谷澍：提升AI应用普惠性的若干思考

作者｜谷澍「中国农业银行董事长、党委书记」

文章｜《中国金融》2025年第24期

党的二十届四中全会审议通过的《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》多次提及“人工智能”，指出要全面实施“人工智能+”行动，全方位赋能千行百业。2025年8月，国务院印发的《关于深入实施“人工智能+”行动的意见》明确要通过“三步走”，不断提升新一代智能终端、智能体等应用普及率。金融业应主动融入“人工智能+”发展进程，当好提升AI应用普惠性的践行者，推动技术创新与业务应用深度融合。当前，人工智能技术迭代演进速度非常快，下一步往哪个方向发展、发展成什么样，难以形成统一的共识。但普惠是人类始终应当坚持的价值取向。提升AI应用普惠性的路径，我认为有四方面问题需要考虑。

开源模型与闭源模型

开源、闭源的选择不只是技术问题，而且对技术的应用有深远影响。开源意味着技术平权和自主可控，开源模型采用分布式协同创新，各类社会主体深度参与模型共建、共享复用集体智慧，节约了企业的应用成本，提升了AI的普惠性。相对来说，模型迭代速度较慢，模型幻觉率较高。闭源意味着稳定性和可靠性相对更高，在同等参数规模下，闭源模型性能可能更优，服务支持更为成熟，但是自主定制化程度受限，模型透明度较低。

开源模型和闭源模型谁更优？从金融业角度看，要重点考虑“AI+”，而不是考虑自己怎么去构建一个大模型；要融合开源、闭源模型的优势，重点围绕“+”来推动场景建设，持续提升金融服务质效和内部管理效能，让客户和员工更满意。以农业银行为例，我们采取“两条腿走路”的策略，推动AI在更大范围内应用。一方面，积极跟进开源模型技术发展趋势，在普惠服务、办公等领域加快探索应用，提高AI应用的普及率；另一方面，通过本地化部署闭源模型，在客户服务知识优化推荐等场景落地应用，确保数据隐私保护和用户极致体验。

决策式AI与生成式AI

决策式AI擅长“确定性优化”，在强可解释性和准确性要求高的场景中，决策式AI仍是最优选择。生成式AI擅长“可能性涌现”，在开放式和创意性场景中，生成式AI具有更好的泛化能力，拓展了AI的应用边界。从当前应用情况看，不能简单把AI等同于大模型，决策式AI的应用仍是各行各业的主流路径。从金融业应用情况看，目前决策式AI的使用占比超过八成，在风险评估、算法交易和欺诈检测等业务领域占据主导地位；生成式AI主要应用于智能客服、知识助手、报告撰写等非核心业务领域。

从发展趋势看，随着大模型能力的增强、生态体系的完善、算力上限的突破，生成式AI的应用可能实现指数级增长，并与决策式AI协同，形成以智能体为主的通用范式，二者泾渭分明的边界将趋于模糊。多智能体配合，实现“双AI”编排协作的模式，可以更好实现AI能力的普惠化。近年来，农业银行在多智能体协作方面积极探索，推动AI创新应用成果惠及更多人群。例如，在客户营销场景中，我们利用智能体，通过决策式AI构建客户画像，通过生成式AI形成个性化服务方案，有效提升金融服务的精准性和获得感。

AI普惠与算力供给

随着AI普惠性的持续提升，数据处理规模和复杂度指数级增长，数据中心计算量的膨胀速度将会远大于CPU处理效率进化的速度，而GPU凭借其更强大的并行计算能力，能够高效应对计算密集型任务。AI的大规模应用就意味着进入了加速计算的时代。当然，加速计算的到来，通用计算也不会消失，通用计算会退化为“控制平面”，而高时效高计算负载的场景将通过专用加速计算来实现。

当前，AI正在加速普及，在这一过程中，GPU算力的需求和供给将始终处于“紧平衡”状态。从节省能源、绿色发展角度看，这种“紧平衡”是必要的。要从存量挖潜和增量扩容两端发力，平衡好AI普惠和算力供给之间的矛盾。一方面，通过工程化手段，如算力的灵活调度、参数规模的合理匹配、模型的压缩加速等，降低模型的运行成本，节约算力资源；另一方面，要主动适应加速计算的范式变革，加快建设支持AI高性能计算的智算中心。以农业银行为例，我们依托“农银智+”平台，建成参数多样、能力丰富的模型矩阵，精细化匹配业务场景需要，并通过模型蒸馏、微调等手段，充分利用GPU资源。同时，我们建设了支持多类型GPU组合的算力云平台，保障AI算力弹性、韧性和可持续供给，为AI的规模化应用做好算力储备。

普惠性与安全性

我们在提升AI应用普惠性的同时，也要高度重视AI应用的安全性。

一是强化AI稳定性，保障大众利益。未来AI将像电力和互联网一样，成为数字世界的“基础设施”。提示词注入、资源消耗攻击等风险会威胁AI安全，进而影响人民群众的日常生活。要建立模型安全护栏、主动防御等技术手段，切实保障AI稳定运行和业务连续性。

二是提升数据质量，增强模型可信度。在AI广泛应用的背景下，数据来源更丰富、结构更复杂。数据倾斜、数据投毒等问题会加剧模型的决策偏差，更易引发公众信任危机。要建立全生命周期的模型评测和监控体系，加强算法公平性约束，提升模型的稳定性和可解释性。

三是避免模型共振，防范系统性风险。随着竞争的加剧，市场上主流大模型的集中度会越来越高。商业银行依赖的模型算法将逐步趋同，局部缺陷有可能会形成机构间模型共振，并引发系统性风险。要加快构建更可靠的知识体系，开展差异化模型训练，提升金融系统整体韧性。

（本文系作者于2025年12月6日在2025中国金融学会学术年会暨中国金融论坛年会上的发言）

（责任编辑　侯皓议）