特稿｜陈芳：信任的基石： 数据完整性和可信度将塑造金融人工智能的未来

在全球经济格局深刻演变和地缘政治日趋复杂的当下，陆家嘴论坛为塑造全球金融未来提供了至关重要的平台。本届论坛的主题“全球治理倡议下的金融发展与合作：新愿景、新挑战和新机遇”既彰显了宏大的战略视野，也直面当下的现实挑战。金融体系正加速互联互通与数字化转型，其发展日益依赖跨境政策、基础设施与创新力量的协同发力。

在推动这一变革的诸多要素中，人工智能的作用尤为突出。人工智能正迅速从实验探索迈向规模化落地，金融机构正在积极运用其来提升效率、增强洞察力并优化决策。无论是构建更精密的风险分析模型、增强市场透明度，还是拓展金融业的服务边界，人工智能加速金融发展的潜力正日益清晰。

然而，人工智能所带来的机遇与一项更深层次的结构性挑战密不可分。这一挑战最终将决定人工智能能否真正兑现其潜力——即人工智能能否赢得信任？

全球金融体系的运转根基在于信心：市场参与者之间的信心、不同司法管辖区之间的信心、机构与监管者之间的信心。人工智能的引入，在赋能金融行业的同时，也催生了新的风险敞口。随着金融服务对自动化系统的依赖程度不断加深，底层数据的质量和透明度以及数据治理能力变得愈加关键。若缺乏这一基础，人工智能的美好愿景将因对其可靠性、问责性与系统性风险方面的质疑而难以落地。

这正是为什么人工智能的可持续发展不只关乎技术本身的进步，更在于能否构建支撑其安全、可持续发展的关键条件。在此背景下，可信数据成为一个连接创新与治理、机遇与责任的核心支柱。

人工智能的承诺及其依赖基础

人工智能的能力正在快速演进。大语言模型、机器学习算法与AI智能体正在重塑金融从业者的工作方式，推动着工作流程精简、任务自动化水平提升。

这些工具正在重新定义生产力，实现数据和自然语言的交互，加速分析过程，并生成实时洞察信息。人工智能能提升市场效率，强化风险管理，并拓宽金融服务范围，其深远影响不可小视。

但人工智能系统的能力上限，始终取决于支撑它的数据质量。

数据是人工智能的原材料，决定着模型的训练方式、运行表现与输出可靠性。在消费场景下，人工智能输出存在瑕疵或许尚可接受。但在金融领域，则绝无容错空间。

金融从业者所处的环境要求数据精准无误、严格问责，因为任何失误都可能引发重大后果。资本配置、风险敞口及监管合规等方面的决策，不能建立在估算或信息缺失的基础上。因此，人工智能在金融服务中的有效性，与其所使用数据的质量、来源与完整性直接相关。

构建“可信数据”的内在逻辑，超越规模导向

近期围绕人工智能的讨论，大都聚焦于训练日益复杂的模型所需的庞大数据量。然而，尽管数据规模很关键，但仅依靠数据规模还远远不够。

可信数据不仅体量庞大，其价值也体现在以下几个关键维度：

●准确性：数据必须精确、如实反映现实，这在时效性强的市场中至关重要

●完整性：数据集必须涵盖决策所需的完整背景信息

●来源可溯：数据来源必须清晰透明，使用者从而能够明确了解数据的出处及使用方式

●时效性：信息必须及时且相关

●治理与合规性：数据管理必须符合监管要求与使用权规范

在透明度与可审计性不可或缺的金融行业，上述属性尤为关键。监管部门、金融机构和终端用户都需要清晰的信息，从而不仅了解人工智能系统得出了什么结论，以及为什么得出这一结论。

公开数据虽可能有用，但往往难以达到上述标准。基于开放互联网数据训练的人工智能模型虽可生成看似合理的输出，却可能无法满足金融决策所需的可靠性要求。

金融机构高度依赖专有数据集、历史数据集及经授权的许可数据集，通常还辅以丰富的元数据，以确保数据的完整性与可追溯性。若缺乏这些要素，人工智能输出结果的可靠性将大打折扣。

“可信数据”的理念也日益体现在中国的政策方向上。构建可信数据空间的相关举措，旨在促进数据在不同机构间的安全共享与合理利用，同时明确数据所有权、使用权及合规规则。这些框架的不断完善有望支持更高效的数据流动，并让数据资产释放更大的价值，尤其是在金融等高度监管的行业。

中国政府日益重视数据治理和数据作为生产要素的战略意义。推进“可信数据空间”建设和强化数据基础设施的系列举措，反映出了更宏观的政策重点，即构建安全、合规、高效的数据流通体系。这些进展对金融市场具有重要意义，因为对数据质量和治理的信心支撑着国内市场的发展和跨境参与。

作为全球知名的金融市场基础设施提供商，伦敦证券交易所集团（LSEG）也是一家领先的数据提供商，能够涵盖实时数据、定价数据、参考数据、时间序列数据以及机器可读内容，同时还报告公司信息、研究报告、新闻及ESG数据。我们合法拥有数据内容、模型与方法论的所有权，并具备嵌入客户应用系统的专有分类体系。我们的所有数据集均经过深度增值处理。从专有符号和标识符，到标准化和规范化、标记化、情绪分析、时点数据和分析，我们在客户的整个工作流程中为他们创造附加价值。与公开数据源相比，LSEG提供的是更利于决策借鉴和更高价值的数据。

信任：一个系统性命题

可信数据的重要性，绝不局限于个别机构或具体应用场景。它是全球金融生态系统所面临的系统性议题。

随着人工智能更深入地融入金融市场，其输出结果将影响从定价、流动性到风险模型及资本流动的方方面面，由此在机构与市场之间形成新的相互依存关系。

若支撑这些系统的数据存在不一致、不可靠或碎片化问题，则可能放大系统性风险。反之，若数据生态系统稳健、互通，并处于良好治理之下，人工智能则能够优化金融稳定性与运行效率。

正是在这一层面，全球合作的主题显得尤为关键。

确保可信数据的可及性与完整性，需要各司法管辖区的协调配合。数据流动必须既安全又足够开放以支持创新。监管路径需要具备一定程度的一致性，以实现互操作性，同时也应体现各地的政策重点与实际需求。

在此背景下，中国在强化数据基础设施与完善治理框架方面所做的努力，也正在为全球范围内关于互操作性的讨论贡献中国智慧。随着金融市场的互联互通程度持续深化，在数据标准、透明度与治理方面形成共识将是推动可信跨境数据流通、维护全球金融稳定的关键所在。寻求这一平衡并非易事，但若要让人工智能真正服务于更紧密、更具韧性的全球金融体系，这一平衡不可或缺。

治理：在风险管控与创新促进之间寻求平衡

人工智能的快速发展，促使各地政策制定者和监管机构积极行动。在全球范围内，引导人工智能负责任应用的治理框架正在加速成形，以解决安全性、问责性、公平性与隐私保护等核心问题。

在中国，对高质量数据日益依赖的趋势，正与更系统化的数据治理方法同步发展。政策制定者积极推动数据分类、数据安全与跨境数据流通等框架建设，旨在于创新驱动与风险管控之间寻求平衡。这一监管格局的演进是构建信任的重要一步，但单靠监管本身还远远不够。

企业同样发挥着关键作用。它们必须建立健全的治理框架，确保人工智能系统的应用是负责任的、透明可查，并符合监管要求及社会价值。

有效的人工智能治理通常依托以下几个关键支柱：

●清晰的问责架构：明确界定人工智能输出的责任归属

●健全的风险管理流程：识别并有效应对潜在风险与危害

●透明度与信息披露：明确人工智能的使用场景及输出结果的生成逻辑

●偏见监测与缓释机制：确保公平公正的结果

●数据保护与隐私保障：切实保护敏感信息安全

上述原则正在业界获得广泛认可，反映出各方对负责任人工智能的共识正在形成。

然而，各组织机构需要时间来将其付诸实践，将治理理念嵌入工作流程，适配不同监管体系，并确保跨司法管辖区的一致性。

在此背景下，政策制定者与业界之间持续深入的对话将至关重要。监管应当在保持信任的同时激励创新，而非阻碍发展。

可信数据：释放机遇的钥匙

挑战固然不小，但机遇同样巨大。

无论是通过更深入的洞察和更全面的分析改善决策提升效率以减少人工操作和降低运营复杂性，还是增强风险管理能力，以可信数据为支撑，人工智能都有望为金融服务带来切实价值。

这些益处不仅惠及个别机构，还有可能推动经济发展，提高市场韧性，并推动全球金融一体化进程。

但这些成果并非必然。要实现这一愿景，需要对数据质量与基础设施持续投入及公私部门跨界协作，更需要将信任作为指导原则的共同承诺。

共同的责任：构建信任的生态

归根结底，构建对人工智能的信任，是各方的共同责任。政策制定者需提供清晰、一致的监管框架，在激励创新与保障安全之间寻求平衡。企业需落实问责制、透明度与负责任使用的承诺。数据提供商与科技企业需确保支撑人工智能系统的信息可靠、治理有序且符合使用目的。而我们所有人都需共同推动协作，促进跨境可操作性。

唯有汇聚各方合力，才是从容应对这个时代“新愿景、新挑战和新机遇”的关键。

结语：信任——规模化发展的基石

人工智能常被誉为革命性技术，此言不虚。但其在金融服务领域能否成功落地，并不仅取决于技术能力本身，更取决于它能否赢得使用者的信任。

可信数据，正是其中的核心变量。唯有以可信数据为基石，人工智能才能真正兑现其承诺，以既富创新活力又负责任的方式，深刻变革金融服务。

当全球社会共同致力于推进金融发展与合作，对可信数据的投入已不再只是技术层面的必要之举。它是战略层面的当务之急。

因为在金融领域，正如在人工智能领域一样，信任，就是一切。

（作者系伦敦证券交易所集团北亚太区董事总经理兼中国区总裁）