“AI+”时代，金融机构大模型技术应用策略研究

大模型通常是指在人工智能领域基于人工神经网络架构、通过大规模数据集训练得到的深度学习模型。大模型能够通过自然语言(文字、语音、图像等多模态交互)与人类交流，显著提升人机交互效率，推动人机协作方式的革命性变革。大模型的核心特征主要体现在自我学习能力、卓越的泛化能力、潜在的元认知能力、一定的创造力四个方面。

自2022年底ChatGPT-3.5发布以来，大模型技术发展迅猛，在全球范围内掀起“百模大战”，国内科技企业相继推出文心一言、豆包、通义千问、DeepSeek等产品。在此背景下，金融机构纷纷加速布局大模型技术应用，行业整体经营管理能力显著提升。然而，面对“AI+”的时代浪潮，金融业作为典型的数据密集型、技术密集型和风险密集型产业，如何更好地利用大模型技术在应用端精准发力，从而构建新的竞争优势，已成为行业发展的核心命题。本文从大模型技术应用视角，从基础模型底座优化、高质量数据治理、隐私保护技术创新，到多模态模型结合、AI云边协同计算，直至智能体矩阵构建，剖析大模型应用发展趋势，旨在为金融机构提供具有前瞻性的数字化转型路径参考。

近年来，金融机构已经建设了多个业务系统，如银行的存贷款系统、手机银行系统、客户关系信息系统、信用卡系统等。为提高智能化水平，金融机构已经体系化地建立了一整套基于人工智能的基础平台(系统)，如数据中台、商业智能服务(Business Intelligence,BI)平台、人工智能服务平台等。金融机构传统人工智能技术体系如图1所示。

图1 金融机构传统人工智能技术体系

大模型技术作为人工智能的前沿技术，已在多个点状应用场景中“爆发”，如智能客服、风险控制、反欺诈检测、智能投研等金融业务场景，但体系化、规模化的应用场景仍有待挖掘。尽管此前金融机构已构建起相对完整的传统人工智能体系，但在大模型浪潮的冲击下，仍然需要审慎应对，以实现大模型与原有体系的有机融合。

具体而言，金融机构应用大模型技术面临如下挑战。一是缺乏底层开发能力，金融机构需要与大模型平台公司合作，这限制了其自主掌控和定制化能力。二是在数据收集、整理和标注过程中面临困难，且成本较高。三是隐私和机密信息保护至关重要，而使用通用大模型可能导致数据泄露。四是大模型训练和运行成本较高，模型的选择与适配也需要相关人员具备较强的技术能力和丰富的经验。五是大模型对算力要求较高，需在技术实施层面解决算力资源的高效协同问题。此外，不同角色智能体的配合也存在协调困难和协作机制设计等问题。

金融机构需要对市面上的大模型进行选型，做好大模型业务场景应用适配，乃至业务场景再造工作。金融机构无需过度关注大模型的底层技术，而应该在应用端发力，将通用大模型或行业大模型转化成能够为我所有的垂直模型，使其与自身的业务、产品、服务、流程、运营等高度契合，以发挥最大效力。

要充分发挥大模型在应用中的强大效能，高质量的数据无疑是关键所在。对于金融机构而言，数据是其特有的资产，高质量的数据可以大幅提高大模型在应用中的准确性和可靠性，加快大模型的训练速度，促进其收敛速度的提升，并提高其泛化能力。基于原来的数据中台，在大模型的协助下，金融机构可以进一步完善数据质量监督体系和数据治理体系。

在数字化时代，数据已成为金融机构的核心资产，为确保数据安全，防止数据泄露和滥用，金融机构在应用大模型时必须采用严格的数据保护措施。在使用私有数据进行微调训练和应用过程中，应优先使用脱敏数据，并融合隐私计算和联邦学习等技术。

大模型并不是单一的面孔或统一的种类，而是各大模型与各行业磨合而成的智能体。即使是在金融机构内部，这些智能体也可能是“千人千面”的。未来，它们很可能像人类一样，需要具有确定的身份和角色，同时也要对其行为、承诺、答复等负责，即记录在案，不可篡改，区块链技术将在提升人与智能体信任度方面发挥重要作用。此外，区块链技术通过分布式账本和加密算法，可确保数据的真实性和不可篡改性，为数据提供确权和溯源功能，防止数据被滥用。因此，大模型技术、隐私保护技术与区块链技术的融合是未来大模型应用发展趋势之一。

2024年9月，斯隆奖得主马腾宇以及Google Brain推理团队创建者Denny Zhou共同发表了一篇论文，证明只要思维链足够长，Transformer就可以解决任何问题。思维链能够显著提高模型在执行各种任务时的推理能力，其本质是一种离散式的提示模板，即将复杂问题分解为多个小问题，将整体任务拆解为多个子任务。金融机构在使用大型科技公司云平台提供的大模型服务时，基于思维链的思路，并非所有子任务都要在云端(大模型端)完成，部分子任务可在边端(金融机构端)执行。

大模型的兴起并不意味着小模型的式微，相反，大模型的发展将促进小模型的快速进步。在某些细分领域，小模型的表现甚至可以媲美大模型，并能够满足特定场景的需求。大模型可以为小模型提供数据支持和模型训练，小模型则可以为大模型提供特定业务场景的反馈和优化信息，从而实现大模型与小模型的协同工作。这种大小模型的协同，正是AI云边协同能力的重要体现。

金融机构拥有多个信息系统和弱人工智能系统(统称为“专用人工智能系统”)，这些专用人工智能系统好比工具，随着工具越来越多，管理工作也变得越来越复杂。尽管大模型可以优化甚至替代部分工具类软件，且其本身也能成为更高效的工具类软件，但是笔者认为，基于大模型的特点，它更应该被定位为人类的助手和秘书，即一个类人的智能体，辅助人类使用(包括优化和整合)各种工具，而不是完全替代这些工具。

未来，大模型的应用预计会以不同领域和不同角色的智能体形式出现，每个智能体擅长的技能各不相同。在金融机构中，智能体会以多层次、多角色、分属不同部门的方式融合进来，形成智能体矩阵，从而提升整体运营效率和决策质量(如图2所示)。

图2 金融机构智能体矩阵示意

(1)战略规划与合作模式

金融机构需制定大模型应用战略，明确不同业务领域应用的优先级，合理调配投入资源；积极探索多元合作模式，与大型科技公司、高校及科研机构合作，共同开展应用研究，培育专业人才，实现成果共享；建立科学的合作评估机制，定期对合作情况进行评估与调整，评估指标涵盖模型性能、业务价值提升及成本效益等多个方面。

(2)企业级大模型基础上的垂直模型定制与优化

金融机构应优先搭建算力强大且符合自身特点的企业级大模型底座，为各业务条线提供坚实的创新能力支撑。避免因算力不足、企业级大模型训练不完善导致各业务条线各自摸索、各自为战、重复劳动。

金融机构的业务特征存在诸多共性。以商业银行为例，其主要业务条线包括存款、信贷、支付结算、信用卡、金融市场、网络金融等。各业务条线对大模型的需求相似，从业务管理维度来说，主要集中在对合约、产品、流程、风控、营销的智能化分析，及其创新能力的提升。因此，金融机构可建立内部通用的企业级大模型，在此基础上，各业务条线再根据自身需求建立垂直模型，从而为各业务场景的创新提供足够强大的支持能力。例如，商业银行可按照业务线分别定制存款、支付、信贷等不同业务垂直模型；同时，组建一支由多领域专家构成的模型优化团队，持续对具体场景进行试用和创新，进而对模型进行改进。此外，采用敏捷开发方法，快速响应业务和市场变化，通过小批量数据迭代训练，不断提升模型的适应性与准确性。

(1)构建数据质量管理体系

金融机构可复用数据中台的功能，搭建一个涵盖数据采集、存储、处理和应用等各环节的数据质量管理框架，并制定标准规范明确相关流程和责任人；借助大模型构建实时监控工具，持续监测数据质量；部署数据审计智能体，不定期执行审计任务，审计范畴覆盖准确性、完整性、一致性等多维度数据质量特性。

(2)数据创新与价值挖掘

大数据技术已发展多年，但始终难以彻底解决灵活报表这一痛点问题。大模型在数据搜索与关联、特征提取、数据洞察等方面的能力是其他技术远不能及的。因此，应重点挖掘大模型“所要即所得”的即时灵活报表能力。此外，金融机构可探索基于数据中台和大模型的数据创新方法，例如，生成合成数据以扩充数据集；深入挖掘数据价值，将其用于数据分析和洞察，为业务决策提供依据；建立数据价值评估机制，通过多个指标量化数据对业务的贡献度。

(1)隐私保护技术应用

金融机构需积极引入前沿的隐私保护技术，结合自身业务特点选择适配方案，随后开展应用试点工作，并验证方案的可行性和有效性。同时，建立更新升级机制，持续提升隐私保护水平，以应对不断变化的安全挑战。

(2)区块链与大模型应用融合

金融机构可深入分析区块链与大模型应用的适配性场景，积极探索两者的协同工作机制，从而实现数据的可信共享与协同训练。此外，还可利用区块链技术为智能体等建立数字身份，为数字资产进行确权。

(1)云边协同架构设计

金融机构可设计科学合理的云边协同架构，明确云端与边端各自的功能划分以及相互之间的协作方式；同时，挑选合适的技术工具，以保障云边之间的数据传输和任务分配高效稳定；建立全方位的安全机制，保障数据与模型在整个协同过程中的安全性。

(2)大小模型协同优化

大模型技术发展日新月异，为了确保企业级大模型始终保持先进性，在推进技术与训练优化的基础上，还需持续开发小模型和实用工具。金融机构需深度钻研大小模型协同的原理、方法以及优化策略，运用多种技术有效降低模型参数规模，增强大小模型之间的协作效果。同时，建立科学的协同训练机制，全面提升模型性能与运行效率；积极开展案例研究工作，促进内部知识交流与技术共享。

(1)智能体设计与开发

金融机构基于企业级通用大模型与垂直模型，可根据个性化场景设计智能体。智能体具备可完成特定任务的能力，如办理银行活期存款业务、开展手机银行营销活动、进行外汇业务询报价等。金融机构需根据业务需求和组织架构设计多种智能体角色功能，采用先进技术开发高性能智能体，并建立测试验证机制以确保其可靠性和稳定性。

(2)智能体协作与管理

根据具体场景开发多种不同的智能体后，这些智能体还可能存在功能交叉及重复建设的情况。在大模型应用的初期，这一现象有其必要性，因为从激发创新积极性角度出发，只有鼓励应用创新，才能促使更多更好的想法得以落地实现。一旦大模型应用步入稳定期，智能体的种类与数量则应循序浙进地适度整合收敛，并逐步实施统一管理。在这一过程中，金融机构需要逐步摸索建立智能体协作机制，以实现信息共享和任务协同；构建统一的管理平台，用于集中监控和管理智能体；同时，开展相关培训，提升智能体的适应性和学习能力。

在大模型的赋能下，金融机构能够深度聚焦应用端创新，充分利用并优化传统人工智能体系架构，通过“以点带面、以精促全、以模建模、以模治模”的策略，全面推动业务变革，从战略规划的顶层设计到策略的具体实施，从人员培训体系的完善到技术升级的持续推进，从创新工具的研发到数据分析的深度挖掘，全方位构建以大模型为核心的新型生产模式，从而在激烈的市场竞争中抢占先机，实现可持续发展的长远目标。