Ким и Ву Хуан Айчжоу: от «комплексной перестройки» к «дифференцированному прорыву» — финансовый ИИ входит в новую фазу иерархической эволюции

Вопрос AI · Как многоуровневая эволюция финтеха влияет на трансформацию малых и средних организаций?

Журналист China Jing Ji Zhang Manyou, Пекин

С 24 по 27 марта на острове Хайнань в Боао пройдет Азиатский форум Боао. В повестке дня этого года одним из важных вопросов стало «погружение в эпоху ИИ». Финансы как ядро современной экономики находятся в «глубоководной зоне» этой трансформации. Накануне форума Народный банк Китая провел совещание по научно-технической работе 2026 года, где четко выдвинул: «углублять взаимодействие финансов и технологий, активно и осмотрительно, безопасно и упорядоченно продвигать применение искусственного интеллекта в финансовой сфере», задав ориентиры для развития отрасли.

Между инновациями и безопасностью: как финансовым учреждениям найти точный стратегический фокус? Перед революцией в эффективности и вызовами по рискам, которые несет ИИ, как должны развиваться технологическая база и система управления рисками? В связи с этими вопросами журналист «China Business Journal» во время форума в Боао взял интервью у Хуан Аичжоу, партнера-руководителя по финтеху в KPMG China.

Поэтапное наращивание · Укрепление технологической базы «стабильно-чуткой двойственности»

《China Business Journal》： На совещании НБК по научно-технической работе для ИИ-применений в финсекторе задан тон «активно и осмотрительно, безопасно и упорядоченно». На фоне этого где в основном сосредоточены стратегические приоритеты финансовых учреждений в ИИ в этом году?

Хуан Аичжоу： Для финансовых организаций определение НБК означает, что стратегический статус ИИ-применений в финансовой сфере продолжает повышаться. В рамках этого процесса у финансовых учреждений разного масштаба стратегический фокус ИИ различается в зависимости от имеющегося фундамента цифровой трансформации и различий в бизнес-раскладке.

Для ведущих финансовых учреждений ожидается, что они продолжат максимально использовать преимущества в технологиях, капитале, талантах и данных, продвигая дальнейшее углубление ИИ-применений. Под руководством общеорганизационной (уровень всей организации) ИИ-стратегии они должны сформировать полнофункциональные (end-to-end) технологические возможности ИИ и встраивать ИИ-технологии в бизнес-процессы и логику организационного управления, обеспечивая всестороннюю перестройку.

Для малых и средних финансовых учреждений при продвижении масштабируемых ИИ-применений и стратегической трансформации в настоящее время стоит больше вызовов: это связано не только с недостаточностью ресурсов в капитале, технологиях и талантах, но и с более слабой основой в построении ИТ-систем, управлении данными и комплаенсе, а также в механизмах внутреннего контроля. Возможны пути через сотрудничество с технологическими компаниями, подключение к сторонним API и т.п., чтобы снизить стоимость трансформации, сконцентрировавшись на апгрейде ИИ-применений в отдельных нишах, чтобы развиваться дифференцированно.

В целом, в рамках общего курса «строгого регулирования» финансовая отрасль обязана надежно удерживать нижнюю границу безопасности. Поэтому управление жизненным циклом ИИ-моделей, правила использования данных, процессы управления и устранения рисков — неизбежно становятся одними из ключевых акцентов в ИИ-стратегиях каждой финансовой организации. На этот раз НБК также выдвинул задачу согласованного планирования целей «далеко-средне-близко», углубленно прорабатывает и планирует технологическую работу на период «План 15-й пятилетки (15 五)». Ожидается, что по мере того, как все более проявится эталонный эффект ИИ-трансформации ведущих финансовых учреждений, малые и средние финансовые учреждения будут поэтапно подтягивать свои ИИ-стратегии трансформации.

《China Business Journal》： Централизованная ИТ-архитектура традиционных финансовых учреждений при столкновении с гибкой итерацией ИИ выглядит не слишком приспособленной. Какую технологическую базу должны построить финансовые учреждения, чтобы одновременно обеспечить устойчивость ключевых систем и при этом гибко подключать различные крупные модели, реализуя «стабильно-чуткую двойственность»?

Хуан Аичжоу： Технология ИИ продолжает быстро развиваться. Внедрение новых технологических возможностей — гетерогенных вычислительных мощностей, шлюзов для инференса, RAG (цепочек данных с извлечением для усиления генерации), LLMOps (эксплуатация и управление большими языковыми моделями), а также кооперационных рамок Agent (интеллектуальных агентов) — оказывает влияние на традиционную централизованную ИТ-архитектуру, которое проявляется динамическим обновлением и растущей сложностью. В связи с этим все больше финансовых организаций осознают необходимость интеграции разрозненных технологических возможностей, унификации технологического стека и обеспечения единообразия нормативных требований, чтобы максимально использовать уже имеющиеся ресурсы технологий, оперативно адаптироваться к траекториям развития больших моделей и избегать рисков устаревания технологий или чрезмерной гетерогенности.

В плане построения, полнофункциональная (full-stack), end-to-end корпоративная цифровая базовая платформа может стать обязательным выбором для финансовых учреждений. При этом делается акцент на облачную нативность и распределенную архитектуру как основную несущую, с интеграцией возможностей платформ больших данных и искусственного интеллекта. Через «слияние множества платформ, слияние множества технологических стеков, слияние множества инструментов» нужно выстроить связку end-to-end — от инфраструктуры, через платформу разработки, до применения в сценариях — чтобы сформировать сквозной рабочий процесс, охватывающий планирование и проектирование, разработку и тестирование, интеграцию и публикацию, мониторинг работы, поддержку эксплуатации, а также учения по аварийному восстановлению (disaster recovery) и резервному обеспечению.

Этот подход также тесно согласуется с направлениями регулирования. Согласно «Плану реализации высококачественного развития цифровых финансов в банковском и страховом секторах», опубликованному в конце 2025 года, соответствующие субъекты должны всесторонне повысить уровень управления многими технологическими стеками и сложными архитектурами, безопасно и упорядоченно реализовывать преобразование на распределенную архитектуру и микросервисы, оптимизировать инфраструктуру сервисной сетки (service mesh), усиливать возможности продуктовых сервисов базовых платформ; исследовать построение платформ разработки с низким кодом и без кода, чтобы содействовать визуализации архитектуры и разработки; оптимизировать механизмы сквозной координации требований, разработки, тестирования, запуска в промышленную эксплуатацию и эксплуатации, усиливая возможности гибкой поставки (agile delivery).

От «уметь использовать ИИ» к «уметь управлять ИИ»

《China Business Journal》： Пока ИИ повышает эффективность, он также расширяет рискованные зоны. При использовании ИИ для антифрода как эффективно предотвращать новые типы технологических рисков, исходящие от самого ИИ? Хватает ли текущих механизмов реагирования темпу эволюции рисков?

Хуан Аичжоу： Традиционная рамка управления рисками модели уже недостаточна, чтобы справиться с новыми вызовами, которые несет ИИ. Риски ИИ, особенно генеративного ИИ, привносят такие новые точки риска, как галлюцинации моделей, отравление данных, алгоритмический «черный ящик» и т.п. Поэтому управление рисками должно быть обновлено до комплексной системы, охватывающей управление данными для разных модальностей, управление жизненным циклом моделей из разных источников, всестороннюю оборону прикладных рисков в сценариях, а также надежное (trustworthy) управление ИИ.

Конкретно говоря, мы помогаем нескольким коммерческим банкам выстроить систему управления рисками на основе «доверенного искусственного интеллекта». В ней линии обороны строятся в основном с четырех уровней:

Первое — управление данными разных модальностей. Создавать безопасный контур на протяжении всего жизненного цикла данных: на основе разметки и классификации данных, на всем пути исполнять строгие стратегии безопасности, обеспечивая активную оборону от рисков данных.

Второе — управление жизненным циклом моделей из множества источников. Четко разделять этапы от исследовательских изысканий до вывода модели из эксплуатации и для каждого этапа устанавливать объективные критерии входа и выхода. На этой основе проводить комплексную оценку моделей по четырем измерениям: техническая производительность, эффект для бизнеса, стоимость-эффективность, безопасность и комплаенс, чтобы обеспечить, что вводимые и используемые модели «безопасны и управляемы».

Третье — всесторонняя оборона прикладных рисков со стороны сценариев. В реальных бизнес-сценариях риски ИИ имеют характеристики высокой конкурентности по запросам и сильной проникающей способности. Для этого требуется многоуровневая система обороны: на уровне среды — внедрять sandbox-управление и принцип «минимально необходимых прав» для сетевого взаимодействия; на уровне модели — через внедрение карт знаний домена обеспечивать визуализируемую и отслеживаемую интерпретацию процесса вывода; на уровне операций — усиливать стандартизацию и автоматизацию процессов, снижая риски вмешательства человека; на уровне защиты — создавать динамическую систему безопасного иммунитета и непрерывно оптимизировать устойчивость модели посредством противоборческих учений (то есть когда система сталкивается с изменениями входных данных, шумом, помехами и даже атаками, она сохраняет стабильность и надежность своих функций и характеристик).

Четвертое — передовое доверенное управление ИИ. По мере того как применение ИИ движется от пилотов на локальном уровне к масштабному развертыванию, финансовым учреждениям срочно нужно проактивно отвечать на уровне организации. Это включает унификацию определения приложений ИИ, построение четких механизмов управления рисками ИИ по дизайну, классификацию рисков приложений ИИ с реализацией дифференцированного контроля, а также создание специальных схем валидации ИИ-моделей. Вся эта система направлена на то, чтобы управление рисками превращалось из пассивной реакции в проактивный иммунитет.

《China Business Journal》： Данные — основа ИИ. При использовании ИИ для извлечения ценности данных с какими слабостями в управлении данными обычно сталкиваются финансовые учреждения? А какие общие подходы к построению высококачественной базы данных есть у отрасли?

Хуан Аичжоу： В настоящее время в управлении данными финансовые учреждения в целом имеют четыре главных «раздражителя» (препятствия). Первое — сложность координации и совместной работы разнородных данных из множества источников: форматы и стандарты в источниках данных, таких как ключевые системы и внешние API, различаются, из-за чего интеграция затруднена. Второе — сложность слияния ценности между организациями: высокочастотные и реальные (real-time) характеристики финансовых данных порождают множественные вызовы для их обращения между отраслями и между организациями при наличии требований комплаенса. Третье — трудности внутреннего обращения и совместного использования данных: данные фрагментируются из-за барьеров между системами и подразделениями, что мешает формированию единого и пригодного для использования массива знаний. Четвертое — сложности преобразования знаний из данных разных модальностей: множество контрактов, отчетов и других неструктурированных данных содержат богатые бизнес-знания, но существующие системы управления не имеют зрелкой рамки, позволяющей преобразовывать их в ценные активы знаний.

Перед этими вызовами ведущие практики отрасли демонстрируют признаки «системности» и «инженерности» одновременно. Системность проявляется в том, что концепция управления данными на протяжении всего жизненного цикла встраивается во все звенья информационных систем. Инженерность проявляется в активном построении движков интеллектуального анализа данных и сопутствующих инструментов, чтобы обеспечить прослеживаемость обработки данных и соблюдение требований.

Показательная тенденция — смещение фокуса управления с «структурированных данных» на «активы знаний». Поскольку качество выходов больших моделей в высокой степени зависит от ввода внутренних приватных данных, некоторые банки рассматривают управление активами знаний как предварительное условие для применения больших моделей. Например, путем детального разбиения (слайсинга) огромных объемов неструктурированных инвестиционно-исследовательских отчетов на фрагменты формируется специализированная база знаний по конкретной области, чтобы обеспечить управляемость и прослеживаемость выходов модели.

Если подняться до уровня базовой инфраструктуры отрасли, компания National Data Bureau продвигает пилоты доверенных пространств данных трех типов: предприятия, отрасли и города. Это дает финансовым данным новые возможности для обращения. Финансовая отрасль как посредник по привлечению и распределению капитала может играть ключевую мостовую роль в обращении данных. Создание доверенных пространств данных направлено на решение ключевых болевых точек, таких как: распределенность источников данных, высокий риск обращения между различными субъектами и большой разрыв в цифровых технологиях. С применением технологий вроде «blockchain + privacy computing + динамический контроль использования» формируется сквозная система «сбор данных — безопасное обращение — применение в сценариях». Например, техническая схема «федеративное обучение + доверенная среда исполнения» позволяет при сохранении конфиденциальности данных организовать безопасное совместное моделирование для нескольких сторон, вливая в приложения финансового ИИ более качественные «живые воды» данных.

(Редактор: Ян Цзиньсин. Проверка: Хэ Шаша. Корректор: Чжай Цзюнь.)