记者 唐婧 北京报道

　　11月8-12日，2023金融街论坛年会第三届全球金融科技大会暨第五届成方科技论坛在京举行。《银行业数据治理20讲》作为本年度金融街论坛年会及第三届全球金融科技大会的学术成果在11月11日举办的“数据治理与金融科技变革”平行论坛重磅发布。本书由中国银行业协会首席信息官高峰与国家金融与发展实验室副主任杨涛共同主编。

　　据悉，该书共分为综合探讨、行业实践、数字技术三篇。综合探讨篇主要围绕银行业数据治理的基本理论支撑、系统性逻辑等展开研究；行业实践篇则聚焦于行业实践落地方面进行了更加深入的探索；数字技术篇从多个不同的视角出发，深入探讨了新兴技术如何在银行业数据治理中发挥更大的作用。

　　杨涛在成果发布环节中表示，做好数据治理是金融机构推进数字化转型的重要抓手， 即通过提升行业数据要素、数据资产的综合管理应用能力，促进金融业投入产出模式的优化，提升金融业全要素生产率。而要使得数据真正成为金融业变革的核心力量，还需进一步实现数据要素链、数据资产链与数据价值链的“三链融合”。

　　杨涛认为，首先要把数据的采集、存储、处理、交易、保障等环节做好，使数据真正成为要素；其次，要通过价值评估和财务计量，把更多的数据要素提升为数据资产，这意味着数据要变得更加标准化、可识别、可利用；最后，数据要素到数据资产的演变，要有助于提升金融机构服务能力与深度，为科技创新、普惠小微、绿色转型、乡村振兴等带来“增量价值”。

　　作为资产规模最大的金融子行业，商业银行的数据治理成效和数字化转型进展与服务实体经济的质效息息相关。当前，商业银行加强数据治理还有哪些难点痛点？近期大火的生成式AI大模型又会对商业银行的数字化转型带来哪些机遇与挑战？在论坛期间对杨涛进行了专访。

　　商业银行数据治理工作如何再上台阶？

　　《21世纪》：加强数据治理是商业银行数字化转型的重要抓手，目前还有哪些瓶颈需要突破？

　　杨涛：数据治理已经不单单是一个企业、一个行业要考虑的问题，而是要从全社会、全生态的视角去考虑、去发力的问题。当前我国数据要素应用的最大障碍就在于治理和交易环节，而数据资产治理则是更为前沿和复杂的领域。我们认为，数据资产治理首先是要基于管理学意义，使得数据成为标准化、有价值、权益清晰的资源；其次是要基于会计学意义，使得数据更加可确认、可计量、可流通，从而全面提升数据的价值创造能力。

　　还有就是要探索数据资产的投资与交易模式。伴随大数据时代的来临，数据交易已经无处不在，但也体现出独有的复杂性。数据产品具有内生性、非竞争性、计算性、外部性等特点，其复杂性则缘于参与主体多元化、权属关系多样化、非标准化与高敏感性等。当数据成为资产，其交易复杂性则进一步提升。按照未来会计处理思路，符合规定的、企业内部使用数据将界定为无形资产，对外交易的将界定为存货。（详见 数据资源入表迎会计新规，数据资产化走到哪一步了？确权、定价难题待解）

　　由此，不仅二者的边界需要更可行的区分，而且在对外交易过程中，将来还会面临跨行业、跨领域、跨标准、跨境的公允价值确定难题。此外，当数据资产作为金融活动的抵押物、甚至自身成为金融投资交易的标的时，其金融属性的提升则带来更多的挑战。

　　最后是要创新数据资产的监管体系。随着相关法律制度的完善，我国逐渐建立起数据领域的全方位监管、治理和保护机制，但就数据资产层面来看，还存在诸多的监管模糊性。如目前发改、工信、网信、金融监管部门、市场监管等都承担了一定职责，但统筹监管严重缺失；中央与地方的监管协调也存在众多空白。（详见 网信、发改、工信等多部门见证国家数据局挂牌，释放加强顶层统筹信号）

　　此外，当数据资产价值逐渐凸显，全球的跨境监管难题将更加突出，由于缺乏统一的跨境治理框架，不同国家地区在相关法律合规上将会有更多冲突。

　　《21世纪》：商业银行加强数据治理应当从哪几个方面入手？除了自身努力之外，还需要哪些外部支持?

　　杨涛：近年来，许多大型银行纷纷在顶层设计层面布局数据治理，而大多数中小银行的数据治理则基本处于萌芽期，还未开展有效的数据治理工作。要促使银行数据治理工作走上新台阶，需要做好几方面工作。

　　一是战略先行，数据治理不能够漫无目的，或者一味“照搬照抄”，需要根据银行综合发展战略的要求，来“量身定制”数据战略。例如，对以零售业务为主的银行，相应的数据战略应聚焦于此，包括整合管理零售客户数据、提升服务水平、强化精准营销等；对公业务为主的银行，则可在供应链金融等创新业务发展中，着力探索数据链、数据生态的优化整合；以金融科技为特色的银行，则应该着力关注如何通过数据治理来提升开放能力、服务生态。

　　二是找到数据治理的“痛点”，从问题入手进行战略设计。例如，数据治理与管理是一项系统工作，涉及工作繁杂，如何能够有效规划、体系化推动？如何通过新技术应用来减少数据治理的成本费用？如何通过内控和审计来规范数据治理工作的开展？诸如此类，应该融入到数据治理的战略制定与落地中。

　　三是完善组织架构与权责分担机制，数据治理能否成功，关键在于高效的组织架构支撑，尤其是建立体系化、职责分明的协调配合。实际上，银行业务链非常复杂，普遍存在数据治理不佳、利用低效的现象，这也是因为责权模糊、动力缺失、IT建设完善周期太长等，这就需要真正完善数据共享共赢、创新驱动的承载机制。

　　除了从商业银行自身角度加强和完善数据治理工作，还有许多因素需要从政府与监管层面着手，努力创造更好的外部环境保障。

　　一是推动数据治理的规则完善。例如，数据要素要在整个社会再生产中发挥作用，离不开数据生产、交换、分配、消费等环节，这意味着从起点开始就需要考虑数据要素确权问题。再如，个人信息保护、国家安全信息保护等问题，也始终贯彻在数据应用中。此外，数字治理也离不开对ESG的关注，即企业环境、社会和治理绩效的发展与评价理念，因为在数据应用中可能也存在算法黑箱和信息不对称，即便体现出高效的商业模式价值，也可能忽视金融科技与数字伦理。而银行业的数据治理还需要更加具体的监管约束，尤其是数据安全与隐私保护方面，这些都需要在实践中进一步完善。

　　二是以数据治理的标准化为支撑。央行目前已发布《金融标准化“十四五”发展规划》，提出以标准化引领金融业数字生态建设，尤其是稳步推进金融科技标准建设、系统完善金融数据要素标准等。客观来看，现有银行数据治理探索也存在标准化意识缺失、管理职责不到位、关键数据标准研制和贯彻流程不畅等问题，亟待以推动标准化来解决矛盾。

　　三是强化专业人才保障。央行发布的《金融科技发展规划2022-2025》突出强调金融科技人才的重要性，数据治理也离不开行业人才能力的提升。银行业普遍缺乏大数据相关人才，包括：精通业务且懂数据治理的数据业务人才，主要负责业务应用场景分析和设计；专业的数据分析人才，主要负责数据分析和建模；数据技术人才，负责数据处理和系统平台建设。如果不能尽快从全行业推动中高端人才的培育和提升，数据治理就成为“无源之水、无本之木”。

　　大中小银行对生成式AI的需求具有差异性《21世纪》：目前，以ChatGPT为代表的生成式AI大模型技术在金融领域可以有哪些应用？

　　杨涛：当前，生成式AI在金融领域的应用已经成为金融科技创新的热点领域，金融机构也在积极布局。通常来看，现有生成式AI大模型的参与者主要有三类，一是对标ChatGPT基础层，试图打造基础设施类通用大模型；二是侧重中间层来打造行业大模型，与底层通用大模型合作共赢；三是基于通用大模型或行业大模型开发AI工具，落地具体场景应用。

　　而就金融领域的应用看，生成式AI已经在几个层面逐渐展现其价值。一是在提升面向客户的服务能力方面，可为金融机构员工的专业化营销、渠道维护提供支持；二是在改善机构工作流程与效率方面，可进一步提升业务链条智能化与办公模式自动化；三是在文本处理方面，对金融机构的一般文本、专业合规文件及业务所需的信息，能够以更低成本、更高效率提供技术支持；四是对金融机构提供IT支持，其代码生成功能可以提升IT基础工作的效率。

　　《21世纪》：生成式AI大模型技术的兴起会给商业银行的数字化转型带来哪些变局？

　　杨涛：虽然金融机构对于生成式AI大模型的长远意义都高度重视，但短期内的实际需求仍具有差异性。具体来看，大型银行的资源与实力较强，通常希望提前进行大模型布局，为AI的长期应用做好算力准备。就中型银行而言，有的试图推动数字中台升级，实现更好的自动化与智能化，强化各信息系统的一体化、集成化水平，提升数字内容管理和运营能力；有的则期望生成式AI给业务带来突破性应用，真正提升机构的创新力与盈利能力。对小型银行来看，由于缺乏足够的资源支撑，则更多是希望通过与技术企业的合作，来为数字化转型奠定更好的基础设施“底座”。

　　应该说，ChatGPT已经使AI走到新拐点，而根据麦肯锡2022全球AI调研报告，我国AI使用率暂时落后于全球平均水平，迫切需要利用大模型赋能产业。金融业作为经济社会健康运行的“基石”之一，也是特殊的信息处理行业，完全应该抓住机会、创造条件，利用AI来推动自身高质量发展，使得服务更加高效、便捷、有温度。对此，需直面生成式AI大模型技术带来的如下挑战。

　　一是数据保障。生成式AI预训练大模型的快速发展，需要高质量、大规模、多样性的数据集，其在金融业的应用更需要丰富的行业数据支撑。目前国内虽然数据资源丰富，但由于数据挖掘、治理、交易等都存在不足，使得中文优质数据集仍然稀缺。金融业的数据基础虽然优于多数行业，但也存在非标准、碎片化、分割化的问题。由此，迫切需要推动数据资源、数据要素、数据资产的优化升级。

　　二是算力保障。当前，我国AI算力规模已居于全球前列，但算力质量仍有待提升。尤其是2022年7月美国众议院通过《芯片与科学法案》，又持续对 AI 领域的关键技术和硬件实施面向我国的出口管制，对于生成式AI大模型的算力“上限”冲击较大。因此，如何提升国内算力的创新能力和适应性，以及改善国际科技贸易环境，都是题中应有之义。

　　三是产业政策保障。网信办等七部门联合公布了《生成式人工智能服务管理暂行办法》，意味着我国进入“生成式AI”立规新阶段。未来既要注意遵循国际共识，对其发展设置风险原则与底线，也要防止政策与规则过于超期反而阻碍技术进步，同时避免对创新责任的泛化、技术路线的低效约束等，真正以政策“护航”来抓住新技术革命机遇。

　　四是行业监管保障。当AI在金融领域应用时，更需关注大模型的可审计性、可解释性等难题，以及参与金融活动引发的风险特征变化、数据保护、责任分担、合规边界等问题。同样，生成式AI在可信性方面的不足，以及给金融诈骗带来的“魔高一丈”，都给金融应用带来新的挑战。当然，在多国金融监管者都持观望态度时，如果我国能够处理好效率与安全的监管“跷跷板”，将促使生成式AI成为完善金融服务实体的强大助力。

关注同花顺财经（ths518），获取更多机会