金融科技关键技术有哪些进展？

智能边缘算力节点深化赋能金融市场，精准支持低时延业务场景。

一、算力体系创新应用加速，高效支撑金融业数字化转型

1. 多节点分布式算力架构加速落地，提升金融业务多地多活能力 2023 年 10 月，人民银行等六部门联合印发了《算力基础设施高质量发展行动计划》，明确提出了“加快算力在金融领域的创新应用，构建多节点并行的分布式算力资源架构”。一方面，以分布式算力资源架构在金融领域加速融合落地，提升了金融业务的运行效率和准确性。私有云、公有云、行业云以及混合云等技术在金融行业加速融合，实现了算力资源的高效管理和优化配置，提升了金融业务的运行效率和可靠性，特别是在金融市场高频交易等低时延业务场景中，显著提升数据处理速度和准确性。另一方面，金融机构数据中心分布从“两地三中心”向“多地多中心”发展，实现了算力资源跨地域调度以及金融业务异地多活的能力。“多地多中心”的算力资源架构实现了业务在多数据中心之间的无缝迁移和统一管理，提升了资源利用率和运维效率，金融机构通过构建统一的调度平台，实现对不同地域、不同服务商和不同架构的算力资源进行统一管理和调度，障了金融业务的连续性和稳定性。当前，多家银行都在规划“三地五中心”的数据中心布局，覆盖全国关键区域，提升业务连续性和服务质量。

2. 智能边缘算力节点深化赋能金融市场，精准支持低时延业务场景 《金融科技发展规划（2022-2025 年）》中明确提出金融业围绕高频业务开发部署智能边缘计算节点，打造技术先进、规模适度的边缘计算能力。一方面，边缘算力在金融领域加速应用，提升了交易的效率与稳定性。近年来，金融机构在网络边缘部署高性能计算资源，这些节点能够及时处理海量金融数据，显著降低数据传输延迟，确保低时延关键业务快速响应，满足金融行业对高并发、低时延业务的稳定性要求。另一方面，金融行业边缘计算正在与智算加速深度融合，提升了金融机构业务合规管控能力。通过在边缘节点上部署先进的分析模型，搭建智能边缘算力节点，能够通过机器学习和人工智能算法，将海量非结构数据就近进行预处理和智能分析，实时智能监测违规风险，构建智能合规管控能力。例如，工商银行运用边缘计算提供智能双录质检服务，助力网点业务开展监管合规，将 AI 推理能力应用到网点理财保险等营销场景，满足监管要求。

二、数据要素与金融服务加速融合，数据智能赋能业务升级

1.数据要素在金融领域的探索加速推进，金融数据资产化开始起步 金融业数据资源的流通与共享帮助机构间打破信息壁垒，进一步支持国家数据战略的深入发展。一方面，数据要素与金融服务的融合发展进入新阶段，释放数据价值成为主要目标。2024 年1 月，国家数据局等十七部门联合印发《“数据要素×”三年行动计划（2024—2026年）》，明确提出要推动“数据要素×金融服务”行动，释放数据要素价值。通过数据要素与金融服务的紧密结合，金融机构可以充分挖掘各类数据背后的潜力，有助于降低金融服务成本、提高金融服务效率、拓展金融服务边界，已成为金融行业数字化转型的重要基础。另一方面，金融机构正积极审慎推进数据资产入表。通过数据资产入表，有利于提升金融机构的业绩表现，为金融机构获得多元化融资渠道提供了契机，同时有利于金融机构推进数字化转型以及新模式新业态的创新。当前金融机构相继开展数据盘点、数据治理、数据确权、价值评估等工作，中国银行业协会也发布了《银行业数据资产估值指南》，均为金融数据资产入表奠定了基础。2024 年上半年，三大运营商均开始数据资产入表探索，总金额超 2.55 亿元10，对金融领域具有重要的参考价值。

2. 技术与数据进入高效融合阶段，数据智能推动金融机构创新与业务双向驱动 近年来通过数据智能技术和数据高效融合，金融机构正在经历数智化升级，从而提升业务智能化水平和服务质量。一方面，数据智能进入融合应用时期，金融业多样化和复杂化需求催生技术融合发展。数据模型的生产需要丰富数据资源与数据处理技术支撑，智能技术最新成果又进一步赋能数据应用技术，由此逐渐衍生出多模数据存储与治理、数据智能平台、智能化数据安全等一系列新兴技术。以数据智能平台为例，目前国家金融基础数据库软硬件基础设施已部署完成，其中统一管理的金融统计数据采集系统和大数据智能分析平台与人民银行各分支机构及 4600 余家金融机构互联互通。另一方面，数据智能技术向服务化方向发展，金融机构着重关注高质量数据集建设。金融机构应用数据智能技术的整体目标更面向服务，部分银行已完成基于知识图谱的智能问答系统在营销场景的应用，保障数据快速流动，驱动价值实时变现。金融机构重视数据供给问题，采取一系列措施来强化高质量数据集建设，例如兴业银行制定企业级数据字典项，并依托数据字典开展分类分级，提升了数据供给的质量与效率。此外，金融业作为数据原生行业，涉及海量个人用户敏感数据，数据智能应用过程需要谨慎处理数据隐私与安全问题。

三、金融业成为大模型重点应用领域，加速业技数融合

1. 金融业试点场景激增，降本增效价值逐渐凸显随着大模型技术的突飞猛进,未来大模型有望在金融业更多细分场景落地，增强赋能更多业务环节。一方面，不同规模机构采取不同策略和深度拥抱大模型。以银行业为例，六大国有银行大力投入大模型技术体系研发的同时多场景探索大模型应用，实现客服、办公、研发、运营等多个业务领域的应用创新。中小银行则多以单场景切入，探索智能客服、智慧办公等通用场景下的更多应用，如探索智慧办公场景下的宣传文案、智能周报、文章翻译、会议纪要等细分场景。另一方面，已成熟场景大模型应用降本增效价值逐渐凸显。在知识助手、智能客服、智慧办公、辅助编码等典型应用场景，大模型通过赋能员工，大幅提升员工工作效率，已经产生明显的业务价值。例如中国工商银行为 20 万网点员工打造智能助手，2023年全年运营领域智能处理业务量 3.2 亿笔，比2022 年增长14%11。但目前大模型在银行核心业务场景如零售、交易等尚未出现大规模应用，这方面仍有待探索。

2. 多模态数据融合推动智能体发展，金融领域智能体应用加速 一方面，多模态数据融合为智能体带来更为丰富的信息感知来源与任务处理范式。随着多模态数据融合的技术迭代，智能体在命令解读、知识吸收和模拟人类推理能力方面，相较于传统 AI 大模型更加友好。智能体能够精准地理解和响应更复杂的金融场景，提高金融决策质效。另一方面，智能体推动金融服务下沉，重塑金融机构对客展业模式。智能体基于概率模型、深度学习算法，通过强化学习选择最优决策策略，可以实现多种能力的统一调度和集成，进而精简业务流程、提升金融机构展业质效。一些大型银行正在推进多智能体在金融领域的应用，涉及到智能业务助手、数字客户经理和智能投顾等场景，且多智能体系统通过自适应算法突破了冗长业务流程壁垒，赋能金融机构对客端业务创新的同时有效规避业务合规风险。

四、信息安全能力持续完善，安全服务覆盖金融重点场景

1. 金融业数据安全治理体系持续升级，金融机构积极应对前沿技术带来的新风险 近年来，数据安全事件频发，对金融机构稳定运营构成严重威胁，一系列金融业数据安全政策法规及标准规范陆续出台，持续完善数据安全监管体系，推动了数据安全技术和服务的创新和发展。

一方面，金融机构数据安全治理方式正在与新兴技术紧密结合，驱动治理向智能化、高效化、精准化演进。金融数据安全治理难度与业务类型及数据规模紧密相关，为了使金融数据治理更加具有针对性和有效性，目前金融数据治理的智能化工作在保障金融数据安全基础上，主要聚焦数据分类、数据全生命周期管理、数据共享等重点领域。例如，金融机构将 AI 技术引入到数据安全分类分级工作中，大幅地提高了标注的准确率，还能够实现金融数据安全风险智能化监测，显著提升数据风险监测自动化响应能力。另一方面，在利用新技术提升服务效率的同时，也面临模型风险治理等安全风险。当前，传统的事前监管模式面临着 AI 自主演化控制难、迭代快速跟进难、黑盒遮蔽追责难等问题，难以应对不断推陈出新的人工智能快速发展需求。在此背景下，基于分级分类分域的治理思路，金融机构构建多元敏捷协同的治理体系，推动实现大模型金融应用可监督、可追溯、可信赖。

2. 金融机构提前应对量子威胁，后量子密码场景化应用落地部署 后量子密码迁移工程稳步推进，金融机构正在积极迎接量子计算技术带来的威胁挑战。一方面，后量子密码系列标准正式发布，为迁移工程建立统一规范。2024 年 8 月，NIST 正式发布《FIPS 203基于模格的密钥封装机制标准》、《FIPS 204 基于模格的数字签名标准》、《FIPS 205 基于哈希的无状态数字签名标准》系列标准，覆盖密钥封装、数字签名等场景，提供官方认可的抗量子解决方案指引。此前，NIST 发布《迁移到后量子密码学的量子准备》系列报告，描述迁移框架和实施步骤，鼓励各机构提前布局，确保在量子计算机普及之前完成加密体系的转型。另一方面，金融领域逐步开展后量子密码应用，加强关键业务场景的数据安全性和交易稳定性。当金融领域的关键业务场景受到量子攻击，基于密码的信任体系遭到破坏，其危害将逐步蔓延并威胁金融体系整体安全。国内已有机构开展抗量子密码技术的创新应用研究，以网上交易系统为对象形成“国密 SSL+PQC”解决方案，提供具备抗量子能力的平滑迁移。随着后量子迁移工作的推进，金融机构不仅通过积极应对量子安全挑战，确保重要数据的前向安全性，还将在不断演进的技术中开拓创新机会，实现技术与业务的双重提升。