恒生电子刘曙峰：大模型与金融数智化转型的七点思考

第一，大模型的突破加速数智化转型。数智革命正在加速：1.0是电子化，2.0是网络化，3.0是数智化，大语言模型的突破正在加速数智化的转型。

每一次技术进步都带来了行业格局的边际变化，也都深刻地改变了行业的商业模式和底层架构，当然，这种改变是缓慢但深刻的，可以说是一年很长，五年却很短，大部分的机构都能适应这样的变化，虽然也有部分机构在这个过程中被淘汰出局。

第二，基础模型的进步与平权。过去三年，基础模型不断取得进步，规模法则持续有效，社会共识空前共振。过去一年，大模型进入平权阶段，技术门槛和费用门槛充分降低，消费级应用迅速普及。但是很多金融机构还没有意识到这一点，特别是很多中小金融机构缺乏体感。因此需要去“捅破窗户纸”，推动行业意识到这一变化。

第三，产业应用取得实质性突破。2025年产业应用取得实质性突破，已经开始全面嵌入到生产流程的各个环节中，在局部场景下有效提高了生产效率并且不可逆地替代或者创设了工作岗位。

尤其在互联网行业已经很明显地出现了产业的实质性突破，包括对Token的调用等的落地。在金融行业同样如此，这些场景集中体现交互入口，文档信息处理，客户服务等场景下，同时，大模型在代码生成环节的生产有效性也得到了印证。例如大家都感受到了初级代码部位效率的提升，也包括在财富管理和资产管理在运营管理、投研、客户交互和服务等环节已经全面嵌入到了生产流程，替代的效果明显且不可逆。尽管上述现象是在局部发生的，但是确实取得了实质性的突破。

第四，智能体Agent开始处理复杂任务。当前大模型的基础应用仍集中在对话、Copilot的模式下，尤其是在To C端的普及、智能搜索比较好。智能体Agent的发展是2025年另一个值得关注的领域，有望在未来一年取得实质性的进展，从而极大提高复杂任务的能力和使用体验，替代或者创设更多的工作岗位，从而加速加深数智化转型的进度。

随着Agent开始处理复杂任务，对To B应用端的影响效果开始显现，大模型在金融行业的应用将会拓展到一个新的边界，并且这个边界的拓展过程已经开始得到印证。通过调研和搜集中美两国的案例发现，在金融领域美国的相关投入强度要更大，部分应用的进展速度超出预期。Agent在2025年尚处于局部应用阶段，应用边界的拓展程度仍需2026年进一步观察。

第五，大小模型协同可能是解决精准计算与幻觉问题的有效路径。在精准计算领域，传统小模型对结构化数据的处理能力不能也无需被替代，大小模型的混合使用可以是一种有效的方式。例如在基本面量化领域，可以使用大模型进行数据筛选，使用小模型进行结构化数据计算处理，将应用的边界进一步拓展。

与此同时，大模型的幻觉问题无法从根本上消除，我们需要探索有效的边界并接受与大模型幻觉共存。人也有幻觉，从某种角度看，幻觉或许可视为一种想象力，如同科学发现中的灵感，这一方向仍需持续观察。在金融领域，这意味着AI在风险管理，投资决策等高价值部位的有效使用。

第六，大模型金融应用仍处于初级阶段。金融机构在大模型相关应用的总投资增长不及预期，但正在从所谓垂直模型训练等“学习实验”性投资转向应用环节的生产性投资，也有少数领先金融机构发布了大模型原生的应用。

尽管行业采购了大量的卡，但Token调用量相对有限。资源更多投入到了私部署及模型训练上，训练的实际价值仍然值得探讨。尽管当前的微训练、微调、后训练等方式能够在特定场景实现价值，但场景的边界不明确。此外，尽管在理论上垂域模型可以做得更深，但是其收到的边际条件限制也更多，包括语料、算力等。垂域模型与基础模型的进化速度差异、垂域模型在深度拓展方面能否跟上基础模型的速度，需要进一步观察，垂域模型的布局必要性仍然值得探讨。

总体来看，限制发展速度的主要因素包括私有化部署的有效性，业务的合规风险以及预算的约束，这也符合一个新技术进入产业应用的一般规律，正如前面所言“一年很长，五年很短”，对很多机构而言，观望不失为一种有限策略，不必焦虑。

第七，当前需要开始考虑商业模式和产业范式的基础架构变革的问题。从长期战略的角度看，底层技术的进步最终会改变商业模式和产业范式的基础架构，最新的观察是数据中台和AI中台的融合，以及所谓“本体”的业务逻辑模型，行业know-how的深度和抽象能力仍然是核心竞争力的来源。

原生应用已经在2024年发布并在金融领域落地，但原生架构及原生商业模式带来的变化尚未明确。这一问题短期内紧迫性不强，但长期意义重大。提前思考该问题，有助于优化相关的战略和策略部署。金融系统总体来看是一个慢系统，具有严监管、强风险，客户黏性特别强的特征，而互联网是一个快系统，AI、大模型的发展很大程度上建立在互联网发展的基础上的，大数据是AI、大模型发展的基础材料。快系统和慢系统之间必然会产生一定的冲突。因此在策略选择和资源投入的过程中，需要用慢系统的战略框架去思考快系统的做法、行为，然后找到突破点。在架构方面，数据中台、AI中台以及本体架构等相关探索为未来发展提供了多种可能性。

（一）AI在金融行业应用的瓶颈

今天的瓶颈主要在于缺少行动。缺少行动可能是由于没有动力，可能是由于缺乏勇气，当然也可能是由于现实条件的限制。以目前金融机构普遍要求的私部署模式为例，存在比较高的资源、技术、人员的门槛，但是最核心的还是要去干，干了才会知道。

实际上，实践后会发现难度低于预期，所谓瓶颈更多是心理层面的“窗户纸”，而打破这层窗户纸的确很难，需要机制、人才与文化的支撑。

（二）AI在金融行业应用的实践路径

具体路径需要在实践中探索，就如同学游泳，仅在岸上观察别人的姿势永远学不会。实践路径可以分为“慢的干法”与“快的打法”两类，各包含两种具体方式。

慢的干法，一是慢慢来稳步推进架构搭建和资源投入，这一做法适合大型机构，实际上大部分大型机构已经在这么做了。二是什么也不做，等行业出现成功案例之后再跟进，属于低成本的策略，适合多数中小型机构，可以避免盲目投入带来的风险。

快的打法，一是加大资源投入，基于实践深度研究思考，进而找到突破点，这种策略适合想要有作为的大型机构和少数能力相对比较强的中小型机构。二是布局原生应用，适合没有包袱的机构或者创业企业。创业企业虽然面临着牌照准入的问题，但是不乏从边缘业务切入进来的先例。纯原生存在一定红利的同时风险很大，失败概率远高于成功概率

对于在座的机构而言，可以结合自身的规模和能力，实现慢干法与快打法的融合。

（三）AI应用场景展望

数据显示，2025年智能客服与人工座席的投入比例约为1:1，预计2026年智能客服将成为主要投入方向，包括从智能外呼、知识库管理等。在未来一两年的某个时点，人工座席可能转变为智能客服的补充，客服场景的全面打通可能成为AI在金融领域应用的重要出发点。