编者按：本文深入探讨建设银行金融大模型的建设历程与应用实践。在人工智能技术飞速发展的当下，建设银行积极响应，启动 “方舟计划”，构建千亿级金融大模型，搭建云智算集群，整合海量质量数据，培养专业人才队伍，并建立安全对齐机制。通过在个人金融、公司金融、风险管理等领域落地应用，切实提升工作效率、优化客户体验、助力业务发展，为金融行业的数字化转型提供有力示范，同时展望未来人工智能在银行领域的深度融合与广阔前景。
注：本文数据及案例均引自建设银行公开披露信息及《金融电子化》等权威报道。
01 引言
随着新一轮科技革命和产业变革深入发展，人工智能已成为引领科技创新和驱动产业升级的核心力量。从日常生活到工业生产，从社会服务到金融领域，人工智能的触角正不断延伸，重塑着各个行业的形态与格局。在金融行业，人工智能的应用更是日新月异，从早期的风险评估、客户服务，到如今基于大模型的全方位智能化服务，正推动金融机构迈向更高效、更精准、更个性化的服务新时代。
建设银行作为金融行业的领军者，始终秉持科技引领创新、创新驱动发展的理念，紧密跟踪前沿技术动态，积极探索人工智能与金融业务的深度融合。面对大模型时代汹涌澎湃的发展浪潮，建设银行果断行动，全面布局，以 “方舟计划” 为战略抓手，全力推进金融大模型建设与应用实践，在金融科技领域掀起一场智能化变革，为金融服务的高质量发展注入澎湃动力。
02 建设背景与目标
1.人工智能赋能千行百业的时代浪潮
2024 年政府工作报告明确提出深化大数据、人工智能等研发应用，开展 “人工智能 +” 行动，为我国人工智能产业发展指明方向。近年来，我国人工智能核心产业规模迅速扩张，接近 6000 亿元，相关企业数量超 4500 家，展现出蓬勃生机与活力。在众多领域，人工智能的应用成果斐然：智能制造优化生产流程、提高产品质量；智能导航精准规划出行路线；智慧教育个性化培养人才；智慧医疗突破地域限制提供医疗资源；智慧金融拓展服务边界、提升服务效能；智慧司法保障司法公正与效率。人工智能已成为推动经济社会发展的重要引擎，全方位融入人们生产生活的方方面面。
2.银行业的数字化转型需求
在银行业中，人工智能的应用潜力巨大，正处于数字化转型的关键阶段。银行需借助人工智能优化内部流程、提升运营效率、强化风险管控、改善客户服务体验。随着客户对金融服务便捷性、个性化、智能化要求不断提高，以及市场竞争日益激烈，银行迫切需要以人工智能为突破口，实现业务模式创新与升级，打造差异化竞争优势。在此背景下，大模型技术应运而生，为银行解决复杂业务问题、挖掘数据价值、拓展服务场景提供了全新途径，成为银行数字化转型的核心驱动力。
3.建设银行的金融大模型建设战略目标
建设银行立足自身雄厚基础与资源优势，确立了以 “方舟计划” 为依托的金融大模型建设战略目标。旨在构建一个具备强大通用能力与专业金融知识的金融大模型，通过深度整合行内外数据资源，充分利用先进算力设施，培养高素质人才队伍，打造安全可靠的应用体系，实现对银行各业务领域的全面赋能。具体而言，一是提升客户体验，满足客户日益多样化、个性化金融需求；二是为员工赋能减负，提高工作效率与质量；三是优化风险管理，增强风险识别与防控能力；四是推动业务创新，探索全新金融产品与服务模式；五是保持行业领先地位，助力金融行业的数字化转型与高质量发展。
03 夯实金融大模型基础
2023 年 3 月，建设银行迅速成立 “方舟计划” 专项工作组，汇聚人工智能领域顶尖专家、数据工程师与业务精英，开启金融大模型研发之旅。
1.建成千亿级大模型基座
基于海量优质文本数据，采用预训练、微调、强化学习等先进机器学习方法，建设银行历经艰难攻关，成功打造千亿级大模型基座。该模型具备信息总结、信息推断、信息扩展、文本转换、安全与价值观、复杂推理、金融知识等 7 项一级能力与 26 项二级能力，能够精准理解金融领域专业知识与建设银行业务逻辑。同时，持续紧密跟踪通用大模型迭代动态，以敏捷灵活策略，迅速融合最新技术成果，利用行内专业知识数据持续优化训练，确保模型性能持续提升，精准适配金融业务复杂多变场景。
2.搭建云智算集群
鉴于大模型庞大的参数规模，训练与推理过程对算力提出极高要求。建设银行统筹规划，整合利用现有算力资源，构建起业内领先的千卡级别高性能异构云智算集群，配备多种类型算力卡，其中图形处理器（GPU）等新型算力占比超23.39%，满足不同业务场景算力需求。不仅如此，还积极布局信创算力集群建设，制定严谨测评标准，保障算力供应稳定可靠，为金融大模型持续发展筑牢算力根基，使其能够从容应对未来业务拓展与技术升级挑战，为金融大模型高效稳定运行提供坚实保障。
3.构建高质量金融数据集
数据是大模型的 “灵魂”，其质量优劣直接决定模型应用效果。建设银行深入挖掘行内外数据资源，广泛整合结构化与非结构化数据，涵盖文档、图像、电子凭证、音视频等非结构化数据，以及工商企业、纳税、政策法规、新闻资讯等外部数据。经过精细分类、清洗与标注处理，构建起丰富、高质量数据资源库，同时建立完善数据质量保障体系，确保数据准确、完整、一致，为金融大模型精准训练与优化提供源源不断 “养料”，使其能够充分学习金融业务规律与特征。
4.锤炼人工智能人才队伍
人才是金融大模型建设的关键。建设银行凭借良好创新氛围与广阔发展空间，培养出一支规模近 1000 人的金融大模型专业队伍，成员涵盖业务、数据、技术各条线。这支队伍不仅具备深厚专业知识与技能，还积极参与行业前沿技术交流与合作，部分专家在智慧教育国家新一代人工智能开放创新平台等重要机构担任要职。此外，建设银行大力营造鼓励创新、宽容失败的工作环境，建立敏捷迭代与试错容错机制，激发人才创新活力，为金融大模型建设与应用提供智力支持与创新动力。
5.建立安全对齐的管理机制
金融行业的特殊性决定了安全性与可靠性至关重要。建设银行构建全方位安全对齐管理机制，在应用层面制定严格需求规范，明确应用场景边界与安全要求；在数据层面，建立取数用数、数据安全、数据集成、提示工程等管理办法，保障数据合规使用与隐私安全；在研发层面，制定端到端开发规范与知识库应用服务规范，开发敏感词过滤机制，确保模型输出内容符合金融行业规范与价值观，有效应对人工智能应用潜在风险，实现安全与发展平衡。
04 金融大模型应用实践
金融机构开展大模型应用还面临着安全性、可靠性和知识产权等挑战。建设银行按照“先内后外、循序渐进、持续投入”的总体原则，以点及面，探索金融大模型应用。
1.打造三大基石应用
方舟助手、方舟工具箱和向量知识库是建设银行金融大模型应用的三大基石。
（1）方舟助手
作为金融大模型基础应用之一，方舟助手为员工提供全方位智能辅助。在业务知识问答方面，员工可随时向其咨询各类业务问题，获取准确、专业解答；文案写作场景中，员工输入主题与要点，方舟助手快速生成格式规范、内容详实文案；表单填写时，依据业务规则与数据自动填充信息，避免人工错误；客调报告生成更是将复杂繁琐调查过程简化，员工收集资料后，方舟助手整理分析生成完整报告，大幅节省撰写时间，提高工作效率，使员工能将更多精力投入核心业务工作。
（2）方舟工具箱
作为方舟助手的 “技能编辑器”，方舟工具箱以无代码开发模式，降低员工使用人工智能技术门槛。即使缺乏专业编程知识员工，也能通过简单拖拽、配置操作，快速构建个性化 “智能体”。员工可根据自身工作需求，灵活选择并组合行内提供的各种人工智能工具，打造专属智能助手，实现业务流程自动化与智能化改造，提升工作灵活性与创造力，满足不同岗位员工差异化需求。
（3）向量知识库
扮演方舟助手与方舟工具箱 “专业图书馆” 角色，向量知识库存储海量金融大模型可理解的向量化行内业务知识。这些知识经过专业处理与优化，能够被金融大模型高效检索与理解。当员工通过方舟助手或方舟工具箱发起查询时，模型迅速在向量知识库中精准定位相关知识，并以简洁明了方式呈现给员工，为业务操作、决策支持、客户服务等提供坚实知识后盾，确保员工输出信息准确、专业、权威，提升银行整体服务水平与业务质量。
2.多领域应用场景落地
截至目前，建设银行金融大模型应用已经覆盖全集团一半以上的员工，46个业务领域，200多个场景。
（1）赋能个人金融
客户服务个性化方面，员工借助金融大模型深度分析客户行为数据、资产状况、风险偏好等多维度信息，为客户量身定制金融产品推荐方案。例如，依据客户消费记录与投资偏好，智能推荐符合其需求的理财产品、信用卡优惠活动等，提高客户满意度与忠诚度。在资料填写环节，金融大模型自动识别与抽取客户提供的各类资料信息，如身份证、收入证明、房产证明等，精准填入业务申请表单对应栏位，生成完整申请材料与客户调查报告，减少客户等待时间，提升业务办理效率，像房贷申请流程中，复杂申请表填写时间大幅缩短，客户体验显著优化。
（2）赋能公司业务
日常办公中，员工利用金融大模型高效完成知识检索任务，在处理大量业务文件与信息时，迅速定位所需关键知识点；材料审核环节，模型凭借严谨逻辑与专业知识，快速发现文件中潜在错误与风险点，如合同条款合规性、财务数据一致性等；撰写对公客调报告、客户拜访记录、会议纪要等工作场景下，金融大模型依据收集到的资料与员工口述要点，生成条理清晰、内容详实文档，平均节省 30% 以上撰写时间，使员工有更多精力专注于客户关系维护、业务拓展等核心工作，提高对公客户服务整体效能。
（3）赋能风险管理
在风险评估领域，员工运用金融大模型对客户信用风险进行全面分析，模型整合客户财务数据、交易记录、行业动态等多源信息，精准评估客户违约概率，为信贷审批提供科学依据；风险对话分析中，模型实时解析客户与银行人员沟通对话内容，捕捉潜在风险信号，如客户经营状况异常、偿债能力变化等，并及时预警，辅助风险管理人员提前采取防范措施。在反赌反诈风险核查工作中，基于模型信息分析与关键词提取功能，自动生成结构化核查结果，为风控专员提供详细核查建议，有效提高风险核查准确率与效率，保障银行资金安全与合规运营。
（4）赋能资金资管
研究员利用金融大模型追踪最新市场动态，快速筛选海量资讯中关键有效信息，把握市场趋势；撰写投研报告摘要时，模型具备自动摘取核心要点、续写文章内容、智能点评分析等能力，大幅缩短报告撰写周期，提高研究效率与质量；在基金运作报告生成场景中，员工上传基金信息与市场策略报告后，模型快速整合数据，生成逻辑连贯、分析深入的基金运作分析报告，为投资决策提供有力支持，增强资金资管业务专业性与精准性。
（5）赋能渠道运营
客服人员在处理智能客服工单场景中，金融大模型基于客户与客服对话内容，精准总结客户问题与诉求，自动抽取工单关键要素并完整填写，有效减少人工录入错误与时间成本，同时提升工单处理效率与质量；渠道推广工作中，员工借助模型生成高质量营销文案与宣传图片，精准传达产品卖点与活动亮点，吸引客户关注，提高渠道运营推广效果。在代码生成方面，技术人员利用模型快速编写代码框架、调试代码逻辑，提高软件研发效率，保障渠道系统稳定运行与功能迭代更新。
（6）赋能办公管理
在会议策划阶段，金融大模型协助员工制定会议议程、预定场地、发送通知等，确保会议筹备工作有序进行；会议纪要撰写时，模型根据会议录音与文字记录，生成规范、详实会议纪要，完整记录会议要点与决策事项；知识问答场景中，为员工提供便捷知识查询服务，快速解答业务知识、政策法规、办公流程等问题；文档润色环节，模型优化员工撰写文档的语言表达、逻辑结构，使其更加专业、流畅、易懂；在新闻宣传稿与培训课件生成工作中，模型依据给定主题与要求，创作吸引人的宣传文案与内容丰富、形式多样的培训课件，提升办公工作效率与质量，营造高效、智能办公环境。
05 应用成效
1.工作效率提升
金融大模型的应用显著减少员工在重复性、规律性工作上投入时间与精力。以方舟助手为例，其在文档生成、表单填写、报告撰写等功能上表现出色，员工处理相关工作任务效率平均提高 30% 以上。在房贷申请表填写场景中，原本需耗费数小时人工填写与审核流程，如今借助模型可在短时间内完成，员工能将节省时间用于与客户沟通、业务拓展等更具价值工作，有效提升个人工作效率与工作质量，进而提高银行整体运营效率，增强市场竞争力。
2.客户体验优化
通过金融大模型深度挖掘客户数据，银行能够为客户提供个性化、精准化金融服务。在个人金融领域，客户接收到专属金融产品推荐与营销话术，切实感受到银行服务针对性与贴心程度；智能客服借助模型精准理解客户咨询问题，提供专业、准确解答，减少客户等待时间与沟通成本，提升客户咨询满意度。客户体验优化不仅有助于提高客户忠诚度，还能吸引更多新客户，扩大银行客户群体，推动业务持续增长。
3.风险防控强化
在风险管理方面，金融大模型凭借强大数据分析与风险识别能力，为银行筑牢风险防线。在信用风险评估中，模型精准预测客户违约风险，辅助信贷人员做出合理审批决策，降低不良贷款发生率；反赌反诈风险核查场景下，模型高效发现潜在风险交易，及时采取防范措施，保障银行资金安全与客户账户安全。风险防控能力提升有助于银行稳健经营，减少风险损失，维护金融秩序稳定。
4.业务创新拓展
金融大模型激发银行各业务条线创新活力，催生众多全新业务模式与服务场景。在产品创新方面，银行依据模型分析客户需求与市场趋势，研发更具竞争力金融产品，如个性化理财产品、定制化保险方案等；服务模式创新上，探索智能投顾、虚拟银行等创新服务方式，拓宽服务边界，满足客户多元化金融需求。业务创新拓展不仅为银行带来新增长点，还能引领金融行业发展方向，推动金融服务向更高层次迈进。
06 未来展望
展望未来，金融大模型应用将进一步发挥作用，为金融行业智能化转型和数字金融高质量建设做出贡献。
1.构建全新金融生态
未来，随着人工智能技术持续发展，尤其是多模态大模型、RAG、智能体等前沿技术逐步成熟与应用，银行将构建起全新金融生态。在该生态中，金融服务将深度融合客户生活场景，实现金融服务无处不在。例如，在客户日常生活消费场景中，银行通过智能推荐系统为客户实时推荐适合消费信贷产品、支付优惠活动等；在企业生产经营场景里，为企业提供一站式智能财务解决方案，涵盖资金管理、风险管理、供应链金融服务等。全新金融生态将打破传统金融服务时空限制，为客户创造更加便捷、高效、个性化金融体验，推动金融服务与实体经济深度融合，促进经济社会高质量发展。
2.重塑银行经营模式
IDC 预测，到 2030 年人工智能将为全球经济贡献 19.9 万亿美元，有力推动全球 GDP 增长。在金融领域，银行经营模式将因人工智能而发生颠覆性变革。借助大模型与大算力支撑，银行能够实现产品推荐 “千人千面”，精准匹配客户需求；经营策略 “一户一策”，动态调整优化。同时，银行内部管理将更加智能化，从人力资源管理、财务管理到风险管理等各个环节，都将借助人工智能实现精细化、科学化管控，提升银行整体运营效益与管理水平，增强银行在金融市场中的核心竞争力。
3.拓展应用空间
随着多模态技术不断进步，大模型对文本、图像、语音等多种信息处理能力将进一步提升，为银行拓展更广阔人工智能应用空间。在客户服务方面，银行可打造多模态智能客服，通过语音交流、文字沟通、图像识别等多种方式，全方位理解客户需求，提供更加丰富、立体服务体验；在风险防控领域，融合多源异构数据，构建多模态风险识别模型，精准识别各类风险隐患，如利用图像识别技术监测抵押物状态、通过语音分析技术评估客户信用风险等，全方位提升银行风险防控水平。应用空间拓展将为银行创造更多业务价值，推动银行业务持续创新发展。
4.增强决策能力
智能体技术融入金融大模型后，银行决策系统将具备强大自主学习、决策与交互能力。智能决策系统能够深度分析历史数据与实时信息，自主调整优化决策策略，以应对复杂多变市场环境。例如，在投资决策方面，智能体模型综合宏观经济数据、市场动态、行业趋势等多维度信息，为投资人员提供精准投资建议与决策支持；在战略规划领域，模型依据内外部环境变化，辅助管理层制定科学合理发展战略规划，提高银行决策科学性与准确性，助力银行在市场竞争中把握先机，实现可持续发展。
5.提升灵活应变能力
融合大小模型优势，银行将构建起更加灵活高效的人工智能应用体系。大模型凭借海量知识储备与通用性优势，在复杂业务场景中提供全面、深入分析与决策支持；小模型则凭借低延迟、低能耗特点，在实时性要求高的场景中快速响应客户需求。通过大小模型协同工作，银行能够更加灵活应对各种复杂业务场景与市场变化，例如，在高频交易场景中，小模型快速处理交易指令，保障交易实时性；在深度市场分析场景里，大模型深入挖掘市场趋势，为投资策略制定提供依据。灵活应变能力提升将使银行在复杂多变金融市场中保持竞争优势，从容应对各类挑战。
6.优化客户服务能力
在合法合规前提下，银行将人工智能深度应用于客户服务领域，构建智能化金融服务平台。该平台具备智能语音交互、个性化推荐、情感分析等能力，能够精准理解客户情感与需求，提供贴心、个性化服务体验。例如，当客户咨询金融产品时，平台不仅提供产品信息，还能依据客户情绪与需求引导式推荐适合产品，并以通俗易懂语言解答疑问；在客户投诉场景中，平台快速响应，精准识别客户投诉问题，协调相关部门及时解决，同时生成个性化安抚话术，缓解客户不满情绪，提升客户满意度与忠诚度，树立良好品牌形象。
综上所述，建设银行金融大模型建设与应用实践已取得显著阶段性成效，其在提升工作效率、优化客户体验、强化风险防控等方面发挥关键作用，为银行数字化转型注入强劲动力。展望未来，随着人工智能技术不断创新突破，建设银行将继续深化金融大模型研发与应用，积极拥抱前沿技术，拓展应用边界，引领金融行业智能化发展潮流，为金融服务高质量发展、经济社会繁荣进步作出更大贡献。
