重大通报“微乐内蒙麻将可以开挂作弊吗”原来确实有挂

专题：服贸会第七届中国金融科技论坛

　　中国国际服务贸易交易会-第七届中国金融科技论坛于2025年9月10日-11日在北京举行。主题为“科技赋能—金融业数字化转型与应用”。中信百信银行大数据部总经理周北春出席并发言。

　　以下为发言实录：

　　各位领导、前辈、同仁，大家下午好，我是来自中信百信银行的周北春。中信百信银行是中信银行控股的数字普惠银行，也是国内第一家国有控股的互联网银行。我们的展业模式跟微众银行、网商银行等民营互联网银行比较相似，都是不设线下物理网点，在数字技术的驱动下，业务全面上云，通过互联网线上展业。我于2017年百信成立之初加入，先后从事信息科技、数据和AI领域的相关工作，有幸经历了百信从信息化、数字化到智能化的建设历程，非常感谢服贸会金融科技论坛给予这么好的交流学习机会。

　　主办方给出了三个讨论课题，我将重点就“前沿技术如何驱动银行业务智能化转型”和“大数据与AI在智能风控体系中的应用与挑战”两个课题谈谈个人认识与思考。

　　a． 前沿技术如何来驱动银行业务智能化转型

　　回顾历史，银行业从信息化、数字化再到智能化，往往起源于特定领域前沿技术的涌现，包括大型计算主机、云计算、大数据技术和人工智能等。银行业基于实际金融场景需求，通过应用前沿技术形成新的生产力，完成了服务模式和经营模式的转型。现阶段我们尚处于数字化到智能化的过渡阶段。

　　前沿技术是一种新的生产力工具，不等于生产力。要形成新质生产力，面向新工具的生产资料、驾驭新工具的生产岗位、适配新工具的生产模式都是必要条件，所以前沿技术和转型是相伴相生的，我们并不是为了一个前沿技术而转型，而是为了通过应用这个前沿技术为发展提供新动力。

　　我们以大数据技术为例，过去谈到大数据，容易陷入技术讨论，如Hadoop、Lambda、Kappa、湖仓一体等的讨论，忽视了数据资产才是对数字化转型起决定性作用的生产要素。从数据资产角度去看，我们打造了多少BI数字报表，是否有效的支持了从高级管理层、部门层到一线员工的经营决策，应该如何进一步提升精细度和覆盖度。同样，我们积累了多少数据样本，构建了多少用户标签、风控特征，投产了多少风控和营销模型，是否通过深度运营有效的服务了企业数字化风控与运营的要求。我想这样的讨论可能更有利于数字化能力的提升。

　　回到今天的智能化主题。前面嘉宾的观点我非常赞同，AI应用场景是关键，数据是核心，企业的AI战略不建议面面俱到，要深挖高价值场景进行深度应用。关于“AI+场景”，一定是基于特定时期企业面临的问题或者战略发展方向进行选择。谈到“AI+数据”，生成式AI技术出现后，行业基于RAG模式在很多领域进行了有益尝试，总体是知识驱动（Knowledge Driven）的，一定程度提升了特定岗位和服务用户的效率。AI比人类更为擅长感知和理解数据，以数字化为基础进行智能化升级，构建数据驱动（Data Driven）的AI模式将大幅提升企业效率和效益，知识工程和数据工程将进一步融合为AI提供生产要素。

　　b． 大数据与AI在智能风控体系中的应用与挑战

　　中信百信银行是一家互联网银行，采用互联网化的经营模式，风控是大数据和AI的最核心应用领域。

　　首先最有价值。数字普惠金融的底层逻辑是通过最大程度降低经营成本，将最“惠”的金融服务“普”及到实体小微经济和个人消费群体。风控能力决定金融服务“普及”的广度，更决定了“优惠”的力度。只有持续通过数据和AI的深度应用，提升风控效率，降低风控成本，才能实现数字普惠金融。

　　其次最为适合。风控从本质是在计算一种概率，是在解决数学题。AI最擅长的是做数学题。我粗浅的将风控划分为三个阶段。传统风控是通过专家经验对有限信息进行人工审批的过程，专家经验是核心，信息是辅助。数字风控是基于海量数据应用算法进行量化计算的过程，数据是核心，算法是辅助。智能风控则是通过AI技术深度挖掘数据自主学习并寻求最优解的过程，AI将成为核心，数据是基础。人类专家可以辅助AI提供方向和灵感，加速寻找最优解的进程。

　　下面我简要介绍中信百信银行联合百度在智能风控领域的探索实践。风控全生命周期主要包括数据工程、特征工程、模型工程和策略运营。

　　我们的第一个探索是研发风控建模智能体（内部代号AlphaMo），通过大模型生产小模型的方式全面升级模型工程。中信百信银行线上模型资产近200个，覆盖信贷业务的贷前、贷中和贷后全环节的风控与运营，新模型研发与存量模型迭代的需求长期处于高位。前期我们通过ModelOps将模型迭代速度压缩到15工作日，模型产能和效能已触达瓶颈。在此背景下，我们采用Agentic AI模式研发了风控建模智能体，通过200+智能体节点实现了交互式自动建模，覆盖数据质量分析、数据清洗及切分、特征筛选、模型训练、模型评估与总结，并通过推荐引导、反问澄清、多模型对比等功能突破了人工建模在工时和经验上的限制，同时有效规避了大模型幻觉，全流程可解释符合监管模型管理规范。AlphaMo第一个MVP完成后，我们基于真实的贷前通用Mob3风险模型需求，安排AlphaMo与培养半年的校招生做了一轮PK，结果显示建模效率提升6倍（4小时 vs 3天），建模KS效果提升7%（48 vs 45）。后续我们让AlphaMo进行了12小时自主探索，KS进一步提升到近50。对比人类，我们发现AlphaMo选取了WeightedEnsemble、CatBoost等模型专家不熟悉的算法，模型人员倾向的LGB算法在AlphaMo的求解排名中列第8。

　　现在我们正在联合百度探索通过最前沿的AI技术在原始数据进行启发式特征挖掘，探索特征工程的新路径。特征是建模的基础，在原始数据中挖掘特征的能力是模型效果的核心因素。传统方式基于建模专家的经验进行特征挖掘，虽然可以产生区分度高的特征，但在大规模序列化和多维度数据下非常容易触及瓶颈。我们基于国际公开的Kaggle建模比赛为背景，让专家引导AI学习如何挖掘公开原始日志数据、形成特征、入模产生违约概率。AI后续进入自主学习和进化的过程，特征构建效果大幅提升，比传统方式特征挖掘的IV高50%。目前相关技术正在基于百信实际场景进行下阶段实验。

　　基于以上探索实践，我判断风控体系可能真正面临一次整体性重构，除了AI技术工具的应用，我们需要考虑改变数据这个生产资料的供给方式，从过去服务人到未来服务Agent，同样风控相关岗位需要学会驾驭AI，跨岗位的协同模式也需要进一步优化适配新型生产模式。在AI时代，每一个高价值领域都值得重新思考，是否有价值，是否适合，智能化和转型是相伴相生的。

　　我预感金融业的智能化转型将进入加速度，在未来一年的发展会比前几年快很多。我非常期待未来一年各家机构在各自核心场景下深挖AI的潜力，通过增加行业交流与成果共享提升全行业的智能化水平。

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。