ARTICLE · 1140280
从信息不对称到“不对称理解”:金融AI的深层挑战
人工智能正在深度融入金融业务，大模型在持续学习、研判人类行为的同时，也带来了新的认知难题。
2026年9月18日，中国人民银行副行长陆磊在中国—东盟金融合作与发展论坛上，围绕“深化中国与东盟金融领域人工智能合作”主题发表讲话，提出“不对称理解”这一概念。他指出：“特别是，人工智能可学习研判人类行为的底层逻辑，但人类难以穿透人工智能的内部决策过程，这种人与人工智能之间的‘不对称理解’，可能给金融行业带来深层次挑战，也凸显了安全治理的重要性。”
传统金融领域我们讨论更多的是信息不对称，交易主体之间存在信息差，理论可通过信息披露、尽调调查等方式予以弥补。而“不对称理解”属于更深层次的结构性鸿沟：AI能够读懂人的行为逻辑，人类却难以看懂模型的决策路径。这一变化，正在重塑金融行业对从业者的能力要求。
“不对称理解”究竟指什么？
传统金融学中的“信息不对称”（如借款人相较于银行更了解自己的还款能力），理论上可以通过信息披露、尽职调查或合同设计来弥合。但“不对称理解”是另一维度的问题。
陆磊的原话点明了关键：“人工智能可学习研判人类行为的底层逻辑，但人类难以穿透人工智能的内部决策过程。”这种不对称体现在两个层面：
AI对人的“理解”是单向透明的：AI模型（尤其是大语言模型）依托海量数据训练，能够建模人类的语言习惯、行为模式甚至心理倾向。它在与用户的交互中，会不断加深这种理解。
人对AI的“理解”却存在明显短板：人类无法通过查看代码或参数，直观地追溯AI做出某个具体决策的完整因果链条。这被普遍称为“算法黑箱”。一项2026年的调研显示，仅有34%的金融机构声称对其使用的AI有“完全理解”，46%处于“部分理解”状态，这带来了显著的认知不确定性。
为什么这对金融行业是“深层次挑战”？
金融业的运行高度依赖信任，而传统信任的基石是“理解”。市场之所以信任一位银行家或央行官员，核心前提是假定其清楚自身决策逻辑，且相关逻辑具备可追溯、可阐释的特性。陆磊的相关论述正指向这里：当金融决策越来越多地由AI做出，而人类无法理解其决策逻辑时，传统基于“理解”的信任机制会面临根基性的动摇。
具体挑战体现在几个方面：
第一，风险管理可能失去“可解释性”根基。 如果一个AI模型拒绝了一笔贷款申请，或触发了某个交易信号，而风控人员只能看到结果却无法解释原因，那么传统的风险审查、责任追溯和模型验证流程都会失效。你无法对一个“不理解其逻辑”的系统进行有效的风险管控。
第二，市场行为可能变得更加不可预判。 当大量AI代理参与交易时，它们的决策逻辑对彼此和监管者而言都是不透明的。这可能导致市场反应函数变得更不稳定，甚至出现AI之间非明示的、难以察觉的协同行为（如配合性的拉高出货），而监管者既无法理解其机制，也难以取证。
第三，监管者可能陷入“猫鼠游戏”中的被动。 如果AI代理能够学习并预测央行或监管机构的行为模式，而监管者却无法理解AI的决策依据，那么货币政策和审慎监管的有效性就会被削弱，形成一种“一边倒的游戏”。
中国的应对路径：发挥人的核心优势
陆磊在阐述相关风险的同时，也提出了中国的应对逻辑：不是拒绝AI，而是明确人与AI的能力边界，发挥人的核心优势。
他特别强调了人在价值判断、伦理决策和创新创造方面的核心优势。这实际上是在划定一条清晰的分工线：AI可以负责海量数据处理、模式识别和效率提升，但在涉及价值权衡（如公平性）、伦理边界（如隐私保护）和真正意义上的创新时，必须由人来主导和最终负责。配合央行推行的“先外围后核心、先辅助后协同、先对内后对外”的应用范式，其目的就是在扩大AI应用的同时，保留人类在关键节点上的“理解权”和“否决权”。
“不对称理解”的提出，标志着对AI金融风险的认知，正在从“数据安全”和“模型准确率”等操作性层面，上升到认知权和治理权的层面。它提醒我们，金融AI的终极挑战或许不在于技术本身，而在于如何在一个机器比人更“懂”人的世界里，维系人类对金融体系的最终掌控。
AI时代应对“不对称理解”挑战，人才能力是关键支点。金融机构既需要技术团队理解模型，也需要业务、风控、合规和管理人员能够与AI系统协同决策，形成贯穿业务全流程的AI认知与风险管控能力。只有建立一支既懂金融业务、又能理解AI逻辑、还具备风险判断能力的复合型人才队伍，金融AI应用才能建立更稳固的信任基础。
往期精彩内容回顾
海南农商行李晓刚：坚持“六向”推动为海南自贸港建设贡献更大金融力量
武汉金控总经理丁震：为科技强国建设贡献地方金控力量
孔庆龙：以“金融活水”滴灌乡村“文旅之花”
北银金科：为打造“数字京行”奋力前行
国海证券何春梅：走中国特色金融发展之路以证券行业高质量发展助力金融强国建设
