作者：陳紅淇 吳映君 黃艷 劉柏清  

      以大模型為代表的人工智能技術掀起的新一代智能化浪潮正在以前所未有的速度深入千行百業，催生了新產業、新業態和新模式。大模型憑借其強大的語義理解、知識推理與內容生成能力，為銀行業服務提升、業務創新、風險管控提供了全新路徑，但其應用過程中的數據隱私、算法偏見、可解釋性等難題對商業銀行穩健運營構成挑戰。本研究旨在為商業銀行利用大模型推進數字化轉型進程中，平衡創新發展與風險管控提供參考，助力銀行在技術變革浪潮中實現突破創新與可持續發展。

     

     大模型發展概述   

              

    大模型的內涵與發展  

      大模型通常指參數規模龐大的機器學習模型，涵蓋大語言模型、視覺大模型及多模態大模型等。這類模型能夠高效理解和學習人類自然語言，并通過人機交互完成信息檢索、文本摘要生成等內容創作與處理任務。

       大模型的發展可追溯至20世紀50年代AI研究初期，受限于算法和規則，難以應對復雜語言現象，80年代引入統計學習方法后有所進展，但仍面臨數據稀疏性和長距離依賴問題。隨著機器學習、深度學習技術的興起及硬件的進步，大規模數據集和復雜神經網絡訓練成為可能，為大模型時代的到來奠定了基礎。2017年谷歌提出的Transformer架構，為后續大規模預訓練模型提供了核心技術支撐，2018年OpenAI和Google分別推出的GPT-1與BERT,標志著大模型進入預訓練時代，2022年底ChatGPT推動對話式AI進入主流視野，2023年GPT-4支持多模態數據處理，進一步拓展模型應用邊界，2025年初以DeepSeek-R1為代表的國產大模型在成本效益上取得突破，推動普及化進程，上線18天內該應用軟件下載量超1600萬次。

       從邏輯推理到深度學習、從單模態到多模態，大模型實現了技術飛躍，逐步從理論探索邁向實踐應用，成為提升社會效率與推動技術革新的核心驅動力。

       大模型的特點  

      涌現性與泛化性是大模型的關鍵特點，涌現性表現為當規模突破臨界閾值時，模型能夠在未經專門訓練的情況下，自主衍生出多任務處理能力；泛化性則體現在模型面對未見過的數據或場景時，憑借訓練中學到的知識和規律，展現出良好的適應能力和性能，從而具備跨任務的通用性和對新場景的靈活適應能力。這些特性使得大模型具備卓越的上下文理解、邏輯推理和知識整合等能力。在人機交互中，大模型能精準理解用戶意圖，提供個性化回應，提升用戶體驗；在內容生產中，大模型具備多模態生成能力，推動內容生態創新；在決策智能領域，大模型能迅速適應變化并進行高效分析，動態優化決策和科學配置資源，提升效率。這些突破性特質和能力推動了產業場景應用創新，為大模型轉化為現實生產力提供了堅實基礎。數據顯示，2024年全球大模型市場規模達到280億美元，未來五年復合增速將達到36.23%。

       大模型的發展與行業應用概況  

       我國大模型發展得益于政策支持、算力進步與市場需求的共同推動。在建設數字中國背景下，國家從基礎設施建設到應用場景拓展等多層面出臺系列規劃與管理辦法，為大模型的研發與應用提供了頂層設計支持。如2023年發布的《生成式人工智能服務管理暫行辦法》鼓勵生成式人工智能技術在各行業中的創新應用，探索并優化應用場景，構建應用生態體系。其次，作為核心支撐，近年來算力的顯著發展為大模型的訓練與部署提供了強大保障，數據顯示，2025年我國云計算市場規模將突破萬億元。各行業積極探索大模型應用，醫療診斷、教育、智能制造等領域的創新應用尤為典型（見表1），大模型通過賦能行業數字化升級和重塑產業生態，正在逐漸成為推動發展新質生產力的重要引擎。  

     

       大模型在商業銀行中的 應用場景及發展展望   

              

       商業銀行大模型應用實踐  

      鑒于大模型的卓越能力，銀行積極探索并已在智能客服、智能營銷、智能風控和智能辦公等領域推出系列應用，賦能銀行降本增效提質。

      智能客服：重塑客戶服務體驗。智能客服是大模型在銀行業率先落地的場景之一。傳統人工坐席難以應對激增的客戶咨詢，而規則化的問答機器人又難以處理復雜的金融知識問詢。大模型憑借其強大的自然語言理解和任務完成能力，提供全天候的智能客服。

      招商銀行與通義大模型合作推出的智能客服能夠進行自然流暢的多輪對話，精準理解客戶意圖和情緒，檢索知識庫并給出專業解答和幫助，針對開戶、理財、信用卡等高頻咨詢，準確率超95%，日均對話量超一百萬次，替代三千名人工坐席業務量，極大降低了運營成本。

       智能風控：筑牢風險防控屏障。風險管理是銀行的生命線，以規則為基礎的傳統風控模式難以應對日益復雜的內外部風險[1]。多模態大模型通過數據處理和動態學習，從海量異構數據中實時分析客戶交易數據、行為模式、資金流向及關聯網絡，動態檢測異常交易、識別并攔截可疑交易；通過自學習更新風險特征，極大提升風險預警能力，重塑風險管理體系。

      微眾銀行應用反洗錢大模型，從資金流水、行為序列等海量數據中自學習洗錢交易模式，結合行內外風險事件知識庫，實時甄別可疑交易，大幅提升可疑交易捕獲率，有效降低誤報和漏報率[2]。

      智能營銷：提升服務精準度。銀行傳統的營銷方式單一且粗放，同質化嚴重，難以滿足客戶個性化需求。大模型通過海量數據學習，提取深層次特征，精準構建客戶畫像，幫助銀行挖掘客戶，并推送“千人千面”的商機營銷方案；同時解析客戶數據、識別潛在需求并評估策略執行效果，解決傳統營銷中策略不透明和效果難量化的問題，實現全旅程精準觸達[3]。

      北京銀行與華為聯手推出的營銷大模型通過分析客戶行為軌跡，洞察客戶需求并推薦個性化產品與服務，同時自動生成邀約消息文案，根據反饋實時優化策略；通過策略復盤助手快速分析數據、評估效果并提出改進建議，大幅提升客戶轉化與交叉銷售率，將經營策略分析時間從一天縮短至分鐘級。

      智能辦公助手：賦能工作質效提升。數字技術加持下，智能辦公已成為銀行提升效率的重要手段，通過大模型對客服工單生成、金融合同、信貸評估報告等文檔的自動化處理，有效縮短文檔處理時間并有效減少人為錯誤發生；大模型還應用在工作總結、會議紀要及通知撰寫等辦公文檔處理場景中，為員工提供了高效的辦公支持；利用大模型深度學習、推理和內容生成能力，從對話記錄等非結構化文檔數據中智能地抽取知識，自動完成知識庫的維護和更新，助力企業知識庫建設。

      中國建設銀行的方舟大模型助力智能客服工單生成質效提升，每單平均節約時間15-20秒，可用率達82%，一致性達80%；積累了知識素材82.9萬份，為集團員工提供咨詢服務支持。

     此外，大模型還廣泛應用在投研分析、交易執行等領域，推動銀行業向更高效智能的方向邁進。如招商銀行“AI小研”智能投研助手破解了信息檢索和分析繁瑣難題、交通銀行“同業間資金交易智能機器人”提升了詢價精度和交易效率等。

      商業銀行大模型應用發展展望  

      人工智能正在深刻改變銀行服務和運營模式，隨著技術的不斷革新和應用場景的持續拓展，大模型必將在銀行數智化轉型和服務創新中扮演更為重要的角色。

       數字產品研發領域。大模型技術的應用將革新數字產品研發范式，輔助銀行研發人員完成需求分析、用戶界面和交互設計、編程、測試等任務，助力產品研發向智能化進階。

      第一,需求分析。傳統的需求分析主要依靠個人的解讀和理解能力，受制于需求來源可靠性、信息覆蓋全面性、文字表達準確性等影響，需反復溝通，耗時耗力。大模型可借助海量數據準確解讀模糊、非結構化的需求，梳理需求間的邏輯關系，清晰準確地輸出需求；結合業務目標、急迫程度等因素提出需求開發的優先級建議；通過跟蹤產品上線后客戶使用情況，結合同業最新動態、相似項目經驗，提煉產品優化建議。

      第二,用戶界面和交互設計。在用戶界面及交互設計中，多模態大模型能夠為設計者提供強有力的技術支撐。通過海量的數據訓練，分析用戶的交易行為、使用習慣、個人偏好等多維度數據，大模型動態調整界面的布局、元素及交互方式，實現標準化框架下的個性化界面；通過大量的界面及交互設計實例訓練，大模型可輔助設計師快速精準進行用戶界面繪制和交互設計，還能在后續的設計走查中根據大量的用戶反饋快速定位設計中的問題并做出調整，提高需求和原型設計質效。此外，通過持續學習海量的優秀用戶界面設計案例，多模態大模型能輔助建立科學的用戶界面設計規范，大大降低人工成本。

      第三,代碼編程。大模型可以依據需求功能描述生成基礎代碼框架及復雜的場景化代碼片段，作為人工編碼的輔助，開發者輸入部分代碼后，大模型根據上下文理解和代碼規范自動補全后續代碼；代碼調試方面，大模型可通過分析錯誤提示和代碼片段，提示錯誤產生的可能原因；通過分析代碼的執行過程，找出可能存在的性能瓶頸或缺陷并提供改進建議；版本管理方面，大模型可根據代碼的修改內容自動生成修訂記錄，方便項目成員了解代碼迭代過程。

      第四,自動化測試。大模型技術發展為測試提質增效帶來新的思路，通過人機交互，測試人員引導大模型準確理解并輔助執行測試任務，自動生成測試計劃、案例及報告，與人工測試相比，大模型在測試場景覆蓋方面也具有明顯優勢，避免因人工慣性思維局限而造成場景遺漏；測試工作涉及大量繁瑣的文字工作也因大模型的引入而大幅減少，測試人員可將更多的時間精力投入到更富創意和成效的工作中去。

      資源配置領域。大模型在銀行資金、人力、物力等資源的科學配置方面也大有可為。通過分析交易數據和經濟數據，綜合宏觀經濟形勢和政策，大模型可幫助銀行提前了解市場流動性狀況，合理調整資金結構和頭寸，降低流動性風險；結合市場熱點、業務量波動、業務復雜度、員工技能等因素，大模型可預測不同時段、不同渠道的客流量和業務需求，輔助網點和客服中心制定出更科學合理的排班計劃，確保人力資源的充分利用；基于人口分布、發展水平、同業布局、客戶行為等大數據，大模型能評估不同地區的金融服務需求及潛力，為銀行規劃網點的數量、位置和規模提供決策參考；通過分析終端設備的使用和故障概率，合理安排設備的采購和更新計劃，確保設備資源的充足和高效運行。

      智能投顧領域。傳統的銀行投顧服務因其模型存在數據信息量有限、模型封閉、成本高、效率低等問題而表現得不盡如人意，相較于人工提煉投資因子，大模型通過深度學習和邏輯推理，結合客戶風險偏好、資金規模、業績表現、行業政策及市場動態等信息，可為投資者提供穩健高效、智能可靠的投顧建議。

     

     潛在風險分析及應對措施   

              

      大模型在提高信息處理、數據分析和預測能力的同時可能帶來新的風險隱患，包括自身技術衍生的風險、與金融業深度融合形成的潛在風險等，銀行應未雨綢繆，及早關注并制定應對策略。

     潛在風險分析  

      大模型自有風險衍生至金融領域。第一,數據安全風險。數據是大模型訓練反饋循環中的基本要素，其來源的多樣性和復雜性易導致數據錯誤、缺失等問題，銀行高度依賴數據，需要使用大量的金融信息等隱私數據，增加了泄露數據和隱私侵犯的風險，引入大模型時，如何確保數據安全是銀行必須解決的問題。

       第二,“幻覺”可信度風險。大模型的核心能力是基于大量已有數據通過概率模型進行模仿和預測，輸出有一定的隨機性，出現“幻覺”的可能性始終存在。輸出內容可控性方面，大模型雖擁有強大的通用泛化和內容生成創造能力，但也因“幻覺”導致輸出結果的不可信和不可用；算法具有較強的“黑箱”特征，生成結果的原因和邏輯很難被解釋和還原，若訓練數據沒能及時反映市場變化，客戶可能在環境變化時作出誤判，銀行也難以在關鍵領域的事前、事中、事后環節進行有效的風險管理、算法歸責和法律救濟，有損金融機構信譽和客戶利益。

      此外，金融大模型算力設施存在成本高昂、規模不足、自主可控受限等挑戰。算力成本方面，金融大模型私有化和國產化部署的要求會給金融機構帶來較大的成本壓力，搭建和維護基礎設施所需的硬件、能耗及人力成本高昂；算力規模方面，金融大模型快速發展，參數規模已達萬億級，亟需建設規模更大、效率更高的大模型算力集群；自主可控方面，相較于全球領先水平而言，國產AI芯片在生態、穩定性、算力等方面仍存在一定差距。

      大模型與銀行業深度融合衍生的潛在新型風險。在美國金融穩定監督委員會2023年發布的年度報告中，在金融服務中使用人工智能，被列為可能威脅金融穩定的一項風險隱患。一方面，金融機構對科技公司提供的基座大模型依賴度增加，形成了新的供應鏈脆弱性，可能產生新型“大而不能倒”風險，一旦服務商出現問題，將影響金融系統的穩定性，削弱了金融機構的自我發展能力；另一方面，大模型在市場分析和預測等領域的應用，可能導致市場參與者的決策趨同，加劇金融市場的羊群效應和波動幅度，增加市場不穩定因素。此外，大國博弈背景下，大模型還可能被用作網絡攻擊的工具，如制造虛假的交易數據，操控金融市場走勢或預測模型，帶來更加復雜和嚴峻的金融安全挑戰。

      大模型缺乏倫理約束引發的社會危機風險。大模型的訓練和輸出均受源數據質量的影響，數據質量參差不齊、特征選擇不當和算法設計缺陷等易引發算法偏見與歧視等倫理問題。如果源數據中存在偏見或錯誤，銀行在信貸審批、資產配置、交易放行等關鍵決策場景時，大模型驅動的應用可能有意或無意地輸出不公正或偏見的結果。算法偏見對某些群體產生不公正的影響，有損社會公平和倫理道德，如蘋果高盛聯合推出的“蘋果信用卡”就引發了算法性別歧視的激烈爭議[4]。

       應對措施  

      銀行應關注新技術、新生態帶來的潛在風險，通過共建共治共享、技術創新、產業聯盟等措施，拓展和豐富大模型的創新應用，共同促進產業鏈的健康發展。

      推進大模型安全風險的協同治理。一是堅持“以人為本、科技向善”，構建包容審慎、分類監管的治理體系。隨著金融科技的快速發展，銀行風險管理變得更加復雜，政府和監管部門應做好規劃、政策、法規層面的頂層設計，制定倫理治理框架、準入及管理制度；行業協會應完善行業標準和測評體系、自律規范并鼓勵行業的優秀實踐，提高行業自治能力。

       二是積極響應監管要求，落實安全治理主體責任。銀行應嚴守風險底線，建立健全管理制度和操作規范；全面評估大模型風險，構建全生命周期的風險防控體系和決策機制，根據風險類別分類施策；注重對大模型知識產權的法律保護，明晰科技企業、金融機構、用戶等參與方的權責。

      三是提升參與方的安全素養。強化大模型從業人員的法治意識、職業操守和倫理素養，在監管框架下創新研發，引導技術向善；科技企業和金融機構應探索以主流價值緩解算法焦慮，傳播安全知識，提高輿論引導能力和公眾的安全素養；培育“四共”（共商、共識、共建、共享）數據治理觀念，凝聚數據治理合力。

      總之，建立健全政府主導、監管指導、行業引導、主體自治、公眾參與、法治保障的綜合治理機制，為大模型健康、安全和可持續發展保駕護航。

      夯實技術底座，探索業數技融合的敏捷響應新范式。第一，完善數據治理機制，充分發揮數據要素價值。一是銀行應建立數據分級分類訪問和使用機制，實現關鍵領域數據信息的全鏈條管控，保護個人隱私；二是采用訪問審計等手段動態監控數據的訪問、使用和流動情況，及時預警異常行為；三是加強源頭數據信息共享，規范入網渠道和標準，暢通共享通道，促進數據的互聯互通和開發應用，為大模型應用提供高質量的數據支持[5]。

      第二，探索企業級集中運營，實現降本增效提質。金融大模型需要海量、優質、多領域的語料數據進行定制化訓練，銀行應探索大模型企業級運營，賦能業務創新和效率提升。通過對語料數據“機器+人工”的動態調優，提高數據加工處理的自動化程度和質效；建立跨條線的業數技融合敏捷響應機制，提高大模型的迭代速度和市場響應能力；根據金融應用場景的時效要求，靈活適配算力底座，構建高效和靈活的金融大模型。

      此外，銀行還可從提升數據質量、算法優化、增強模型透明度等環節著手，通過引入向量數據庫、檢索增強生成、知識蒸餾等技術精煉模型邏輯，建設可持續發展的大模型研發范式，研發高可靠、低幻覺、輕量化和專業化的金融大模型，提高模型透明度，增強生成結果的可信性和可追溯性[6]。

      加強與科研院校、科技企業合作，推動金融與科技融合。第一，積極參與大模型生態共建，共同推進產業健康發展。一是銀行應與科研院校、大模型研究機構密切合作，通過共建實驗室、開設人工智能課程等方式，培養“AI+金融”復合型人才，共同研發新算法或優化現有模型，促進學術成果在銀行領域的落地轉化；二是促進技術研發、數據及市場信息等資源的共享，促進大模型技術的協同發展和應用，提高金融業服務效率和風險管理能力；三是通過引入前沿算法、模型和技術，發揮自身數據、場景、客戶等要素稟賦，探索差異化發展路徑，做好創新儲備，加快推進DeepSeek等國產開源大模型在銀行業的本地化部署與規模化應用。

      第二，積極捕捉營銷商機，加大金融賦能力度。大模型基礎建設投資巨大，涉及數據、算法和算力等上下游產業鏈，銀行應積極關注算力設備生產商、深度求索、華為、阿里等科技企業及數據中心面臨的發展機遇，加大金融支持力度，助力國產大模型做大做強，實現人工智能新質生產力的自主可控。

     

     結語   

              

      大模型正逐漸成為引領未來金融變革的新引擎，商業銀行須以開放創新、融合發展的姿態積極擁抱新技術，乘風而上，推動銀行業數智化轉型的變革性發展。堅持安全與發展并重，通過關鍵場景先行先試、構建行業大模型能力體系、健全大模型治理機制等舉措，快速突破形成標桿、打造差異化競爭優勢，促進人工智能創新發展；堅持“技術+生態”雙輪驅動，技術上加強自主研發，掌握大模型核心底座，生態上廣泛開展產學研用合作，通過生態共建共享共治、多方協同等多措并舉，助力金融內涵式高質量發展。

  

 【參考文獻】

[1]祝世虎.金融業智能風控需要主動擁抱大模型[J].中國金融電腦,2024(1):34-35.

[2]茍志龍.大模型實踐探索——銀行業布局與戰術路徑[OL]. https://m.it168.com/articleq_6855225. html,2024-07-01.

[3]張云基.聯邦大模型在金融領域的應用研究[J].金融電子化,2024(12)上. 

[4]黃震.人工智能金融應用的風險及法律治理[J].金融電子化,2024(11)上. 

[5]錢斌.以人為本，智能向善，描繪數字金融新圖景[J].金融電子化,2024(8)上. 

[6]中國人工智能產業發展聯盟金融行業推進組.金融大模型落地路線圖研究報告（2024）[R/OL].https://m.book118.com/html/2025/0125/8103113106007025.shtm,2025-01-25.  

 作者單位：中國建設銀行廣州電子銀行研發中心，其中陳紅淇系研發中心副主任

責任編輯：魏敏倩