作为人工智能技术与金融业深度融合的新业态，智能金融发展正在呈现出新的特点。

　　12月20日，深圳香蜜湖金融年会（2025年）发布的《香蜜湖智能金融发展报告（2025）》（下称《报告》）称，在技术方面，以慢思考技术普及、推理成本降低惠及长尾普惠、智能体迭代升级和多模态等能力突破为主要创新点，智能金融拓宽了复杂金融场景的应用，降低了中小型银行的使用门槛，人机协作模式更智能，全模态协同决策新范式加速推进。

　　业内指出，慢思考技术是一种通过延长推理过程、增加计算开销来提升大语言模型推理质量的方法，旨在减少错误累积，提高输出的准确性和可靠性。

　　具体数据印证了这一趋势。《报告》征集的82个案例里，约五成涉及智能体范式，超过33%表示多模态能力有所提升，32%的案例使用了慢思考技术，23%的案例提及推理成本显著降低。

　　一系列技术趋势正快速转化为业务层面的深层变革。产品创新领域，AI驱动投研市场全流程智能化决策，自然语言交互深度重构用户体验；客服营销领域，从“被动响应”转向“主动智能”，通过技术融合与场景深耕，实现效率、合规性与客户体验的平衡；运营管理领域，企业知识资产成为AI应用基石，通过体系化建设与管理，重塑人机协同模式，重构组织运作模式；运营管理领域，大模型与小模型协同仍是技术主流，全流程智能化风控覆盖、垂直领域专业化智能体重塑合规与效率的平衡。

　　与此同时，智能金融正在经历一场从“工具应用”到“体系重构”的深刻变革。技术突破在重塑金融服务全链条的同时，资本支持与数据治理体系面临的挑战也日益凸显。

　　随着人工智能在金融领域的深度应用，数据治理体系正承受着前所未有的压力。国际清算银行数据显示，2024年全球银行AI生成数据量较三年前激增470%。

　　这为金融数据治理带来新难点。中国银行业协会原首席信息官、深圳香蜜湖国际金融科技研究院学术委员会委员高峰表示，一是技术适配难，数据多样性倍增、场景实时性要求高；二是权属界定难，AI生成数据涉及原始数据提供者、模型开发者等多方，权责易真空；三是数据安全与隐私保护形势严峻，数据勒索、窃取事件增长，隐私保护压力陡增；四是数据伦理问题显现，模型的训练数据本身可能存在历史偏见，算法设计者也可能将主观偏见嵌入模型；五是治理成本投入压力大，金融机构需持续投入大量资源购买新硬件或升级软件以跟进技术变革，投资回报周期长。

　　专家呼吁推动范式升级。《报告》认为，在合规层面，需符合《金融科技发展规划（2023~2025年）》等监管要求，将数据治理失效纳入系统性风险指标；在协同层面，设立“业务科翻译官”角色，对齐业务语言与技术落地；在资产创值层面，探索数据估值与入表，例如某国有大行将客户行为数据纳入无形资产核算；在生态层面，通过数据共享与同业合作，构建跨机构治理生态。

　　“当数据量、时效性与复杂度超出人工治理的极限，金融业需要的不再是‘更好的工具’，而是‘会自治的治理体’，数据治理智能体（DGA）应运而生。为实现更高效的治理，DGA进一步演进为多智能体系统（MAS），其中多个智能体通过分布式协作机制共同处理复杂数据治理任务，各智能体具备独立感知和决策能力。”高峰说。