摘要：人工智能（AI）已经成为未来产业变革的主要驱动力之一，以ChatGPT大模型为代表的生成式AI，以AlphaFold为代表的AI4Science，以Atlas为代表的具身AI，以及以Neuralink为代表的脑机接口，推动了智能产业的快速发展，极大地改变了人们

中国太平洋保险集团首席信息官、数智研究院执行院长 王磊

人工智能（AI）已经成为未来产业变革的主要驱动力之一，以ChatGPT大模型为代表的生成式AI，以AlphaFold为代表的AI4Science，以Atlas为代表的具身AI，以及以Neuralink为代表的脑机接口，推动了智能产业的快速发展，极大地改变了人们的生产和生活方式。金融的各个细分领域，包括支付、投资、交易和保险等，正受到人工智能快速发展的深刻影响。自2023年以来，AI4Science的进展显著加速，对生物医药、物理数学、材料化学、天文气象等领域已经产生了重大影响。同时，AI4Science也逐渐成为金融领域创新的动力源泉。本文介绍了AI4Science的发展概况及其在金融领域的初步应用进展，提出AI4SciFin框架设计，并分析其在金融领域的潜力和挑战，展望了其未来的应用前景。

AI4Science，即人工智能赋能科学研究，利用AI技术，特别是机器学习和深度学习等方法，加速科学发现、解决复杂科学问题，并推动科学研究范式的变革。自2019年以来，AI4Science快速发展，逐步形成了多个前沿的跨学科研究领域（见图1）。例如，在生物医药领域，AI4Science可以通过虚拟筛选、分子对接等技术加速新药的发现与开发；在物理数学领域，AI4Science帮助科学家构建复杂的物理模型，如量子场论模型；在材料化学领域，AI4Science通过机器学习算法从大量数据中筛选出具有优异性能的新材料。

图1 当前AI4Science快速发展的领域

AI4Science的核心理念是通过AI技术模拟、预测和优化各种科学过程，以解决以往依赖人力和传统计算方法难以处理的问题。AI4Science在量子态、分子态和连续态的众多应用方向展现出了强大潜力（见表1）。

表1 AI4Science的代表性方向

根据著名咨询公司Gartner的预测，至2030年，人工生成数据的数量将超过真实物理数据，其中由AI生成的数据增长速度将超过传统仿真数据，且具有更高的价值。与传统仿真方法相比，AI4Science建模具备大规模数据驱动、处理高维非线性复杂系统和多模态预测生成等优势（见图2）。近年来AI的生成能力实现了前所未有的突破。尤其以OpenAI的Sora大模型、Google的Genie、runway的gen2大模型在文本到视频方面的强大的生成能力，甚至被称为初步具备了世界模型的特质。基于强大的预测生成能力，通过物理数学等知识约束，大幅度提升了AI模型的可解释性和生成内容的可控性。进而可通过预测生成来替代传统反馈建模，大幅度提升了数据驱动的效率（见图3）。

图2 AI4Science建模与传统仿真建模的优缺点对比

图3 AI4SciFin框架设计

工业软件升级是工业数字化转型的核心驱动力。工业软件被喻为工业生产的“大脑”，通过对生产过程中的数据进行采集、分析与处理，实现生产的自动化、智能化和优化。虽然中国在工业软件的核心建模算法和基础模块方面与西方存在一定差距，但经过30多年的工业化发展，中国在工业生产数据积累上已有了显著进步。AI4Science为国内工业软件的发展带来了全新的数据驱动机遇。

现代金融学离不开金融数学和金融工程的支持，而金融数学的本质是利用数学模型解决金融问题的跨学科领域。在定量分析、衍生品定价、优化理论和数值计算等领域，金融数学有着广泛的应用，例如市场风险价值（VaR）、多因子模型（MFM）等。还有很多数学模型是偏微分方程形式的，例如布莱克-舒尔斯-默顿（BSM）模型、赫斯顿（Heston）模型等（见表2）。

表2 金融数学在金融领域的应用举例

AI4Science在物理数学领域的突破可应用于金融数学来解决定量分析、衍生品定价和优化理论等。通过数学方程和神经网络的结合，例如偏微分方程和感知机网络的结合，直接实现知识融合的正则化，进而通过误差反传实现金融数学公式的约束求解。通过知识融合网络，AI赋能金融，描述了一个AI4SciFin框架设计，它包含算力基座、数据资产、模型设计和应用场景四大组成部分。其中模型设计需要包括数学方程关系描述、神经网络的选择和多种知识融合的技巧选择三个典型步骤的叠加（见图3）。

AI4SciFin为基于金融数学模型的金融软件服务带来了创新解决方案。以经济情景发生器（Economic Scenario Generator，ESG）软件为例（见图4），该软件是一种金融建模工具，用于生成和模拟未来不同经济和金融市场资产价格情景。这些情景通常基于历史数据和资产数学模型，旨在预测未来资产价格变量（如债券交易价格、股票市场表现、房地产市场价格等）的可能演变。该工具广泛应用于保险公司、养老金基金、投资管理公司等金融机构。常年以来，国内外经济情景发生器产品市场都被美国的康利（Conning）、穆迪（Moody's）、德勤（Deloitte)、Numerix、Milliman和欧洲的韦莱韬悦（WTW）、怡安（Aon Plc）、LexiFi、Ortec Finance等发达国家企业占领。上述企业在使用包括蒙特卡洛参数（Monte Carlo）估计法和贝叶斯滤波器（Bayes Filter）参数估计法等的传统技术上积累了丰富经验数据和参数配置优势。而基于AI4SciFin框架的技术创新，有望突破上述企业的传统技术优势。

图4 经济情景发生器(Economic Scenario Generator，ESG)软件示意图

在AI4SciFin框架指导下，利用物理信息神经网络（PINNs），能够将股价模型（例如Heston模型）的偏微分方程、股价和期权数据与相关数值限制等约束关系进行正则化融合。通过结合全连接神经网络（FNN）和生成对抗网络（GAN）等不同神经网络模型、Koopman算子用于高维空间近似求解，以及元学习小样本任务优化和自适应特征提取等方法，改进物理信息神经网络（PINNs）的收敛效果。对比传统卡尔曼滤波器模型方法可实现更准确的参数估计、更简单的数学推理、更容易的多源数据融合（见图5）。

图5 对比传统方法和基于AI4SciFin框架设计的股票价格Heston模型场景

可见，AI4SciFin框架提供了一种全新的金融数学解决方案，通过强大的算力和神经网络，取代传统依赖数学推理和经验积累的方法，从而实现数据驱动的更高效学习和更精准的建模。

目前，AI4Science在金融领域的应用仍处于早期阶段，但受到AI4Science在数学物理领域的快速发展的影响，它在金融领域的创新应用会加速到来。随着大模型为代表的人工智能和算力的普及，基于AI4SciFin框架将在多个方面提升金融行业的效率、精确性和灵活性，它不仅可以提升现有的金融工具，还能够推动新的金融产品和服务的开发。

在多资产融合、预测模拟风险测试多流程融合、个性化数据驱动金融产品等依赖复杂数据分析的金融场景下，AI4SciFin框架能够在降低数据处理难度的同时，提升预测生成的精度。此外，要注意AI4SciFin框架在模型稳定性和可解释性方面的挑战。

来源：金融电子化