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]

金融大模型创新与应用 核心观点 - 大模型从概念验证走向商业化落地，金融业需解决数据、监管、人才等关键挑战以转化技术红利为可持续竞争力 [1] - 大模型应用从内部提效转向核心创收领域，智能理财助理、财富管理、保险代理人等场景率先突破 [2] - 大模型预计每年为全球金融行业带来2500亿到4100亿美元价值增量，相当于9%到15%营业利润增厚，财富及资产管理领域受益最大 [2] 技术发展与行业影响 - 全球大模型发展呈现技术迭代、资源升级、价值深化与生态竞合交织的复杂格局 [2] - 金融业对大模型投入产出比首次超越技术先进性，成为应用核心衡量标准 [2] - 智能体(Agent)等新形态正在重构投研领域的人机协作模式 [2] 商业化挑战 - 数据治理碎片化是最大挑战，公共数据安全进入大模型训练需重点关注 [3] - 大模型在金融领域的"幻觉"问题未根治，直接用于决策判断可行性低，传统AI在部分任务中仍更成熟 [3] - 监管滞后加剧不确定性，大模型触及底层金融功能可能冲击现有宏观金融体系 [4] - 需防范大模型与客户直接接触场景的消费者权益保护风险 [4] 解决方案与路径 - 金融机构需构建"数据、技术、应用、组织"四位一体能力框架 [5] - 中小银行大模型应用应轻量化，通过训练后的小模型与客户交互，垂直领域突破更可行 [5] - 数据治理需行业合力，防止技术导致"弱肉强食"，重视消费者应用与技术保障 [5][6] - 金融科技教育需从"简单融合"转向"技术驱动"，调整培养理念、方案和模式 [6]

AI在金融业应用现状 - AI应用已从客服、办公等基础场景进入风控、财富管理等核心业务深水区[1] - 金融机构对一般性场景采用试验性AI应用 但对核心业务关键场景保持谨慎态度[1] - 大模型技术发展仅两三年 技术成熟度直接决定应用场景落地效果[1] 金融AI落地挑战 - 企业级AI面临三大挑战：数据缺乏AI可用性、通用模型难解行业专业问题、缺乏实时数据与模型融合的决策框架[2] - 金融业务包含存款贷款信用卡等14个大场景及上百个细分场景 每个场景都需要专业智能助理逐个攻克[2] - 复杂金融场景对模型可靠性安全性及专业知识要求极高 需专业化金融推理大模型[2] 金融AI产品创新 - 蚂蚁数科发布金融推理大模型Agentar-Fin-R1 覆盖银行保险信托场景并能持续更新金融政策市场动态[3] - 交通银行展示数字分身驱动远程金融服务 实现四类服务主体联动突破传统网点时空限制[3] - 汇付天下推出支付行业首个智能体 可生成定制化支付方案并提供全生命周期技术支持[3] - 华鲲振宇带来超20个行业智能体 信贷审核助手通过模板化开发适配个性化需求[3] 智能体应用特性 - 智能体植根于具体应用场景 金融领域无可直接使用的通用大模型[4] - 信贷审批智能体依赖专属大模型 需持续训练使其更懂金融业务和场景[4] - 在营销风控及客户经理销售等业务深水区 智能体应用渗透率显著较低[4] AI对金融业务的重构 - AI从辅助工具转变为顾问专家 可智慧分析服务规则优化流程并辅助决策执行[5] - 授信决策智能体系统覆盖信贷全流程 具备类人操作和模型判断编排决策能力[5] - 智能体融合软件能力大数据能力及风险策略 减少传统风控模式中的人为决策[5] - 通用大模型存在知识鸿沟 专业金融大模型将成为金融机构竞争力关键要素[5]

金融大模型发布 - 蚂蚁数科正式发布金融推理大模型Agentar-Fin-R1，基于Qwen3研发，在FinEval1.0、FinanceIQ等评测中超越同类开源通用及金融大模型 [1] - 该模型具备强大推理能力，可处理复杂金融逻辑和数据分析任务，包括风险评估、投资组合生成等 [1] - 公司CEO指出金融大模型应用深度将成为金融机构竞争力关键要素 [1] AI产品生态布局 - 公司构建全栈AI生态，涵盖底层技术到上层应用，包括大模型、智能体平台及行业解决方案 [2] - 百灵大模型家族开源多模态模型Ming-lite-omni月下载量超3万，覆盖健康、金融等场景 [2] - Agentar智能体平台已开发100余种金融智能体应用方案，落地风控、营销等核心场景 [2] 技术突破与挑战应对 - 公司通过垂直领域超级大脑等四大能力体系解决金融智能体规模化落地的效率、安全等挑战 [3] - 创新跨域微调框架ScaleOT将隐私保护效果提升50%，算力消耗降低90%，已应用于摩斯产品 [5] - OceanBase数据库服务2000余家客户，多模向量检索等AI能力支持企业级Agent部署 [5] 产品迭代与行业解决方案 - SOFAStack 5.0融合CodeFuse实现端到端Copilot方案，预计提升企业产研效率30% [4] - 蚁盾"知识交互建模引擎"支持10分钟构建垂直行业风控引擎 [4] - 摩斯搭建行业安全数据联盟，mPaaS5.0实现移动全链路智能化升级 [4] 全球化拓展 - 蚂蚁国际以AI安全性等三大能力输出中国金融科技，服务200多个国家和地区 [6] - 全球连接超1亿商户与17亿消费者账户 [6]

论坛概况 - 2025国际货币论坛由中国人民大学和南开大学联合主办 主题为"地缘经济风险与全球金融治理改革" [1] - 论坛汇集国内外科研院所 政策部门和金融机构的专家学者 研讨地缘经济风险 全球金融治理体系 加密货币 数字金融等议题 [1] - 国际货币论坛自2012年起已连续举办十四届 发布《人民币国际化报告》等系列研究成果 [3] 人民币国际化课题成果 - 报告《不断深化的地缘经济风险》系统研究地缘经济风险 构建以国际货币金融体系变革应对风险的分析框架 [2] - 地缘经济风险源于世界经济金融格局内部矛盾集中爆发 负面效应波及实体经济 金融市场 国际贸易投资体系和全球供应链 [2] - 数据显示地缘经济风险指数上升时 人民币国际化指数同步上升 全球支付体系和官方储备货币呈现多元化调整 [2] - 推动人民币国际化并带动国际货币体系改革是缓解地缘经济风险的重要方向 [2] 分论坛议题 - 分论坛主题包括地缘经济风险研究成果 数字货币对全球货币金融体系的挑战 全球金融治理体系历史与未来 金融大模型创新与应用 [3] - 论坛发布《2025金融业大模型应用报告》并举行闭门研讨会 [3]

金融推理大模型发布 - 蚂蚁数科正式发布金融推理大模型Agentar-Fin-R1 旨在为金融领域构建"可靠 可控 可优化"的智能核心引擎 [1] - 模型基于国产基础大模型Qwen3研发 在FinEval1 0和FinanceIQ等权威金融评测基准表现超越同规模开源通用模型及其他金融专业模型 [1] - 模型展现金融专业性 复杂推理能力及安全合规性上的显著优势 [1] 金融行业数智化转型挑战 - 金融行业数智化转型加速 但高度专业金融知识 复杂业务逻辑推理及严苛安全合规标准对通用大模型应用构成挑战 [3] - 通用大模型与产业需求存在"知识鸿沟" 构建专业化金融大模型是金融与人工智能深度融合的必由之路 [3] - 金融大模型应用深度将成为衡量金融机构核心竞争力的关键指标 [3] 模型技术优势 - 蚂蚁数科构建覆盖金融全场景的专业任务数据体系与创新训练算法 显著提升模型金融推理能力与可信度 [4] - 模型在FinEval1 0和FinanceIQ两大金融基准测试中均拔得头筹 金融能力跃升同时保持较高通用能力 [4] - 采用独创加权训练算法 动态优化学习过程 提升复杂金融任务学习效率与性能 减少后续微调数据量和算力消耗 [4] 模型部署与迭代能力 - 提供32B和8B两种参数版本 并推出基于百灵大模型的MOE架构模型以获得更优推理速度 [4] - 具备持续迭代能力 可吸收最新金融政策 市场动态等关键信息并通过配套工具针对性优化 [4] - 推出非推理版本的14B和72B参数大模型 全面满足金融机构多样化部署需求 [4] 公司业务布局 - 蚂蚁数科作为蚂蚁集团旗下独立科技子公司 聚焦金融与新能源两大核心场景加速布局企业级大模型服务 [5] - 金融智能体平台Agentar首批通过中国信通院评测并获最高5级评级 联合合作伙伴推出超百个智能体解决方案 [5] - 服务国内全部国有大型银行和股份制银行 超过60%地方性商业银行及数百家各类金融机构 [5] 应用案例 - 支持上海某银行打造AI手机银行 创新"对话即服务"模式 用户通过自然对话获取金融服务 [5] - 该模式显著提升老年客户满意度 带动月活跃用户同比增长达25% [5]