大模型在金融領域的應用探索、挑戰與發展建議

伴隨現代信息技術的快速發展，科技創新不斷催生新產業、新模式、新動能，成為發展新質生產力的核心要素。金融業作為數字化、智能化的先行者，在大模型應用實踐方面取得重要進展，有望成為大模型技術落地的最佳領域之一。

當前，以生成式人工智能為代表的關鍵技術取得重大突破，正引領新一輪智能化發展的熱潮，為各行業技術革新、提質增效注入新動能。調研顯示，目前金融大模型還處于起步階段，面臨諸多問題挑戰，需要多方持續發力。

大模型在金融領域的應用探索取得積極成效

大模型產業的蓬勃發展得益于人工智能領域數十年的積累。金融業高度重視大模型的應用創新與實踐，積極探索落地路徑與應用場景，已經取得初步成效。

大模型金融應用主要流程

金融機構大多選擇在自有服務器上部署大模型，以符合個人隱私保護和數據不出域等相關要求。金融機構私有化部署大模型主要包含以下步驟：一是明確需求，梳理業務情況，調研業務系統，識別關鍵業務痛點，從而明確大模型應用需求，并選擇適合的試點場景；二是預評估，選擇基礎大模型，并對大模型的能力和應用效果進行預評估；三是場景測試，準備測試數據，構建提示語（prompt）測試集，評估大模型在該場景下的效果，對出現的問題進行分析，確定后續的訓練及部署方案；四是模型訓練，建立大模型計算集群，部署基礎大模型，準備訓練數據，對基礎大模型進行二次訓練或微調；五是模型優化，采用人類反饋強化學習（RLHF）等技術優化模型，調整prompt，并對模型性能、效果和安全性等方面進行綜合評估；六是測試上線，將大模型遷移至真實業務場景，同時進行業務效果跟蹤和問題記錄，以持續地更新迭代模型。在此期間，金融機構需要組建專門的團隊來確保大模型順利落地應用，包括組織保障、軟硬件生態建設等方面。

大模型金融應用場景探索

基于金融機構業務流程及當前主要場景探索實踐情況，大模型金融應用領域可分為業務支持、市場營銷、客戶服務、產品運營、風險管理等。

業務支持

金融機構可以利用大模型技術為研發、運維、辦公等多個場景提供支持，提高工作效率和交付質量，從而為員工創造更加舒適的工作環境，進一步提升員工的工作效率，降低運營成本。

在研發方面，大模型不僅能夠在系統設計、代碼生成與補全、代碼翻譯與注釋、輔助測試等多個關鍵環節為技術人員提供幫助和支持，還能夠通過與商務智能（BI）等系統的深度融合，實現數據查詢分析結果的自動化呈現。這使得非技術人員能夠更加直觀且深入地理解并利用數據，從而有效降低技術門檻，促進跨部門協作與創新。例如，郵儲銀行在研發移動金融類APP的過程中，利用大模型、機器學習等技術構建“研發測試大模型”，實現對智能研發的全流程覆蓋。這包括使用多模態大模型生成界面設計（UI）稿、使用代碼生成模型自動編寫代碼和執行單元測試等。

在運維方面，大模型憑借其良好的語義搜索能力，能夠協助運維人員高效地處理各類結構化、非結構化數據，快速定位問題所在，從而縮短故障排除時間。此外，大模型還能輔助運維人員完成代碼攻防測試、明文檢測等關鍵任務。例如，中國銀行通過對大語言模型的微調，為運維人員提供便捷地獲取私有運維知識、精準地進行故障預測和快速地響應問題的能力，從而降低運維成本并提高了系統的穩定性和可靠性。

在辦公方面，大模型作為高效的辦公助手，充分發揮其出色的文本生成能力，輔助完成報告生成、郵件起草、公文潤色、紀要撰寫、審核糾錯等多項任務，大幅提升工作效率。例如，達觀數據將大模型與金融領域知識相結合，根據輸入的金融主題、目標和上下文，自動生成結構化、規范化的文檔，提高金融行業的寫作效率和準確性。該模型可廣泛應用于金融行業的各種場景，包括信貸、投行等業務條線，輸出債券募集說明書、信貸調查報告、投資研究報告、信用評級報告、財務分析報告等。

市場營銷

大模型能夠提升客戶營銷服務體驗，為客戶提供全渠道、個性化、有溫度的金融服務。當前，金融機構在客戶營銷方面仍面臨線上客戶需求的精準捕捉與及時響應程度不夠、內容供給與風險控制的匹配度與精細化程度不足、客戶營銷服務轉化率待提高、平臺客戶服務體驗跟蹤保障能力不足等問題。通過對金融行業特有語料的適應性訓練，大模型能夠在客戶意圖識別、需求分析與行為預測、營銷話術及文案生成、客戶交互輔助等方面提供全面支持，有助于客戶更快獲取最新資訊和產品信息，實現針對特定客戶的貼心、高質量、有創意的精準營銷，從而進一步提升客戶轉化率、營銷效率和客戶滿意度。例如，中國銀聯針對展業過程中遇到的“獲客難”“經營難”“銷售難”三大痛點，運用大模型，圍繞數據、平臺、場景、安全等方面建立標準，打造客戶私域增長解決方案，為客戶提供快速智能的圖片自動生成與文本式在線問答等服務，實現了全渠道的客戶引流和新客戶增長。

客戶服務

傳統的智能客服系統主要依賴于規則匹配和基于大量標注的垂直領域AI小模型等技術。然而，這種方式存在標注人力需求量大、不同業務場景之間模型兼容性差、基于客戶意圖的差異化和精準化服務能力不足等問題，在實際操作中，坐席人員往往需要依賴自身的經驗和判斷來進行決策。

大模型具備優秀的自然語言理解和業務場景泛化能力，使得一些長期困擾客戶服務領域的問題得到有效解決。大模型能夠對用戶的問題進行綜合分析處理，準確識別用戶意圖，并快速、精準地回應用戶需求，升級真誠話術，提供全天候的多語言支持，有效提升用戶對話體驗，提高服務質量。例如，建設銀行利用大語言模型，為客服人員提供參考答案，輔助進行工單智能總結，并實現工單要素的自動抽取、分類與填寫等功能。

產品運營

金融機構可以利用大模型技術為投研、投顧、信貸等多個方向的產品提供有力支持，自動化處理繁復的日常工作，釋放人力資源，使得員工能夠專注于更高價值的工作。

在投研方面，大模型能幫助投研人員從海量、分散龐雜的報告中自動搜集、整理、挖掘和提煉關鍵信息，智能生成資訊報告和投研簡報，大幅提升金融研報數據和內容的準確性、時效性和質量，為投研人員提供投資、風控等決策輔助。例如，工商銀行綜合應用大模型的核心信息提取、智能文本生成等能力，實現金融報告的自動生成，有效將投研簡報生成時間從1小時縮短至5分鐘，提升了投研人員對海量文本數據的整合歸納提煉效率。

在投顧方面，基于大模型的投資顧問助手能夠輔助投資者從海量投資產品中迅速篩選出適合自身的投資品種，提高投資效率。同時，大模型可根據客戶的個人情況和市場變化，持續優化和改進服務，為投資者提供更加精準、個性化的投資建議和組合優化方案，從而進一步提升服務效率和服務體驗。例如，國泰君安探索打造基于國產芯片的證券行業垂直領域大模型，完成基于數字化、策略化的智能投顧服務平臺，以大語言模型為核心、以人工智能為基礎實現投顧內容挖掘和沉淀，輔助員工生產優質內容，提供智能機器人7*24小時客戶服務。

在信貸方面，大模型通過分析差異化區域數據、歷史不良數據，完成模型預測、歸因分析與模型試算，幫助金融機構前瞻預測、防范控制貸款不良規模或生成，對銀行預警風險和指導決策有重要價值。例如，郵儲銀行提出一套基于大模型的全面催收輔助系統。在催收通話過程中，該系統可自動提取關鍵字，幫助催收員迅速、準確了解客戶需求，提升溝通效果，并提供相關建議和提示，使催收員能夠更靈活、果斷地應對客戶反饋，提高催收成功率。通話結束后，系統會對催收通話內容進行深度分析，實現催收記錄的自動生成。

風險管理

風險控制是金融業的核心要務，對于維護整個行業的穩定性和安全性至關重要。然而，傳統的風控方法往往依賴于預設的規則和專家經驗，難以應對復雜多變的金融風險。大模型的出現為解決這些問題提供了新思路。

大模型基于大量交易數據的訓練和學習，實現對異常交易行為的實時監測和精準定位，有效提升金融機構對欺詐、虛假陳述、洗錢等高風險行為的預警、識別和防御能力。此外，大模型在合規知識問答、法律審查、真偽核驗等方面也發揮了一定作用，降低人為疏漏的概率，顯著提升法務人員的工作效率。例如，交通銀行基于Transformer模型構建了一套人工智能反欺詐應用，用于挖掘賬戶異常行為模式并進行異常預警。該方法同時考慮了實體之間的交互信息與時序信息，更符合實際的金融場景。

大模型在金融業應用面臨諸多挑戰

金融應用規范與指南亟須完善

當前，針對大模型在金融領域的應用尚且缺乏明確的實施標準和指導原則。同時，對于應用過程中的權責劃分也不夠清晰，且缺少對生成內容的問罰機制，以及針對大模型廣泛應用后可能出現的無序商業行為的有效監管措施。

大模型應用場景不夠豐富

大模型金融應用仍處于起步階段。金融機構對大模型的能力邊界和應用場景有了初步探索，但目前的應用場景相對單一，主要集中在輔助性功能上，如智能客服和代碼助手，而對于核心業務的深度挖掘仍有待加強。

高質量金融訓練數據欠缺

金融大模型依賴于高質量、多領域的金融數據，其性能受計算量、參數量和數據量影響。金融數據具備多樣性特征，統一處理和建模較為困難，需要耗費大量的人力和時間。同時，金融數據及知識的私密性導致其難以共享，單一機構數據資源有限，一定程度上也限制了應用效果。

訓練算力支撐普遍不足

由于金融數據高度敏感，金融機構傾向于私有化部署大模型，這需要高效的計算能力、大規模的存儲資源、昂貴的硬件采購及維護費用。我國AI芯片雖可支持推理任務，但在模型訓練上與國際水平仍有差距，面臨著計算能力不足、產業生態不成熟以及適配性不佳等問題。

大模型在金融業應用發展建議

加強金融應用的指導與管理

建立全面的監管框架與標準體系。該體系應覆蓋訓練數據、算法設計、內容生成和風險治理等關鍵環節，明確金融業涉及大模型使用的各類主體的責任和義務，制定關鍵人物和系統的審核與風險評估規則，并形成合理的問責機制，以確保大模型在金融領域的應用符合法規與道德要求。

有序推動金融應用場景落地

金融機構在現有大模型應用的基礎上，深入分析需求場景及解決方案，優先選擇風險等級低、適配應用難度小、業務提升效果明顯的場景進行試點落地，再逐步將試點應用場景遷移到真實、復雜的業務場景中，進一步探索大模型與金融業務整合所需的基本條件和能力界限，從而實現規模化推廣和復用。

積極構建高質量金融數據集

金融機構探索建立一套面向大模型的數據“采集、清洗、管理、應用”的數據管理機制，并加強敏感數據的審計檢查和分級處理，做好大模型私域管理和權限隔離，以確保數據的可溯源性和安全性。同時，建議增強產學研聯動，提升大模型的可解釋性，共同構建更強大的金融垂直領域基礎模型。

產用協同共筑AI算力基礎設施

金融機構結合自身需求，通過構建多源異構算力資源池來保障算力平臺供給穩定性，并在保障模型效果的前提下，通過模型壓縮、小樣本訓練等方式進一步降低應用成本。產業機構加大我國AI芯片的研發與推廣力度，保障大模型算力資源的供給并提升硬件的安全可控水平。加強產學研用協同創新，共同推動大模型軟硬件生態建設。

（柴洪峰為中國工程院院士，潘潤紅為中國金融電子化集團副總經理，楊濤為中國社科院國家金融與發展實驗室副主任，黃程林為金融信息化研究所副總經理。責任編輯/周茗一）