资管机构“积极拥抱”AI技术！未来数智转型遵循三个“一致性”

　　今年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，从国家层面对各行业人工智能应用提出指导，并明确了时间表与路线图。在此背景下，上海作为全球金融中心，正积极推动金融科技与人工智能的深度融合。早在2024年9月，上海市政府办公厅就发布了《上海高质量推进全球金融科技中心建设行动方案》，提出力争用3至5年将上海建成具有全球引领性的金融科技中心。

　　10月17日上午，“临港新片区金融科技集聚区发展座谈会——暨智能投研技术联盟（ITL）成员机构代表座谈会”在临港中心举办。来自上海市委金融办、临港新片区管委会、金融机构、金融科技企业及投资机构等代表齐聚一堂，共商金融科技高质量发展路径。

　　同天下午，第六届1024资管科技开发者大会（ITDC 2025）也在临港中心顺利举行。大会由临港新片区管委会指导，资产管理协会、智能投研技术联盟等共同主办。

　　从产业AI到金融AI，上海资产管理协会党的工作小组组长、秘书长韩康在本次座谈中指出，上海资产管理业未来数智化工作将突出三个“一致性”：一是新质生产力产业AI与金融资管AI在技术应用上的一致；二是资管机构战略定位与AI、资管复合型人才培养的一致；三是资管行业“AI+”创新与区域AI发展生态构建的一致。

　　大模型金融应用实践驶上“快车道”

　　步入“AI时代”，以人工智能大模型为代表的数字化技术正以前所未有的广度和深度赋能资管行业，驱动各投资机构积极布局金融科技建设。

　　智能投研技术联盟主席杨强院士指出，可以预见，未来的资管机构将同时拥有两种资产：一种是资产负债表上的资金，另一种是模型权重里面的知识，一个是传统风险收益曲线，另一个是基于联邦学习隐私计算，多模态对齐的可信收益曲线，“谁能率先把两类资产打通，就能在全球新一轮的AI加金融竞赛中定义规则，输出标准以及收获复利。”

　　关于大模型对金融机构的赋能与重塑，浦银理财金融科技部总经理吴苗作为银行理财子公司代表，在活动中分享了浦银理财在大模型应用方面的探索与实践。

　　吴苗强调，当前大模型应用遵循两大原则：一是“对内不对外”，二是“辅助不决策”。他解释这是基于技术成熟度的阶段性定位，未来可能随技术发展调整。在架构上，浦银理财设计了分层体系：底层是“智库大脑”，依托浦发银行的算力基础（包括传统与高端算力）提供支撑；其上是双中台——数据中台与智能中台。智能中台部署了大模型、NLP、RPA等多种能力；顶层则是面向业务的两大赋能平台——统一工作台“智浦魔方”和员工数字助理“智浦小鹿”。

　　“智浦小鹿”被赋予四大定位：一是知识小管家，学习内外部制度、产品说明书等资料，通过自然语言交互实现知识传承。二是办公小助理，结合RPA等技术实现自动化操作，提升办公效率；三是投研小顾问，辅助投研人员整理报告摘要，减轻阅读海量资料的压力；四是运营小秘书，通过NLP技术自动查询业务状态，简化后台对前端的支持流程。

　　展望未来，浦银理财规划了“助理-协同-自主”三阶段发展路径：当前助理阶段以辅助为主；协同阶段将部分替代人力；自主阶段可能实现更高程度的自动化。吴苗认为，这一趋势未来三五年内不可逆转。

　　东方汇理金融科技（上海）有限公司总经理高嵩分享了关于大模型应用的一些国际经验以及对国内资管公司的借鉴意义。

　　他指出，自2018年独立担任法人资管公司以来，东方汇理资管规模从7000亿欧元迅速增长至2.2万亿欧元。而这一快速增长正依赖于两大驱动因素：持续并购，以及在并购过程中系统集成化对提升效率和降低成本的关键作用。

　　在独立后的第二年，公司开始自研组合管理平台；经过十余年发展，已形成一套端到端的企业级投资管理平台。从投资研究管理起步，逐步扩展至ESG评级能力，该平台覆盖销售与分销环节，实现了全链条打通。平台提供增值服务，包括中后台外包服务、资产服务、合规检查及交易服务等，覆盖整个价值链。

　　对于下一阶段计划，高嵩指出，在2.0阶段公司将更深入投资核心业务，重点布局四个金融科技方向：一是利用算法识别人类难以发现的因子，加强投研分析；二是开发投资助手，生成替代性投资方案供投资经理决策参考，提升决策效率；三是通过大量回测训练模型，优化资产配置与风险识别；四是借助AI生成定量化ESG标签，提升ESG评级的真实性与可靠性，尤其重视欧洲市场对ESG投资的高要求。

　　资管科技发展挑战仍存：创新型人才稀缺成行业痛点

　　在资管机构“积极拥抱”AI技术的当下，随之而来的多项挑战也引发来自业内的广泛关注。

　　嘉实基金首席信息官刘伟表示，在大模型测试与应用发展过程中，资管机构主要面临三大挑战。

　　第一是数据、算力、算法三大要素的问题。数据作为大模型的“燃料”，在公募基金机构中包括大量行情数据、财务报表等结构化数据，近年也增加了许多网络非结构化数据。虽然当前对结构化数据的处理准备度较高，但如何将知识有效向量化、让机器更好理解知识点仍为一大挑战。

　　第二是数据安全与权限控制。在构建企业向量知识库时，需打通所有知识点，但数据分类分级与安全管控面临新挑战。以往结构化数据可以按行列控制权限，而现在需要探索新的权限管理机制。

　　第三是AI工程化与人才转型问题。技术不确定性导致需求与实际效果可能存在较大差距，如何管理研发流程、调整人才结构是一大挑战。原有机构中优秀人才多为编程或传统算法背景，转向大模型需更新知识体系，因而内部转型与外部引进需同步推进。

　　国泰海通资产首席投资官孙佳宁指出，当前行业面临的核心挑战并非技术迭代、算力或路径选择，而是高水平复合型人才的严重短缺。他强调，拥有充满好奇心、能主动思考的团队才是突破各类难题的关键。

　　他指出，将技术转化为用户觉得“好用”的工具，是复杂的工程问题。例如在交易场景中，交互组件使用下拉菜单还是复选框，会对操作效率产生秒级影响，这取决于开发与业务人员是否深入场景、精益求精。

　　孙佳宁坦言，既精通技术又具备主动探索和协作精神的人才极为稀缺。技术可学习，但内在的好奇心与跨前一步的担当意识难以培养。算力、数据、技术路径均可通过投入解决，但人才短缺仍为实现资管科技高效发展的一项突出挑战。

（文章来源：21世纪经济报道）