金融大模型步入“价值”攻坚战，如何跨越三道门槛？

　　从“用起来”到“有价值”

　　从“用起来”到“有价值”，2025年正成为中国金融业大模型规模化落地的关键一年。AI技术不再停留于概念验证，而是深入业务核心，驱动金融服务走向智能化、普惠化。

　　目前金融领域AI应用走到哪一步？还存在哪些难点？未来又有哪些发展空间？近日，2025世界智能产业博览会在重庆国际博览中心开幕，在马上消费金融股份有限公司主办的“2025数字产业生态大会”上，多位专家、学者、企业嘉宾对金融领域的AI前沿应用展开讨论。

　　从“用起来”到“有价值”

　　与早期单纯强调“用起来”不同，当前金融机构在推进AI落地时，更加关注技术与业务部门协同所带来的实际效益与成本控制。“有价值”正成为行业共识，也是多位嘉宾频繁提及的关键词。

　　中国银行原行长李礼辉表示，以前AI在金融领域的应用只是人工辅助，近年来AI Agent（智能体）不断学习，具有能够感知、学习、行动、决策的代理能力。金融智能体依托行业最佳流程、最佳标准数据支持，可以培育具有较高专业水准的金融专业的代理人，适用于市场分析、风险评估、投资顾问、财富管理、量化交易、产品定制、内部审计等领域。

　　马上消费常务副总经理蒋宁称，人工智能正在重塑与消费者的关系，人机协同以体系化协作定义金融智能新范式。如果把人机协同分为L1到L5五个阶段，当前行业正从L3向L4阶段跨越，关键突破在于大模型技术使机器能够自主理解并响应用户需求。未来，将朝L5阶段发展，推动机器提供更拟人、有情感的高质量服务，实现科技与人性化体验的深度融合。

　　百度集团副总裁袁佛玉也持类似观点。她认为，今年是智能体元年，很多大型企业构建了智能体层面的平台，通过平台去发动全员，让业务人员可以真正地满足需要，诞生了很多真正有实际场景需要的智能体并广泛推广。相关数据显示，业务部门在建设中的参与度从过去的18%提升到74%。

　　从近期银行披露的半年报看，上半年银行业AI大模型落地呈现“加速跑”态势，实现应用场景快速拓展。例如，工商银行开展“领航AI+”行动，在个人金融、金融市场、对公信贷等重点业务领域新增AI财富助理、投研智能助手等100余个应用场景。邮储银行“邮智”大模型适配吸收多款主流大模型，开展了230余项大模型场景建设。

　　除场景拓展外，业内认为，在这一阶段，机构也开始系统性思考金融智能化战略。华为数字金融军团首席专家柳元鑫表示，各个机构都把智能化作为最重要的战略提了出来，希望能借此变得更加敏捷，更好开展轻资本业务。到目前这个阶段，金融机构更倾向于从体系化的角度来考虑整个AI的建设。

　　“大家都认为用AI重构业务还有一段时间，怎么利用好最近1年至2年的时间窗口，把整个AI的体系建设起来，确保能够真正发挥大模型的核心作用，已经成为行业共识。”柳元鑫说。

　　数据、安全与不确定性待解

　　随着监管条例和配套指南集中落地，GPU算力租赁价格大幅下降，金融大模型正从昔日只有头部机构才能负担的“概念验证”骤然下沉为大众可及的“生产工具”。但真正重塑金融行业，还需迈过哪些门槛？

　　蒋宁认为，当前中国企业普遍面临数据资源难以转化为自身资产的挑战。尽管数据丰富，但数据、技术与算法之间割裂，无法协同支撑决策。因此，亟须通过洞察平台，从大量“废弃数据”中识别高价值应用场景与客户真实需求，将其转化为大模型训练的关键生产资料。洞察平台可激活企业约70%的“沉睡”数据，通过离线洞察与知识挖掘、人机协同实时洞察，将企业海量异构数据变成AI-Ready的决策燃料，激活企业数据价值，推动智能体持续进化。

　　“下一阶段，我们将依托新一代人工智能强化学习技术，在金融决策和风险控制等领域实现新的突破。”蒋宁对第一财经表示，以自动驾驶为代表的强化学习应用已展现出该技术的广泛潜力，未来计划将自动驾驶领域中积累的强化学习经验与人工智能技术进一步融合，在金融决策流程中，让强化学习发挥作用。

　　据了解，马上消费2023年发布零售金融大模型“天镜”，现已升级至3.0版本，应用于八大核心场景。其智能客服年均服务超6500万次。

　　柳元鑫认为，尽管过去金融行业已投入大量资源建设数据平台，但目前可能仅还原了50%的数据价值，大量业务规则以及深植于专家经验中的隐性知识尚未被充分挖掘。下一步，行业需要推动数据中台与AI平台的深度融合，将人工智能各项技术真正系统性地应用于业务全流程。

　　安全性，也是未来金融大模型亟需解决的关键问题。

　　李礼辉指出，国产大模型在金融领域的应用正从单点突破走向生态重构，已进入规模化应用阶段。在这一超高速发展的智能金融创新进程中，必须高度重视金融模型的安全性与可信性。目前，模型歧视、算法共振和隐私泄露等技术风险仍未得到彻底解决。

　　他进一步解释，算法共振是指不同机构在量化交易中采用相似的程序算法逻辑，导致市场预测趋同、交易策略一致，进而可能引发单边市场行为与剧烈波动；隐私泄露问题则缘于模型可解释性不足，即对算法处理、数据挖掘及生成过程缺乏透明解释，这不仅制约了监管合规能力的提升，也影响了模型的可靠应用。

　　蒋宁表示，金融领域的决策要求具备极高的精准性，这也是当前引入强化学习技术的重要原因。由于金融业务的高度敏感性，即便是非常微小的偏差，也可能在实际决策中造成显著影响。此外，让AI的决策可信非常重要。目前在这些方面，已经逐步形成了一系列标准方法、平台与工具。

　　还有更多环节需要优化。蒋宁称，金融行业历来注重稳健，其业务模式相对稳定，商业决策也往往基于确定性前提展开。然而，人工智能的引入带来了新的挑战，其中最显著的就是其不确定性。举例来说，在部署某些AI决策之前，不知道其投资回报率（ROI）或具体商业成效，这就要求机构必须有一定程度的先期投入与探索意愿。正因如此，金融机构需要在战略规划、组织架构设计以及人才引进等方面持续创新与调整。