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“**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**数据公司IDC**金融行业研究总监高飞共同展开对话。
《金融时报》记者：当前，**金融行业大模型应用情况整体如何？与**相比有什么优势或挑战？
单海军：大模型已经成为新质生产力的重要组成部分，**外科技企业都在加速布局。近两年，**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，**金融行业AI and Generative AI（生成式AI，以下简称“Gen AI”）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，**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Gen AI增强的应用，并专注于扩展；**的比例仅为3%，但**开始投资或做POC测试的企业达95%。在未来Gen AI投资分配上，**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？
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**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**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？
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**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**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，**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？
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“**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“0-10”“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**先进技术水平。
（本报记者张末冬对此文亦有贡献）
