当前，以大模型为代表的人工智能技术正以前所未有的速度与广度重塑千行百业，深刻改变着价值创造与交互模式。在资金与信息密集的金融领域，这场由大模型驱动的变革浪潮，其影响尤为深远，也格外引人瞩目。
领先的银行、保险、证券机构正从战略高度进行布局，投入资源组建专业团队，或携手顶尖科技公司，构建自主可控的大模型能力。“现在金融行业在IT发展方面的主脉络很清晰，主要是两大方向：国产化和智能化。”腾讯云副总裁胡利明在腾讯云金融数智峰会上接受《每日经济新闻》等相关媒体专访时表示，安全可靠的底座是一切IT建设的基础，所以在当前金融IT有所收缩的背景下，金融机构在国产自主创新方面的投入也没受太大影响。此外，我们还看到了新的增长机会，所以整体是增长的。
然而，从大模型的落地场景来看，胡利明认为，无论是银行、券商还是保险，其对大模型的应用整体上还处于比较初期的阶段，但这是一场马拉松，我们当前仅跑了“一公里”，未来提升的潜力很大。
AI大模型在业务场景中的应用仍处于初级阶段
今年以来，以DeepSeek为代表的大模型火爆出圈，在国产自主创新、核心系统改造、数字基础设施之外，大模型应用也为行业发展提供了新的驱动力。有报告指出，AI在证券投研及投顾、银行信贷和营销渠道、保险代理人赋能、小微商户点餐及营销、消费金融风控及客服等场景逐步落地，未来空间广阔。
“大模型应用在券商行业投顾问答，保险代理人培训、营销计划，银行业内部知识库、授信报告生成等场景已有规模化落地。”胡利明表示，此前由于优质底层模型未开放，开源基模能力不足，闭源模型参差不齐，且能调试优化模型的厂家极少，导致大模型应用多集中于大机构。DeepSeek出现后，开源基模能力接近OpenAI，使大中小金融机构能以低成本快速开发应用，呈现百花齐放态势，但应用探索多为尝鲜性质，开发的Agent虽能完成简单任务（如知识库问答、无需思考的工作流任务），但在复杂判断场景中准确率低、实用性差。
胡利明表示，当前大模型在业务场景中的应用整体仍处于初期探索阶段，尽管通用模型结合RAG（检索增强）与工作流优化技术已在部分领域实现较成熟落地，包括代码辅助开发、知识库管理、基础客服响应、营销内容生成等，但在经营决策、交易风控、复杂营销等高价值场景中仍面临显著挑战。“这些深度应用场景对模型的精准性、合规性及专业性要求极高，需融合通用模型与领域专属模型，通过高复杂度工程开发整合企业专有数据与第三方数据资源，并依托Agent技术架构持续优化效果，当前尚未实现规模化应用。”
据其介绍，技术落地的核心瓶颈在于三重门槛：一是底层基础模型的快速迭代增加了技术整合难度；二是专业场景需构建专属数据训练体系；三是监管合规要求与工程实施复杂度形成双重约束。
资料显示，现阶段行业生态以合作为主导模式，技术方通过提供工具平台与工程能力，支持ISV（独立软件开发商）及金融机构共同开发场景化解决方案，腾讯金融云已实践超100个应用案例。
“大模型应用犹如‘马拉松的第一公里’，未来伴随底层技术持续演进、行业知识沉淀及生态协作深化，其在业务端的价值释放空间将显著拓展。”胡利明表示。
建议金融机构构建“小模型+大模型”协同体系
虽然当前大模型在交易等场景落地还存在一定的挑战，但是银行、证券、保险机构对AI投入都很积极，许多机构将其置于战略高度，甚至投入规模属“战略级”，只希望能够在短时间内落地具有使用价值的场景。
“在投产比方面，机构更关注‘阶段性跑出可用场景’。战略规划时投入设想可能较大，但落地时会谨慎细化资源分配。”胡利明表示，腾讯云在合作中常协助客户优化投入，沟通战略合作时，客户最初提出的资源需求往往较大，经双方团队梳理合作范围与路径后，通过规划算力池、平台及软件的最优配置，最终执行预算常能削减一半以上，在保障效果的同时显著降低成本。
然而，随着探索的深入，从通用能力向核心业务场景的迁移，到小模型与大模型的协同优化，再到企业内部数据体系的打通与治理，诸多难题仍待破解。“多数金融机构‘Data For AI’的体系尚未打通。”胡利明表示，要让AI在金融机构的业务环节深入发挥作用，不能只依赖通用大模型，必须依靠机构自身独特的专业数据集。例如，复杂信贷审批、精准风控等场景带有强烈的行业专业性和企业个性化，通用大模型缺乏这类定制化知识，无法直接胜任。
因此，胡利明建议金融机构构建“小模型+大模型”的协同体系：先打通并治理数据，建立可用的数据集；再用这些数据，通过强化学习、监督微调等技术，训练出处理细分环节（如意图识别、专业文档分析）的小模型；最后让小模型负责专业任务，通用大模型负责内容生成，组合成有实际价值的智能体。这一过程需要一定时间探索。
除却落地场景，胡利明认为，AI大模型幻觉、安全等问题也是金融机构关注的重点。“大模型幻觉问题较为棘手。腾讯云通过工程手段优化，如多模态场景验证、不同决策模型结果验证、在输入输出场景嵌入安全模型以校验合规性和回答一致性等，但受基模发展阶段限制，无法完全消除该问题，需在严谨性和智能化之间权衡，这也是业界普遍面临的难题。”胡利明表示。
