中电金信：从智能应用到全栈AI，大模型如何重构金融业务价值链？

导语

当前，AI大模型技术正加速重构金融行业的智能化图景。为助力金融机构精准把握这一变革机遇，中电金信与IDC联合发布《中国金融大模型发展白皮书》。《白皮书》在梳理了AI大模型整体发展现状的基础上，结合金融行业用户的需求调研深入分析了场景落地过程中所面临的挑战和机遇，为金融行业全面拥抱智能时代机遇、构建可信AI能力基座提供战略级行动指南。

《白皮书》发布后，金融大模型发展再度引发行业热议。近日，《金融时报》记者邀请中电金信研究院副院长、人工智能实验室主任单海军与国际数据公司IDC中国金融行业研究总监高飞，围绕大模型如何重塑金融业务模式、应对行业挑战等议题展开深度对话。

《金融时报》报道全文如下:

在金融行业的发展长河中，每一次重大变革都伴随着技术的突破与创新。如今，大模型正以磅礴之势，闯入这片传统与创新交织的领域，带来前所未有的机遇与挑战。

智能客服、智能投顾、合规审查……金融大模型的出现和应用正成为不少领域的“强助攻”，宛如一个拥有“最强大脑”的智能分析师，能够瞬间处理数以亿计的数据，精准洞察市场趋势，让投融资等决策不再是雾里看花。

但这一变革并非坦途。数据安全、算法偏见等问题已引发行业内外的担忧。金融大模型将如何重塑金融业务模式，又将如何改写金融行业的未来？围绕相关问题，《金融时报》记者邀请中电金信研究院副院长、人工智能实验室主任单海军与国际数据公司IDC中国金融行业研究总监高飞共同展开对话。

《金融时报》记者：

当前，国内金融行业大模型应用情况整体如何？与国际相比有什么优势或挑战？

01

单海军：

大模型已经成为新质生产力的重要组成部分，国内外科技企业都在加速布局。近两年，中国金融行业在大模型的研发投入和应用方面也走在市场前列。根据IDC数据显示，2024年，中国金融行业AIandGenerativeAI（生成式AI，以下简称“GenAI”）投资规模达到196.94亿元。同时，金融行业应用在加速，围绕优体验、提效益、降成本和控风险等目标，已广泛应用在办公运营、理财营销、财富管理、信贷风控与IT开发等领域。

高飞：

当前，国内外机构都在加速发展大模型。IDC调研数据显示，全球已经有18%的企业在生产环境中引入了几个GenAI增强的应用，并专注于扩展；中国的比例仅为3%，但中国开始投资或做POC测试的企业达95%。在未来GenAI投资分配上，中国和全球企业几乎都会平均分配在生产力提升应用场景、跨行业水平职能应用场景、垂直行业专属应用场景三类应用场景上。IDC表示，全球生成式AI市场规模将不断攀升，这一发展趋势的动力源自技术迭代的加速、应用领域的拓宽以及企业对AI创新驱动的投入。

《金融时报》记者：

目前，金融大模型在哪些场景应用比较成熟？不同规模的金融机构在场景和实际应用层面是否存在明显差异？

02

单海军：

金融机构当前落地较成熟的场景包括智能客服、内部运营（搜索与问答、知识管理/内容创作、舆情管理、HR等）、智能投顾/财富管理、智能营销（内容营销、产品营销等）以及风险管理（风险评估、风险识别、风险预警等）。例如，中电金信的信贷业务助手，即可面向银行信贷业务风险领域，支持业务知识的高效知识检索与问答，实现在贷前尽职调查、贷中合规审查、贷后管理等信贷作业流程中，随时随地提供信贷业务解答与尽调报告智能撰写，提升信贷业务办理的准确性和效率。

值得关注的是，当前不同类型的金融机构在推进大模型的落地中，会根据其自身战略目标、业务需求、技术能力、资源禀赋、风险偏好来进行差异化的场景及路径选择。一般而言，头部金融机构通过自下而上建设全栈AI能力，在应用层覆盖全领域场景应用；中型银行因其算力及投入资金限制，会选择部分高投资回报率（ROI）场景进行尝试，比如智能IT开发、智能营销等领域；小型金融机构会优先试点企业知识库、智能客服或者智能公文写作等相对容易和见效快的场景。

高飞：

根据IDC观察，由于大型金融机构拥有更多创新能力和研发实力，能够支持复杂的大模型开发和部署，更偏向于构建全栈AI平台，例如工商银行基于自主研发、全栈自主可控的企业级大模型平台——工银智涌，形成以大模型为核心的新一代金融业务赋能模式。而中小型金融机构资源相对匮乏，它们更加注重成本效益，优先选择在特定业务场景中应用大模型，并以业务场景需求为导向，通过“小切口、快回报”策略推进大模型的落地。例如，某头部城商行将大模型用于识别科创型小微企业金融风险，在产业链构建、产业研究、画像生成和业务分析均载入Agent（代理）服务后，该银行科创型小微企业授信额度提升了2.9倍，效率提升了10倍。

《金融时报》记者：

金融机构训练大模型需要大量算力资源，其成本较高。在实际应用中，金融机构如何平衡大模型应用带来的收益与投入成本？应对AI幻觉、算法偏见方面有哪些建议？

03

单海军：

在推进大模型落地过程中，相比其他领域，金融行业对数据质量、推理准确性及响应速度以及在管控、合规、安全层面的要求都更高，金融机构需以谨慎的态度去推进大模型的应用落地。如何选择合适的应用场景及如何推进其在金融场景中的有效落地，是当前金融机构在大模型应用落地中重点关注的问题。

在场景应用选择方面，建议围绕公司战略目标选择高ROI场景。在具体的应用建设方面，金融机构可以通过平台、工具链等方式降低企业构建和应用大模型的成本，比如使用模型推理加速技术，有效提升大模型推理效率，减少资源消耗。

高飞：

为提高数据质量、克服AI幻觉，在数据层面，可以通过以下方式提高数据质量，例如通过数据清洗和预处理，去除噪声和不一致数据，修复缺失数据；引入公平性算法，消除数据中的歧视与偏见；使用合成数据生成，弥补少数群体数据不足的问题。在克服AI幻觉方面，可以通过使用基于prompting（思维链）范式的模型解释、基于分类器进行探测等模型解释工具，以及可视化技术等方法来提高模型的可解释性，例如通过局部解释的LIME（本地可解释模型及不可知解释）和SHAP（一种AI可解释性的工具）算法等，并将这些模型解释技术集成到建模产品中，为每个生成的模型，尤其是为黑盒模型提供可解释交互界面。

《金融时报》记者：

下一步AI行业将走向何处？

04

单海军：

以DeepSeek为代表的国产基模崛起和开源进程的加快，使得我国AI应用产业化、规模化推进迈出一大步。我们可以看到，一方面，AI作为大规模社会投入参与、工程化实践的成果，需要体系化的“最优解”来提升算力单品的性能。这背后不仅需要构建强大的AI基础设施，确保做好底层兼容适配和上层应用创新支撑，还需要做好算力管理、调度和调优。

另一方面，在AI技术井喷的背景下，AI行业应用加速。AI是盐，软件是水，盐溶于水才能产生根本性变革，AI唯有和软件深度结合才能催生应用的颠覆性创新。在嵌入式开发AI应用时，需要平衡好私有化部署、定制化开发需求和市场规模化应用之间的关系。通过搭建有效协同机制、制定行业标准和探索开源模式，可以避免重复“从0-1”的创新，共享“从0-1”的实践成果，加快从“1-10”“10-100”的进程，从而加速整体研发效率和应用质效的提升，快速跟踪、接近并超越国际先进技术水平。