九卦 | 中小银行在AI之下的挑战:不要强调战略

大行动辄百亿以上的投入，小行仅仅十亿以下的投入。在AI上注定了分道扬镳，这就跟在AI赛道，你是做模型，还是做应用，有些类似，模型就是无底洞，而应用可限于小而美。

大领导也希望作为CIO的我，有一个明确的、响亮的、清晰的AI战略，但其实，我特别不想在AI时代谈战略，我甚至无法预测半年以上的未来。我们行现在的AI战略是"价值优先"，实践上是"小步迭代、奋力跟随"。

不要为产品买单，不要为平台买单，因为这样一个迭代速度之下，产品和平台都无法真正商业化，但凡有人向你兜售，那都是过程的临时产物。除却算力和token，还没有成熟的商业模式跑出来。

大行是可以谈基础设施的，是可以谈AI架构的。而小行，我更想谈场景、谈局部，谈如何点燃星星之火，如何在小碎步中争取燎原之势。

虽然由于合规问题，银行向来是数据不出行，重投入私有化，但在今天这个时间节点之前，线下的软件能力或者软件生态，或者银行域内，离外网或者互联网，相差并不大。无论大行还是小行，尤其是小行，还都勉强能凭一己之力，在线下构建一个完整的技术生态，来支撑自己域内的迭代，这个完备性还是有的，时效性也就是线性代际。

但这一波迭代，尤其是春节OpenClaw爆火之后，我发现了一个无法逃避的事实，通用智能体对互联网生态，对公域生态的依赖太大了，他的思考，依赖搜索，依赖互联网的庞大知识库，他的技能，依赖各种技能市场和开源贡献，本来就是一个庞大的生态体系，而每一个单点都是以天为单位进化，进而导致线上生态的时效性是指数级的。

有时候面对这种迭代，我会有一种深深的无力感。这对银行由来已久的"一切都要私有化部署"的模式带来巨大挑战，也考验着监管的智慧。

怎么办？我开始考虑算力的租赁模式，开始期待金融云能够发牌，开始尝试去抱大行的大腿。有点类似于改革开放初期的感觉，看着外面鲜花似锦，我们如何有勇气和智慧，打开一扇窗，打开一道门。

基于这样的思路，我在考虑堡垒机的方案，有点像"守门人"，我要把外面的生态引入进来，但要确保安全、要审慎过滤。同时，行业内部，各家银行之间，如果能够实现生态联合，也可以构造一个小生态，行业生态，以国内银行业之体量，还是可以憧憬的。

由于预算以及人力的限制，多数情况下，小银行的系统架构会更加散乱，烟囱林立。系统建设对外部厂商依赖比较严重，不同系统不同接口不同的数据标准，非常普遍。

单个系统的数据治理是简单的，跨系统，尤其从端到端审视数据的流转，数据治理就推动起来比较复杂。在数据治理、数据湖仓、数据集市都没到位的情况，一下子面临着从数据时代到知识时代的跃迁，方法论都还在研究和迭代中，ontology提供了一种思路，但从实践上看，显然无法拘泥于此。

当前知识体系的搭建与火起来的skills貌似可以糅合在一起。

一家银行有自己的文化和战略，这是顶层规则（规范），，在此之下，全行有通用的skills，部门有共享的skills，处室、虚拟团队、个体也将有skills。

其实，再推演，就是数字员工体系。想象一下，就很美好，你要设计一款产品，然后拉了群，群里有市场调研员、有客户经理、有产品经理、有风险经理、有审批经理、有技术经理、有测试经理，大家一分工，搞好流程串接，几次迭代，产品就ready了。其实这些人员，都可以是skills，就是数字员工。

这个局面，我之前就畅想过，什么是好的数字员工体系？数字员工与真实员工之间到底是什么关系？

这里面有复杂的伦理。

本质上，这是AI对人的全面蒸馏和提炼。人可以提炼为skills，部门可以提炼为skills集合，银行可以提炼为庞大的skills矩阵。

在神经网络领域，这个过程有一个对应的技术概念——知识蒸馏（Knowledge Distillation）。Hinton 2015年提出，核心思想是让小模型（student）不只学习硬标签，更学习大模型（teacher）输出的"软概率分布"，那是一种更丰富、更有层次的知识表征。银行的全员蒸馏，其实是同一个逻辑的人类版本：把人脑中的经验、判断、模式识别，提炼为AI可以执行的结构化知识。只是，人脑的"软概率分布"，远比任何训练数据都复杂。

这种蒸馏会带来一种恐慌，个体担心会被AI替代的恐慌。

所以，作为CIO，我反而要激发或者倡导：人的价值。

这是我们这一代CIO的责任，因为你懂技术，所以你知道AI的边界；因为你要推动全员蒸馏，所以你更要深信人的价值。

致敬我的偶像李飞飞，人本智能，嗯是的，人本智能。

Ralph Loop的初衷是好的，把复杂大目标拆解为清晰的小目标，强制模型独立完成小目标，强制模型直面客观标准而非主观判断，然后依靠外部记忆文件的读档和存档来抵抗上下文窗口记忆的腐烂。

但实际操作起来，我发现仍然没有传统程序靠谱，LLM甚至会忘记读档。

这背后有神经网络的结构性原因。Transformer的注意力机制（Attention）是基于当前上下文窗口的动态计算，没有持久化的记忆细胞——与人脑海马体负责的情节记忆（Episodic Memory）根本不是同一套机制。人类的记忆有编码、巩固、提取三个阶段，睡眠期间还会完成记忆的整合与再激活；而LLM的"记忆"本质上是一次性的注意力权重计算，上下文窗口一关，什么都没了。这不是工程bug，是架构本质。

我不断在打磨一些skills，但是由于幻觉的始终存在，或者网络的不稳定性，模型总会跑偏，或者略有延迟就选了plan B，或者有bug就自行其是地尝试其他策略，或者未经确认就操作关键文件，等等，等等。

请审视全部过程，把依靠记忆的部分挑出来，我们用程序来固化。

（其实就是我压根不相信你的记忆）

这一点其实进一步佐证了人的价值。制造业的"黑灯工厂"仍然需要人工班组的存在，巡检、修复。

在银行业，AI的确带来了"增效"，但轻易不要谈降本，因为人力部门很容易就把"降本"单向理解为"降低人力成本"，进而挑战编制的多少。

其实，这是一个结构性问题。

每一次新技术革命的起始阶段，都有卢德主义的思潮。

卢德主义本质是人对技术失控的恐惧——当技术进步速度远超社会制度、伦理规范或劳动力市场的适应能力时，冲突就会产生。它提醒我们：技术不仅是工具，也深刻重塑权力结构、就业形态和生活意义。

我更愿意把卢德主义理解为：如何让技术发展兼顾效率、公平与人的尊严。

再重复一遍，这是一个结构性问题。

回到银行本身，并不是要缩编，而是要调整结构，大的视角是组织结构，部门中层存在的必要性，团队与团队协作的边界；小的视角是个体的能力结构，要从自我能力视角转变到人机协作能力视角。

我经常喜欢做思想实验，把一个不确定的问题拉到极端视角，答案往往就变清晰。想想，二十年、三十年后怎样？理想中的或者恐惧中的AGI即使没有实现，也必然实现了人工智能的普及，独立运作的智能体、满街跑的机器人，肯定随处可见。与AI交互这件事，让AI干任何事情，都不会再惊讶。你会惊讶某个人会打字吗？你会惊讶某个人天天与电脑为伴吗？你会惊讶人类竟然24小时离不开手机吗？都不会。

所以，全员拥抱AI，就是必然，无法逃脱的必然。

但新技术就是这样，与人群的结合，总是从一部分人开始，然后蔓延到另一部分人。这就跟移动互联网时代，先是新技术本身的产业化，再到传统产业的互联化是一个逻辑。

我把人群分为内圈、中圈和外圈。内圈就是人工智能团队，中圈就是科技条线，外圈就是业务条线的新技术拥抱者。

杰弗里·摩尔在经典著作《跨越鸿沟》中描述了两类人群，创新者（Innovators）和早期采用者（Early Adopters），在"技术采纳生命周期"模型中，创新者和早期采用者共同构成了早期市场。他们与后续的早期大众（实用主义者）之间存在着一条巨大的"鸿沟"，AI技术的推进就要依托前两类人群来跨越鸿沟。

这是一家银行拥抱AI的基本盘，相互之间有耦合和分工，运转起来之后，要把AI逐步推广、复制到银行的各个角落、各个末梢。

我由于近期一直跟随智能体迭代，也渐渐有了疑惑，一方面感知到，貌似技能越来越不重要，我不需要再以我掌握什么知识或者什么技能而自豪，另一方面，又有了一种貌似无所不能的幻觉，在AI的加持之下，我什么都可以做到。矛盾吗？很矛盾。但这其实是一件事。

最近我女儿也跟我讨论这个问题：

爸爸，现有教育体系下，让我记住这样或者那样的知识，在AI面前好像没有必要了啊？我觉得，AI将冲击我们的教育体系。有想法变得更重要。

是的，这也是一种认知冲击，会消解我们很多习以为常的事情。

面对AI，很多人之所以恐惧，恐惧的是"技能的替代"，实际上是潜意识中把"技能的价值=人的价值"。所以，很容易就盲目地得出"去技能化=去人化"。

但如果从时间长河的视角看，30万年前智人的出现或许是某次偶尔的仰望星空。人类如果认为自己是万物之灵长、造化之神秀，我们活一辈子是为了劳什子技能吗？肯定不是。

到现在为止，除了少数人，技能仍然是谋生的手段。

人的价值在于适志和有趣。

在这个意义上，创意、想法、判断、审美就变得非常重要。

神经科学提供了一个有趣的佐证。人类大脑有一个"默认模式网络"（Default Mode Network，DMN），在人放空、发呆、做白日梦时反而最活跃——那是创造力、自我认知与共情的神经基底。当前所有AI架构，都没有这样一个"脱机运转"的系统。所谓的创意，恰恰诞生在效率之外，诞生在那些看似什么都没在做的时刻。

而所谓的超级员工，即是去技能化的，又是全技能化的，而人的价值在升华，超级员工，也是更有价值、更有意义的个体。

末了，中小银行的挑战，其实这不重要的。

重要的是个体的挑战，是认知的挑战，是社会的挑战。

谢谢。