“AI释放安全生产力，可分为三个阶段：一是AI赋能，让AI进入第一现场，提升检测、研判和响应效率；二是AI继承，将机构多年积累的数据、知识、工具和流程，转化为AI可理解、可调用、可执行的能力；三是AI重构，以AI为核心重构安全运行方式，形成持续感知、主动研判、自主处置、持续进化的AI原生安全体系。”8月14日，在新金融联盟主办的“智启金融新质生产力，共筑AI安全共同体”内部研讨会上，科技行业总部首席技术官杨闯表示。

在杨闯看来，AI原生的安全体系价值不是简单把检测、研判、处置、调查各自做快一点，而是把“发现—研判—遏制—调查—加固—学习”连接成一条连续的智能闭环，让金融安全体系真正追上AI时代的攻击速度。

这是新金融联盟第109期内部研讨会，由新金融联盟秘书长吴雨珊主持，中国金融四十人论坛提供学术支持。人民和证监会相关领导，中国原首席技术官吕仲涛做了主题交流。首席信息官唐家才、国泰首席信息官俞枫、国家开发银行信息科技部副总经理郑江奎也发表了主题演讲（点击蓝字查看原文）。来自银行、非银金融机构及科技公司的近百家机构的代表参会。以下为杨闯发言全文。

金融AI生产级落地的挑战与实践

文| 杨闯

非常荣幸作为产业代表在此发言。今天主要分享三部分内容：金融AI走向生产级过程中的关键变化、生产与安全协同的思考，以及一些实践案例。

一、金融AI向生产级落地

金融AI正在从试点验证加速进入生产。AI应用正在从“聊天窗口”走向“组织级交互入口”，开始连接客户、连接组织、连接专业决策，逐步嵌入真实业务流程。海外金融机构已经开始把生成式AI从“助手”嵌入到真实业务流程——

新加坡星展银行正在从“问问题”走向“办事情”，用户可直接查询账户、申请费用减免、换卡等，服务C端客户超1000万，服务B端客户超35万。

摩根士丹利则把生成式AI嵌入财富顾问工作流，自动完成会议纪要、行动项和跟进内容。

花旗财富则把投资组合、市场观点和个性化洞察整合到客户服务流程中，允许获取首席投资办公室最新信息，已服务于北美客户，并计划在年内进一步扩大覆盖范围。

2026年的竞争焦点，正在从“有没有AI助手”，转向“AI能不能真正进入关键业务工作流”。

随着AI快速发展，新的风险和挑战也随之出现。AI既成为保护对象，也正在成为攻击主体。

第一，AI成为新的保护对象。传统安全事件多为人操作引发，但AI时代出现新变化。以某AI邮件助手零交互漏洞为例，攻击者只需发送一封经过构造的邮件，无需用户点击，就可能利用间接Prompt Injection诱导Copilot访问并外传其本来有权限读取的数据。安全与便利性的权衡，正在演变为安全与智能性的权衡。

第二，AI成为新的攻击主体。Mythos Preview已经能够批量发现关键基础设施中此前未知的高危漏洞。在Anthropic的N-day测试中，基于刚发布的补丁，PoC约12分钟生成，有效Exploit不到1小时生产，并可自主形成多条完整攻击链。“N-day”正在加速演变为“N-hour”，传统安全体系面临巨大时效挑战。与此同时，攻击主体也在变化。OpenAI自主Agent未经授权访问Hugging Face的事件表明，AI已经具备自主选择攻击路径并执行入侵的能力。未来的攻击，不仅可能来自人的主观意图，也可能由AI为完成任务而自主发起。

二、生产力与安全同频升级

AI正在成为新的业务入口，也正在重构安全边界。在此背景下，AI落地生产需重点考虑三个条件：一是规模化后的管理问题，美国高端算力为中国的5至7倍，但Token调用量仅为中国的三分之一到四分之一，体现了治理的必要性；二是安全保障问题，安全是压舱石；三是持续产生价值、持续运营的问题。

基于以上三点，安全与生产力应同频升级，需重点关注两个方面。

在治理层面：AI规模化的关键不仅是增加更多算力，而是让数据、Agent和算力实现统一治理，让每一份资源产生更大业务价值。重点做好三件事：战略可视、知识供给、算力治理，最终实现数据供得准、供得快，Agent跑得稳、跑得可靠，算力看得清、管得好。

在安全层面：只有AI原生安全，才能应对AI时代的安全攻击。外挂式AI只能提升现有体系的效率，无法突破原有检测盲区和架构上限；外挂式AI更多是在提升人的处理效率，而AI原生安全改变的是整个攻防节奏。在引入AI赋能业务的同时，也要防范模型、数据、Agent权限和工具调用等新型风险；对于AI自身的保护要做到可见、可管、可控。

具体到生产级AI基础设施治理，首先要解决的，就是数据如何供得准、供得快。

在数据供给层面，AI训练、推理和Agent应用对性能与响应速度要求更高。若将传统数据全部迁移至高性能存储，虽然可以提升性能，但长期成本难以承受。通过高性能统一存储构建AI数据入口，打通冷热数据、形成统一视图，可以让数据找得更快、更准，同时通过高低性能存储协同降低成本、提升推理效率。

在业务承载方面，过去大量CPU、GPU资源利用不足，并不一定是算力不够，而可能是内存先达到瓶颈。内存价格较去年最高涨幅已达400%。深信服AI超融合虚拟化通过弹性内存池技术，可以实现有效内存容量扩展约1倍以上，进一步提升现有基础设施承载能力。

在算力治理方面，AI走向规模化后，资源管理成为新的突出挑战。当热门应用用户快速增长时，很容易出现算力挤兑。通过AI算力网关统一入口让算力看得清、让战略落地可视、加速AI转型落地；统一运维管理实现一次配置、全局生效，让每一分算力用有所值；统一成本治理持续大幅减低算力成本；统一风险管控如守住核心资产与内容安全。

当AI从治理走向正式运营阶段，需要同步规划建设AI安全。AI自身安全已从过去“怕说错话”演进为“怕做错事”。对此，建议分三步推进。

第一步，管好大脑。AI自身安全与传统安全存在明显差异，要从静态转向智能。例如过去管控11位手机号，通过正则表达式即可识别。但若将11位手机号让AI编码为16位字母加符号的组合并以西班牙语输出，即可绕过现有规则。因此，生产级AI安全围栏必须具备三个核心特征：高检出、低误报；能够持续应对多轮对话风险；高可靠，并具备持续进化能力。

第二步，行动管住。进入Agent时代，安全重点从“模型说什么”转向“Agent做什么”。需要围绕身份鉴权、权限管控、意图识别和全链审计，判断Agent是否合法、是否越权、调用工具的目的是否合理，并确保每一次交互和执行行为都可追溯。

第三步，统一治理。随着金融机构Agent规模化应用，需要建立统一治理能力，实现AI资产统一发现与纳管、安全策略协同下发，以及全量行为审计与智能分析，确保不同场景下策略一致、行为可控、责任可追溯。

AI对传统安全体系的冲击主要体现在速度、视野、语义和学习四个落差。传统外挂式AI更像“坐在法院看卷宗的侦探”，依赖二手告警，缺乏第一现场证据。AI原生安全则要深入网、端、身份、资产等第一现场，直接获取一手遥测数据，这是提升检测和研判效果的基础。但仅靠通用大模型，算力和成本难以承受；仅靠小模型，能力又不足。深信服通过安全垂域大模型结合工程化技术，在效果、速度和成本之间取得平衡。

AI原生安全体系的实践价值，主要体现在发现、遏制和调查三个层面。以一条“正常行为组成的攻击链”为例，攻击者使用合法账号从接入，再利用漏洞进入系统，后续使用的账号、凭据甚至操作本身都可能是“正常”的，单独看每一个行为都很难判定为攻击。而AI时代的攻击正在越来越多地隐藏在正常行为之中。AI原生安全体系不再只分析单条告警，而是从端、网、身份、资产等第一现场持续提取弱信号，将多个看似正常的行为关联起来，智能形成攻击链并完成风险定性；一旦达到足够置信度，就可以快速启动遏制。随后，深度调查能力继续沿着证据链完成溯源、根因分析和加固，整个过程形成闭环。

AI原生的安全体系价值不是简单把检测、研判、处置、调查各自做快一点，而是把“发现—研判—遏制—调查—加固—学习”连接成一条连续的智能闭环，让金融安全体系真正追上AI时代的攻击速度。

三、AI生产级落地实践

落地实践分为AI基础设施和AI赋能原生安全两个方向。

在AI基础设施方面，某股份行以深信服超融合为底座，对原有虚拟化承载业务进行全面国产化改造。不到一年时间内，高效完成近60个一、二类重要业务系统的国产虚拟化升级，实现关键业务平稳过渡、零中断切换。后续，该行探索与行内模型深度对接，探索"AI驱动运维"，构建国产虚拟化平台智能化运维体系。

在AI赋能原生安全方面，某头部大行采用AI原生检测方案，接入三个数据中心150G流量，补齐针对恶意隐蔽攻击威胁的检测能力。在2025年国家及行业实战演练中，该方案发现了传统体系无法发现的风险内容，推动该行AI安全原生技术路线的选择与落地。

AI释放安全生产力，可以分为三个阶段。第一阶段，AI赋能。让AI进入第一现场，提升检测、研判和响应效率。第二阶段，AI继承。将机构多年积累的数据、知识、工具和流程转化为AI可理解、可调用、可执行的能力。第三阶段，AI重构。在前两阶段基础上，以AI为核心重构安全运行方式，形成持续感知、主动研判、自主处置、持续进化的AI原生安全体系。

新金融联盟（NFA）成立于2016年，致力于打造一个高质量的新金融政策研讨和行业交流平台。成立以来，联盟共组织各类闭门研讨会、优秀企业参访近百场，议题涵盖数字金融、数据治理、资产管理等方向。部分研讨成果形成报告，呈送给相关部门，推动了业界与监管的沟通交流，助力市场机构的合作共赢。