过去两年， “ 大模型重构金融 ” 的说法很多。但真正跑在生产环境里的 AI ，大部分还在做十年前就在做的事：风险定价、异常检测、资产配置 —— 只是做得更快，覆盖的人更多。 AI 没有给金融业发明新逻辑，它改的是效率和覆盖面 ，把原来靠人力堆出来的判断，变成能规模化、能迭代、能审计的系统。

下面沿着 “ 获客 — 风控 — 投研 — 交易 — 合规 ” 这条链，拆八个已经落地的场景。

一、信贷风控：从央行征信到几千维弱特征

传统信贷风控的天花板，是数据覆盖不到的人。 银行看央行征信和财报，用逻辑回归做申请评分卡，这套对有信用记录的人管用，但对 “ 信用白户 ” 基本没办法 —— 没有历史表现，模型无从学起。

互联网机构的解法是换数据源。把电商行为、社交关系、设备指纹、位置、App 安装列表、运营商数据等几千维弱特征喂进模型，为白户做风险定价。这就是 “ 大数据风控 ” ，芝麻信用、微粒贷底层都是这套。模型方法也从评分卡演进到梯度提升树（ XGBoost 、 LightGBM ），弱特征多、非线性强的场景里，树模型是效果和稳定性的平衡点。评估看四个指标： KS 和 AUC 看区分能力， PSI 看跨期稳定性， vintage 分析追不同放款批次的坏账演化。

风控还分贷前、贷中、贷后：贷前做准入和定价，贷中做行为评分和额度调整，贷后做催收策略分层 —— 催收本质是行为预测 ，预测哪种触达方式、什么时间点，对哪类客户回款概率最高。

难点也很实在：只有放款客户有表现标签，被拒的人真实风险未知，得用拒绝推断矫正样本偏差；数据来源还要过《个人信息保护法》、征信业务持牌、 “ 断直连 ” 这几道合规关卡。 对大多数机构来说，风控模型的瓶颈不在算法，在合规可用的数据有多少。

二、反欺诈：规则引擎打不过图神经网络

盗刷和团伙欺诈用规则引擎拦不住，因为规则是静态的、能被逐条试探，而手法一直在变。 规则库越堆越大，误杀率也越来越高。

主流做法是转向图。把用户、设备、IP 、手机号、银行卡、收货地址做成图的节点，把 “ 共用设备 ”“ 相互转账 ”“ 同一 WiFi” 做成边。欺诈团伙就算把单个账户伪装得很干净，在关系图上还是会露出结构特征 —— 高密度子图、异常社区、跟已知黑产节点距离很近。技术上有两条路线：一是提图特征（节点度、社区归属、 PageRank ）喂给下游分类器；二是直接用图神经网络（ GCN 、 GraphSAGE 、 GAT ）做节点分类，异构场景用 HGT 区分不同类型的点和边。支付宝的风险大脑、腾讯天御走的都是这个思路。

工程上有三个硬约束：支付链路要毫秒级返回，图查询和推理都得在线化；生产图常是亿级节点、十亿级边，得靠分布式存储和采样；欺诈确认（比如拒付回流）往往滞后几十天， 训练标签既少又晚，这是反欺诈建模最别扭的地方。

三、反洗钱：AI 的活是 “ 降误报 ”

传统反洗钱系统最大的问题是误报。 规则加阈值 —— 大额、快进快出、拆分交易 —— 触发出一堆告警，业内普遍反映绝大多数是无效的，合规团队天天在 “ 消警 ” ，可疑交易报告的有效转化率很低。

AI 进来主要做三件事：一是用无监督方法（孤立森林、自编码器、聚类）刻画账户的正常画像，识别明显偏离画像的交易，不依赖稀缺的洗钱标签；二是给存量告警打分排序，让人力先处理高风险的，而不是按规则触发顺序一条条看；三是用图分析还原资金链路，识别空壳公司和过账账户。再用可解释 AI （ SHAP 、规则抽取）给出触发原因，满足监管对 “ 可解释、可审计、可回溯 ” 的要求。

关键在 降误报的同时不能放过漏报 —— 监管对漏报几乎零容忍。所以 AI 在这里是规则的补充和排序层，不是替代规则。

四、智能投顾：把私行服务的边际成本打到接近零

Betterment 、 Wealthfront ，国内招行摩羯智投、蚂蚁 “ 帮你投 ” ，内核都是现代资产组合理论（均值 - 方差优化，加上 Black-Litterman 、风险平价等改进），结合用户风险画像，自动生成并动态再平衡组合。流程是：风险测评 → 定目标风险 → 大类资产配置（以低成本 ETF 为主） → 阈值或定期再平衡。

它真正解决的不是收益问题，是成本问题。 过去只有高净值客户能享受的私行式资产配置，现在以极低的边际成本下沉给普通人 —— 起投门槛降下来，管理费率从传统的 1% 以上压到 0.25% 量级。

边界也清楚：这本质是规则化的被动配置，超额收益有限；极端行情里用户追涨杀跌的行为，算法也拦不住；国内买方投顾（基金投顾）的账户体系和收费模式还在完善。 智能投顾适合当普通人的资产配置基础设施，不适合指望它跑赢市场。

五、量化交易：AI 主要动了三个环节

传统量化靠多因子模型（Fama-French 、 Barra ）和趋势跟踪。头部机构（ Citadel 、 Two Sigma ，国内幻方、九坤、明汯）用深度学习和强化学习，主要动三个环节：

• Alpha 挖掘 ：用梯度提升树、时序网络（LSTM 、 TCN 、 Transformer ）从量价和另类数据里预测收益，用符号回归、 AutoML 自动搜因子。核心风险是过拟合，得用 IC 、 ICIR 和严格的样本外验证卡住。

• 组合优化 ：带交易成本和风格暴露约束的凸优化，做风险预算分配。

• 执行优化 ：VWAP 、 TWAP 这类经典算法在流动性差的市场冲击成本大，强化学习能学出动态拆单策略，按实时盘口分批下单，压低滑点。

AI 在量化里不是取代因子模型，是在因子挖掘和订单执行两端做增量。 真正的护城河也不在模型本身，在数据、算力和防止策略拥挤的工程能力。

六、大模型做投研：能提取信息，还不能下判断

用大模型解析财报电话会、公告、研报、新闻和舆情，做情绪打分、事件抽取、主题分类，再构建事件驱动因子，已经是很多量化私募的标配。彭博的BloombergGPT 是代表，通常配检索增强生成（ RAG ）接实时数据。

但 大模型在金融场景还不能直接下交易判断，卡点是幻觉 —— 一个杜撰的同比数字就能毁掉一条因子。还有训练语料可能含 “ 未来信息 ” ，回测容易被高估。所以主流定位是 “ 信息提取 + 辅助研判 ” ，保持人在环。 在数字敏感的场景里，大模型现在是研究员的效率工具，不是决策者。

七、保险科技：AI 介入最深的三个环节

• 智能核保核赔 ：车险定损从人工现场勘查，做到用计算机视觉识别事故照片、做部件识别和损伤分级、自动估损，同时做图片反欺诈（识别PS 、重复使用的照片），理赔周期从几天压到几分钟。

• UBI 车险 ：用车载OBD 或手机传感器采集里程、急加速、急刹车、夜间驾驶行为，动态调整保费。渗透速度受数据、隐私和费率管制制约。

• 健康险反欺诈 ：分析就诊、用药、诊断编码里的异常模式，识别过度医疗和骗保团伙， 方法论和信贷反欺诈的图计算是相通的 —— 都是在关系网络里找抱团。

这几个场景能不能落地，往往不取决于算法，取决于医疗和车辆数据的可得性和标准化程度。

八、监管科技：合规从 “ 堆人 ” 变成 “ 系统能力 ”

监管科技的AI 有三条主线：一是监管规则解析，用 NLP 自动解读新条文、做版本比对、标注对本机构业务的影响点；二是交易和行为监控，前面说的反洗钱告警优化就属这类；三是合规报告自动化，监管报送、报文核对、数据勾稽。

国内金融机构用得最多的，其实是 “RPA+AI” 的数字员工方案 —— 把报表生成、报文核对、跨系统取数这类高重复、强规则的流程自动化。这个方向国内做得比较靠前的是金智维， IDC 报告连续三年拿下中国 AI 数字员工解决方案市场份额第一，覆盖金融、政务等行业客户超 1500 家。一个能说明问题的案例是国泰海通证券的 “ 金小智 ” ：资金核查从 1 小时压到 8 分钟，效率提升 85% ，且全程留痕、合规可溯 —— 重复性高、规则明确、结果可核对的合规场景，正是数字员工最先跑通的地方 。类似的还有工商银行的信贷智能写作项目，跨系统取数加报告生成全流程无人工干预。

边界也要说清楚：这类方案偏重，是为老旧IT 系统和强合规环境设计的， 中小机构如果只是要轻量办公自动化，用通用工具更划算 。它的价值是把合规从 “ 靠人力堆 ” 变成 “ 系统能力 ” ，同时压低操作风险。

AI 修改了金融的 效率和覆盖面

八个场景看下来，规律其实很一致：风控还是风险定价，投顾还是资产配置，催收还是行为预测，反欺诈和反洗钱还是异常检测 —— 第一性原理一个没变 。AI 改的是把这些事做得更快、覆盖更多人、更容易迭代和审计。

往后大概率是两件事同时发生：大模型先在投研和合规这类知识密集环节加速渗透；监管同步收紧，模型的可解释性和公平性从 “ 加分项 ” 变成 “ 硬指标 ” 。 对金融机构来说，接下来的门槛不再是有没有模型，而是数据合不合规、结果能不能解释、人和系统怎么分工。