每經記者 陳植    每經編輯 馬子卿    

3月5日，第十四屆全國人民代表大會第三次會議在北京人民大會堂開幕。今年的政府工作報告提出，持續推進“人工智能+”行動，將數字技術與制造優勢、市場優勢更好結合起來，支持大模型廣泛應用，大力發展智能網聯新能源汽車、人工智能手機和電腦、智能機器人等新一代智能終端以及智能制造裝備。

近年來，人工智能技術在金融場景的應用日益廣泛，成為銀行等金融機構推動數字化轉型的“新基建”。記者獲悉，當前AI在金融場景的應用正呈現“百花齊放”趨勢，無論是信貸風控、交易安全、財富管理、客戶管理，還是合規審查、遠程銀行等金融業務領域，都能看到AI科技賦能的身影。

為了更好地推進“AI+金融”融合發展，越來越多銀行還專門設立AI中臺，集成光學字符識別、語音識別和語音合成、生物識別比對、深度學習等AI科技，驅動AI能力與金融場景的深度融合，為銀行各項業務高質量發展“融智賦能”。

尤其在DeepSeek等大模型相繼面世后，銀行正進一步擁抱AI科技。一位城商行金融科技部門人士向記者分析說：“相比傳統AI應用模式，大模型技術在數據分析推理、內容自動生成、模型深度學習等方面更具智能性。”在接入DeepSeek等大模型進行數據訓練后，他所在的銀行發現大模型技術在金融市場投研分析、企業知識問答、代碼生成審查、信貸風控報告準確性等方面發揮更高的降本增效作用。

他認為，在政府工作報告提出“支持大模型廣泛應用”后，銀行將持續增強AI大模型在金融場景下語義理解、邏輯推理、多輪交互等方面的適應性，將AI技術應用能力更快轉化成業務價值，構筑AI時代下更強的金融服務能力與業務核心競爭力。

銀行要建立AI中臺，仍面臨提高實時分析與反饋循環效率等挑戰

上海交通大學上海高級金融學院副院長李峰此前接受《每日經濟新聞》記者專訪時表示，金融機構提供卓越金融服務的一大基礎，就是高效專業的數據分析處理能力。人工智能技術最擅長的，恰恰是高效準確地分析處理海量數據。

記者多方了解到，AI近年來在銀行場景的應用日益廣泛，在身份驗證、智能風險控制、精準營銷、投資研究、投資咨詢、運營管理、合規監管、客戶運營、客戶服務等各個業務環節，都能看到大量AI科技賦能的身影。

在信用風險評估環節，AI機器學習技術對歷史數據進行訓練，以更全面的維度預測用戶的信用價值并詳盡評估用戶信貸相關的風險，提升銀行的信貸風控控制與信貸利率精準定價能力。

在客戶運營環節，AI技術深度分析用戶的消費習慣、交易行為、職業發展狀況等各方面數據，向銀行提供不同細分客群的差異化營銷建議，助力銀行實現千人千面式的個性化金融服務。

在反欺詐風控環節，AI技術能實時分析大量交易數據，迅速識別與電信網絡詐騙等非法金融活動相關的異常交易狀況，助力銀行主動采取風控舉措，全力保護用戶的錢袋子。

在財富管理環節，AI技術可以協助客戶經理進行客戶財富狀況分析、市場趨勢解讀與產品推介，持續提升財富管理服務能力。

但是，由于不同規模銀行在AI研發人才儲備、AI技術研發應用經驗、AI研發投入等方面存在差異，他們在AI應用方面的實施路徑與業務規劃也截然不同。

“相比大型銀行早早建立AI中臺，賦能大量金融業務場景實現AI科技賦能，中小銀行由于AI研發人才與預算投入有限，只能先在單個業務場景先引入AI科技，再逐步由點及面地推廣更多場景的AI賦能。”上述城商行金融科技部門人士告訴記者。所幸的是，隨著近年AI在金融場景的應用日益廣泛并取得顯著的降本增效作用，越來越多城商行與農商行也相繼設立AI中臺。

例如，齊魯銀行建立了一體化的全行人工智能中臺——泉智AI中臺，通過將整合多項AI技術，推動AI能力與金融場景的充分融合，為全行運營、風控、營銷等各類業務發展“賦能”；長沙銀行打造以人工智能模型管理平臺為核心的AI中臺，實施以應用落地為目標的AI訓練、以價值挖掘為導向的數據治理、以存續周期為閉環的模型管理，加速釋放AI數智化潛能。

前述城商行金融科技部門人士指出，相比傳統AI技術開發應用普遍存在建模成本高、部署周期長、管理不完善、監控不到位、模型資產分散、部署流程不統一等問題，銀行建設AI中臺，可以更高效釋放數據價值，加快銀行基礎數據的資產化建模進程，對數據到模型、訓練到應用、評估到改進的全鏈路AI賦能金融發展，提供更全面與強有力的支持。

在其看來，銀行要建立AI中臺仍面臨諸多挑戰。一是持續增強高性能計算，分布式計算與并行處理等技術，大幅提升AI任務的執行效率；二是完善智能化服務編排，自動化組合與調度多個AI服務的能力，從而實現復雜業務流程的智能化管理；三是提升模型管理能力，提供一站式的模型開發、測試、部署和監控平臺，且支持多種機器學習和深度學習框架，從而滿足銀行不同業務的多樣化建模需求；四是提高實時分析與反饋循環效率，即銀行AI中臺需與營銷平臺、運營平臺打通，實時收集和分析用戶行為及業務數據，及時調整AI策略和服務模式，持續優化AI模型的準確性和響應速度；五是強化安全性能，確保金融交易和客戶信息的絕對安全；六是推進靈活的定制化服務，能根據不同部門和業務線的特定需求，提供定制化的AI解決方案，并支持快速原型設計和實驗驗證，加速新業務的孵化進程。

一位股份制銀行IT部門負責人向記者表示，當前銀行在AI能力建設與推廣應用還面臨其他挑戰，包括用于建模的數據資產數量有限；數據質量還需提升；訓練數據處理、模型訓練調優、模型發布監控等環節缺乏統一管理與平臺支撐等。

“在實際操作環節，有時數據質量不高導致AI風控模型誤判某些客戶的信用評級，也會導致銀行做出錯誤的信貸決策，影響客戶的金融服務滿意度。此外，金融行業具有數據密集型特點，用戶信息往往在金融服務過程頻繁流動，AI技術在提升金融服務效率同時如何做好數據隱私保護，也是一大挑戰。”他向記者指出。隨著AI大模型的面世，他認為這些難題或能隨著AI技術迭代升級而“迎刃而解”。

DeepSeek大模型將驅動銀行的研發應用向“輕量化”與“高效化”發展

隨著DeepSeek等AI大模型相繼面世，銀行看到深化“AI+金融”應用的新操作空間。

今年春節后，越來越多銀行紛紛接入DeepSeek大模型，在金融場景開啟新的AI大模型應用征途。《每日經濟新聞》記者了解到，大連銀行依托開源RAG框架，在行內金融信創云平臺部署DeepSeek-R1模型，并在金融投研分析、企業知識問答、代碼生成審查、辦公行文輔助等領域進行試點應用，加速金融智能化轉型進程。

近日，內蒙古銀行在行內數據中心完成DeepSeek-R1蒸餾版模型的私有化部署，基于Ollama和Dify等平臺實現智能問答、企業知識管理、個性化文檔處理能力等，在探索AI賦能金融方面邁出新步伐。

一位金融科技公司負責人向記者透露，通過初步測試，DeepSeek大模型在部分金融場景呈現更好的降本增效作用。具體而言，一是它的低算力配置要求，顯著降低銀行在AI算力基礎建設方面的投入，二是它的強推理能力，令銀行在遠程銀行、信貸風控管理、財富管理服務等方面有望產生更高的業務效率。

他告訴記者，在對公信貸領域，DeepSeek所生成的企業信用報告具有更高的自動填充率與輿情風險分析準確度；在遠程銀行領域，DeepSeek可幫客服人員根據客戶個性化標簽自動生成回答話術并協助質檢復核，以替代傳統流程慢效率低的人工檢索，大幅提升業務效率。

蘇商銀行高級研究員孫揚也表示，蘇商銀行已應用DeepSeek VL2多模態模型處理非標材料，如表格、影像資料、文檔圖片等識別，將提升信貸材料綜合識別準確率至97%。此外，蘇商銀行將DeepSeek的蒸餾技術應用于信貸風控、反欺詐等20多個場景，使盡調報告生成效率提升40%，欺詐風險標簽準確率提升35%。

上述金融科技公司負責人向記者透露，就發展趨勢而言，DeepSeek大模型的興起，將驅動銀行的金融大模型研發應用，向“輕量化”與“高效化”發展，持續提升資源利用率。尤其是隨著金融行業對大模型應用的需求持續增長，為了提升大模型的可用性，金融大模型需面向輕量化模型發展，通過模型壓縮、知識蒸餾等技術，保持大模型性能同時降低算力等資源的消耗。特別是在需要實時快速響應的金融服務場景，輕量化的大模型可以靈活快速處理各類數據，全面提升金融機構的金融服務能力。

但是，AI大模型生成內容的“幻覺”挑戰與數據訓練過程的數據安全保護問題，金融機構仍需找到更穩妥的解決方案，以滿足嚴格的金融業務合規性要求。

記者獲悉，部分銀行已嘗試采取多項應對舉措，比如引入合規機器人技術，對AI大模型自動生成的內容話術進行“合規性”審核，逐步解決大模型“幻覺”問題，二是著手升級數據處理與數據分析架構，提升數據信息保護水準，確保大模型數據訓練過程不會發生個人數據敏感信息泄露。

李峰此前向記者透露，不少金融機構會將AI大模型率先應用在內部辦公場景，一個重要原因是AI大模型即便出現幻覺風險，其危害性相對較小，金融機構內部員工能迅速聯系IT部門解決這些幻覺問題，不會影響業務正常運轉；此外，部分金融機構還將AI大模型視為財富管理服務的輔助工具，即便大模型出現幻覺風險，金融機構員工也可以拒絕采納大模型生成的某些“財富管理建議”，將金融服務風險降至可控水準。

“銀行等金融機構在AI大模型應用方面，都會考慮先在回報最大的場景應用。畢竟，AI大模型在金融領域的最大價值，就是降本增效，若沒有良好的經濟回報，金融機構對AI大模型的使用熱情難以持續。”李峰強調說。

封面圖片來源：每經記者 張建 攝