2026年1月18日，2025年度AI金融创新发展论坛暨第八届「司库品牌计划」发布仪式在人民日报社新媒体大厦成功举办。本次论坛由WEMONEY研究室主办，人民阅读提供媒体支持，中国社科院金融研究所金融科技研究室、中央财经大学中国互联网经济研究院、中国人民大学深圳金融高等研究院提供学术支持。论坛以“智驭未来：AI重塑金融新生态”为主题，来自学界、机构的众多行业精英共同探讨AI金融的创新路径、安全边界与未来蓝图。

会上，中国人民大学深圳金融高等研究院副院长邱志刚发表主旨演讲，聚焦“数字信任”核心议题，分享了所在机构近几年来在数字信任领域的探索与思考。

邱志刚指出，AI的核心在于对数据的分析，从早期的弱人工智能图像识别、推荐系统，到如今的大模型应用，数据始终是底层支撑。大数据时代，大模型不断生成数据，而每个人的日常行为也在持续创造数据，这些数据又会成为新的训练集反哺AI，形成数据与AI的循环赋能体系。

在这样的背景下，数字信任的重要性愈发凸显。一方面，政府工作报告已提及“数字信任”概念；另一方面，埃森哲的调研数据显示，中国企业若能加强数字信任建设，可避免高达5.3万亿的损失。

结合自身研究，邱志刚将数字信任拆解为三层核心内涵：

第一，数据的收集与使用。日常生活中，用户下载APP时鲜少会仔细阅读个人隐私条例，往往在不知情的情况下完成了数据授权，既不清楚自身数据被收集的具体内容，也不了解数据的最终用途。邱志刚以某消费金融APP要求共享通讯录为例指出，该平台本意是通过通讯录识别用户是否与失信人群存在频繁交流，但用户对这一数据使用目的毫不知情。

这暴露出Web2.0时代的核心问题：用户作为数据生产者，却对数据的流转与应用缺乏掌控力，平台存在滥用数据的潜在风险。对此，邱志刚提出，Web3.0时代提升数字信任的关键路径之一，可以借鉴经济学中的“合约理论”，推动平台与消费者签订明确的数据合同，清晰界定数据使用的权利与责任，实现数据收集规则透明化、使用用途监督化。

第二，数据自身质量的问题。邱志刚认为，早期人们对消费者的评价非常信任，但是今天如果看到一个好评，看到某家店5.0的评分，消费者是否真的相信呢？可能很多人会认为是水军。在传统的金融学里面，噪声是没有价值。但是今天，商家很多时候会花钱买噪声、花钱雇水军。以某头部基金社交媒体平台为例，其人工智能推荐系统往往倾向于向投资亏损的用户推送悲观信息。这是因为推荐系统本身是“数据中性”的——若用户曾发表过悲观言论，系统便容易推断其对此类内容有偏好。这种现象在经济学中常被称为“信息茧房”。由此引出一个值得深思的问题：在社交媒体上所接收的推荐信息，是否真的提供了有价值的内容？

邱志刚团队依托某头部基金社交媒体数据的研究也印证了这一问题：该平台12个月内累计产生28万余条帖子，平均每人发帖9条，而最高产的用户单月发帖量高达10268条。这些帖子中，既有半导体行业分析等有价值的信息，也夹杂着“哈哈哈，我不该装”“老公，你在哪里？”等无意义内容。进一步分类研究发现，只有观点类和问题类这类主动发帖能为投资者带来正向收益，而评论类、回答类帖子反而会产生负向影响。

第三，数据的生成者。网络上的海量数据，有相当一部分出自社交媒体大V之手。所谓网络大V，是指在社交平台拥有大量粉丝、具备较高影响力的用户，这类用户往往凭借专业见解、独特内容或高频互动获得关注，其言论甚至能影响舆论走向、推动话题发酵。

比如某基金平台就有这样一位大V，外界普遍认为其投资能力不俗，但事实果真如此吗？大V发布的内容，真的是为了帮助普通投资者获取有效信息吗？此外，大V本身是否存在行为偏差？毕竟人非圣贤，孰能无过。从大样本数据来看，粉丝超过100的大V单月平均收益为大概-1%，并未盈利，其Alpha值同样为负。这意味着，即便大V发布了海量帖子，自身也未能实现盈利，其粉丝同样没能赚到钱。

进一步观察可以发现，粉丝存在明显的行为偏差：大V近期收益越好、发帖越频繁，就越容易吸引粉丝关注。而大V自身也存在行为偏差，具体表现为“报喜不报忧”——仅在收益向好时分享成果，收益不佳时则缄口不言，但其发帖总量始终处于高位。

若将这类带有偏差的数据纳入AI训练集，AI是否会产生行为学偏差？答案是肯定的。训练数据本身源于人类的偏差行为，以此为基础训练出的AI，输出结果自然也会带有偏差。

邱志刚表示，数字信任可以分成收集与使用、数据本身以及生产者这三层，将来可能需要一些交叉学科，包括法律、技术、经济学进行综合研究。他引用著名经济学家RobertMerton的话说：“创新就好像高铁和高速公路，需要有良好的基础设施（铁轨和公路）。当基础设施不完善时，可能比较好的方法是限速。”这也是今天监管逐步趋严的原因之一。