核心观点 - 九方智投通过"九方灵犀"智能投顾系统解决传统投顾服务的三大痛点：响应效率低、个性化策略缺失和内容生成能力不足 该系统依托九章证券大模型的金融语言理解能力 实现7×24小时智能化服务 累计对话量超1800万次 用户满意度超50% 并成功赋能大小额业务线[4][5][6][7] 行业痛点分析 - 投顾服务供需严重不对称 用户咨询响应效率低 传统团队难以实现7×24小时高频响应[1][4] - 个性化策略推荐困难 用户画像和风险适配缺失 难以实现千人千面定制服务[2][5] - 内容生成能力有限 策略解读与市场解说缺乏连贯性与深度 人工生产更新周期长[3][5] 技术解决方案 - 搭建陪伴式智能对话助手 通过自然语言理解与金融知识图谱实现精准语义识别 支持AI实时问答和多轮跟进[4][5] - 构建动态用户画像系统 融合行为数据、交易记录和风险测评等多维信息 支持个性化内容推送和策略解读[5] - 开发热点事件快评系统 自动生成热点分析、资产清单和操作建议 结合多模态能力生成图文/视频内容[4][5] 系统架构实现 - 构建投顾知识图谱与专业语料库 统一MCP工具形成九方Tool Box[5] - 训练九章证券大模型增强金融术语理解 采用三阶段智能体对话模式确保准确率[5] - 开发多端交互系统 支持网页/APP/微信小程序接入 提供拟人化陪伴体验[5] 运营成效数据 - 全平台累计对话交互量突破1800万次 覆盖行情解读、策略推荐等多样化需求[7] - 用户智能投顾场景渗透率达10%+ 使用习惯向智能助手迁移[7] - 整体用户满意度超过50% 在专业性和时效性维度获广泛好评[7] 业务赋能价值 - 小额业务与量化工具产品联动 提升策略转化率与留存效果[7] - 大额业务结合股票账户诊断服务 生成持仓分析和策略优化建议 增强高净值客户服务深度[7]

核心观点 - 2025年金融业大模型应用从试点走向规模化量产，成为金融机构核心竞争力，推动投顾、投研、营销、合规等场景的深度变革 [3] - 行业通过监管完善、算力成本下降、模型能力提升和生态成熟实现技术下沉，大模型从概念验证转变为大众可及的生产工具 [5] - 金融大模型发展路径涵盖基准构建、实践应用和行业赋能，最终目标是从功能可用升级至效果可证和生态共生 [3][20][24] 发展路径 - 2025年成为规模化落地分水岭，GPU算力租赁价格大幅下降，监管框架落地扫清使用障碍 [5] - 基座模型调用单价持续下探，应用案例与插件生态日益丰富，解决成本和使用体验问题 [5] - 领先实践锚定真实用户行为数据，例如问财Hithink大模型基于千万级投资者数据构建需求提炼-场景验证-技术迭代-数据反哺闭环 [6] 基准构建 - 行业推出深度融合实际场景的评估基准，覆盖数值计算、链式推理、信息抽取、趋势预测与百科问答等核心能力 [8] - 基准数据集规模达数万至十万余条，包含中英双语样本，输入长度跨度极大以匹配短口令和长研报并存场景 [8] - 评估框架采用多阶段维度解耦，从答案正确性、推理可靠性到指令遵循一致性层层把关，减少单一判分偏差 [8] - 闭源模型在异动溯源分析、金融数据描述等任务表现突出，开源模型在部分细分任务中超越闭源旗舰模型 [9] 实践应用：智能投顾 - 金融智能体平台支撑千万级日活，具备工具+服务+合规三位一体能力，内置MCP协议对接外部服务 [12] - 语义指标平台统一结构化数据业务语义层，检索增强生成引擎处理非结构化碎片，通过动态知识库和溯源验证解决准确性、时效性与合规性痛点 [12] - 平台提供低代码可视化组件，支持业务人员快速拼装AI应用，智能体在生产环境中随真实数据自我迭代 [13] 实践应用：智慧投研 - 智慧金融终端围绕金融数据-逻辑框架-投研落地闭环，覆盖股票、基金、债券、期货等完整数据 [14] - 智能取数、可视化分析与溯源校验实现数据从可查到易用，研究框架将数小时逻辑梳理工作压缩至即时呈现 [14] - 场景化智能体提供开箱即用功能：银行授信报告一键聚合企业数据，行业报告秒级输出，产业图谱自动挖掘标的，AI搜索实时追踪热点 [15] 行业赋能：效率革新 - 智能投顾机器人处理客户需求示例：100万资金适中风险偏好，1年内稳健收益需求，生成包含股票、基金、债券的资产配置建议并实时调整 [17] - 智能投研终端输入分析新能源汽车行业竞争格局需求，自动生成涵盖市场规模、财务对比、技术趋势的结构化报告 [18] 行业赋能：普惠价值 - 中小机构通过标准化服务接入成熟大模型，例如智能客服系统和专业智能终端，无需巨额研发投入 [19] - 低代码开发模式降低应用搭建门槛，业务人员可通过组件编排开发个性化智能营销智能体 [19] 未来展望：供应商能力 - 供应商选型标准从技术交付转向战略共建和效果可证，需具备五大能力：智能上下文管理、数据整合处理、金融工具MCP沉淀、客户全周期服务、行业专业知识 [21][22] - 具体能力要求包括主动管理上下文窗口、处理多源异构数据、构建行业知识库、提供场景咨询和评测体系支持 [22] 未来展望：智能体驱动 - 智能体从办公辅助向核心业务决策渗透，重塑金融价值链，推动从知识外包向智慧共生转型 [23] - 智能体需具备上下文管理、数据整合、金融知识沉淀、客户全周期服务等核心能力，以应对产业链分析、财务指标挖掘等高阶任务 [23] - 发展路径沿工具-平台-生态演进：向下扎根专业评估基准，向上融合应用平台，向远共建安全普惠生态 [24]

调研活动 - 知名私募睿扬投资于9月3日对上市公司云从科技进行调研 参与形式为公司业绩说明会 [1] 云从科技业务亮点 - 通过产业投资布局AI推理芯片研发 战略投资国内RISC-V领域领先企业奕斯伟计算 [1] - 与多家金融机构合作提供金融大模型 大数据服务 风控 营销 活体检测及双录等服务 [1] - 技术产品在无人车和无人驾驶领域应用于智能网联汽车"车路云"协同系统 并参与特定场景和业务 [1] 睿扬投资机构背景 - 成立于2017年1月 主营二级市场私募证券投资基金业务 管理人登记编码P1062872 观察会员编码GC190030259 [2] - 具备"3+3"投顾资格 资产管理规模约100亿元 基金经理平均从业年限超10年 [2] 投资业绩荣誉 - 彭砚2021年9月获第12届中国私募金牛奖三年期金牛私募投资经理(股票策略) 2020年8月获一年期同类奖项 2020年1月获金长江奖2019年度优秀私募基金经理 [3] - 睿扬精选2号2020年10月获中国基金业私募英华奖一年期股票策略奖 2019年收益106.99% 月度最大回撤2.37% 2020年收益64.42% 近一年最大回撤6.26% 2021年收益32.10% [3] - 睿扬专享1号2021年4月获证券时报金长江奖2020年度绝对回报基金产品(三年期) 2020年1月获2019年度绝对回报基金产品(一年期) 2019年收益85.69% 月度净值最大回撤0.33% 2020年收益67.80% 近一年最大回撤7.16% 2021年收益33.73% [3] - 公司2021年7月获第十二届金阳光奖三年卓越私募公司奖(股票策略) 2019年11月获中国金鼎奖年度最具成长性私募基金公司 实现五大奖项全满贯 [3]

金融科技应用 - 金融大模型推理效率倍增 日均调用量同比增长96.96% [1] - 累计赋能授信审批、智能客服等274个行内场景 [1] - 数据共享渠道持续拓宽 数据要素价值进一步发挥 [1] 线上平台建设 - 手机银行与建行生活"双子星"用户总数达5.33亿户 [1] - 月活用户达2.43亿户 同比增长14.40% [1] - 当年金融交易用户数占比同业领先 [1] 数字人民币试点 - 累计实现消费笔数5.22亿笔 消费金额1048.47亿元 [2] - 数字经济核心产业贷款余额8523.77亿元 [2] - 较年初新增1009.77亿元 增幅13.44% 高于全行贷款增幅 [2]

核心财务表现 - 2025年上半年营业收入达到8.61亿元，同比增长11.24% [2] - 归属于上市公司股东的净利润为-5,263万元，较上年同期亏损有所收窄 [2] - 经营活动产生的现金流量净额为-4.60亿元，主要由于成本费用增加所致 [2][4] - 总资产为17.42亿元，较上年度末下降4.47% [2] - 加权平均净资产收益率为-4.49%，基本每股收益为-0.113元/股 [2] 业务发展情况 - 公司专注于AI技术方案研发，整合金融大模型资源，推出多模态数据处理和大模型调优核心产品 [3] - 形成"双助力"体系，将金融客户信创要求与数智化转型深度融合 [3] - 构建完整AI产品矩阵，包括猛禽平台、AI研发底座、多智能体协作平台等12项核心产品 [3] - 与通义千问、百川智能、DeepSeek等领先大模型企业建立合作关系 [3] - 与华为、寒武纪、曙光等国产CPU、GPU厂商合作，获得多项国产AI基础软硬件平台认证 [3] 资产与负债结构 - 货币资金为9,888万元，较年初下降47.32%，主要由于经营性资金消耗 [4] - 应收账款为3.90亿元，较年初增长70.74%，主要由于确认收入暂未回款 [4] - 存货为2.09亿元，较年初增长109.00%，主要由于在产品增加 [4] - 短期借款为6,681万元，较年初增长228.85%，主要由于贷款增加 [4] - 境外资产为7,389万元，占总资产比例4.24% [4] 投资活动 - 对外股权投资金额为1,188.80万元，主要投资金科览智科技（北京）有限公司 [5] - 交易性金融资产为4.14亿元，其中股票投资1.99亿元，债券投资1.71亿元，私募基金投资1.64亿元 [5] - 公允价值变动收益为2,011万元，主要由于基金股票收益变动 [4] - 投资收益为492万元，较上年同期下降56.29% [4] 子公司经营情况 - 主要子公司包括天明环保、计算机公司、南京友田等7家子公司 [7] - 天明环保报告期净利润为-649万元，计算机公司净利润为-113万元 [7] - 报告期内通过非同一控制下企业合并取得金科览智科技(北京)有限公司 [7] 公司治理 - 公司完成董事会换届，推举郭华强、耿俊岭等6人为董事候选人，陈为、杨易、黄溶冰为独立董事候选人 [8] - 聘任林路为公司总裁，魏宽宏、陈宇、叶晖、姚辉、李云波为副总裁 [8] - 公司制定《2024年度"提质增效重回报"行动方案》，聚焦经营主业和投资者回报 [8] 股东结构 - 普通股股东总数为67,338户 [9] - 前三大股东为杭州信雅达电子有限公司（持股78,106,006股）、郭华强（持股11,690,152股）、窦科（持股6,494,900股） [10] - 香港中央结算有限公司持有438万股，占比0.94% [10]

财务表现 - 2025年上半年公司实现营业总收入68.56亿元，同比增长38.65% [1] - 归属于上市公司股东净利润55.67亿元，同比增长37.27% [1] - 手续费及佣金净收入38.47亿元，同比增长60.62%，主要来自证券经纪业务收入增加 [2] - 投资收益15.83亿元，同比增长23.96%，但公允价值变动收益-1.85亿元，同比下降151.23% [2] - 销售费用1.4亿元，同比下降7.19%，管理费用12.16亿元，同比增长5.81%，财务费用-0.49亿元，同比下降42.95% [2] 业务数据 - 经纪业务股基交易额16.03万亿元 [2] - 天天基金上线161家公募基金管理人的21801只基金产品，非货币市场公募基金保有规模6752.66亿元，权益类基金保有规模3838.1亿元 [2] 研发与技术 - 2025年上半年研发投入4.99亿元，同比下降10.27% [3] - 2024年全年研发投入11.43亿元，同比增长5.73% [3] - 自研"妙想"金融大模型已全面融入各业务条线，推动智能化互联网财富管理生态体系建设 [3] 股东与股权变动 - 截至2025年二季度末，股东总户数111.22万户，较一季度末下降4.29万户，降幅3.72% [3] - 香港中央结算有限公司增持1222.3万股，华泰柏瑞沪深300ETF增持1804.23万股，国泰中证全指证券公司ETF增持546.4万股 [4] - 易方达创业板ETF减持753.35万股，易方达沪深300ETF新进为前十大股东，持股16056.19万股 [4] - 实控人沈友根拟询价转让1.59亿股，占总股本1%，转让后持股比例降至0.19%，套现超34亿元 [4] - 2020年至2021年间沈友根曾减持1.07亿股，套现超28亿元 [5][6] 市场表现 - 截至8月15日收盘，公司股价上涨9.85%，报26.76元/股，总市值4229亿元 [1]

文章核心观点 - 人工智能正在深刻变革金融行业 显著提升服务效率和决策能力 但AI"幻觉"、数据合规和安全挑战仍是关键障碍 金融行业需要更专业、更可靠的垂直大模型来满足业务需求[1][3][4] - 金融大模型正从实验室走向实际应用 在信贷审批、客户服务、财富管理等核心场景取得突破 但需在技术突破与风险防控之间找到平衡[1][4][8] - 行业通过技术创新如"三阶验证"机制、加权训练算法等手段降低AI"幻觉"率 从10%降至0.3% 同时通过本地部署、联邦学习等技术保障数据安全[4][6][7][8] 金融大模型应用现状 - 大模型为全球金融行业带来每年2500亿至4100亿美元增量价值 应用从智能问答扩展到风控、营销、财富管理等核心业务场景[2] - 实际应用案例包括：30秒生成2万字信贷报告 11分钟完成单笔科创贷款审批 AI手机银行服务 智能理财服务 "看一看"支付等[1][5] - 华东师范大学SAIFS推出的金融分析师智能体"思睿" 30秒生成2万字信贷报告 错误率控制在0.3%以内 相当于完成分析师一周工作量[5][6] AI"幻觉"挑战与解决方案 - AI"幻觉"指生成内容与现实事实或用户输入不一致 在金融领域可能导致严重问题 如将"信用卡套现"识别为正常消费[3] - 通用大模型存在10%幻觉率 缺乏金融专业知识 未经过金融业务训练 存在"知识鸿沟"[3][4][6] - 解决方案包括：SAIFS的Smith RM模型采用"三阶验证"机制（宏观因子校验、微观财报反向拆解、舆情语义溯源） 将幻觉率从10%降至0.3%[6] - 蚂蚁数科通过"加权训练算法"针对性强化薄弱环节训练 如自动增加"保险理赔条款解读"相关数据训练权重[7] 数据安全与合规挑战 - 金融强监管要求"模型不联网 数据不出行" 但限制了模型迭代能力[8] - 采用"本地部署+可信执行环境"确保数据不离开银行系统 联邦学习技术实现"数据可用不可见"[8] - 可解释性要求金融决策"每一步推理都可追溯" SAIFS通过"保留思维链"方式输出推理过程[8] 成本与持续学习挑战 - 训练金融大模型需要数千万元算力投入 后续维护成本高昂[9] - 蚂蚁数科"轻量化训练"方案减少微调数据量和算力消耗 自动识别模型薄弱环节进行针对性训练[9] - 模型需要终身学习 通过更新模块自动抓取最新政策文件和市场报告 保持专业能力与时俱进[9][10] 未来发展趋势 - 金融推理大模型将让智能体在更多场景发挥作用 从解决70-80%问题到有些能搞定99%甚至100%[10] - 对于决策至关重要、出错损失巨大的场景 不能让大模型直接"拍板" 需理性看待能力边界[10] - 法律和监管需要不断完善 设定可用与不可用的边界 制定应对模型风险的机制[10]

银行业对DeepSeek模型的应用现状 - 银行业整体对DeepSeek模型的应用效果不如预期 未诞生基于该模型的杀手级应用 后续影响仍需观察 [1] - 银行业金融数据复杂性导致DeepSeek处理能力不足 模型为通用型而非金融专用型 与银行原有技术路线适配性不高 [1][7] 银行业应用态度变化轨迹 - DeepSeek从"最独特模型"转变为"众多大模型中的一个" 中小银行更积极跟进 大型商业银行热情明显减弱 [3][4] - 有关部门要求大型商业银行不得大规模宣传DeepSeek应用 需强调金融大模型自主研发 [4] - 建设银行与工商银行于7月28日分别接入阿里巴巴AI技术 工商银行商户风控系统正式接入通义千问大模型 [6] 具体应用障碍分析 - 银行金融数据存在维度差异和质量高低问题 DeepSeek对复杂底层数据处理能力不足 衍生判断难以见效 [7] - 算力制约问题突出 全面推广需高性能芯片支持 免费版DeepSeek相比国产大模型无显著优势 [8] - 金融行业对差错容忍度极低 AI投顾分析存在明显问题 智能风控应用效果未达预期 [9] 中小银行与大银行差异 - DeepSeek帮助中小银行解决"有无问题" 拉近与大银行技术差距 采购成本从动辄上千万变为免费 [9] - 中小银行研发热情较高 但上半年银行业对DeepSeek发展过于乐观 杀手级应用出现时间难以判断 [9] 行业发展趋势 - 银行业持续加大金融科技投入趋势不变 不会像金融"元宇宙"那样昙花一现 [2] - 技术团队尝试将原有金融小模型与DeepSeek通用大模型结合改造 但需要时间完成 [8]

金融大模型应用现状 - AI技术正深刻变革金融行业 实现30秒生成2万字信贷报告 11分钟完成单笔科创贷款审批 智能机器人和智能眼镜支付等创新应用[1] - 大模型为全球金融业创造年增量价值2500亿至4100亿美元 应用场景从智能问答延伸至风控 营销和财富管理等核心业务[2] AI幻觉挑战 - AI幻觉指生成内容与事实不符的现象 在金融领域可能导致严重风险 例如将信用卡套现误判为正常消费[3] - 通用大模型存在5%幻觉率 意味着每1000个数据可能出现50个错误 在亿元级贷款审批或股市分析中可能引发重大损失[4] - 金融行业要求零幻觉率 即使1%的错误也可能造成不可容忍的后果[3][4] 垂直金融大模型突破 - 华东师范大学SAIFS推出金融分析师智能体思睿 30秒生成2万字信贷报告 幻觉率控制在0.3%以下[5][6] - 思睿具备CFA三级分析师水平 融合多维度信息并配备幻觉检测系统 基于15TB金融数据和10万条思维链语料库[6] - 蚂蚁数科发布金融推理大模型Agentar-Fin-R1 采用加权训练算法强化薄弱环节 例如提升保险理赔条款解读准确率[7] 技术解决方案 - Smith RM模型通过三阶验证机制：宏观因子校验 微观财报反向拆解和舆情语义溯源 将幻觉率从10%降至0.3%[6] - 采用本地部署+可信执行环境保障数据安全 联邦学习技术实现数据可用不可见[8] - 保留思维链机制确保决策可追溯 例如明确标注风险等级调整依据及原始数据位置[8] 成本与持续学习 - 训练金融大模型需数千万元算力投入 蚂蚁数科通过轻量化训练方案减少微调数据量和算力消耗[9] - 模型配备更新模块自动抓取最新政策文件和市场报告 通过轻量化训练实现终身学习[9] - 中小银行可借该方案以更低成本获得顶尖AI能力[9] 发展前景与挑战 - 金融大模型需在数据安全与模型效能间取得平衡 遵守模型不联网和数据不出行的行业共识[8] - 技术发展需经历从解决70-80%问题到99-100%问题的渐进过程 关键决策场景仍需人工介入[10] - 监管框架需持续完善 设定应用边界并建立模型风险管理机制[10]

产品发布 - 蚂蚁数科在世界人工智能大会论坛上正式发布金融推理大模型Agentar-Fin-R1 该模型基于Qwen3研发 定位为金融AI应用的智能中枢 具备可靠 可控 可优化特性 [1] - 模型在FinEval1.0和FinanceIQ两大权威金融评测基准中超越DeepSeek-R1等同尺寸开源通用大模型及其他金融大模型 显示其更强的金融专业性 推理能力及安全合规能力 [1] 技术能力 - 通过构建6大类66小类金融任务分类体系 覆盖银行 证券 保险 基金 信托等全场景 基于千亿级金融专业数据语料训练 [2] - 采用可信数据合成技术和专家标注的金融长思维链构造机制 显著提升模型处理复杂任务的能力 [2] - 创新加权训练算法提高对复杂金融任务的学习效率与性能 可减少二次微调的数据需求与算力消耗 降低企业落地门槛与成本 [2] - 模型支持持续更新迭代 可吸收最新金融政策与市场动态 并通过配套评测工具进行针对性优化 [2] 行业合作与评测 - 联合工商银行 宁波银行 北京前沿金融监管科技研究院 上海人工智能行业协会等机构推出Finova大模型金融应用评测基准 深度考察智能体能力 复杂推理及安全合规能力 [3] - Agentar-Fin-R1在Finova评测中取得最高评分 甚至超越更大参数规模的通用模型 [3] - Finova评测基准已全面开源 旨在推动行业共同提升大模型在金融领域的应用水平 [3] 战略观点 - 公司认为通用大模型存在知识鸿沟 构建专业金融大模型是推进金融与AI深度融合的必然路径 [1] - 金融大模型的应用深度未来将成为金融机构竞争力的关键要素 [1]