泰康资产首席信息官苟宏：AI如何在复杂的资管体系中落地

从产业层面看，大模型的发展得益于算力、数据和模型能力在过去二十余年的持续积累。自2023年以来，以生成式AI为代表的大模型进入快速迭代阶段，模型能力和应用形态双线并进、相互促进，并呈现出螺旋式上升的发展态势。当前，大模型已在生物医药、数字娱乐、软件开发、自动驾驶、机器人及智能体等多个领域产生深远影响，其与金融行业的融合也成为不可逆转的趋势。

在资产管理行业，全球头部机构对大模型的重视程度和资源投入显著提升。无论是银行、投行还是资管机构，海外机构在算力基础设施、应用场景探索以及高端人才方面的投入力度，一定程度上领先于国内金融机构。摩根大通、高盛、贝莱德、Two Sigma 等机构，均已在投研、策略构建、财富管理、运营、风控和合规等领域推进大模型探索相关应用。

泰康资产是一家以To B业务为主的保险资管机构，截至2025年6月末，资产管理规模超4.5万亿元，其中第三方资产管理规模超2.6万亿元，养老金管理规模已超过1.1万亿元。业务结构复杂、资金来源多元、投资体系庞大，是公司业务的显著特征。在这一背景下，一方面要求公司构建可持续支撑大规模投资运作的体系化能力，另一方面，也为AI大模型深度嵌入复杂业务场景、释放生产力提供了独特的实验场和应用土壤。

在具体落地路径上，从行业视角可以总结出一些普遍规律，但对单一机构，必须结合自身的业务模式、组织架构、人才梯队和业务特点，寻找解决方案。泰康资产从三个方面推进AI应用落地：组织保障、技术平台和应用场景探索。

一是组织保障。五年前，公司即开始搭建跨学科的人工智能团队，形成融合业务专家、数据科学家、AI工程师、数据专家、产品经理、系统架构师和研发工程师的复合型AI研发团队。其中，具备投研背景的业务专家深度参与场景设计与模型评估，数据科学家与AI工程团队负责模型训练、推理优化和智能体研发，数据专家推进数据治理和知识中台建设，产品经理、架构和工程团队负责应用系统研发，共同构成了保障AI落地的重要组织基础。

二是技术平台建设。AI大模型的落地需要体系化的平台支撑。整体架构自下而上包括算力层、模型层、知识层和服务层。其中，算力层需要统筹私有算力与公有云资源；模型层覆盖模型训练、推理等全生命周期管理，并重点建设资管垂直领域模型；知识中台将会是未来金融机构的重要竞争壁垒，是继数据中台之后的关键能力；服务层整合内外部工具，提供大模型应用的统一研发和运营服务。

三是应用场景探索。目前，公司已在资管各领域探索并落地60余个应用场景。其中有代表性的有两类，一类是面向全员的基础AI应用，通过内部统一的智能助手提升日常办公效率；另一类聚焦投研核心场景，自研Deep Research投研智能体，整合海量内外部投研数据，内化多年积累的泰康投研分析方法论，将原本需要数天完成的研究任务缩短到十几分钟，深度赋能主动投研，显著提升了投研生产力。

问：作为一家大型资产管理机构，在实际运用AI大模型过程中，最大的瓶颈可能出现在哪些方面？

答：瓶颈往往与自身资源禀赋相关。谈到瓶颈，首先，缺乏共识，即是否要做、如何去做。策略选择是主动探索，还是被动跟随，这直接取决于自身的资源与禀赋。若形成共识要主动探索，随之而来的是人和资金的持续投入，可能面临缺人才、缺资金的问题。其次，缺乏平台架构和高价值的应用场景。这时需要双管齐下：一是自上而下的顶层设计，规划好整体平台架构；二是自下而上的业务场景探索，寻找并落地高价值场景。需要关注的是，高价值场景通常是公司业务价值链中的核心场景，能带来收入增长或风险降低，同时，公司在这些高价值场景中的能力是否行业领先也非常重要，否则即使提出需求也难以形成行业领先的AI应用。最后，落地方式与落地环境。我们探讨了许多模型与算法，但最终都要集成到核心生产系统中。核心生产系统的架构能否支持大模型的深度嵌入？能否支持新一代人机交互标准的调用？这些都是需要提前解决的基础问题。

问：对AI应用场景的总体经验或建议是什么？

答：从行业层面看，AI落地已形成一定共性经验，但具体到单一机构，仍需结合自身业务战略、资源禀赋和技术能力，由内部团队充分消化后，形成符合自身特点的解决方案，这是AI成功落地的关键所在。