金融信息系统作为国家关键信息基础设施,直接关系到国家经济、社会的正常运行。我国金融信息化过去长期依赖进口设备和系统,这不仅需要花费巨额的外汇,更涉及到我国金融业的安全可控。防止发生系统性金融风险是金融工作的根本性工作,必须加强金融行业的信息基础设施建设,稳步推进金融IT基础设施国产化。
“像人不能缺少生理发展的每一个阶段一样,技术发展的每一步都要打下基础,要下苦功夫,笨功夫,不能急功近利。”近日,中国工程院院士、中科曙光董事长李国杰在出席由金融科技创新联盟主办的“金融IT基础设施国产化技术研讨会”上表示,金融IT核心设备的国产化是场“持久战”,不能寄希望于短期弯道超车。
李国杰认为,从总体上看,我国企业在技术储备上与国外龙头企业还有相当大的差距,对发展高端产品的长期性和艰巨性要有清醒的认识。金融业务对安全、性能和可靠性都有很高的要求,可能是实现国产化最难攻克的堡垒之一。实现金融IT的国产化有一个从外围到核心的发展过程,要卧薪尝胆才能掌握其核心技术。
“突破有竞争力的关键技术要靠企业,牵住牛鼻子的力量是市场。”我国科研队伍的精兵强将集中在大学和科研机构的国家重点实验室,然而工程性的技术创新是在成本、时间、兼容性、标准、人力等强约束条件下的创新,没有走出实验室的科研人员难以理解这些约束条件。李国杰强调,只有企业科技人员才能解决与市场密切相关的技术突破。
“金融IT国产化最大的困难不是缺乏研发经费或技术起点低,而是企业没有试错的机会。”李国杰指出,纵观世界历史,后发国家从产品低端走向产品高端,几乎没有一个国家不是先利用国内市场保护来培育自主高端产品。完全靠企业参与全球“公平竞争”,仅以市场作为调控手段并不可行。德国和美国赶超英国,日本的明治维新都采用了关税保护政策。
“政府采购”是培育国内高端技术的重要的途径之一。李国杰介绍,目前国内通行的支持政策是当国内研发制造的产品与国外产品性能和可靠性相当时,可以优先采用国内产品。但如果没有不断地试用,产品就没有改进的机会,那么实现金融IT国产化就会遥遥无期。金融部门的决策者胆子应该更大一点,监管部门对国产化带来的不可避免的问题,应有更大的包容性。可以采用联机备用的方式给国产关键设备和软件更多的试用机会。国家科技主管部门应组织全国的优势科技力量,以企业为主体,攻克高性能、高可靠性金融核心设备的关键技术。
对于信息基础设施,安全可控十分关键。李国杰提出,不同领域的竞争形势不同。国防领域没有必要与国外的系统兼容,可以发展自己独立的产业生态系统;而无线通信领域从3G开始可以三分天下;人工智能和物联网领域,还没有形成垄断企业,可以考虑走独创的道路,争取引领潮流;对已经形成垄断生态系统的领域,生态系统的兼容性不可忽视。对不同的领域,应考虑走不同的国产化道路,不能搞一刀切的“本本主义”。如果千篇一律,强行采用一种模式,要么安全可控实现不了,要么影响产业发展和广大用户的利益。
李国杰认为,发展产业有两个基本要求,一个是安全可控,一个是用户体验。因此要实现金融IT国产化需要两条腿走路,自主研发与引进吸收再创新两种路径并举,这两条路走好了都可能成功,实现殊途同归。在加强自主创新的同时,我们也要强化国际合作。关于金融行业的安全可控和国产化,李国杰强调,不但要以安全保发展,还要做到以发展促安全。发展与安全是一体之两翼,安全问题要在发展中解决。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。