Sora会给金融业带来哪些改变？

李礼辉

2022年11月30日，微软的OpenAI推出ChatGPT，14个月之后的2024年2月16日，OpenAI的Sora面世。Sora能够根据用户的文本提示制作1分钟的高保真视频，并可实现视频的无缝连接和扩展延伸。

ChatGPT可能是目前最先进的生成式AI大模型，而Sora则是目前最先进的视频生成大模型。这是人工智能技术迭代的里程碑。

一是启动内容生产方式和人机交互方式的变革。生成式AI模型可以从非结构化数据格式中学习信息，生成新的非结构化内容，包括文本、音频、视频、图像和代码，能够适应各种任务，从而对数字技术产业全链条产生重大影响。视频生成模型Sora的核心底层融合了扩散程序Diffusion和转换程序Transformer，底层技术的核心在于多模态感知、学习和交互的能力。Sora突破了文本交互的局限性，能够感知、理解和模拟动态的物理世界，能够与真实世界进行交互和学习。可以预期，多模态的人工智能将改变广告、传媒、动画、影视行业的作业方式和商业模式，并且有可能加快基于视觉（而非雷达）的智能驾驶技术创新，基于基因图谱和细胞图像分析的智能生物医学技术创新。AI数字代理程序被称为Co-Pilot（副驾），可以代替主人执行知识学习、环境感知、行动规划等任务。

二是从通用大模型扩展到垂直模型（垂类模型）。人工智能基础研究和应用研究融入数字技术各领域，包括大数据、云计算、区块链和物联网，包括自然语言处理、虚拟增强现实、人机交互和知识图谱、计算机视觉、生物识别，也包括机器人、空间技术、生物医学、光电技术、自动驾驶等，形成以AI技术为核心的复杂体系。

三是直接创造商业价值。AI模型能够直接降低知识应用的成本，从而创造商业价值。可以自动执行例行任务，提高投入产出比；可以提升工业、物流、服务流程的自动化程度，节省边际成本；可以诊断生产经营各环节的运行缺陷，提升生产效率和管理效率。

智能金融还处在“辅助+助理”的早期阶段。一是改进产品创新和客户服务。如工商银行的数智交易系统覆盖汇率、利率、商品交易的100多项业务场景，招商银行的AI小招智能助理实现面向千万级用户的在线理财智能顾问服务，太平洋保险的数字员工能够作为私人助理提供日常办公、软件技能、知识问答、数据处理、专业场景任务执行等服务，国泰君安的君弘投资理财智能客服App具备股票、期货、期权、外汇、理财、融资融券、投资顾问等跨场景业务交付能力。二是改进运营管理和风险管控。如网商银行的百灵系统应用人机互动技术实现百万级用户的个性化风险控制，平安产险的自然灾害风险管理平台应用空间数据和卫星遥感影像服务远程查勘、精准定损和快速理赔等多项场景，泰康保险的核保核赔服务平台和理赔识别平台能够提供医疗影像和医疗病历质检、客户健康评估、虚假理赔甄别等核心功能。

在数字金融领域，生成式、多模态人工智能技术有可能带来新的改变。

一是实现人机交互高保真的人性化。例如，应用多模态Sora底层技术的智能金融机器人有可能做到动态捕捉、即时感知、正确理解客户的语言和表情，准确判断客户的风险偏好和业务诉求，采用具有人性温度的表达方式为客户提供最优的服务方案，从而解决机器服务冰冷的问题。智能金融机器人不仅可以替代生硬的机器客服，而且有可能成为柜台服务的一道风景。

二是实现图像管理全流程的智能化。例如，应用Sora底层技术的智能图像管理系统应用于健康医疗保险业务，可以对客户的病历和医疗影像进行医疗专业水准的质检和分类，核准健康评估，甄别虚假理赔；应用于银行业务，可以在前台和中后台对各种票据和合同进行真实性审核，甄别克隆票据或虚假合同，正确提取数据并即时纳入账务系统，提高服务品质和运营效率。

人工智能的算力水平取决于算力硬件、算法软件和数据资源。算力基础设施包含算力硬件和算法软件。科技有国界。算力竞争将是主要经济体之间的国家级竞争，以及资本巨头之间、科技巨头之间的企业级竞争。

在数据资源方面，中国与美国对比，各有长短。

依托长期发展累积而成的数据资源优势，美国等西方发达国家在知识和学术领域构建了西方主导的数据资源供给格局。例如，美国国立医学图书馆的Medline是全球最权威的生物医学文献数据库，收录1950年以来70多个国家和地区出版的5200多种生物医学期刊的文献，每年递增30万—35万条记录，涵盖基础医学、临床医学、环境医学、营养卫生、职业病学、卫生管理、医疗保健、微生物、药学、社会医学等细分领域。中国医学科学院1994年投产的“中国生物医学文献数据库CBM”与Medline相比，存在指数级的差距。

依托人口数量、市场规模和移动服务率先发展的优势，中国在市场交易和公民行为领域已经形成全球领先的数据资源供给格局。海量的市场交易和公民行为数据是中国数字金融发展的宝贵资源。

必须注意数据共享模式的局限可能影响数据价值的深度开发。例如，涉及居民和企业的财务数据和行为数据，分散在金融机构、金融监管、工商管理、税务、海关等不同的局域系统中，共享水平不高，形成行政性数据鸿沟。又如，中国的移动支付用户规模高达9亿，数字化支付成为主要的数据入口，互联网平台拥有超大规模的个人和企业数据，但互联网平台与金融机构之间的数据关联、数据共享尚未达到成熟的模式，数据共享的效率不够高，数据资源的价值未能充分发掘。

必须注意地缘政治环境对数据资源供给的限制。美国联合西方国家对中国设置的技术壁垒不断升级，现在是高端芯片和核心软件，下一步有可能延伸到数据资源领域。

必须注意知识产权保护对数据资源应用的限制。2023年12月27日，紐约时报对OpenAI抓取版权保护文本提起诉讼，揭开了生成式AI技术环境下数据产权争端的序幕。

不同场景的AI模型对数据资源各有不同的需求。无论是应用多模态人工智能技术实现智能金融迭代，还是应用大数据打造短长尾的普惠金融，都要求建设高品质、高效率的数据要素共享体系。

中共中央、国务院《关于构建数据基础制度更好发挥数据要素作用的意见》（简称“数据20条”）明确了数据产权制度、数据要素流通和交易制度、数据要素收益分配制度、数据要素治理制度的规范。提高数据品质，扩展数据规模，促进数据流通，实现数据共享，发掘数据价值，保护数据安全，是发展数字经济的动能。重点是完善数据要素市场体制机制，填平数据鸿沟，增强数据要素共享性、普惠性，提高数据要素供给数量和质量，有效防范和化解各种数据风险，深化开放合作实现互利共赢。

在数字安全方面，偏于审慎的观点认为，以生成式AI模型和视频生成模型Sora为代表的人工智能最新技术处于起步阶段，算法和模型不够清晰不够透明，将尚不成熟的人工智能技术投入高风险的金融领域，可能放大现有风险并产生新的风险。因此，智能金融创新必须以AI信任与AI安全为前提，实现符合伦理标准的金融平等，保障符合安全标准的金融效率，营造符合经济规律的创新模式。

对于智能金融创新，过多依赖自律可能导致垄断和行业风险，过于严苛的监管则可能抑制创新和产业发展。可考虑的原则是：技术创新力求“高中”，“高”是引领创新占领高地，“中”是接地气的中国方案；风险管控力求“初小”，“初”是有能力把风险消灭在萌芽状态，“小”是实现风险概率和风险成本的最小化。

这就要求加快智能金融监管创新。例如，制定法律法规，明确智能金融各参与方的责任边界，包括智能金融监管的基本原则、监管机构的职责和权限、金融机构的智能金融业务规范；建立穿透式、一体化、跨局域的智能金融协同监管系统，实现监管信息共享；建立智能金融技术审核认证制度，完善AI大模型的测试平台、工具、标准和方法；建立智能金融风险分析和监测系统，及时识别、评估并提前预警异常交易和市场操纵，主动预防系统性风险；允许在监管沙盒机制下试行智能金融业务突破性创新，累积监管经验和数据支持；积极参与构建数字经济国际规则和数字技术通用标准，加强智能金融国际监管协作和交流，在数字经济国际规则建设中争取中国的话语权，在数字技术通用标准建设中争取中国的“定位权”。

（作者为中国银行原行长）