金融大模型“挤水分”

　　在大模型推动下，金融领域究竟诞生了多少场景应用？

　　多家上市银行在2024年年报中给出的数据是，行内应用场景已超过100个。

　　以大模型为代表的人工智能技术，无疑是当下金融数字化投入最为集中的热点。然而，成百甚至上千个应用场景中，大模型真正为机构、为员工带来了多大的作用，多大程度上提升了业务效率？近日，21世纪经济报道记者调研包括银行、信托、资管机构的科技部门高层与一线员工发现，虽然布局、应用大模型是不得不做的事，但金融机构也开始为大模型应用“挤水分”。

　　一方面，海内外基础模型不断演进，创新迭代的速度惊人，金融机构需要寻找“确定性”，让有限的资源最高效地投入到场景中，避免陷入“为了AI而AI”的技术陷阱；另一方面，当人工智能重塑业务流程，金融从业人员直面AI冲击，需要形成一套新机制，不仅实现应用落地，也要确保责任落地。

　　如今看来，一场技术与业务价值的深度校准正在展开。

　　布局大模型，要花多少钱？

　　长期以来金融机构的科技投入规模巨大，特别是近年来“AI+”已成为重要战略。四大国有银行近年来的科技投入金额始终在200亿元以上，就2024年来看，21世纪经济报道记者不完全统计数据显示，上市银行业科技投入总金额超过1800亿元。

　　战略性投入意味着大量的资金和时间投入，从获取长期、稳定的回报出发，而不是瞄准短期、快速的利润。然而，作为商业化运营主体，金融机构必须评估投入与产出的效能，因此，面对变化中的大模型应用，不同机构有不同考量。

　　大型金融机构的选择是大规模投入。建设银行原首席信息官金磐石在业绩发布会上透露，截至2024年底，该行先后适配了16个版本的通用大模型，进而形成了16个版本的金融大模型。“这种策略保证了随着金融大模型能力的快速迭代，我们业务场景的应用效果能够达到‘水涨船高’的效果。”

　　“不得不承认，布局大模型已经是一个必须完成的任务。‘用不用’暂且不论，前提首先是你得有这些大模型。”一家位于华东地区的股份行金融科技部中层坦言，特别是当其他机构都接入了某一家大模型，如果不及时跟上可能意味着“缺位”。

　　金融机构为了迎接大模型时代的到来要花多少钱？最大的投入在算力建设。

　　某股份行信息科技部副总告诉记者，这里的投入包括底层基础设施建设和AI人才引进两大方面。在大模型应用前，该行使用的服务器是“通算平台”，与大模型相关的平台是“智算平台”，智算平台既包括大语言模型训练，也包括推动大模型在金融领域应用的推理平台。“每台GPU需要8个芯片，单台价格接近200万元，如果要做一个集群至少需要布局五六百台。”按此计算，该行仅智算平台的算力投入就至少数亿元。

　　也有机构根据自身的实际业务情况选择了不同的部署路径。

　　“现在整个大模型市场是很开放的，不仅是DeepSeek，包括通义千问、腾讯混元等等，个人和机构都有机会自主选择部署、访问，关键在于你能投入多少硬件资源，或者购买多少云服务的调用数量。”华能贵诚信托副总经理赵明华向记者表示，算力成本依然是金融大模型训练的核心问题。

　　赵明华坦言，作为一家非银金融机构，公司能投入AI的资源是相对有限的，如果要建立起多个业务系统的全面部署，预估需要千万量级的投入。他指出，其中最核心的投入是硬件投入，从目前DeepSeek-R1模型的性能来看，如果要跑起671b的“满血版”，加上支持500人的并发访问量，需要投入1000多万的预算。

　　“就智能客服这个场景来看，此前ChatGPT展现出的能力让客服的智能化成为可能，但在我们公司直销规模不大，直接面向客户场景不够充分的情况下，花费数百万部署智能系统实现的效果或许还不如人工服务。”赵明华表示。

　　重估技术价值

　　“技术本身并不是目的，我们需要避免陷入到‘为AI而AI’的技术陷阱。这一方面要求商业银行间要从技术驱动向价值驱动转变，形成技术、场景、价值的闭环，另一方面要从碎片的应用转向流程的应用，推动人工智能和业务逻辑的深度融合。”近日，在国民财富发展研究合作平台“人工智能与金融未来”2025春季峰会上，浦发银行副行长丁蔚表示。

　　价值驱动意味着，金融机构也开始衡量，在如此高昂的技术投入后，大模型能带来多少业务价值？

　　记者咨询了多家金融机构的大模型项目立项评审标准，总结出两个方面。

　　第一是，行业内是否有成熟场景应用的案例，这对应了场景应用的确定性。“比如智能营销、客户服务、信贷审批、反洗钱报告、智能投研、合规内审这些其他银行都已经有成熟应用的工具，一般是可以过审的。”前述华东股份行金科人士表示。

　　第二是，该项应用落地后，在时间缩短、流程简化、客户体验等方面的量化数据评估，这对应了场景应用的价值。一位大行信审部的IT人士告诉记者，立项评审团队不仅包括科技部门领导，还涉及业务部门、内控部门、财会部门等，来综合评估科技投入与效率提升的价值是否匹配。

　　值得关注的是，DeepSeek和智能体的快速发展，都加快了大模型在金融领域落地应用的进程，也带来了模型应用的价值重估。

　　赵明华告诉记者：“今年在DeepSeek出来以后，我们发现智能客服可以基于开源框架很快地搭建起来，而且很多厂商提供了客服场景智能体，只需要我们灌输基础知识库，就能实现落地，所以如今对这个场景应用价值的评估就不一样。”

　　某头部保险资管数字化转型部门负责人告诉记者，经历两年多的探索，他所在机构已经搭建起较成熟的AI应用框架，在大模型底座不断变化的情况下，不可避免地出现了重复建设的情况。“去年一年，我们为了让生成式大模型在投研场景下实现更好的效果，做了大量训练优化的工作，但今年DeepSeek发布R1模型后，我们发现过去很多针对推理能力的调优问题已经被解决掉了。”

　　“但这并不意味着我们去年做的投入是没有价值的。”他指出，模型变化和算力平权是一家机构难以改变的未来趋势，在数字化建设中沉淀下的平台服务和数据积累，将成为战略性投入实现价值最核心的能力。

　　信托网研究院研究员郭彦菊向记者展示了一组测算数据，DeepSeek通过架构创新与系统优化，将大模型训练成本降至行业平均水平的1/5以下，推理成本降幅超90%，为金融机构部署私有化AI提供经济可行性。她预计2025年AI将驱动信托行业运营成本降低20%-30%，同时释放超500亿元增量市场空间。

　　推动大模型应用“挤水分”

　　金融大模型应用的理想很丰满，但在实际落地时，有受访对象坦言，当下金融业的大模型应用还是有点“虚”。

　　前述华东股份行人士表示，在过去很长时间银行使用的RPA、OCR等技术都是AI，但此前还是属于“点对点”在某一具体场景下的应用，是基于业务需求提出的，而大模型时代的人工智能成为了“大脑”型的端到端应用。“有了这个大脑，什么场景好像都能用，但在很多专业化场景下，其性价比不如小模型或智能体。”

　　在部分机构内部，科技部门提供的某些智能化工具没有真正切合业务痛点或存在幻觉问题，导致使用率不高，甚至增加了一线人员重新检验、修改的工作量。

　　华北某国有行个贷经理表示，他所在银行提供了智能信贷报告生成工具，也会结合客户个人信息给到智能审批的建议放款额度参考，但往往这一额度低于客户实际需求，仍需客户经理进行手工测算、验证。

　　但在另一家理工科背景的国有大行信审部人士看来，该行所提供的智能化授信审批系统对自己简化工作流程带来了较大便利。

　　她告诉记者，授信审批工作全链条涉及信贷申报、贷前项目评估、合规审查、审批决策等多个业务模块，其中“填表”的工作量非常大。她所在机构提供的智能化系统在财报分析、报告生成、合规审查等方面提供帮助，基于标准化模板提取信息形成初始报告，减轻了她工作中的部分流程化工作。

　　“我认为AI辅助工具主要是把大家拉齐到一个‘相对能用’的水平。”她表示，自己是软件工程专业出身，对财务数据提取和审查的学习门槛是相对高的，在AI工具的辅助下能够快速提取到有用信息，所以对自己的帮助比较大，但也有财会专业的员工反馈，这一工具的专业化水平不足以赋能自身业务。

　　“现在每个人都有一台电脑，未来每个人也会有N个智能助理，但每个人精通电脑的程度是不同的。”前述华东股份行人士谈道，电脑可以用来写代码、打游戏、做表格、写文章，甚至有网友用Excel软件画画，工具的能发挥的作用上限始终取决于使用方。

　　这意味着AI战略不仅需要提供工具，还需要培养业务人员的大模型应用能力。

　　前述保险资管数字化转型部门人士告诉记者，为了让全集团员工用好大模型，他所在机构在去年一年办了超过20场AI培训，来“刷新员工对AI的认知”。“我们不仅面向全员做了科普性的AI工具教程，还对个别部门针对他所在的业务场景，灌输AI工具应用的价值。”他提到，针对投研、风险管理等重点部门，还由科技部门与业务部门共同探索创新工具试点。

　　前述已经体验到智能审批系统价值的大行人士也表示，她所在银行在多地建立了软件开发中心，来配合业务部门提出的科技开发需求，该行很多AI应用都是由业务部门主动提报申请，再由科技人员驻场开发，共同推动应用落地。

　　“金融行业的智能化进程是一个庞大的体系，急于求成是不现实的，如果一家企业的数字化没有做好，智能化根本是空中楼阁。”前述保险资管人士表示，至少需要未来5年内的数字化积累，不断夯实数据基础、重塑全员AI认知，才能实现智能应用的规模化落地。