人工智能技术正以前所未有的速度和深度融入社会的各个角落，成为推动世界与时代变革的核心力量。在金融领域，它深刻改变了行业面貌，促进了数字金融的蓬勃发展，借助深度学习与大数据分析技术，极大地提升了金融机构的决策管理效率与风险防控水平。在这样的大环境下，“数字化”转型成为银行业加速发展的必由之路，“智能化”也在银行的各类业务场景中持续探索、深化应用，银行安防领域便是其中之一。然而，目前AI在银行安全防范中的应用，主要是借鉴公共安防领域智能算法并进行传导和延伸，存在同质化严重、投产比偏低、应用案例不成熟等问题。特别是在业务风险防控方面，实际应用效果与预期目标差距较大。

交通银行安全保卫部副总经理 葛坚

银行安防视频AI应用：现实困境与挑战

1. 场景创新不足：同质化竞争下的技术失焦。当前，银行安防视频AI应用存在明显的“技术平移”现象。人脸识别、车牌识别等传统AI分析算法，在公共安防领域经过多年发展，技术已相当成熟。随着公共安防技术向银行安防领域的延伸，基于这些传统算法的应用也在银行安防中广泛铺开。由于技术成熟，企业在集成开发和场景应用时，门槛较低、投入成本较少，因此大多数选择直接采用现有技术进行市场拓展，缺乏针对银行安防视频业务场景进行创新的动力。这使得针对银行业务特点的定制化算法覆盖率较低，“技术供给”与“实际需求”脱节，导致视频AI应用效果远未达到预期水平。

2. 业务理解脱节：资源错配造成价值损耗。近年来，部分人工智能企业将公共安防领域的打架斗殴、人员聚集等算法，经过一定优化后应用于安防领域，围绕银行营业场所设计了诸多AI算法场景，如针对自助网点的打砸机具、人员摔倒、遗留物品，以及加钞间双人操作等情况分析。这些场景的AI应用虽取得了一定效果，但实际触发频率较低，造成大量算力浪费，投入产出比不高。而且，通过传统技防手段设定关联策略，结合人防、物防措施，同样能够有效应对这些场景需求，进一步凸显了此类AI应用的资源错配问题。

3. 技术伦理隐患：多维度安全挑战凸显。在银行安防视频AI应用领域，主流企业大多将重点放在应用场景拓展和算法效果优化上，普遍忽视了AI的安全可信问题。硬件层面，目前安防AI应用设备的信创率仍然较低；数据层面，视频数据加密工作尚未全面落实；算法层面，黑箱模型使得许多异常交易或异常行为预警难以追溯其决策依据。随着AI技术加速发展，应用探索不断深入，如果持续忽视科技伦理、缺乏安全意识，加之相关法律规范尚不完善，基于AI技术的侦查踩点、网络渗透、数据篡改、非法传播等问题将不断涌现，严重影响AI持续健康发展的生态环境。

交行的场景化探索：从技术验证到体系构建

1. 技术底座重构。以往，金融安防领域的AI应用主要集中在网点端，通常借助边缘分析设备或边缘分析服务器提供AI分析能力。这种方式虽然降低了对网络带宽的依赖，提高了AI分析的实时性，但在实际使用中，AI分析场景多由事件触发，并非全量、全时分析，导致大量算力资源闲置。同时，算法与硬件绑定，使得算法的迭代、扩展和维护成本高昂。因此，交行安保部在此背景下，建立了后台集中式AI算力中心，并依托智慧安防管理平台细分业务场景，根据需求进行算力分配、模型调度，以及AI分析服务供给，大幅降低了综合AI分析的边际成本。

后台AI算力中心具备批量构建多来源算法的能力，实现了算法服务的统一维护与管理。引入大模型后，借助大模型的能力底座，交行面向业务场景开展场景大模型训练探索，在数据标注和模型训练方面，大幅降低复杂场景的模型构建和训练难度，降低模型落地训练门槛和成本，加快了应用试点和成熟落地的速度。

2. 业务场景突破。传统的银行安防视频AI应用主要关注外部入侵、场所安全等常见风险事件。交行在此基础上，为减轻人员风险复核压力、减少人为不规范操作带来的风险，重点探索AI与业务操作具体环节的融合，开展业务操作合规性、真实性等方面的AI场景分析。截至目前，已探索出10多种与业务场景高度契合的AI分析算法，并实现多种业务场景AI分析算法的落地应用，在人员减负、降低潜在风险发生等方面成效显著。此外，为进一步实现“安消一体化”管理，交行还在积极探索烟雾、火光探测等消防领域的视频AI技术应用。

3. 可信体系规划。硬件层面，交行基于安全可控的配置策略，采用海光与寒武纪芯片进行适配。数据层面，高度重视视频数据质量和规范管理，注重视频资源的数据治理质量提升，基于智慧安防管理平台实现视频数据资源的加密管控，并对视频资源的全生命周期进行合规管控，实现防泄密溯源跟踪，确保端到端的安全可信，做到统一规范、集中管理、合理授权和使用。算法层面，开发可视化决策溯源系统，提升关键节点的可解释度。

未来演进方向：深入融合业务，重塑金融安防范式

1. 金融领域的人工智能生态更加开放，模型算法与行业场景深度融合。随着金融领域数字化转型的不断深入和发展要求的不断提高，人工智能服务提供商也逐步在放弃“大而全”的算法开发模式，转向“专而精”发展道路。通用AI模型在专业领域的应用存在诸多局限性，传统安防领域衍生的算法在银行安防领域难以完全适配。以交行为例，传统安防所关注的打架斗殴、人员聚集等场景算法，在银行业务场景中属于小概率事件，应用效果和作用发挥均十分有限。未来，随着行业应用的不断拓展，与金融安防紧密结合的场景算法，甚至具有金融安防特色的大模型算法将不断涌现并成熟，有效提升金融安防领域的风险防控能力。

2. AI联合创新发展新模式将成为常态。回顾人工智能的发展历程，从最初的“逻辑理论家”到如今的DeepSeek，每一次重大突破都源于具体的应用场景和实际需求。当前，人工智能企业急需丰富的落地场景来推动技术应用，而银行也迫切希望借助AI提升智能化水平和运营效率。但二者的合作并非一蹴而就，需要业务方和技术提供方紧密配合，共同探索优化，这个过程需要业务方的全力配合以支持技术提供方的不断探索与优化，耗时长、成本高，若双方不能联合创新，试错成本均将大幅增加。因此，未来银行将会以更加开放的态度加强与技术服务企业合作，为AI技术应用提供所需的业务场景试验田，以及业务场景设计思路、操作经验等，与其共同进行业务AI分析场景的探索。双方发挥各自优势、共同发展，共同探索出一种AI联合创新发展的新模式，AI分析的发展红利也终将惠及双方，实现双赢或多赢。

3. 大模型在银行领域有望占据主导地位。随着AI技术的持续演进，大模型在银行领域正展现出强劲的发展态势。在AI“小模型”时代，模型训练高度依赖监督学习模式，需围绕特定的任务、模型及数据集，为特定场景用途开展专项模型的构建与训练。这一过程中，大量劳动密集型的数据标注任务与模型训练工作必不可少，对相关人员专业技能也有很高的要求，因此造成了模型落地成本高昂、周期漫长、泛化能力欠佳等一系列问题。当下，随着AI技术步入大模型时代，情况出现了显著变化。大模型凭借自监督学习能力，跨领域的通用性与强大的泛化能力，其底座已具备类脑思考的能力，能够对银行海量多模态数据进行高效识别与深度分析。在行业落地层面，大模型可实现通用且快速的迁移与部署，借助自然语言交互开展模型训练，短时间内便有较大可能孵化出契合银行行业特性的场景化行业大模型。基于上述种种优势，大模型在银行领域的应用前景广阔，有望逐步占据主导地位。

4. AI安全可信将逐步成为行业准则和监管标准。AI的安全可信和治理不仅关乎技术层面，更是重要的社会问题。当前，AI算力硬件的全面信创化进程会继续加快，硬件安全机制会日益完善，AI生产和落地环节（如算法构建、数据标注、模型训练等）的规范要求也在逐步健全，相关规范和标准将陆续建立并完善。未来，AI安全可信将成为行业发展的基本准则和监管重点，以保障AI技术在银行安防领域的安全、可靠应用。

（此文刊发于《金融电子化》2025年4月下半月刊）