以大模型為代表的人工智能技術(shù)掀起的新一代智能化浪潮正在以前所未有的速度深入千行百業(yè)，催生了新產(chǎn)業(yè)、新業(yè)態(tài)和新模式。大模型憑借其強大的語義理解、知識推理與內(nèi)容生成能力，為銀行業(yè)服務(wù)提升、業(yè)務(wù)創(chuàng)新、風(fēng)險管控提供了全新路徑，但其應(yīng)用過程中的數(shù)據(jù)隱私、算法偏見、可解釋性等難題對商業(yè)銀行穩(wěn)健運營構(gòu)成挑戰(zhàn)。本研究旨在為商業(yè)銀行利用大模型推進(jìn)數(shù)字化轉(zhuǎn)型進(jìn)程中，平衡創(chuàng)新發(fā)展與風(fēng)險管控提供參考，助力銀行在技術(shù)變革浪潮中實現(xiàn)突破創(chuàng)新與可持續(xù)發(fā)展。

大模型發(fā)展概述

大模型的內(nèi)涵與發(fā)展

大模型通常指參數(shù)規(guī)模龐大的機(jī)器學(xué)習(xí)模型，涵蓋大語言模型、視覺大模型及多模態(tài)大模型等。這類模型能夠高效理解和學(xué)習(xí)人類自然語言，并通過人機(jī)交互完成信息檢索、文本摘要生成等內(nèi)容創(chuàng)作與處理任務(wù)。

大模型的發(fā)展可追溯至20世紀(jì)50年代AI研究初期，受限于算法和規(guī)則，難以應(yīng)對復(fù)雜語言現(xiàn)象，80年代引入統(tǒng)計學(xué)習(xí)方法后有所進(jìn)展，但仍面臨數(shù)據(jù)稀疏性和長距離依賴問題。隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)的興起及硬件的進(jìn)步，大規(guī)模數(shù)據(jù)集和復(fù)雜神經(jīng)網(wǎng)絡(luò)訓(xùn)練成為可能，為大模型時代的到來奠定了基礎(chǔ)。2017年谷歌提出的Transformer架構(gòu)，為后續(xù)大規(guī)模預(yù)訓(xùn)練模型提供了核心技術(shù)支撐，2018年OpenAI和Google分別推出的GPT-1與BERT，標(biāo)志著大模型進(jìn)入預(yù)訓(xùn)練時代，2022年底ChatGPT推動對話式AI進(jìn)入主流視野，2023年GPT-4支持多模態(tài)數(shù)據(jù)處理，進(jìn)一步拓展模型應(yīng)用邊界，2025年初以DeepSeek-R1為代表的國產(chǎn)大模型在成本效益上取得突破，推動普及化進(jìn)程，上線18天內(nèi)該應(yīng)用軟件下載量超1600萬次。

從邏輯推理到深度學(xué)習(xí)、從單模態(tài)到多模態(tài)，大模型實現(xiàn)了技術(shù)飛躍，逐步從理論探索邁向?qū)嵺`應(yīng)用，成為提升社會效率與推動技術(shù)革新的核心驅(qū)動力。

大模型的特點

涌現(xiàn)性與泛化性是大模型的關(guān)鍵特點，涌現(xiàn)性表現(xiàn)為當(dāng)規(guī)模突破臨界閾值時，模型能夠在未經(jīng)專門訓(xùn)練的情況下，自主衍生出多任務(wù)處理能力；泛化性則體現(xiàn)在模型面對未見過的數(shù)據(jù)或場景時，憑借訓(xùn)練中學(xué)到的知識和規(guī)律，展現(xiàn)出良好的適應(yīng)能力和性能，從而具備跨任務(wù)的通用性和對新場景的靈活適應(yīng)能力。這些特性使得大模型具備卓越的上下文理解、邏輯推理和知識整合等能力。在人機(jī)交互中，大模型能精準(zhǔn)理解用戶意圖，提供個性化回應(yīng)，提升用戶體驗；在內(nèi)容生產(chǎn)中，大模型具備多模態(tài)生成能力，推動內(nèi)容生態(tài)創(chuàng)新；在決策智能領(lǐng)域，大模型能迅速適應(yīng)變化并進(jìn)行高效分析，動態(tài)優(yōu)化決策和科學(xué)配置資源，提升效率。這些突破性特質(zhì)和能力推動了產(chǎn)業(yè)場景應(yīng)用創(chuàng)新，為大模型轉(zhuǎn)化為現(xiàn)實生產(chǎn)力提供了堅實基礎(chǔ)。數(shù)據(jù)顯示，2024年全球大模型市場規(guī)模達(dá)到280億美元，未來五年復(fù)合增速將達(dá)到 36.23% 。

大模型的發(fā)展與行業(yè)應(yīng)用概況

我國大模型發(fā)展得益于政策支持、算力進(jìn)步與市場需求的共同推動。在建設(shè)數(shù)字中國背景下，國家從基礎(chǔ)設(shè)施建設(shè)到應(yīng)用場景拓展等多層面出臺系列規(guī)劃與管理辦法，為大模型的研發(fā)與應(yīng)用提供了頂層設(shè)計支持。

如2023年發(fā)布的《生成式人工智能服務(wù)管理暫行辦法》鼓勵生成式人工智能技術(shù)在各行業(yè)中的創(chuàng)新應(yīng)用，探索并優(yōu)化應(yīng)用場景，構(gòu)建應(yīng)用生態(tài)體系。其次，作為核心支撐，近年來算力的顯著發(fā)展為大模型的訓(xùn)練與部署提供了強大保障，數(shù)據(jù)顯示，2025年我國云計算市場規(guī)模將突破萬億元。各行業(yè)積極探索大模型應(yīng)用，醫(yī)療診斷、教育、智能制造等領(lǐng)域的創(chuàng)新應(yīng)用尤為典型（見表1），大模型通過賦能行業(yè)數(shù)字化升級和重塑產(chǎn)業(yè)生態(tài)，正在逐漸成為推動發(fā)展新質(zhì)生產(chǎn)力的重要引擎。

大模型在商業(yè)銀行中的應(yīng)用場景及發(fā)展展望

商業(yè)銀行大模型應(yīng)用實踐

鑒于大模型的卓越能力，銀行積極探索并已在智能客服、智能營銷、智能風(fēng)控和智能辦公等領(lǐng)域推出系列應(yīng)用，賦能銀行降本增效提質(zhì)。

智能客服：重塑客戶服務(wù)體驗。智能客服是大模型在銀行業(yè)率先落地的場景之一。傳統(tǒng)人工坐席難以應(yīng)對激增的客戶咨詢，而規(guī)則化的問答機(jī)器人又難以處理復(fù)雜的金融知識問詢。大模型憑借其強大的自然語言理解和任務(wù)完成能力，提供全天候的智能客服。

招商銀行與通義大模型合作推出的智能客服能夠進(jìn)行自然流暢的多輪對話，精準(zhǔn)理解客戶意圖和情緒，檢索知識庫并給出專業(yè)解答和幫助，針對開戶、理財、信用卡等高頻咨詢，準(zhǔn)確率超 95% ，日均對話量超一百萬次，替代三千名人工坐席業(yè)務(wù)量，極大降低了運營成本。

智能風(fēng)控：筑牢風(fēng)險防控屏障。風(fēng)險管理是銀行的生命線，以規(guī)則為基礎(chǔ)的傳統(tǒng)風(fēng)控模式難以應(yīng)對日益復(fù)雜的內(nèi)外部風(fēng)險[1]。多模態(tài)大模型通過數(shù)據(jù)處理和動態(tài)學(xué)習(xí)，從海量異構(gòu)數(shù)據(jù)中實時分析客戶交易數(shù)據(jù)、行為模式、資金流向及關(guān)聯(lián)網(wǎng)絡(luò)，動態(tài)檢測異常交易、識別并攔截可疑交易；通過自學(xué)習(xí)更新風(fēng)險特征，極大提升風(fēng)險預(yù)警能力，重塑風(fēng)險管理體系。

微眾銀行應(yīng)用反洗錢大模型，從資金流水、行為序列等海量數(shù)據(jù)中自學(xué)習(xí)洗錢交易模式，結(jié)合行內(nèi)外風(fēng)險事件知識庫，實時甄別可疑交易，大幅提升可疑交易捕獲率，有效降低誤報和漏報率[2]。

智能營銷：提升服務(wù)精準(zhǔn)度。銀行傳統(tǒng)的營銷方式單一且粗放，同質(zhì)化嚴(yán)重，難以滿足客戶個性化需求。大模型通過海量數(shù)據(jù)學(xué)習(xí)，提取深層次特征，精準(zhǔn)構(gòu)建客戶畫像，幫助銀行挖掘客戶，并推送“千人千面”的商機(jī)營銷方案；同時解析客戶數(shù)據(jù)、識別潛在需求并評估策略執(zhí)行效果，解決傳統(tǒng)營銷中策略不透明和效果難量化的問題，實現(xiàn)全旅程精準(zhǔn)觸達(dá)3]。

北京銀行與華為聯(lián)手推出的營銷大模型通過分析客戶行為軌跡，洞察客戶需求并推薦個性化產(chǎn)品與服務(wù)，同時自動生成邀約消息文案，根據(jù)反饋實時優(yōu)化策略；通過策略復(fù)盤助手快速分析數(shù)據(jù)、評估效果并提出改進(jìn)建議，大幅提升客戶轉(zhuǎn)化與交叉銷售率，將經(jīng)營策略分析時間從一天縮短至分鐘級。

智能辦公助手：賦能工作質(zhì)效提升。數(shù)字技術(shù)加持下，智能辦公已成為銀行提升效率的重要手段，通過大模型對客服工單生成、金融合同、信貸評估報告等文檔的自動化處理，有效縮短文檔處理時間并有效減少人為錯誤發(fā)生；大模型還應(yīng)用在工作總結(jié)、會議紀(jì)要及通知撰寫等辦公文檔處理場景中，為員工提供了高效的辦公支持；利用大模型深度學(xué)習(xí)、推理和內(nèi)容生成能力，從對話記錄等非結(jié)構(gòu)化文檔數(shù)據(jù)中智能地抽取知識，自動完成知識庫的維護(hù)和更新，助力企業(yè)知識庫建設(shè)。

中國建設(shè)銀行的方舟大模型助力智能客服工單生成質(zhì)效提升，每單平均節(jié)約時間15一20秒，可用率達(dá)82% ，一致性達(dá) 80% ；積累了知識素材82.9萬份，為集團(tuán)員工提供咨詢服務(wù)支持。

此外，大模型還廣泛應(yīng)用在投研分析、交易執(zhí)行等領(lǐng)域，推動銀行業(yè)向更高效智能的方向邁進(jìn)。如招商銀行“AI小研”智能投研助手破解了信息檢索和分析繁瑣難題、交通銀行“同業(yè)間資金交易智能機(jī)器人”提升了詢價精度和交易效率等。

商業(yè)銀行大模型應(yīng)用發(fā)展展望

人工智能正在深刻改變銀行服務(wù)和運營模式，隨著技術(shù)的不斷革新和應(yīng)用場景的持續(xù)拓展，大模型必將在銀行數(shù)智化轉(zhuǎn)型和服務(wù)創(chuàng)新中扮演更為重要的角色。

數(shù)字產(chǎn)品研發(fā)領(lǐng)域。大模型技術(shù)的應(yīng)用將革新數(shù)字產(chǎn)品研發(fā)范式，輔助銀行研發(fā)人員完成需求分析、用戶界面和交互設(shè)計、編程、測試等任務(wù)，助力產(chǎn)品研發(fā)向智能化進(jìn)階。

第一，需求分析。傳統(tǒng)的需求分析主要依靠個人的解讀和理解能力，受制于需求來源可靠性、信息覆蓋全面性、文字表達(dá)準(zhǔn)確性等影響，需反復(fù)溝通，耗時耗力。大模型可借助海量數(shù)據(jù)準(zhǔn)確解讀模糊、非結(jié)構(gòu)化的需求，梳理需求間的邏輯關(guān)系，清晰準(zhǔn)確地輸出需求；結(jié)合業(yè)務(wù)目標(biāo)、急迫程度等因素提出需求開發(fā)的優(yōu)先級建議；通過跟蹤產(chǎn)品上線后客戶使用情況，結(jié)合同業(yè)最新動態(tài)、相似項目經(jīng)驗，提煉產(chǎn)品優(yōu)化建議。

第二，用戶界面和交互設(shè)計。在用戶界面及交互設(shè)計中，多模態(tài)大模型能夠為設(shè)計者提供強有力的技術(shù)支撐。通過海量的數(shù)據(jù)訓(xùn)練，分析用戶的交易行為、使用習(xí)慣、個人偏好等多維度數(shù)據(jù)，大模型動態(tài)調(diào)整界面的布局、元素及交互方式，實現(xiàn)標(biāo)準(zhǔn)化框架下的個性化界面；通過大量的界面及交互設(shè)計實例訓(xùn)練，大模型可輔助設(shè)計師快速精準(zhǔn)進(jìn)行用戶界面繪制和交互設(shè)計，還能在后續(xù)的設(shè)計走查中根據(jù)大量的用戶反饋快速定位設(shè)計中的問題并做出調(diào)整，提高需求和原型設(shè)計質(zhì)效。此外，通過持續(xù)學(xué)習(xí)海量的優(yōu)秀用戶界面設(shè)計案例，多模態(tài)大模型能輔助建立科學(xué)的用戶界面設(shè)計規(guī)范，大大降低人工成本。

第三，代碼編程。大模型可以依據(jù)需求功能描述生成基礎(chǔ)代碼框架及復(fù)雜的場景化代碼片段，作為人工編碼的輔助，開發(fā)者輸入部分代碼后，大模型根據(jù)上下文理解和代碼規(guī)范自動補全后續(xù)代碼；代碼調(diào)試方面，大模型可通過分析錯誤提示和代碼片段，提示錯誤產(chǎn)生的可能原因；通過分析代碼的執(zhí)行過程，找出可能存在的性能瓶頸或缺陷并提供改進(jìn)建議；版本管理方面，大模型可根據(jù)代碼的修改內(nèi)容自動生成修訂記錄，方便項目成員了解代碼迭代過程。

第四，自動化測試。大模型技術(shù)發(fā)展為測試提質(zhì)增效帶來新的思路，通過人機(jī)交互，測試人員引導(dǎo)大模型準(zhǔn)確理解并輔助執(zhí)行測試任務(wù)，自動生成測試計劃、案例及報告，與人工測試相比，大模型在測試場景覆蓋方面也具有明顯優(yōu)勢，避免因人工慣性思維局限而造成場景遺漏；測試工作涉及大量繁瑣的文字工作也因大模型的引入而大幅減少，測試人員可將更多的時間精力投入到更富創(chuàng)意和成效的工作中去。

資源配置領(lǐng)域。大模型在銀行資金、人力、物力等資源的科學(xué)配置方面也大有可為。通過分析交易數(shù)據(jù)和經(jīng)濟(jì)數(shù)據(jù)，綜合宏觀經(jīng)濟(jì)形勢和政策，大模型可幫助銀行提前了解市場流動性狀況，合理調(diào)整資金結(jié)構(gòu)和頭寸，降低流動性風(fēng)險；結(jié)合市場熱點、業(yè)務(wù)量波動、業(yè)務(wù)復(fù)雜度、員工技能等因素，大模型可預(yù)測不同時段、不同渠道的客流量和業(yè)務(wù)需求，輔助網(wǎng)點和客服中心制定出更科學(xué)合理的排班計劃，確保人力資源的充分利用；基于人口分布、發(fā)展水平、同業(yè)布局、客戶行為等大數(shù)據(jù)，大模型能評估不同地區(qū)的金融服務(wù)需求及潛力，為銀行規(guī)劃網(wǎng)點的數(shù)量、位置和規(guī)模提供決策參考；通過分析終端設(shè)備的使用和故障概率，合理安排設(shè)備的采購和更新計劃，確保設(shè)備資源的充足和高效運行。

智能投顧領(lǐng)域。傳統(tǒng)的銀行投顧服務(wù)因其模型存在數(shù)據(jù)信息量有限、模型封閉、成本高、效率低等問題而表現(xiàn)得不盡如人意，相較于人工提煉投資因子，大模型通過深度學(xué)習(xí)和邏輯推理，結(jié)合客戶風(fēng)險偏好、資金規(guī)模、業(yè)績表現(xiàn)、行業(yè)政策及市場動態(tài)等信息，可為投資者提供穩(wěn)健高效、智能可靠的投顧建議。

潛在風(fēng)險分析及應(yīng)對措施

大模型在提高信息處理、數(shù)據(jù)分析和預(yù)測能力的同時可能帶來新的風(fēng)險隱患，包括自身技術(shù)衍生的風(fēng)險、與金融業(yè)深度融合形成的潛在風(fēng)險等，銀行應(yīng)未雨綢繆，及早關(guān)注并制定應(yīng)對策略。

潛在風(fēng)險分析

大模型自有風(fēng)險衍生至金融領(lǐng)域。第一，數(shù)據(jù)安全風(fēng)險。數(shù)據(jù)是大模型訓(xùn)練反饋循環(huán)中的基本要素，其來源的多樣性和復(fù)雜性易導(dǎo)致數(shù)據(jù)錯誤、缺失等問題，銀行高度依賴數(shù)據(jù)，需要使用大量的金融信息等隱私數(shù)據(jù)，增加了泄露數(shù)據(jù)和隱私侵犯的風(fēng)險，引入大模型時，如何確保數(shù)據(jù)安全是銀行必須解決的問題。

第二，“幻覺”可信度風(fēng)險。大模型的核心能力是基于大量已有數(shù)據(jù)通過概率模型進(jìn)行模仿和預(yù)測，輸出有一定的隨機(jī)性，出現(xiàn)“幻覺”的可能性始終存在。輸出內(nèi)容可控性方面，大模型雖擁有強大的通用泛化和內(nèi)容生成創(chuàng)造能力，但也因“幻覺”導(dǎo)致輸出結(jié)果的不可信和不可用；算法具有較強的“黑箱”特征，生成結(jié)果的原因和邏輯很難被解釋和還原，若訓(xùn)練數(shù)據(jù)沒能及時反映市場變化，客戶可能在環(huán)境變化時作出誤判，銀行也難以在關(guān)鍵領(lǐng)域的事前、事中、事后環(huán)節(jié)進(jìn)行有效的風(fēng)險管理、算法歸責(zé)和法律救濟(jì)，有損金融機(jī)構(gòu)信譽和客戶利益。

此外，金融大模型算力設(shè)施存在成本高昂、規(guī)模不足、自主可控受限等挑戰(zhàn)。算力成本方面，金融大模型私有化和國產(chǎn)化部署的要求會給金融機(jī)構(gòu)帶來較大的成本壓力，搭建和維護(hù)基礎(chǔ)設(shè)施所需的硬件、能耗及人力成本高昂；算力規(guī)模方面，金融大模型快速發(fā)展，參數(shù)規(guī)模已達(dá)萬億級，亟需建設(shè)規(guī)模更大、效率更高的大模型算力集群；自主可控方面，相較于全球領(lǐng)先水平而言，國產(chǎn)AI芯片在生態(tài)、穩(wěn)定性、算力等方面仍存在一定差距。

大模型與銀行業(yè)深度融合衍生的潛在新型風(fēng)險。在美國金融穩(wěn)定監(jiān)督委員會2023年發(fā)布的年度報告中，在金融服務(wù)中使用人工智能，被列為可能威脅金融穩(wěn)定的一項風(fēng)險隱患。一方面，金融機(jī)構(gòu)對科技公司提供的基座大模型依賴度增加，形成了新的供應(yīng)鏈脆弱性，可能產(chǎn)生新型“大而不能倒”風(fēng)險，一旦服務(wù)商出現(xiàn)問題，將影響金融系統(tǒng)的穩(wěn)定性，削弱了金融機(jī)構(gòu)的自我發(fā)展能力；另一方面，大模型在市場分析和預(yù)測等領(lǐng)域的應(yīng)用，可能導(dǎo)致市場參與者的決策趨同，加劇金融市場的羊群效應(yīng)和波動幅度，增加市場不穩(wěn)定因素。此外，大國博弈背景下，大模型還可能被用作網(wǎng)絡(luò)攻擊的工具，如制造虛假的交易數(shù)據(jù)，操控金融市場走勢或預(yù)測模型，帶來更加復(fù)雜和嚴(yán)峻的金融安全挑戰(zhàn)。

大模型缺乏倫理約束引發(fā)的社會危機(jī)風(fēng)險。大模型的訓(xùn)練和輸出均受源數(shù)據(jù)質(zhì)量的影響，數(shù)據(jù)質(zhì)量參差不齊、特征選擇不當(dāng)和算法設(shè)計缺陷等易引發(fā)算法偏見與歧視等倫理問題。如果源數(shù)據(jù)中存在偏見或錯誤，銀行在信貸審批、資產(chǎn)配置、交易放行等關(guān)鍵決策場景時，大模型驅(qū)動的應(yīng)用可能有意或無意地輸出不公正或偏見的結(jié)果。算法偏見對某些群體產(chǎn)生不公正的影響，有損社會公平和倫理道德，如蘋果高盛聯(lián)合推出的“蘋果信用卡”就引發(fā)了算法性別歧視的激烈爭議4

應(yīng)對措施

銀行應(yīng)關(guān)注新技術(shù)、新生態(tài)帶來的潛在風(fēng)險，通過共建共治共享、技術(shù)創(chuàng)新、產(chǎn)業(yè)聯(lián)盟等措施，拓展和豐富大模型的創(chuàng)新應(yīng)用，共同促進(jìn)產(chǎn)業(yè)鏈的健康發(fā)展。

推進(jìn)大模型安全風(fēng)險的協(xié)同治理。一是堅持“以人為本、科技向善”，構(gòu)建包容審慎、分類監(jiān)管的治理體系。隨著金融科技的快速發(fā)展，銀行風(fēng)險管理變得更加復(fù)雜，政府和監(jiān)管部門應(yīng)做好規(guī)劃、政策、法規(guī)層面的頂層設(shè)計，制定倫理治理框架、準(zhǔn)入及管理制度；行業(yè)協(xié)會應(yīng)完善行業(yè)標(biāo)準(zhǔn)和測評體系、自律規(guī)范并鼓勵行業(yè)的優(yōu)秀實踐，提高行業(yè)自治能力。

二是積極響應(yīng)監(jiān)管要求，落實安全治理主體責(zé)任。銀行應(yīng)嚴(yán)守風(fēng)險底線，建立健全管理制度和操作規(guī)范；全面評估大模型風(fēng)險，構(gòu)建全生命周期的風(fēng)險防控體系和決策機(jī)制，根據(jù)風(fēng)險類別分類施策；注重對大模型知識產(chǎn)權(quán)的法律保護(hù)，明晰科技企業(yè)、金融機(jī)構(gòu)、用戶等參與方的權(quán)責(zé)。

三是提升參與方的安全素養(yǎng)。強化大模型從業(yè)人員的法治意識、職業(yè)操守和倫理素養(yǎng)，在監(jiān)管框架下創(chuàng)新研發(fā)，引導(dǎo)技術(shù)向善；科技企業(yè)和金融機(jī)構(gòu)應(yīng)探索以主流價值緩解算法焦慮，傳播安全知識，提高輿論引導(dǎo)能力和公眾的安全素養(yǎng)；培育“四共”（共商、共識、共建、共享）數(shù)據(jù)治理觀念，凝聚數(shù)據(jù)治理合力。

總之，建立健全政府主導(dǎo)、監(jiān)管指導(dǎo)、行業(yè)引導(dǎo)、主體自治、公眾參與、法治保障的綜合治理機(jī)制，為大模型健康、安全和可持續(xù)發(fā)展保駕護(hù)航。

夯實技術(shù)底座，探索業(yè)數(shù)技融合的敏捷響應(yīng)新范式。第一，完善數(shù)據(jù)治理機(jī)制，充分發(fā)揮數(shù)據(jù)要素價值。一是銀行應(yīng)建立數(shù)據(jù)分級分類訪問和使用機(jī)制，實現(xiàn)關(guān)鍵領(lǐng)域數(shù)據(jù)信息的全鏈條管控，保護(hù)個人隱私；二是采用訪問審計等手段動態(tài)監(jiān)控數(shù)據(jù)的訪問、使用和流動情況，及時預(yù)警異常行為；三是加強源頭數(shù)據(jù)信息共享，規(guī)范入網(wǎng)渠道和標(biāo)準(zhǔn)，暢通共享通道，促進(jìn)數(shù)據(jù)的互聯(lián)互通和開發(fā)應(yīng)用，為大模型應(yīng)用提供高質(zhì)量的數(shù)據(jù)支持。

第二，探索企業(yè)級集中運營，實現(xiàn)降本增效提質(zhì)。金融大模型需要海量、優(yōu)質(zhì)、多領(lǐng)域的語料數(shù)據(jù)進(jìn)行定制化訓(xùn)練，銀行應(yīng)探索大模型企業(yè)級運營，賦能業(yè)務(wù)創(chuàng)新和效率提升。通過對語料數(shù)據(jù)“機(jī)器 + 人工”的動態(tài)調(diào)優(yōu)，提高數(shù)據(jù)加工處理的自動化程度和質(zhì)效；建立跨條線的業(yè)數(shù)技融合敏捷響應(yīng)機(jī)制，提高大模型的迭代速度和市場響應(yīng)能力；根據(jù)金融應(yīng)用場景的時效要求，靈活適配算力底座，構(gòu)建高效和靈活的金融大模型。

此外，銀行還可從提升數(shù)據(jù)質(zhì)量、算法優(yōu)化、增強模型透明度等環(huán)節(jié)著手，通過引入向量數(shù)據(jù)庫、檢索增強生成、知識蒸餾等技術(shù)精煉模型邏輯，建設(shè)可持續(xù)發(fā)展的大模型研發(fā)范式，研發(fā)高可靠、低幻覺、輕量化和專業(yè)化的金融大模型，提高模型透明度，增強生成結(jié)果的可信性和可追溯性。

加強與科研院校、科技企業(yè)合作，推動金融與科技融合。第一，積極參與大模型生態(tài)共建，共同推進(jìn)產(chǎn)業(yè)健康發(fā)展。一是銀行應(yīng)與科研院校、大模型研究機(jī)構(gòu)密切合作，通過共建實驗室、開設(shè)人工智能課程等方式，培養(yǎng)“ AI⁺ 金融”復(fù)合型人才，共同研發(fā)新算法或優(yōu)化現(xiàn)有模型，促進(jìn)學(xué)術(shù)成果在銀行領(lǐng)域的落地轉(zhuǎn)化；二是促進(jìn)技術(shù)研發(fā)、數(shù)據(jù)及市場信息等資源的共享，促進(jìn)大模型技術(shù)的協(xié)同發(fā)展和應(yīng)用，提高金融業(yè)服務(wù)效率和風(fēng)險管理能力；三是通過引入前沿算法、模型和技術(shù)，發(fā)揮自身數(shù)據(jù)、場景、客戶等要素稟賦，探索差異化發(fā)展路徑，做好創(chuàng)新儲備，加快推進(jìn)DeepSeek等國產(chǎn)開源大模型在銀行業(yè)的本地化部署與規(guī)?；瘧?yīng)用。

第二，積極捕捉營銷商機(jī)，加大金融賦能力度。大模型基礎(chǔ)建設(shè)投資巨大，涉及數(shù)據(jù)、算法和算力等上下游產(chǎn)業(yè)鏈，銀行應(yīng)積極關(guān)注算力設(shè)備生產(chǎn)商、深度求索、華為、阿里等科技企業(yè)及數(shù)據(jù)中心面臨的發(fā)展機(jī)遇，加大金融支持力度，助力國產(chǎn)大模型做大做強，實現(xiàn)人工智能新質(zhì)生產(chǎn)力的自主可控。

結(jié)語

大模型正逐漸成為引領(lǐng)未來金融變革的新引擎，商業(yè)銀行須以開放創(chuàng)新、融合發(fā)展的姿態(tài)積極擁抱新技術(shù)，乘風(fēng)而上，推動銀行業(yè)數(shù)智化轉(zhuǎn)型的變革性發(fā)展。堅持安全與發(fā)展并重，通過關(guān)鍵場景先行先試、構(gòu)建行業(yè)大模型能力體系、健全大模型治理機(jī)制等舉措，快速突破形成標(biāo)桿、打造差異化競爭優(yōu)勢，促進(jìn)人工智能創(chuàng)新發(fā)展；堅持“技術(shù) + 生態(tài)”雙輪驅(qū)動，技術(shù)上加強自主研發(fā)，掌握大模型核心底座，生態(tài)上廣泛開展產(chǎn)學(xué)研用合作，通過生態(tài)共建共享共治、多方協(xié)同等多措并舉，助力金融內(nèi)涵式高質(zhì)量發(fā)展。

【參考文獻(xiàn)】

[1]祝世虎.金融業(yè)智能風(fēng)控需要主動擁抱大模型[J].中國金融電腦，2024（1）：34-35.

[2]茍志龍.大模型實踐探索一一銀行業(yè)布局與戰(zhàn) 術(shù)路徑[0L].https：//m.it168.c0m/articleq_6855225. html，2024-07-01.

[3]張云基.聯(lián)邦大模型在金融領(lǐng)域的應(yīng)用研究[J].金融電子化，2024（12）上.

[4]黃震.人工智能金融應(yīng)用的風(fēng)險及法律治理[J]金融電子化，2024（11）上.

[5]錢斌.以人為本，智能向善，描繪數(shù)字金融新圖景[J].金融電子化，2024（8）上.

[6]中國人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟金融行業(yè)推進(jìn)組.金 融大模型落地路線圖研究報告（2024）[R/OL].https：// m.book118.c0m/html/2025/0125/8103113106007025. shtm，2025-01-25.

（作者單位：中國建設(shè)銀行廣州電子銀行研發(fā)中心，其中陳紅淇系研發(fā)中心副主任）