意見領袖 |  新金融聯盟NFA

　　“金融機構應基于自身AI技術水平，優先在容錯性和價值適配度高的場景試點，逐步向復雜且關鍵的業務場景拓展應用。”1月11日，在新金融聯盟舉辦的“AI提升金融服務效能的場景創新與趨勢展望”內部研討會上，工商銀行首席技術官呂仲濤在主題發言中表示。

　　會上，興業銀行首席信息官、科技管理部總經理唐家才，上海銀行副行長、首席信息官胡德斌，民生銀行數據管理部總經理沈志勇，百融云創董事長張韶峰也做了主題發言。國家金融監督管理總局相關負責人參加了交流。

　　會議由新金融聯盟秘書長吳雨珊主持，中國金融四十人論壇提供學術支持。來自商業銀行、金融科技公司的170余位代表通過線上線下參會。

研討會現場

　　智能體可共享“大腦”和“記憶”

　　近兩年，大模型和生成式AI迅猛發展，廣泛滲透到各類金融場景，成為推動數字金融高質量發展的重要動力。計算機的交互方式從早先的命令行界面（CUI），發展到圖形用戶界面（GUI）。如今，對話式交互（LUI）成為新趨勢。客戶交互已實現全媒體、全渠道、多模態，大模型的多模態技術成為響應客戶需求的關鍵。

　　“智能體AI是一場同時刺激供需兩側的技術革命。”張韶峰認為，有些行業的發展并非受限于需求，而是供給。在多數領域，AI能達到專家水平的85%，且可海量復制，有力提升供給。同時，多個智能體可共享“大腦”和“記憶”，其自然語言交互功能，可理解金融客戶用 “大白話” 表達的需求。

　　呂仲濤指出，未來智能體主要有四個發展方向：一是超級 AI 模式，以強大的大模型為核心，能夠深度理解用戶指令，借助豐富的工具 API 為用戶提供精準答案；二是拓展感知與行動能力，實現自主導航、空間關系理解等復雜功能；三是強化自學習能力，實現系統自我演進優化；四是深化多智能體協同，共同應對復雜的金融業務場景。

　　大模型和智能體的專業性體現在對人類的替代程度和擬人水平。目前，國內大模型在多項金融行業權威考試中的表現已超越Open AI 的4o；多模態大模型能夠模擬人類處理語音信息，實現毫秒級響應。

　　實現智能體大規模應用需要滿足以下關鍵條件：一是速度足夠快；二是準確率足夠高；三是能有效抑制幻覺；四是具備靈活擴展到更廣泛場景的能力。

　　中小銀行：不爭先也不落后

　　大模型領域馬太效應顯著，金融機構需樹立獨立的大模型觀，找準智能化轉型道路。

　　“我行借助廠商和大行的技術能力與經驗，既不盲目爭先，也不甘落后。即便在資源上存在差距，也不放棄深入研究與部署，積極擁抱大模型帶來的變革。”胡德斌坦言。

　　在他看來，大模型在銀行有以下幾類應用路徑：一是嵌入式大模型的調用；二是將調用大模型的API與業務流程應用相結合；三是目前應用較為廣泛的Agent模式；四是利用私有數據進行微調和訓練，形成企業專屬模型。這些應用模式成本遞進式增長，但模型針對性越強，效用也越大，銀行需根據自身發展階段選擇。

　　為培育智能能力，許多機構設立了專項指標、投入專項資金、明確專業崗位、搭建創業創新平臺、構建創新閉環。例如，工行設有數字勞動力跟蹤指標，招商成立了創新基金、平安銀行設立了創新實驗室，興業銀行則推出了“五專機制”。

　　上海銀行大模型建設和應用規劃近期目標是，以智能體開發平臺為載體，體系化地構建各類數字員工或智能體，形成人機協同的新生產模式。該行即將推出AI手機銀行，積極探索從傳統的GUI（圖形用戶界面）模式向LUI（語言用戶界面）模式轉變；在智能問數領域，借助大模型理解用戶需求，轉化為SQL語句搜索數據并可視化反饋，讓數據消費更便捷。

　　沒有嵌入業務流程的AI不是好AI

　　在大模型研發中，業務和技術融合成為重要趨勢。

　　“沒有嵌入業務流程的AI不是好AI。”唐家才表示，開發大模型時，人力投入趨于多元，不僅需要算法人員，還需‘業務+算法’才能實現良好的場景應用。

　　胡德斌表示，不僅要讓銀行科技人員熟練掌握大模型及人工智能技術，更重要的是推動業務人員思維轉變與能力提升，使其具備數字化思維和應用能力。

　　沈志勇介紹，民生銀行采用 “核心團隊 + 衛星團隊” 組織架構，有效促進了業務與技術的深度融合。核心團隊專注于大模型技術研發、數據收集以及整個技術棧的維護保障；衛星團隊則由業務人員、開發人員和產品經理等組成，從應用落地角度出發，協同推進項目實施。

　　“在對大模型進行微調時，優質樣本十分重要?！睎|亞銀行戰略及數字化辦公室總監洪建幫介紹，該行每年生成數千份信貸報告，會對每個章節細致拆分，在此過程中不斷與業務人員溝通，明確好樣本的標準。

　　大多數新技術應用都是由場景驅動發展而來。AI及大模型要在金融行業落地，場景挖掘與平臺建設缺一不可。然而，要找到大模型能直接發揮價值的應用場景，并非易事。

　　呂仲濤建議，金融機構應基于自身AI技術水平，優先在容錯性和價值適配度高的場景試點，積累經驗后，逐步向智能風控、信貸審批等復雜且關鍵的業務場景拓展應用。

　　在唐家才看來，模型選擇不能唯規模論，要選對的、不選大的。一般而言，參數規模為幾十億或幾百億的大模型足以滿足實際應用需求。大模型并非要取代小模型和傳統AI，而是與之共生共存。例如，在財務預測方面，小模型結合專家規則的可解釋性會更強，且算力要求較低，能滿足場景需要。

　　沈志勇認為，智能體可能會遇到木桶原理中的“乘法問題”，即整體性能取決于最弱環節。因此，需要拆解鏈條上的各個環節，逐個優化，尋找每個環節都表現良好的場景。

　　大模型面客需守住風險底線

　　大模型的終極價值就在于直接面客。不過，任何模型都需要在大規模使用后才能成熟，因此，人工智能一定要在應用中迭代，讓社會、企業、個人逐步適應，并在實踐中不斷改進。此外，大模型通常參數規模大、響應速度慢、運營成本高，一定程度制約了大模型直接面客應用的發展。銀行機構需持審慎態度，練好內功，將生成式AI的幻覺和滲漏風險作為行業創新底線，在監管指導下穩妥推進AI在金融領域的應用。

　　從算力、算法、數據角度看，為應對未來更大規模的算力需求，金融行業應通過超大規模算力統一調度技術，在同城、區域、全國三個層面，逐步構建行業統一算力網，進一步打破行算力流通壁壘。受制于美國半導體技術供應鏈封鎖，英偉達GPU路線不可持續，需探索信創大模型應用之路。

　　算法上，隨著端設備智能算力提升，金融機構應探索高隱私、個性化金融場景與端機智能設備結合，借助 APP 等載體，實現私有小模型在端側的有效應用。此外，需高度重視價值對齊，嚴格區分事實邏輯與價值邏輯，避免將企業主觀價值判斷等私域信息混入模型訓練，確保模型的客觀性與公正性。

　　數據上，建議開放更多公共大數據空間或數據源；加大從原生多模態數據源頭的統一訓練與推理；加強企業數據空間建設，提升采集加工效率，保障數據質量與安全，形成數據驅動飛輪效應。

　　大模型訓練和部署成本不菲，需有投資思維。在場景選擇上，除了研究和評估技術難度，還需從投資者視角看待新技術應用創新，以預期價值、風險底線、時間周期為約束條件，投入相對寬松的人、財、物、產學研資源，并關注產出回報。同時，應對模型高效管理、精準監測、及時升級迭代，乃至合理淘汰，實現對模型全生命周期的精細化管理。

　　在金融行業推動大模型應用發展，還應強化協同共創，這離不開監管部門指導，以及行業協會組織協調。大型金融機構等重要參與方應充分發揮在算力、數據資產、人才等方面的優勢，與中小銀行共同構建行業大模型。鑒于大型金融機構客群龐大，對客服務需更加審慎，建議設立小型沙盒環境，由大型機構提供技術支持、小型機構提供應用場景，先行先試。此外，應推進AI+金融生態合作，在金融行業內用好智能體的同時，跨行業發揮智能體的價值將帶來更多想象空間。

　　（文| 余春敏）

　　(本文作者介紹：一個高質量的新金融政策研討和行業交流平臺。)