机制，而促使内部利益主体达成共识，以最大效率地体现技术创新价值。

人工智能在战略制定中的应用思路，正是感知、推理、决策，天然地有可能与金融机构综合或专项战略制定相结合，并且进行动态随机优化。金融业数字化转型离不开组织架构与运营能力的保障，在此过程中可以充分利用人工智能打造自动化、智能化的运营模式，不断优化运营流程，创新运营模式，提升运营服务质量，降低运营成本，从而支撑综合化、智慧化的金融服务。

虽然我国金融业综合实力不断增强，但还有诸多发展不平衡、不充分的结构性矛盾，这也为人工智能的补短板提出了要求。从技术发展趋势来看，超大规模预训练模型无疑是当前人工智能技术发展的重点和热点领域，近两年迎来了大爆发和军备竞赛。

作者： 国家金融与发展实验室副主任 杨涛来源： 国家金融与发展实验室 进入专题： ChatGPT 人工智能 。另一方面，金融科技人才也是稀缺资源，人工智能可以成为提升员工能力的智慧助手，也可以通过构建数字人来弥补团队能力。当引入人工智能之后，原有的金融机构业务流程中的权责相称，可能会出现一些新的模糊性，亟待从制度规则、业务实践、技术与业务、模型与人的关系等方面进一步探索。例如人工智能应用于财富管理领域，能否给家庭资产结构、金融资产布局失衡带来改变，直接影响到金融助力共同富裕的重大目标。

因此，从ChatGPT入手深入分析人工智能在金融领域应用的状况、机遇与挑战，有助于更精准地实现科技助力金融高质量发展。一方面，近年来在金融业快速发展过程中，信息技术已经对金融业全要素生产率的提升与转变，产生了非常深刻的影响。

 美国人工智能研究实验室OpenAI开发的对话机器人ChatGPT引起了国内外各界的广泛关注，并且掀起了一轮人工智能热潮。只有发展可解释、可信任的人工智能金融应用，才能实现用户信任、模型可审计性并降低风险。

人工智能在金融业应用是否高效，一是从金融机构自身看，二是从服务实体来看。对此，如何在技术方案自身优化迭代的同时，努力通过规则设计来优化组织协调模式，也是人工智能绕不开的挑战。