尽管人工智能(AI)在变革金融行业方面被寄予厚望,世界最大的跨国银行之一却认为,客户依然渴望与真人沟通。
在近期于新加坡举办的Gitex AI Asia 2026大会上,渣打银行高级管理层代表Alvaro Garrido在一场炉边对话中,阐述了这家金融机构如何在全球范围内推进AI的部署与落地。
Garrido担任渣打银行技术与运营首席运营官,同时兼任信息安全与数据首席信息官。他并不将AI视为单纯的大规模自动化与降本工具,而是将其定义为对员工队伍的"赋能支撑"。为此,该行已将约8万名员工纳入内部AI培训计划,其中已有约3.3万人完成了相关课程学习。
"我们一直在讨论,这究竟是一场技术驱动的旅程、成果驱动的旅程,还是降本减效的旅程,"Garrido在对话中对主持人、凝聚态物理学家兼指数级技术战略家Zina Cinker表示,"但对我们来说,我们将人放在核心位置,因为真正推动银行转型的,是人。"
金融行业长期以来被视为保守且风险厌恶的领域,与人们的切身生计息息相关。然而在表面之下,渣打银行正将AI与机器学习深度融入其运营体系。除面向客户的前台服务外,该行还将这一技术用于驱动能够自动检测系统异常的自愈基础设施,以及打击日趋复杂的金融犯罪与欺诈行为。
然而,在信用评估等涉及敏感决策的环节,银行依然保持审慎态度。"对于每一个引入AI的流程,我们都会确保对所有模型进行全面的伦理评估,以降低偏见风险。我们始终坚信,流程中必须有人类参与其中,"Garrido说。
他补充道,看似矛盾的是,严格应用这一技术,最终或许能够通过分析人类信贷员可能忽视的数据维度,实现"更加客观的信贷决策方式"。
对任何一家全球性银行而言,在英国、阿联酋、中国、新加坡等高度监管市场中运营,意味着必须应对复杂多样的监管框架。不过,Garrido对新加坡金融管理局给予了高度评价,称其是全球最具前瞻性和决断力的监管机构之一,并指出该机构的推进速度,时常倒逼银行不得不加快创新步伐以跟上节奏。
为应对跨境部署的复杂性,渣打银行将AI能力构建于集中化、高度标准化的技术底座之上,并将本地化定制工作交由区域团队负责。该行还探索出了一套安全可行的方式,让团队得以利用生产数据训练AI模型,而非继续依赖过去所使用的合成数据或脱敏数据。
即便有内部防护机制,AI的快速普及仍带来了不可忽视的风险。作为同时兼管网络安全业务的高管,Garrido表示,他最为忧虑的,是金融与技术供应链的脆弱性。
"我们并非孤立运作,"他说,并指出银行对软件供应商的依赖,以及与华尔街交易对手之间的供应商关系,"整个生态系统的稳健程度,取决于其中最薄弱的一环。"
Garrido最终指出,AI将承担繁琐的数据处理工作,例如分析客户的风险偏好与市场表现,从而让人类关系经理得以将更多精力投入到为客户提供深度建议上。
展望未来,Garrido预判,随着AI深度融入商业运营,专门设立AI高管职位这一做法或将逐渐失去意义。
"未来不会再有一个'AI负责人'的职位,"Garrido说,就如同计算能力如今已融入日常生活的方方面面,AI很快也将成为商业运作本身的一部分,"现在它还有些'后装'的感觉,还在嵌入现有流程,但这种状态终将成为过去。要开始以AI为先,而非将其视为事后补充。"
Q&A
Q1:渣打银行在信用评估中如何保证AI决策的公正性?
A:渣打银行对每一个引入AI的流程,都会进行全面的伦理评估,以降低模型偏见风险,并坚持在决策流程中保留人类参与环节。同时,银行认为AI有潜力通过分析人类信贷员容易忽略的数据维度,最终实现更客观的信贷决策方式。
Q2:渣打银行如何应对AI跨境部署的监管挑战?
A:渣打银行采用集中化、高度标准化的技术底座构建AI能力,将本地化定制交由区域团队负责。Garrido特别提到新加坡金融管理局是全球最具前瞻性的监管机构之一,其快速推进节奏也在持续激励银行加快创新步伐。
Q3:渣打银行的AI培训计划具体是怎么做的?
A:渣打银行已将约8万名员工纳入内部AI培训计划,目前已有约3.3万人完成课程学习。银行将人置于数字化转型的核心,视AI为员工的赋能工具,而非单纯的自动化或降本手段,旨在通过培训帮助员工更好地借助AI开展工作。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。