【大模型】-未来银行-加速到来！来看银行大模型发展路径

　　在2025蛇年春节前后，杭州的一家 人工智能 公司DeepSeek发布了开源模型 R1，震撼了全球科技圈。从其访问量暴增、到受到疑问和围堵、再至上线英伟达等平台，话题热度居高不下，也造成了业内对大模型技术的新思考。

　　拉长时间线观望，2022年底ChatGPT的爆火引发了后续全球AI大模型井喷式发展，经历了2023年国内外科技公司的“百模大战”，大模型技术于2024年步入了金融、医疗、法律等垂直行业的应用之年。

　　将视角聚焦至金融领域。银行拥有海量的数据资源，是大模型应用的先行行业。过去一年多的时间，以国有大行、股份行为代表的金融机构，通过自建、联合共建大模型，挖掘大模型在更多业务场景中的应用，尤其是在智能客服、智能投顾、数字员工、风险管理、合规审查、反欺诈等方面，探索领域涵盖了前中后台。

　　而展望未来，随同大模型技术的持续进化，2025年是否会爆出突破性创新？此次DeepSeek爆火的价值或就在此，其以创新力量向外界提供了重要启示，无疑会鼓励国内各行业在AI创新方面的探索。

　　银行探索大模型多场景应用

　　银行对大模型的热情，源于 人工智能 大模型或将是银行数字化转型的重要驱动力。因为大模型被预期将深刻改变银行业的经营模式与服务模式，并进一步影响竞争格局。

　　根据 中国银行 业协会发布《2024年度 中国银行 业发展报告》，金融与 人工智能 有天然的契合点，AI大模型技术能够充分挖掘银行业的 海量数据 ，而银行业具有适用AI大模型技术的丰富场景。当前AI大模型正推进我国银行业服务、营销、产品等领域的全面革新，催化“未来银行”加速到来。

　　可是，在 数据安全 的要求下，当前银行的大模型技术先行先试的还是各种碎片化的应用场景。

　　虽然，国有大行、多家股份制银行在2023年年报和2024年半年中均有对 人工智能 大模型布局有较高预期的表述，并披露了大模型领域的技术研发和应用进展。可是当前阶段正如 中国银行 业协会首席信息官高峰发文总结：“目前银行业对于大模型的应用目的主要是建立一个内部使用的人工助手，以提升内部员工的效率。”

　　高峰认为，目前大模型在银行业应用第壹的场景是智能编制代码，节省了软件开发人员；应用第贰的场景是内部的AI办公，包含知识问答、会议纪要、文本写作及合规审查；应用第叁的场景是中台的运营管理，包含智能客服、企业级知识库等。但对于账户交易等触及核心业务的大模型应用，目前尚未落地。

　　以 工商银行 为例，根据公开资料，该行与国家级实验室、科研机构和头部企业的合作，全面建成同业最大千卡云算力集群、最懂金融的千亿级金融大模型、高质多维的金融数据集。目前实现约20个业务领域的端到端、规模化应用，包含远程银行、运行管理、对公信贷、金融市场等领域。

　　再以 邮储银行 为例，该行发布了自有大模型“邮智”，该大模型从底层算力到顶层应用，全部实现自主可控。“邮智”支持多场景的金融应用，包含企业智能助手、数字员工、信贷模型等。从具体场景看，其中一项是 邮储银行 利用大模型等新技术搭建了智能法审辅助工具，使得法律审查用时提速超50%。该行还表示，未来该行将在合同智能起草、履约管理、法律问答等更多领域探索利用大模型。

　　中小银行中，可从 江苏银行 观望，该行最新运用“智慧小苏”大语言模型，赋能风控领域的数智化转型，规则组件化，规范了风控模型的开发和维护流程。

　　大型银行投入高成本

　　券商中国记者从一位银行业内人士解到，当选择一个训练模型，需要向其投喂相应的脱敏数据，其前期投入资金成本、设备成本、人力成本和试错成本，其实其实不是一家中型银行可以承受的，所以大型银行的优势更大。

　　根据 中国银行 业协会发布《2024年度 中国银行 业发展报告》，2023年六大行金融科技投入第壹次突破1200亿元人民币。

　　从其过去一年对大模型领域招采需求可窥探一斑，从公开信息看， 邮储银行 、 建设银行 旗下子公司建信金科、 交通银行 、 浦发银行 、 招商银行 、 光大银行 、 兴业银行 、广发银行、 华夏银行 均有对外大模型相关的硬件、软件招标中标信息。

　　其中， 邮储银行 发布了大模型智能研发测试辅助系统关联的三个子项目，分别由华为、阿里云和智谱华章中标。

　　另外，大模型训练对算力的切实需求是巨大的。例如 光大银行 曾于2024年9月发布智能运营中心大模型GPU算力资源采购项目招标公告，拟采购10台大模型算力服务器资源及1个算力组网配件。

　　与大模型相关的金融科技人才越来越受到银行的注意。如近期 兴业银行 、 宁波银行 发布招聘科技人才的信息中，提及了“熟悉主流大模型”“具有相关理论基础和实践经验”等相关要求。

　　中小银行如何乘胜追击？

　　与大型银行高成本投入不同，跟随策略是多数中小银行的决策。这是因为，对于后者而言，除了资金、人力成本这项前期成本外，后期的试错成本之高也是难以承受之重。

　　“当选择了一个路径，每年进行几百万、几千万的投入，如果最后数据跑完的定论是，这项路径是错的，那前面的投入就全部错付了。”一家城商行人士告诉券商中国记者，中小银行采取跟随策略，也是为了围观头部银行成熟的应用，从而选择成功概率高的路径，实现“下山摘桃子”。

　　“大模型的练习与推理往往需要海量的计算资源，这涉及到贵重的硬件投资和持续的能源消耗，对于中小银行而言，无疑是一笔繁重的成本负担。” 上海银行 首席信息官胡德斌在今年1月11日参加新金融联盟举办的一项内部研讨会总结：“我们既不盲目争先，也不甘落伍，即便在资源上存在差距，也不放弃深入研究与部署，积极拥抱大模型造成的变革。在场景选择上，我们择优而用，不刻意偏袒某一特定大模型作为应用基础，而是更加重视依据业务场景需求来确定实现方式。”