核心观点 - 2025年是中国金融业大模型规模化落地的关键年 AI技术正从概念验证深入业务核心 驱动金融服务智能化和普惠化 [1] - 金融机构从早期单纯强调"用起来"转向关注技术与业务协同的实际效益和成本控制 "有价值"成为行业共识 [2] - 金融大模型应用面临数据价值转化不足 安全性挑战和不确定性等门槛 需通过技术融合和体系建设解决 [4][5][6][7] AI应用现状与进展 - 金融智能体已具备感知 学习 行动 决策的代理能力 可培育专业水准的金融代理人 适用于市场分析 风险评估 投资顾问等领域 [2] - 行业正从人机协同L3阶段向L4阶段跨越 关键突破在于大模型使机器自主理解并响应用户需求 未来将向L5阶段发展 提供更拟人 有情感的高质量服务 [2] - 2025年是智能体元年 大型企业构建智能体平台 业务部门参与度从18%提升至74% [3] - 银行业AI大模型落地呈加速跑态势 工商银行新增100余个应用场景包括AI财富助理和投研智能助手 邮储银行开展230余项大模型场景建设 [3] - 马上消费发布零售金融大模型"天镜"并升级至3.0版本 应用于八大核心场景 智能客服年均服务超6500万次 [5] 战略与体系建设 - 金融机构将智能化作为最重要战略 倾向于从体系化角度考虑AI建设 希望利用1-2年时间窗口构建AI体系确保发挥大模型核心作用 [3] - 行业需要推动数据中台与AI平台深度融合 将AI技术系统应用于业务全流程 目前数据平台仅还原50%数据价值 大量业务规则和专家经验尚未充分挖掘 [5] 数据价值转化挑战 - 中国企业面临数据资源难以转化为自身资产的挑战 数据 技术与算法割裂无法协同支撑决策 [4] - 需通过洞察平台从大量"废弃数据"中识别高价值应用场景与客户真实需求 洞察平台可激活企业约70%的"沉睡数据" [4] - 计划将自动驾驶领域的强化学习经验与AI技术融合 在金融决策和风险控制领域实现突破 [4][5] 安全性与可信性挑战 - 必须高度重视金融模型的安全性与可信性 模型歧视 算法共振和隐私泄露等技术风险仍未彻底解决 [6] - 算法共振指不同机构采用相似程序算法逻辑导致市场预测趋同和交易策略一致 可能引发单边市场行为与剧烈波动 [6] - 隐私泄露问题缘于模型可解释性不足 对算法处理 数据挖掘及生成过程缺乏透明解释 制约监管合规能力和模型可靠应用 [6] - 金融决策要求极高精准性 微小偏差可能造成显著影响 需确保AI决策可信 已逐步形成标准方法 平台与工具 [6] 不确定性挑战 - AI引入带来不确定性挑战 部署前无法预知投资回报率或具体商业成效 要求机构有先期投入与探索意愿 [7] - 金融机构需在战略规划 组织架构设计和人才引进等方面持续创新与调整 [7]