【摘要】普惠金融是寫好金融“五篇大文章”的重要組成部分。當前，我國普惠金融發(fā)展面臨可持續(xù)性、普及性不足以及信用體系不完善等挑戰(zhàn)。近年來，生成式人工智能迅猛發(fā)展，正在成為信息化、數字化、智能化的新型技術基座，其擁有強大的知識編碼和儲存能力、文本和代碼理解及生成能力以及復雜任務的推理能力，能夠對普惠金融產生數據資源化、數據資產化、數字信任、風險控制、降本增效五大效應，從而有效賦能普惠金融高質量發(fā)展。
【關鍵詞】生成式人工智能 普惠金融 融合機理 倫理風險
【中圖分類號】F832.0 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2024.06.007
劉志雄，中國政法大學商學院副院長、教授、博導。研究方向為數字經濟，產業(yè)經濟。主要著作有《開放條件下中國農業(yè)安全問題研究》、《數據流動與數據生態(tài)治理研究》（論文）、《媒體負面報道對公司股價影響的研究：來自白酒塑化劑事件的證據》（論文）等。
引言
發(fā)展普惠金融是實現聯合國千年發(fā)展目標的重要手段。自從2005年聯合國“國際小額信貸年”首次提出普惠金融的概念，發(fā)展普惠金融逐漸成為一個全球性的金融發(fā)展議程。從全球視角來看，普惠金融經歷了“小額信貸—微型金融—普惠金融—數字普惠金融”的發(fā)展軌跡。2023年，中央金融工作會議強調，要做好科技金融、綠色金融、普惠金融、養(yǎng)老金融、數字金融五篇大文章。然而，我國普惠金融高質量發(fā)展仍然面臨挑戰(zhàn)，其中，小微企業(yè)、涉農群體等融資難和融資貴的問題最為突出，普惠金融如何更好地服務實體經濟是擺在我們面前的一個重要課題。
2023年發(fā)布的《國務院關于推進普惠金融高質量發(fā)展的實施意見》強調，強化科技賦能普惠金融，支持金融機構深化運用互聯網、大數據、人工智能、區(qū)塊鏈等科技手段，優(yōu)化普惠金融服務模式，改進授信審批和風險管理模型，提升小微企業(yè)、個體工商戶、涉農主體等金融服務可得性和質量。在普惠金融發(fā)展過程中，數字技術為金融服務從傳統(tǒng)的供給驅動模式向滿足更廣泛的普惠金融需求驅動模式轉變提供了動力（石宗輝，2022）。隨著金融科技和數字金融的快速發(fā)展，人工智能在金融領域的應用正在不斷深化。至今，人工智能經歷了“規(guī)則型人工智能”“決策式人工智能”“生成式人工智能”三個階段。生成式人工智能（Generative Artificial Intelligence，簡稱“GAI”）是一種基于機器學習和深度學習的技術，可通過學習大量數據生成新的內容，與利用傳統(tǒng)機器學習技術的人工智能相比具有更強的理解、推理和生成能力。在“生成式人工智能的技術—經濟”模式下，具備自適應性、運轉性和并行性的特征是人工智能步入新階段的重要標志（歐陽日輝，2024；蔡躍洲，2019；彭蘭，2023）。當前，生成式人工智能正在加速發(fā)展，不斷催生新場景、新業(yè)態(tài)、新模式。金融業(yè)具有數據質量高、數據量大的特點，生成式人工智能在金融領域具有不可估量的應用潛力。推動生成式人工智能技術在金融領域的發(fā)展和應用，對于實現金融強國的戰(zhàn)略目標，支持金融服務于實體經濟和鄉(xiāng)村振興具有重要意義。
普惠金融發(fā)展面臨的挑戰(zhàn)
第一，普惠金融缺乏“可持續(xù)性”。2015年末，國務院印發(fā)的《推進普惠金融發(fā)展規(guī)劃（2016—2020年）》指出，我國普惠金融的商業(yè)可持續(xù)性有待提升。然而在實踐過程中，金融機構對普惠金融的理解往往存在誤區(qū)，將其看作信貸補貼、政策性貸款甚至慈善捐贈，又或片面將普惠金融看作政治任務。這些誤解、誤讀不僅阻礙了普惠金融的健康發(fā)展，也使其效果大打折扣。與此同時，因受到較多行政干預的影響，一些普惠金融機構的市場運作被扭曲，經營效率常常受到挑戰(zhàn)（世界銀行和中國人民銀行，2018）。如果對普惠金融缺乏準確而深刻的理論認知，就會削弱政府和金融機構提供服務和創(chuàng)新的積極性，從而影響普惠金融發(fā)展的效果。因此，普惠金融如何以可持續(xù)的商業(yè)運作模式，為傳統(tǒng)金融服務難以覆蓋的群體提供金融產品和服務是當前面臨的一個重要難題。
第二，普惠金融缺乏“普及性”。按照世界銀行定義，普惠金融是指能夠使社會所有階層和群體廣泛、無障礙地享受金融服務的一種金融體系（Allen et al., 2016）。在現實中，弱勢群體的金融可得性是普惠金融推廣過程中的難點。如果難以普及這些群體，則意味著普惠金融的服務均衡性不夠。目前，普惠金融缺乏普及性，主要表現在以下兩方面：一方面，從區(qū)域上來說，普惠金融在城鄉(xiāng)間發(fā)展不平衡。在城市，金融機構的實體網點分布廣，且能提供最為廣泛的金融產品和服務。然而在農村，金融網點分布就要少得多，通常只能提供少數種類的金融產品和服務。根據金融排斥理論，農村地區(qū)的金融機構服務網點有限，分布不均衡并且長期存在逆向選擇問題，從而導致農村金融服務有效覆蓋面不足。在我國農村地區(qū)，居民普遍缺乏基本的金融知識和風險意識，根據人力資本理論，這不僅加劇了金融服務的不平等，也限制了他們利用金融服務的能力。另一方面，從產品設計來說，普惠金融在不同群體間提供的金融產品和服務不平衡?？紤]到規(guī)模經濟性，傳統(tǒng)金融產品設計主要針對大客戶，或大眾金融消費者，而不是針對零散小客戶等特定消費者群體的需求。然而，普惠金融的主要服務對象為后者。例如，小微企業(yè)、低收入群體等普惠金融服務對象可能無法提供符合金融機構要求的質抵押品，也難以找到有效擔保，甚至無法提供符合標準的財務報告和經營數據（李昊然等，2023）。因此，為滿足弱勢群體的普惠金融需求，金融機構應有針對性地設計合適的金融產品和服務。
第三，金融市場信用體系不完善。近年來，我國非傳統(tǒng)金融機構在推動建立全面、功能強大的全國性支付產品和服務方面取得了重大進展，使得金融服務在覆蓋范圍和服務效率方面均大幅提升。然而，促進普惠金融發(fā)展的一系列信用基礎體系仍有待完善。信用基礎體系主要包括征信體系、擔保和破產制度等。如果金融需求方在信用評價中擁有來自征信系統(tǒng)的重要信息，則其信用等級就會較高，獲得資金的概率也會相應提高。目前，約三分之一的市場主體未被納入金融信用信息基礎數據庫，尤其在普惠小微貸款領域，傳統(tǒng)抵押貸款仍占主導地位。當前，我國金融市場急需引入可靠的信用數據以填補小微信貸需求的數據缺口。然而，由于信用數據分散在工商、稅務和第三方數據供應商，導致銀行難以準確、全面、及時地獲取數據。地區(qū)數據標準化低、數字化不足，數據來源分散，制約數字普惠金融發(fā)展。在上述背景下，信貸歧視和信貸配給成為金融資源分配的關鍵挑戰(zhàn)。信息不對稱導致金融機構在缺乏全面信用評估體系時依賴主觀判斷，容易產生信貸歧視。而信貸配給問題表明即便借款人愿意支付更高利率，貸款供應仍可能不足，特別是對于缺少信用背書的個體工商戶和小微企業(yè)。在這些情況下，利率未能充分發(fā)揮其調節(jié)信貸供求關系的功能，反映了金融機構在面臨高風險或信用評估不透明時的過度謹慎問題。這些問題不僅阻礙了金融資源的有效流動和市場的健康運作，還加劇了社會經濟的不平等（邢樂成等，2019）。
第四，傳統(tǒng)業(yè)務模式與評估機制不完善。普惠金融旨在提供廣泛的金融服務，特別是對于那些傳統(tǒng)金融服務難以覆蓋的中小微企業(yè)和農村市場。然而，當前普惠金融業(yè)務在信息獲取、服務成本、規(guī)模經濟性等方面遭遇較大挑戰(zhàn)。在傳統(tǒng)銀行風控模式下，許多銀行的授信過分依賴抵押貸款等傳統(tǒng)信貸標準的“軟信息”，而對于中小微企業(yè)的市場潛力、知識產權、新型技術等“軟信息”的評估不足，繼而形成金融錯配，甚至可能扭曲金融市場的正常運作，加劇金融資源配置的不均衡（趙曉鴿等，2021）。
生成式人工智能賦能普惠金融的具體路徑
第一，金融數據資源化。在PB級規(guī)模數據集的支持下，基于深度學習的預訓練大語言模型（LLM, Large Language Model）擁有的數以千億甚至數以萬計的參數，在運算過程中呈現出理解、邏輯、記憶和生成等能力，生成式人工智能能夠勝任自然語言處理（NLP, Natural Language Processing）的任務。將大語言模型等生成式人工智能嵌入金融業(yè)務中，可對文字、圖片、視頻、音頻等非結構性數據進行邏輯性分析，釋放多模態(tài)信息和金融數據價值。具體來說，在生成式人工智能賦能金融業(yè)務時，金融產品和服務不再局限于單一類型，而是可以更多滿足不同社會群體日益增長的個性化多樣化的金融需求（Lee et al., 2021）。因此，借助生成式人工智能，金融機構能夠了解更多小微企業(yè)、個體工商戶、涉農主體等群體的隱性信息，不僅能有效地緩解金融交易中的信息不對稱問題，而且能更精準匹配資金需求，從而擴展普惠金融的“長尾市場”、提升金融普惠性。
第二，金融數據資產化。一方面，生成式人工智能能夠對金融業(yè)務及相關市場的原始數據進行結構轉換、提煉降維、數值計算和轉化映射等工程化處理，使數據成為更具業(yè)務應用價值的資產。另一方面，盡管大語言模型尚不是普遍認可的生成式人工智能代表，但已具備較強的通用性和擬人特性，能夠理解和生成自然語言，模擬人類行為，并與人類自然交流，還能夠在各類任務上與人類主觀體驗對齊，從而提升客戶體驗。當前，大多數金融機構的應用系統(tǒng)仍以業(yè)務流程為導向，通過API設計解決特定的結構化問題。同時，基于弱人工智能的AI技術平臺也未給金融IT架構帶來太大變化，在使用方式上仍依賴業(yè)務系統(tǒng)調用封裝弱人工智能能力的API接口，通過固定規(guī)則交互實現業(yè)務價值。因此，生成式人工智能能夠極大地提升金融業(yè)生產效率，為金融業(yè)轉型升級帶來了新的機遇。
第三，產生數字信任效應。數字信任在普惠金融中扮演著重要角色，生成式人工智能通過“數字要素＋技術”的結合，為構建數字信任提供了堅實基礎。這一過程涉及數據的收集、分析和應用，以及相應的技術保障。在收集數據的過程中，生成式人工智能可以確保數據的真實性和完整性，這是構建數字信任的前提。在數據分析和應用階段，通過算法模型的優(yōu)化和迭代，生成式人工智能可以更準確地評估借款人的信用狀況，減少貸款違約的風險。此外，在技術保障方面，生成式人工智能（如區(qū)塊鏈技術的應用）可以進一步增強數據安全和透明度，為數字信任提供了更為堅實的支撐。在普惠金融領域，這種數字信任效應尤為重要，因為它打破了傳統(tǒng)金融服務中對抵押品的依賴，使得無抵押或低抵押的小微企業(yè)和個人也能獲得金融服務。通過這種方式，生成式人工智能不僅降低了金融服務的門檻，還提升了金融市場的包容性，極大拓展了金融服務的覆蓋面。
第四，助力降本增效。首先，降低運營成本。生成式人工智能可以通過自動化和優(yōu)化流程來減少手動操作和重復性工作，從而降低運營成本。根據金融中介理論，通過減少交易成本和信息不對稱，人工智能技術提升了金融機構的運營效率，這對于經營成本較高的小型和中型金融機構尤為重要。其次，提升服務可及性。人工智能技術在提高金融服務的可及性方面扮演關鍵角色。通過數字化渠道和人工智能驅動的服務，金融機構能夠覆蓋更廣泛的地理區(qū)域，為那些傳統(tǒng)銀行服務未能觸及的客戶群體提供服務。依據數字鴻溝理論，這種技術的應用有助于縮小城鄉(xiāng)間、不同社會經濟群體間的金融服務差距。最后，創(chuàng)新產品和服務。人工智能技術能夠分析復雜的市場數據，幫助金融機構開發(fā)更適合特定客戶群體的產品和服務，更精確地滿足低收入和邊緣群體的特定金融需求。根據市場分割理論，通過更加細致的市場劃分和有針對性的產品設計，金融機構能夠更有效地服務于多樣化的客戶群體（廖高可等，2023）。
第五，提升金融風控水平?；诖竽Ｐ?，生成式人工智能可以高效完成冗長復雜的合同等文檔閱讀，并利用邏輯推理進行信息理解和信息提煉，進而生成便于閱讀和理解的圖表、報告、結論和意見等結果。對金融領域而言，生成式人工智能對金融業(yè)務中的風險因素進行分析、識別和預測，有助于消除潛在風險。在信用評估階段，生成式人工智能可以幫助金融機構多維度評估貸款人的個人信息、財務數據和征信記錄等，從而評價還款人的風險等級，降低信用風險。在貸后階段，生成式人工智能可以幫助金融機構結合宏觀經濟指標、行業(yè)趨勢和貸款人等多方面信息對潛在客戶進行深度挖掘和分析，以便動態(tài)調整授信等工作。
生成式人工智能賦能普惠金融的潛在風險
一是“技術”風險。生成式人工智能具有巨大潛力，但在實際應用中仍面臨如何把握準確性、真實性與時效性的重大技術風險。首先，生成式人工智能在普惠金融情景下的應用面臨與業(yè)務流程的耦合問題。在普惠金融應用場景下，遇到的問題類型可能更復雜和難以準確預測，因而，生成式人工智能的泛化能力過強將導致模型在特定普惠金融領域的精準度降低，使其在應對具體且復雜的金融問題時難以給出準確的回答，進而引發(fā)操作風險。其次，生成式人工智能在應用過程中存在模型“幻覺”問題。現有研究發(fā)現，類似ChatGPT之類的大模型仍會輸出虛假或誤導性信息。基于數據訓練，生成式人工智能大模型可以生成一些貌似合理，但卻完全虛構的內容，輕則可能誤導用戶，重則可能導致金融決策失誤，從而增加操作風險。最后，生成式人工智能需要超大規(guī)模的數據樣本進行訓練，訓練時間更長，訓練成本更高，因此，生成式人工智能難以避免出現“信息滯后”、時效性受限等挑戰(zhàn)。
二是“隱私安全”風險。生成式人工智能賦能普惠金融必然要面對與數據隱私和安全性相關的重大挑戰(zhàn)。生成式人工智能非常依賴數據，在處理個人和企業(yè)敏感數據時，可能會觸及復雜的隱私保護問題，如客戶的財務狀況、信用記錄和個人身份信息等，甚至包含個人或家庭的日常工作生活信息。這些敏感數據如果未得到充分保護，可能面臨被泄露或濫用的風險。在普惠金融服務中，數據隱私和安全性的問題尤為突出，因為這些服務往往涉及低收入和邊緣化群體，他們對于數據保護可能缺乏足夠的認識。因此，任何數據泄露或濫用行為都可能對這些群體造成嚴重的財務和社會影響，同時削弱公眾對普惠金融服務的信任。根據數據隱私保護理論，保護客戶的隱私不僅是嚴守法律底線的要求，也是維護客戶信任和構建長期可持續(xù)關系的基礎。此外，普惠金融機構還面臨著如何平衡高標準隱私保護措施與高效金融服務提供的問題。因此，如何確保所有數據處理步驟符合隱私保護要求，成為生成式人工智能能否有效賦能普惠金融的關鍵。
三是“算法”風險。首先是“算法歧視”風險。生成式人工智能是基于機器學習模型，利用大量數據進行預訓練的一種算法。雖然算法可實現數據標簽精準化，但這是一把“雙刃劍”。如果算法在設計上或用于訓練的數據本身包含了歧視性信息，那么在生成內容時可能會重復或放大這些數據中的歧視性，從而嚴重損害公平屬性。普惠金融致力于消除金融服務在不同社會群體間的不平等，但生成式人工智能帶來的算法偏差可能對這一目標構成威脅。當生成式人工智能基于歷史數據進行信貸決策時，若這些數據反映了現有的社會經濟結構偏見，那么生成式人工智能可能會復制，甚至加劇這些偏見。這不僅可能導致對特定群體的不公正待遇，如高風險評級或拒絕服務，還可能加深現有的社會和經濟不平等。根據市場失靈理論，如果市場信息不完全或存在偏差，市場將無法有效分配資源。在普惠金融的背景下，這意味著生成式人工智能可能因為錯誤的偏見而未能將金融資源分配給真正需要的群體。同時，這種偏差可能導致不斷自我強化的惡性循環(huán)，信貸市場中的特定群體因為系統(tǒng)性偏見而無法獲得信貸，進而無法產生良好的信貸記錄，使得偏見在未來的生成式人工智能決策中得以繼續(xù)存在。其次是“算法黑箱”風險。從本質上說，算法都是“黑箱”，因為不可能所有人都擁有足夠的知識來理解算法的內涵和模型參數。真正的“算法黑箱”是指算法背后所隱藏的決策標準和基本邏輯不被外人所理解。當生成式人工智能模型達到千億級別的參數密集度時，甚至連開發(fā)人員都不能很好地理解算法運作的具體細節(jié)與邏輯。“算法黑箱”可能導致金融機構掩蓋金融交易過程中的不當行為，以技術中立的形式平等掩蓋實質上的不平等，進而導致金融市場與政府監(jiān)管的雙重失靈（程雪軍，2023）。
四是知識產權風險。普惠金融的持續(xù)創(chuàng)新依賴新技術的應用，但在普惠金融領域應用生成式人工智能時，知識產權的問題不容忽視。生成式人工智能在分析市場趨勢、制定金融策略或提供個性化建議時，可能會用到受專利技術、版權保護的數據集或分析方法，這種非主觀故意或被動的知識產權侵犯可能導致法律糾紛和道德問題，從而影響金融機構的聲譽和運營。而知識產權法律的復雜性加劇了這一挑戰(zhàn)，當生成式人工智能算法自主生成的內容與已有的受版權保護內容相似時，判定侵權的界限將變得模糊。此外，這還涉及生成式人工智能創(chuàng)造性成果的所有權問題，即確定算法生成的分析或策略的知識產權歸屬。這些問題涉及普惠金融的創(chuàng)新動力及其在市場上的公平競爭，不僅是法律問題也是倫理道德問題。
五是“更具傳染性”的市場風險。生成式人工智能在為金融風險控制變革帶來了機遇的同時，也強化了金融市場風險的傳染性。首先，面對風云變幻的經濟環(huán)境，由數據驅動的智能化可能會使金融交易產生錯誤決策，從而產生金融風險。其次，生成式人工智能不僅強化了經濟主體（如個人、機構等）之間的關聯性，而且強化了不同市場甚至是不同國家和地區(qū)的聯系，這將導致金融風險的傳染速度更快，傳染路徑更復雜，傳染范圍更廣泛，傳染破壞力更強大。
生成式人工智能賦能普惠金融的實施策略
發(fā)揮體制和市場優(yōu)勢：推動生成式人工智能技術進步。從全球范圍來看，以大模型為代表的生成式人工智能在過去取得了突飛猛進的發(fā)展。然而，在當前國際環(huán)境下，僅靠科技公司和金融機構的積極性是遠遠不夠的，生成式人工智能賦能普惠金融還需要政策給予扶持，引導金融機構積極探索生成式人工智能賦能普惠金融業(yè)務的具體路徑。一方面，大模型快速更新迭代對算力提出了更高的要求，而高端芯片是我國科技發(fā)展亟待補齊的短板。對此，應充分發(fā)揮我國新型舉國體制優(yōu)勢，加強數字經濟基礎技術研發(fā)，夯實我國生成式人工智能的底層技術基礎。另一方面，利用我國金融市場規(guī)模大、數據量多的優(yōu)勢，不斷提高數據質量，這對模型訓練來說至關重要。對此，有關部門需要考慮進一步加大力度打通數據孤島，完善數據托管、交易制度，引導數據有序管控和流動。
發(fā)展負責任的技術：強化生成式人工智能的算法平等?？萍紓惱韺τ谏墒饺斯ぶ悄馨l(fā)展的重要性不言而喻。在生成式人工智能賦能普惠金融過程中，要確保算法公平，從而避免形成金融歧視。首先，通過整合來自不同社會群體的經濟數據，尤其是那些在傳統(tǒng)金融體系中被邊緣化的群體，生成式人工智能能夠減少固有的偏見，從而做出更加平衡和全面的決策。其次，定期進行算法審計和偏差檢測。生成式人工智能不會天然地關注普惠金融中的小微企業(yè)、低收入群體等，不會自動考慮社會經濟發(fā)展過程中的公平、正義等價值觀，按照代表性偏差理論，系統(tǒng)性地識別并糾正可能的偏差，確保生成式人工智能模型的決策符合普惠金融的公正性原則。再次，提高生成式人工智能決策過程的透明度并增強這些決策的可解釋性，讓用戶和監(jiān)管機構能夠理解其決策邏輯和依據。最后，開發(fā)和集成解釋性生成式人工智能工具，為特定決策提供清晰說明。要發(fā)展負責任的生成式人工智能技術，倫理治理至關重要。只有將倫理治理貫穿于數據收集、研發(fā)設計、使用和評估整個流程，才能確保倫理約束在法律觸及不到的地方仍然有效。
智能創(chuàng)新導航：完善普惠金融領域的知識產權政策。普惠金融的知識產權保護工作刻不容緩。首先，普惠金融機構應實施知識產權合規(guī)性檢查，以避免在利用生成式人工智能時無意中侵犯專利技術、版權保護的數據集或分析方法。這一措施的核心在于建立一個全面的知識產權管理框架，指導機構合法利用外部數據和技術。此外，考慮到知識產權法律的復雜性，特別是當生成式人工智能算法自主生成的內容與已有的受版權保護內容相似時，普惠金融機構應積極參與行業(yè)對話和法規(guī)制定，以澄清和維護合法權益。同時，鼓勵開放創(chuàng)新和行業(yè)合作，共享非敏感數據和方法，這不僅有助于促進行業(yè)內的良性競爭，也能夠避免重復“造輪子”，降低侵權風險。這些措施有助于普惠金融機構在利用生成式人工智能進行市場分析、制定金融策略或提供個性化建議時，既能保持創(chuàng)新活力，也能確保其活動合法合理合情。
保護隱私：筑牢普惠金融的數據隱私與安全性防線。首先，利用先進的數據安全技術，如強加密方法和安全的數據存儲方案，以及嚴格的身份驗證和訪問控制機制，以防止未經授權的數據訪問和泄露。同時，建立全面的數據治理策略，覆蓋數據的收集、存儲、處理和共享的所有方面，定期更新這些策略以適應技術和法規(guī)的變化。其次，金融機構應采取積極措施提升這些用戶的數據安全意識，如通過研討會、宣傳材料和在線資源進行教育和宣傳。最后，金融機構在提供快速有效的服務的同時，應確保所有數據處理步驟都嚴格遵守隱私保護要求，找到技術創(chuàng)新和隱私保護之間的平衡點。
平衡安全與發(fā)展：創(chuàng)新生成式人工智能金融領域的監(jiān)管政策。生成式人工智能賦能普惠金融的同時，對國家的金融監(jiān)管政策和手段提出了更高要求，倒逼政府及相關部門創(chuàng)新金融監(jiān)管政策。生成式人工智能的發(fā)展，一方面將促使金融交易方式或業(yè)態(tài)更為多樣，另一方面可能會產生更隱蔽、破壞性更大的金融風險。在生成式人工智能技術快速發(fā)展的情境下，國家監(jiān)管在把主要精力集中在大型金融機構、量化交易、主要金融風險的同時，還要高度關注生成式人工智能技術發(fā)展可能導致的小型、分散的金融風險。因此，需要行業(yè)監(jiān)管部門轉變監(jiān)管理念，積極引導發(fā)展智能監(jiān)管，以適應金融機構在技術領域的創(chuàng)新。如何借助生成式人工智能解決金融發(fā)展與監(jiān)管的矛盾，將成為未來研究重點。
（本文系北京市社會科學基金規(guī)劃項目“數據要素市場驅動北京數字經濟高質量發(fā)展研究”的階段性成果，項目編號：23JJB014；中國政法大學商學院博士研究生林登輝、謝建邦和王則仁對本文亦有貢獻）
參考文獻
F. Allen, A. Demirguc-Kunt, L. Klapper and M. S. Martinez Peria, 2016, "The Foundations of Financial Inclusion: Understanding Ownership and Use of Formal Accounts," Journal of Financial Intermediation, 27.
C. C. Lee, X. Li, C. H. Yu, et al., 2021, "Does Fintech Innovation Improve Bank Efficiency? Evidence from Chinas' Banking Industry," International Review of Economics and Finance, 74.
蔡躍洲、陳楠，2019，《新技術革命下人工智能與高質量增長、高質量就業(yè)》，《數量經濟技術經濟研究》，第5期。
陳建兵、王明，2024，《負責任的人工智能：技術倫理危機下AIGC的治理基點》，《西安交通大學學報（社會科學版）》，第1期。
程雪軍，2023，《金融科技平臺算法黑箱的國際規(guī)制與中國因應》，《國際經濟法學刊》，第2期。
李昊然、劉詩源、康潤琦，2023，《普惠金融與小微企業(yè)破產風險——來自小微支行設立的準自然實驗》，《經濟研究》，第11期。
廖高可、李庭輝，2023，《人工智能在金融領域的應用研究進展》，《經濟學動態(tài)》，第3期。
歐陽日輝、劉昱宏，2024，《生成式人工智能（AIGC）融入制造業(yè)的理論邏輯與實現路徑》，《新疆師范大學學報（哲學社會科學版）》，第1期。
彭蘭，2023，《AIGC與智能時代的新生存特征》，《南京社會科學》，第5期。
邱晗、黃益平、紀洋，2018，《金融科技對傳統(tǒng)銀行行為的影響——基于互聯網理財的視角》，《金融研究》，第11期。
石宗輝、韓俊華，2022，《金融科技的數字普惠金融機理分析及應用研究》，《科學管理研究》，第3期。
世界銀行、中國人民銀行，2018，《全球視野下的中國普惠金融：實踐、經驗與挑戰(zhàn)》，北京：中國金融出版社。
肖仰華，2023，《生成式語言模型與通用人工智能：內涵、路徑與啟示》，《人民論壇·學術前沿》，第14期。
邢樂成、趙建，2019，《多維視角下的中國普惠金融：概念梳理與理論框架》，《清華大學學報（哲學社會科學版）》，第1期。
張勛、萬廣華、張佳佳、何宗樾，2019，《數字經濟、普惠金融與包容性增長》，《經濟研究》，第8期。
趙曉鴿、鐘世虎、郭曉欣，2021，《數字普惠金融發(fā)展、金融錯配緩解與企業(yè)創(chuàng)新》，《科研管理》，第4期。
Empowering Inclusive Finance with Generative Artificial Intelligence: Realistic Foundations, Critical Risks, and Countermeasures
Liu Zhixiong
Abstract: Inclusive finance is an integral part of the "Five Major Tasks" of financial development. Currently, the development of inclusive finance in China faces challenges such as lack of sustainability, insufficient popularization, and an imperfect credit system. In recent years, the rapid development of generative artificial intelligence (GAI), emerging as a new technological base for informationization, digitalization, and intelligentization, possesses powerful capabilities for knowledge encoding and storage, understanding and generating text and code, and reasoning for complex tasks. It can generate five major effects on inclusive finance: data resourceization, data assetization, digital trust, risk control, and cost reduction and efficiency enhancement, thereby effectively empowering the high-quality development of inclusive finance.
Keywords: generative artificial Intelligence, inclusive finance, integration mechanism, ethical risk
責 編／韓 拓 美 編∕梁麗琛
