摘要：随着技术进步，人工智能（AI）正驱动资产管理业务价值重构，国内资管机构纷纷加大投入。本文在梳理行业应用现状基础上，指出模型幻觉、资金与人才瓶颈以及行业特征带来的推广难题，并提出稳步推进行业大模型发展的建议与展望。
图片来源于网络，如有侵权，请联系删除
关键词：人工智能、资产管理、风险防控、智能化转型
图片来源于网络，如有侵权，请联系删除
一、AI在资产管理业务中的发展现状
大模型在自然语言处理技术上取得跨越式发展，资产管理行业因其数据丰富、可及性高、评判标准清晰等特点，被AI快速渗透至各业务环节，正经历着从“人脑经验驱动”到“人工智能驱动”的演变。
（一）国家政策引导，多地积极出台扶持措施
2025年国务院《关于深入实施“人工智能+”行动的意见》明确在金融等领域，推动新一代智能终端、智能体等广泛应用，创新服务发展新模式。多地积极出台相关扶持措施，例如上海打造“AI+资产管理”示范区，提供专项财政补贴、税收优惠，鼓励本地资管机构在智能投研、智能风控等方面进行试点，通过“AIAM认证”、“AIAM专项人才库”以及高校项目，向资管机构输出复合型人才。
（二）国内机构投入大幅增长，技术合作呈现多元化
资管机构本身具备数智化升级意愿与条件，对新兴技术接受度高。与此同时，DeepSeek等国产大模型契合国内资管机构降本增效、安全合规及开源灵活迭代的诉求，投资与应用加速落地。预计2027年相关投资将飙升至415.48亿元，相比2024年增幅达111%。
资管机构普遍倾向于与科技公司、大学/科研机构合作，发挥各自优势联合开发。例如，工银瑞信联合工银科技、恒生聚源、智谱AI共同打造FundGPT，国泰君安（现国泰海通）与财跃星辰、阶跃星辰合作开发多模态证券垂类大模型“君弘灵犀大模型”等。
（三）应用介入业务痛点，提升效率、拓展业务边界
一是提升运营效率，降低操作风险。利用AI规模化自动化处理大量重复性、规则性的任务，实现清算及数据校验的自动化，减少人工环节，降低出错概率，还可以实时在线，甚至通过生成对抗网络模拟压力测试，为风险预警和战略决策提供支持，协助构筑稳固且高效的运营护城河。
二是改善客户体验，提供个性化服务。利用AI实现智能化深度“理解客户”，构建精准画像，洞察客户需求，实现业务办理零等待，客户服务专属定制。标准化、自动化处理常规查询、投诉与纠纷、投资者教育工作，有助于降低客户沟通成本，使得专业财富管理服务更普惠化、大众化，拓宽服务客户边界，践行金融的人民性。
三是提升投研效率，拓展研究新路径。大模型能够对海量结构化和非结构化数据信息进行实体识别、关系抽取和向量化存储，构建动态知识图谱，缓解研究信息过载，大幅提升投资策略开发效率。值得关注的是，AI展现出处理政策文本信息、社交媒体情绪等另类数据的优势，通过解析这些非标准化信息，为量化投资破解“因子困境”拓展新的路径。
二、发展中面临的主要问题
（一）模型幻觉和模型同质化风险亟待优化
金融大模型强化学习训练存在数据过度拟合风险，尤其是对缺少历史样本的“黑天鹅”事件，更容易输出缺乏逻辑或依据的结论，也难以摆脱萨顿（Sutton）所说的“知识囚徒”。在高度严谨的金融领域，AI的“模型幻觉”问题是致命的，模型同质化风险同样不容忽视。仅基于市场主流数据投喂训练模型，输出结果往往偏向“共识性结论”，导致投资策略同质化风险，进而可能加剧市场波动。
（二）资金投入与人才稀缺是现实困境
算力资源、数据治理、模型训练均需巨额投入，加上许多公司过往碎片化的技术堆栈，模型部署复杂导致成本进一步上升。此外，既懂人工智能技术，又具备资产管理实战经验的复合型人才稀缺，更是目前面临的现实困境。
（三）行业特征阶段性限制模型推广深度
以投研领域为例，AI面对缺乏数据案例的商业新阶段、新变化时往往无能为力，难以替代人类对商业本质的洞察及对企业核心竞争力的辨识。正因如此，部分投研人员或担心过度依赖人工智能会导致批判能力下降，或担心经验知识分享会削弱个人优势，进而对全面融入AI持保留态度，更多仅是在信息处理的效率提升任务中使用，AI深度运用还处在早期。
三、建议与展望
（一）完善模型分类管理，规范数据治理体系
可按照模型的复杂度、对市场影响力实施分类管理，技术发展同时完善监管政策，建立统一评估标准，定期评估潜在风险，搭建跨境沟通机制，防止监管套利和风险跨境传染。建立规范完整的数据治理架构，制定数据标准，明确治理机制与责任，完善数据安全法规和版权保护，细化数据脱敏、使用授权和对外传输规则，定期检测数据质量。
（二）探索数据共享机制，提升数据利用效率
遵循统筹协调、标准统一、依法共享、合理使用、安全可控的原则，探索数据共享收益机制，建立数据共享平台，突破多模态数据采集，丰富数据来源，提升数据利用效率。面向专业场景的大模型训练，聚合高质量私有金融知识库，提升训练效果，实现从提供精准提示到获得准确输出。例如国投证券利用DeepSeek模型开发的“慧研”投研助手，打通“企业+个人+内置知识库”，大幅提升模型在专业领域中的应用能力。
（三）多渠道多方式培养，加强人才队伍建设
资产管理行业机构之间搭建沟通平台，获取前沿技术与管理经验；通过联合建设实验室培养复合人才，企业内部提供更大容错空间，并在考核与晋升上对积极投身金融与AI融合的员工予以倾斜。对顶尖人才提供对比互联网企业有竞争力的薪酬和有效的激励。扩大高校专业硕士班及双学位项目范围，培养更多后备人才。
（四）渐进式平台化发展，先行试点再向核心环节扩展
从容错率较高的场景先行试点，采用检索增强+思维链技术提升可靠性；在低容错业务环节部署轻量化小模型，将AI定位为辅助性角色，实现快速落地。通过微调与持续完善逐步向资产管理的投研、产品开发等核心环节渗透，最终搭建全业务链AI平台，实现效率与成本的双重突破。
随着人工智能技术与成本、监管不断优化，资产管理领域的智能化转型将进入加速期，人工智能将成为价值重构核心驱动因素。专业知识积累深厚、数据治理规范、模型开发能力强的机构，将在未来行业竞争中占据优势。（国投证券资产管理有限公司 蓝雁书、刘煜辉）（cis）
1. 中电金信联合IDC发布的《开启智能金融新时代——中国金融大模型发展白皮书》。
2. 《恒生电子：2024年可持续发展报告》。
3. 上海市国资委网站：《全面推进All In AI，国泰君安更新发布“君弘灵犀大模型”“AI投顾超级助手”》。