人工智能在銀行業(yè)的應(yīng)用實踐與思考

隨著DeepSeek等開源大模型的突破性進展，人工智能的浪潮正以前所未有的力量重塑銀行業(yè)，推動銀行業(yè)向全面智能化加速轉(zhuǎn)型。2025年政府工作報告更是首次明確提出“支持大模型廣泛應(yīng)用”，銀行業(yè)必須緊跟步伐，聚焦技術(shù)創(chuàng)新與應(yīng)用落地，用好AI這把“金鑰匙”解鎖新質(zhì)生產(chǎn)力，讓智能金融真正惠及千行百業(yè)

技術(shù)演進：人工智能技術(shù)發(fā)展圖譜

傳統(tǒng)AI模型向AI大模型演進

傳統(tǒng)AI模型更像是“特定領(lǐng)域的熟練工”，局限在各自的小天地里，一個模型只能勝任單任務(wù)和單模態(tài)，埋頭處理機械化、重復(fù)性的任務(wù)。雖然能干，但缺乏“靈魂”。AI大模型就像“博聞強識的超級大腦”，基于“天算力 + 大數(shù)據(jù) + 大算法參數(shù)網(wǎng)絡(luò)結(jié)構(gòu)”進行訓(xùn)練，實現(xiàn)海量知識“記憶”，擁有跨越廣泛領(lǐng)域的知識儲備和問題解決能力。人工智能從過去“一個場景一個定制”的1.0時代，邁人“工業(yè)化規(guī)模應(yīng)用”的2.0新紀元。

AI已進入以智能體應(yīng)用為核心的下半場

智能體能夠?qū)⒛Ｐ偷恼J知能力轉(zhuǎn)化為實際生產(chǎn)力，填補AI從“思考”到“行動”的鴻溝。AI大模型是“大腦”，負責(zé)思考和決策，提供智能；智能體是“手腳”，負責(zé)執(zhí)行和行動，賦予模型（含傳統(tǒng)AI模型、AI大模型）行動力和場景適應(yīng)性。以O(shè)penAIo1、DeepSeek為代表的大模型不斷突破能力上限，從以單思維鏈為特征的生成式大模型，演進至以多思維鏈為特征的推理大模型，先驗知識 + 強化學(xué)習(xí)的奏效和開源，從以模型預(yù)訓(xùn)練為重心的上半場帶人“先驗知識后訓(xùn)練 + 智能體”應(yīng)用為重心的下半場。

智能體驅(qū)動銀行數(shù)字化體系變革

智能體作為驅(qū)動銀行數(shù)字化轉(zhuǎn)型的核心引擎，正在推動銀行數(shù)字化體系變革。智能體與銀行數(shù)字化體系形成共生共榮關(guān)系。銀行數(shù)字化體系是智能體發(fā)展的根基和載體，為智能體提供必要的數(shù)據(jù)、算力與流程支撐。智能體則是銀行數(shù)字化體系積累的海量數(shù)據(jù)、先進技術(shù)與成熟流程能力的“價值釋放器”，推動銀行從“流程驅(qū)動”轉(zhuǎn)向“意圖驅(qū)動”，升級銀行價值創(chuàng)造體系，構(gòu)建“智慧銀行”核心競爭力。

行業(yè)思考：銀行業(yè)人工智能應(yīng)用挑戰(zhàn)與破局

機遇與挑戰(zhàn)并存

隨著“開源 + 慢思考 + 高性價比”的DeepSeekR1出現(xiàn)，AI大模型生態(tài)演進已走向具有模型全能化、技術(shù)普惠化、應(yīng)用全面化、創(chuàng)新全民化特點的“開源普惠期”，為銀行業(yè)構(gòu)建以人工智能為核心引擎的新質(zhì)生產(chǎn)力奠定了堅實基座。但機遇往往伴隨著挑戰(zhàn)，在銀行業(yè)推動AI大模型規(guī)模化創(chuàng)新賦能的進程中，數(shù)據(jù)質(zhì)量、算力設(shè)施、算法適配、安全治理、人才保障等多方面均面臨嚴峻挑戰(zhàn)。

一是海量高質(zhì)量數(shù)據(jù)缺口。大模型在智能金融領(lǐng)域的應(yīng)用效能高度依賴于海量高質(zhì)量數(shù)據(jù)的支撐。然而，當前銀行業(yè)存在各業(yè)務(wù)領(lǐng)域的知識沉淀尚不系統(tǒng)完備、風(fēng)險管理等特定專業(yè)領(lǐng)域的思維鏈數(shù)據(jù)積累明顯不足等兩大核心挑戰(zhàn)。

二是算力需求加速增長。AI應(yīng)用遵循杰文斯悖論，當技術(shù)進步提高資源利用效率時，資源的總消耗量不僅不會減少，反而可能增加，以后訓(xùn)練 ：+ 智能體為代表的大模型算力使用將加速增長。

三是通用AI大模型較難滿足行業(yè)需求。盡管DeepSeekR1等通用AI大模型在基礎(chǔ)文本處理、智能問答等通用任務(wù)上表現(xiàn)出色，但在行業(yè)領(lǐng)域特定的個性化、領(lǐng)域化場景中尚不理想。比如，在銀行業(yè)特有的高復(fù)雜、高專業(yè)場景中面臨局限，精度難以滿足行業(yè)特色需求。

四是安全風(fēng)險日益凸顯。AI技術(shù)的應(yīng)用是把雙刃劍。AI技術(shù)提升工作效率的同時，安全風(fēng)險也日益凸顯，面臨數(shù)據(jù)隱私保護風(fēng)險高、生成內(nèi)容偽造內(nèi)容、決策過程缺乏可解釋性等新型風(fēng)險。

五是組織協(xié)同不足和人才稀缺。隨著大模型深人規(guī)模化應(yīng)用，現(xiàn)有組織架構(gòu)與管理制度已顯滯后，難以有效保障人工智能戰(zhàn)略的強有力落實與高效運行，現(xiàn)有崗位設(shè)置也難以充分適應(yīng)大模型專業(yè)化、專崗化和規(guī)模化的要求。

破局之道

一是構(gòu)建知識飛輪機制。銀行業(yè)可構(gòu)建有效的知識飛輪機制，通過對知識進行統(tǒng)一匯聚、存儲和加工，進一步提升知識質(zhì)量和密度，支撐AI持續(xù)演進，滿足企業(yè)自身的動態(tài)需求。

二是制定算力設(shè)施布局。大型銀行要戰(zhàn)略布局，聚焦機房、網(wǎng)絡(luò)、芯片、云化等工作，一體推進算力前瞻研究、算力基建規(guī)劃、算力云化管控、算力集約應(yīng)用部署等核心工作，夯實企業(yè)AI算力基石，高質(zhì)量支撐企業(yè)AI應(yīng)用創(chuàng)新。對于算力資源有限的中小型機構(gòu)，需綜合考慮成本、性能和收益情況，以場景驅(qū)動算力增長。

三是打造多層模型矩陣。“通用 + 領(lǐng)域”的混合架構(gòu)模式仍是銀行引入、部署、訓(xùn)練大模型的最佳方案。針對金融領(lǐng)域的垂直應(yīng)用，銀行業(yè)可基于自身企業(yè)知識、風(fēng)險偏好、組織架構(gòu)，通過先驗知識學(xué)習(xí) + 強化學(xué)習(xí)等訓(xùn)練方式，構(gòu)建具有行業(yè)特征的企業(yè)專屬AI大模型，打造多層模型矩陣，不斷強化模型應(yīng)用效果。同時，銀行業(yè)需加強研究和推進AI大模型與傳統(tǒng)AI模型協(xié)同，通過傳統(tǒng)AI模型增強AI大模型的穩(wěn)定性、專業(yè)性和精準度。

四是建設(shè)安全治理體系。為應(yīng)對安全風(fēng)險，需建立覆蓋AI全生命周期的安全治理體系與責(zé)任機制，實現(xiàn)有制度、有流程，保障AI技術(shù)健康、有序發(fā)展；需建設(shè)全面的AI安全風(fēng)險評估體系，定期開展安全風(fēng)險評估；需提升安全防護技術(shù)能力，構(gòu)建全面的AI安全技術(shù)防護體系，從數(shù)據(jù)安全、模型安全、內(nèi)容安全、應(yīng)用安全等方面提升技術(shù)工具能力，消減AI全生命周期風(fēng)險。

五是完善人才組織結(jié)構(gòu)。通過戰(zhàn)略引領(lǐng)，重新定義新形勢下的業(yè)務(wù)與科技崗位角色，并優(yōu)化組織協(xié)同流程，以構(gòu)建共建共享的AI大模型生態(tài)。健全全流程協(xié)同機制，建立科技業(yè)務(wù)融合機制，實現(xiàn)AI大模型生態(tài)的共建共享；鍛造強有力的AI人才隊伍，按照業(yè)務(wù)和技術(shù)人才維度細分設(shè)崗，通過整合內(nèi)外部AI大模型核心人才，為AI大模型規(guī)模化應(yīng)用提供更有力的人才保障。

未來展望：加快構(gòu)建AI一體治理體系

面對新一代人工智能快速演進新形勢，未來，銀行業(yè)應(yīng)以智能體企業(yè)級應(yīng)用為抓手，積極探索以智能體為樞紐、場景知識為核心、生態(tài)協(xié)同為支撐的銀行數(shù)字化體系變革。聚焦算力、模型、知識、智能體平臺、安全、人才等關(guān)鍵環(huán)節(jié)，實現(xiàn)傳統(tǒng)架構(gòu)的重構(gòu)升級，形成“技術(shù)筑基-服務(wù)賦智-生態(tài)煥新-安全護航”的閉環(huán)體系，不斷拓展深化智能體在企業(yè)應(yīng)用的深度和廣度，推動銀行價值創(chuàng)造體系從傳統(tǒng)的“規(guī)模/人力驅(qū)動”向“效率/智能驅(qū)動”躍遷，加速從“ + AI”的點上突破向“AI+”原生應(yīng)用系統(tǒng)性應(yīng)用提速演進。

算力底座

銀行業(yè)對AI場景高實時性、業(yè)務(wù)波動性、安全合規(guī)剛性等獨特需求，以及基于MOE架構(gòu)的AI大模型復(fù)雜性，正推動AI基礎(chǔ)設(shè)施從“堆砌硬件”向“系統(tǒng)級智能”躍遷，未來將重點突破分布式算力調(diào)度技術(shù)、超節(jié)點算力應(yīng)用、異構(gòu)算力混部，形成“端云融合、綠色低碳、動態(tài)調(diào)度”的下一代金融智能算力基座，從而滿足復(fù)雜AI大模型對算力資源的動態(tài)、異構(gòu)、高協(xié)同性需求。

模型矩陣

智能體應(yīng)用需多參數(shù)多類別的多元模型矩陣支撐。慢思考天參數(shù)AI大模型具備強大的推理能力，但響應(yīng)時間較長，適合處理復(fù)雜的戰(zhàn)略決策；快思考小參數(shù)AI天模型響應(yīng)迅速，適合處理高頻的交互任務(wù)。未來將重點圍繞環(huán)境感知插件、先驗知識壓縮、強化學(xué)習(xí)運用等關(guān)鍵技術(shù)方向，構(gòu)建面向環(huán)境 + 知識 + 強化學(xué)習(xí)的分層協(xié)同企業(yè)級模型矩陣，形成“感知-認知-決策”閉環(huán)的企業(yè)級模型矩陣核心架構(gòu)。

知識工程

“虛擬化分層 + 知識工程化”已成為AI大模型與企業(yè)數(shù)據(jù)融合的黃金范式，未來知識管理將向動態(tài)化、標準化、價值化方向深度進化，將重點聚焦知識動態(tài)更新實時性、跨域知識遷移標準化、知識價值度量普適框架等方面，構(gòu)建AI大模型專屬的企業(yè)數(shù)據(jù)體系，使得企業(yè)海量、異構(gòu)、動態(tài)數(shù)據(jù)轉(zhuǎn)化為高質(zhì)量、易理解、可迭代的“AI大模型可消化營養(yǎng)”。

智能體平臺

企業(yè)智能化不再是單個模型的較量，而是智能體生態(tài)體系成熟度之爭。未來將重點聚焦推理、編碼、工具、技能、權(quán)限、記憶、在線學(xué)習(xí)等關(guān)鍵模塊，構(gòu)建基于MCP協(xié)議互動的企業(yè)智能體平臺，通過標準化、安全、高效的協(xié)議連接異構(gòu)智能體，實現(xiàn)復(fù)雜任務(wù)的協(xié)同求解，使得智能體深度融入風(fēng)險防控、普惠金融、運行管理等銀行業(yè)重點業(yè)務(wù)領(lǐng)域，比如打造企業(yè)級風(fēng)控智能中樞，重塑風(fēng)險識別邏輯與干預(yù)機制，推動風(fēng)控體系從被動響應(yīng)的“看門人”向具有預(yù)見性的“瞭望塔”升級。

安全體系

安全不僅是成本中心，更是AI時代生產(chǎn)力的基石。未來依舊重點將安全攻防能力深度融入大模型生命周期的每一環(huán)節(jié)，構(gòu)建面向攻防一體的內(nèi)生安全、動態(tài)對抗可信大模型安全體系，比如在輸入階段攔截惡意輸入與異常操作、在規(guī)劃環(huán)節(jié)深度嵌入合規(guī)策略、在執(zhí)行階段通過安全沙箱隔離執(zhí)行環(huán)境，通過全鏈路日志審計與持續(xù)策略優(yōu)化實現(xiàn)可監(jiān)控、可回溯、可審計的閉環(huán)安全治理，使得在AI對抗AI的戰(zhàn)場上贏得先機。

人才培養(yǎng)

AI不是替代者，而是新質(zhì)生產(chǎn)力的創(chuàng)造者；人才不是旁觀者，而是金融未來的定義者。大模型時代的人才競爭，是“技術(shù)洞察力 × 行業(yè)理解力 × 生態(tài)構(gòu)建力”的綜合較量，未來將面向算法、知識、工程等關(guān)鍵技術(shù)方向，深度融合金融業(yè)務(wù)，打造“引得來、留得住、用得好”的人才培養(yǎng)生態(tài)，構(gòu)建多層次、全方位的人才培養(yǎng)體系，培養(yǎng)出懂業(yè)務(wù)的AI + 布道者、通技術(shù)的AI + 播種者、敢創(chuàng)新的AI + 領(lǐng)航者。

（呂仲濤為中國工商銀行首席技術(shù)官。責(zé)任編輯/周茗一）