“金融机构应基于自身AI技术水平，优先在容错性和价值适配度高的场景试点，逐步向复杂且关键的业务场景拓展应用。”1月11日，在新金融联盟举办的“AI提升金融服务效能的场景创新与趋势展望”内部研讨会上，工商银行首席技术官吕仲涛在主题发言中表示。
会上，兴业银行首席信息官、科技管理部总经理唐家才，上海银行副行长、首席信息官胡德斌，民生银行数据管理部总经理沈志勇，百融云创董事长张韶峰也做了主题发言。国家金融监督管理总局相关负责人参加了交流。
会议由新金融联盟秘书长吴雨珊主持，中国金融四十人论坛提供学术支持。来自商业银行、金融科技公司的170余位代表通过线上线下参会。
研讨会现场
智能体可共享“大脑”和“记忆”
近两年，大模型和生成式AI迅猛发展，广泛渗透到各类金融场景，成为推动数字金融高质量发展的重要动力。计算机的交互方式从早先的命令行界面（CUI），发展到图形用户界面（GUI）。如今，对话式交互（LUI）成为新趋势。客户交互已实现全媒体、全渠道、多模态，大模型的多模态技术成为响应客户需求的关键。
“智能体AI是一场同时刺激供需两侧的技术革命。”张韶峰认为，有些行业的发展并非受限于需求，而是供给。在多数领域，AI能达到专家水平的85%，且可海量复制，有力提升供给。同时，多个智能体可共享“大脑”和“记忆”，其自然语言交互功能，可理解金融客户用 “大白话” 表达的需求。
吕仲涛指出，未来智能体主要有四个发展方向：一是超级 AI 模式，以强大的大模型为核心，能够深度理解用户指令，借助丰富的工具 API 为用户提供精准答案；二是拓展感知与行动能力，实现自主导航、空间关系理解等复杂功能；三是强化自学习能力，实现系统自我演进优化；四是深化多智能体协同，共同应对复杂的金融业务场景。
大模型和智能体的专业性体现在对人类的替代程度和拟人水平。目前，国内大模型在多项金融行业权威考试中的表现已超越Open AI 的4o；多模态大模型能够模拟人类处理语音信息，实现毫秒级响应。
实现智能体大规模应用需要满足以下关键条件：一是速度足够快；二是准确率足够高；三是能有效抑制幻觉；四是具备灵活扩展到更广泛场景的能力。
中小银行：不争先也不落后
大模型领域马太效应显著，金融机构需树立独立的大模型观，找准智能化转型道路。
“我行借助厂商和大行的技术能力与经验，既不盲目争先，也不甘落后。即便在资源上存在差距，也不放弃深入研究与部署，积极拥抱大模型带来的变革。”胡德斌坦言。
在他看来，大模型在银行有以下几类应用路径：一是嵌入式大模型的调用；二是将调用大模型的API与业务流程应用相结合；三是目前应用较为广泛的Agent模式；四是利用私有数据进行微调和训练，形成企业专属模型。这些应用模式成本递进式增长，但模型针对性越强，效用也越大，银行需根据自身发展阶段选择。
为培育智能能力，许多机构设立了专项指标、投入专项资金、明确专业岗位、搭建创业创新平台、构建创新闭环。例如，工行设有数字劳动力跟踪指标，招商成立了创新基金、平安银行设立了创新实验室，兴业银行则推出了“五专机制”。
上海银行大模型建设和应用规划近期目标是，以智能体开发平台为载体，体系化地构建各类数字员工或智能体，形成人机协同的新生产模式。该行即将推出AI手机银行，积极探索从传统的GUI（图形用户界面）模式向LUI（语言用户界面）模式转变；在智能问数领域，借助大模型理解用户需求，转化为SQL语句搜索数据并可视化反馈，让数据消费更便捷。
没有嵌入业务流程的AI不是好AI
在大模型研发中，业务和技术融合成为重要趋势。
“没有嵌入业务流程的AI不是好AI。”唐家才表示，开发大模型时，人力投入趋于多元，不仅需要算法人员，还需‘业务+算法’才能实现良好的场景应用。
胡德斌表示，不仅要让银行科技人员熟练掌握大模型及人工智能技术，更重要的是推动业务人员思维转变与能力提升，使其具备数字化思维和应用能力。
沈志勇介绍，民生银行采用 “核心团队 + 卫星团队” 组织架构，有效促进了业务与技术的深度融合。核心团队专注于大模型技术研发、数据收集以及整个技术栈的维护保障；卫星团队则由业务人员、开发人员和产品经理等组成，从应用落地角度出发，协同推进项目实施。
“在对大模型进行微调时，优质样本十分重要。”东亚银行战略及数字化办公室总监洪建帮介绍，该行每年生成数千份信贷报告，会对每个章节细致拆分，在此过程中不断与业务人员沟通，明确好样本的标准。
大多数新技术应用都是由场景驱动发展而来。AI及大模型要在金融行业落地，场景挖掘与平台建设缺一不可。然而，要找到大模型能直接发挥价值的应用场景，并非易事。
吕仲涛建议，金融机构应基于自身AI技术水平，优先在容错性和价值适配度高的场景试点，积累经验后，逐步向智能风控、信贷审批等复杂且关键的业务场景拓展应用。
在唐家才看来，模型选择不能唯规模论，要选对的、不选大的。一般而言，参数规模为几十亿或几百亿的大模型足以满足实际应用需求。大模型并非要取代小模型和传统AI，而是与之共生共存。例如，在财务预测方面，小模型结合专家规则的可解释性会更强，且算力要求较低，能满足场景需要。
沈志勇认为，智能体可能会遇到木桶原理中的“乘法问题”，即整体性能取决于最弱环节。因此，需要拆解链条上的各个环节，逐个优化，寻找每个环节都表现良好的场景。
大模型面客需守住风险底线
大模型的终极价值就在于直接面客。不过，任何模型都需要在大规模使用后才能成熟，因此，人工智能一定要在应用中迭代，让社会、企业、个人逐步适应，并在实践中不断改进。此外，大模型通常参数规模大、响应速度慢、运营成本高，一定程度制约了大模型直接面客应用的发展。银行机构需持审慎态度，练好内功，将生成式AI的幻觉和渗漏风险作为行业创新底线，在监管指导下稳妥推进AI在金融领域的应用。
从算力、算法、数据角度看，为应对未来更大规模的算力需求，金融行业应通过超大规模算力统一调度技术，在同城、区域、全国三个层面，逐步构建行业统一算力网，进一步打破行算力流通壁垒。受制于美国半导体技术供应链封锁，英伟达GPU路线不可持续，需探索信创大模型应用之路。
算法上，随着端设备智能算力提升，金融机构应探索高隐私、个性化金融场景与端机智能设备结合，借助 APP 等载体，实现私有小模型在端侧的有效应用。此外，需高度重视价值对齐，严格区分事实逻辑与价值逻辑，避免将企业主观价值判断等私域信息混入模型训练，确保模型的客观性与公正性。
数据上，建议开放更多公共大数据空间或数据源；加大从原生多模态数据源头的统一训练与推理；加强企业数据空间建设，提升采集加工效率，保障数据质量与安全，形成数据驱动飞轮效应。
大模型训练和部署成本不菲，需有投资思维。在场景选择上，除了研究和评估技术难度，还需从投资者视角看待新技术应用创新，以预期价值、风险底线、时间周期为约束条件，投入相对宽松的人、财、物、产学研资源，并关注产出回报。同时，应对模型高效管理、精准监测、及时升级迭代，乃至合理淘汰，实现对模型全生命周期的精细化管理。
在金融行业推动大模型应用发展，还应强化协同共创，这离不开监管部门指导，以及行业协会组织协调。大型金融机构等重要参与方应充分发挥在算力、数据资产、人才等方面的优势，与中小银行共同构建行业大模型。鉴于大型金融机构客群庞大，对客服务需更加审慎，建议设立小型沙盒环境，由大型机构提供技术支持、小型机构提供应用场景，先行先试。此外，应推进AI+金融生态合作，在金融行业内用好智能体的同时，跨行业发挥智能体的价值将带来更多想象空间。
（文| 余春敏）
本文首发于微信公众号：新金融联盟NFA。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。