转自：南方周末

中经记者 张漫游 北京报道

2025年上半年，伴随DeepSeek-R1及V3.1等国产大模型的迭代推出，银行业的AI应用正从局部试点迈向全面融合。多家上市银行在半年度业绩报告中披露了大模型建设的进展。

业内人士认为，在利率市场化深化、息差持续收窄的背景下，银行业普遍将人工智能视为提升运营效率、优化客户体验及开拓新增长极的核心抓手，从“降本增效”工具迈向“收入驱动”引擎的战略转变日益清晰。

行业应用加速普及

平安银行中报显示，2025年上半年，该行构建大模型能力体系，通过监督微调、强化学习、大模型自主规划、智能体等技术进行模型调优训练，提升重点场景应用能力，6月末平安银行已落地大模型应用场景超330个。

尤其在风控合规方面，平安银行深化智能算法应用，夯实智能化风险防控体系。在对公风险管理上，深化大模型在智慧风控的探索应用，建立风险专家知识库，借助智能体提升风险控制各流程的效率，强化大模型的适用能力。在零售贷款审批与催收上，该行依托大模型能力，对非结构化数据及其他要素进行风险特征挖掘和识别，提升风险管理能力。在普惠金融上，平安银行持续深化央行“资金流信用信息共享平台”的应用，全面完善普惠生态客户的风险画像，支持信贷资金精准直达中小微企业。在账户风险防控上，打造反电诈“风控大脑”，提升账户风险管理和客户服务效率。在内控合规上，升级“慧小喵”审计大模型，通过打造多维智能体，实现营销、制度等领域的智能合规审查及归因分析，推动审计监督与纪检监察工作提质增效。

浦发银行（600000.SH）方面透露称，截至2025年6月末，该行已构建千卡算力，在股份制商业银行中率先实现全栈国产化算力平台+开源大模型的金融应用，形成大小模型协同的“浦银智启”模型服务矩阵，同时搭建多维度大模型评测体系，形成超3万的评测数据集，初步构建千万级企业知识库。

中国银行（601988.SH）研究院研究员刘晨指出，传统大模型计算资源消耗较大，DeepSeek基于专家混合架构（MoE）、模型训练优化、高效强化学习和数据蒸馏技术，显著提高了计算效率和推理速度，同时也大幅降低了对计算资源的需求。据DeepSeek数据，预训练大模型Deepseek-V3的训练成本约为558万美元，远低于同类头部模型；DeepSeek在API服务定价也远低于OpenAI同类产品。同时，在较低成本的基础上，DeepSeek也能够兼顾模型效率。

政策支持是推动银行加快AI应用的重要力量。2025年3月，中国人民银行召开2025年科技工作会议，已明确要求加快金融数字化智能化转型，安全稳妥有序推进人工智能大模型等在金融领域的应用。

在此背景下，多家银行对大模型进行了积极部署。建设银行（601939.SH）方面在接受投资者调研时指出，DeepSeek-R1开源大模型发布以来，建设银行第一时间利用自身丰富的人才、算力储备和高质量的金融数据，对通用开源大模型进行预训练、微调和强化学习，较早采用私有化方式部署了DeepSeek-R1-671B满血版和DeepSeek-R1-32B蒸馏版金融大模型及外部可信搜索服务。

从具体成果看，在个人金融领域，建设银行“帮得”个人客户经理智能助理话术生成场景应用支持回答问题、提供建议业务能力；对话术加工润色，使话术更为友好流畅，为客户经理提供话术参考；对较长的知识内容，比如产品说明书进行总结归纳；对不同年龄、风格的客户能生成差异性营销话术；个人客户经理智能化运营能力场景应用，可以通过自然语言描述客群特点，运用大模型生成客群筛选条件，结合客户360度画像标签精准定位客群，不仅提高了客群圈选的便捷性，也提升了用户体验。在授信审批领域，建设银行对公授信审批生成评级审查要点场景应用，通过提示词工程，利用大模型自动生成评级审查要点文档，有效减轻了评级合规岗工作量。

刘晨指出，DeepSeek大幅降低AI大模型的应用门槛，中小银行可以选择与金融科技服务商合作，通过接入DeepSeek开源大模型，运用包括混合专家系统在内的智能技术降低算力消耗，从而减少研发成本、突破技术门槛，同时借助二次开发对接业务场景需求，缩小与大行数字服务能力的差距。

上海银行（601229.SH）近期在接受投资者调研时指出：“从OpenAI发布ChatGPT，特别是今年年初DeepSeek发布以来，大家把更多精力投入到大模型，大模型的出现促使我们对金融科技思考更加深入，也促使我们对数字化转型研究更加深入。现在在大模型框架下，我们更加需要思考如何将本行的业务、服务能力与大模型提供的专家模型相结合，这给技术发展带来了不同路径。”

业务模式重构进行时

尽管银行业在大模型应用方面取得了显著进展，但行业仍面临诸多挑战。毕马威方面分析指出，银行业大模型应用正从效率提升工具向价值创造引擎演进，但场景落地仍面临“可控性”、“可解释性”与“投入产出比”三大核心制约因素。这一判断揭示了行业转型进入深水区的现实挑战，也为未来发展指明了方向。

从应用成熟度来看，当前银行业大模型应用呈现出明显的层级特征。毕马威将其划分为四个阶段：“降本增效”类应用（如办公管理）和“生产力革命”类应用（如AI生成营销文案、分析报告等）已趋近成熟；“流程重构”类应用部分场景经过验证且投产（如知识库问答类Agent、智能问数类Agent），部分仍处于探索阶段（如投研Agent、风控Agent）；而涉及“模式创新”及“颠覆性变革”的应用模式则多处于探索或未经验证阶段。这种梯度发展格局，反映了银行业在拥抱新技术时的审慎态度。

近期，银行在大模型方面开始了新的探索。如兴业银行（601166.SH）正征集合作伙伴，拟基于行内数据训练金融大模型以提升研发效率；科大讯飞（002230.SZ）中标江西银行大模型软硬件采购项目。

记者从江苏银行（600919.SH）了解到，依托国产芯片为代表的混合算力架构，该行成功实现单张GPU计算卡千亿级推理大模型的规模化部署。该行从国产操作系统底层依赖库入手，通过完全自主编译与适配，构建新一代技术架构框架，兼容并稳定运行MXFP4量化算法，相较传统方案实现计算性能3倍加速与硬件资源占用减少75%的优化成果。

基于“专家经验为主，人工智能为辅”的设计理念，江苏银行千亿大模型构建了具备多种能力的智能体，并在业务材料录入与审核场景中率先落地运用。在电子流水授信材料鉴伪场景中，该智能体能够自动化匹配鉴定规则、动态选择工具链，精准执行图片细节定位、二值化处理及元数据比对，并自主访问外部金融机构交叉验证；在询证函填写及商户进件等场景，通过多模态识别工具高效完成文本抽取与结构化表单生成，自上线以来累计处理业务数万笔，显著提升运营效率。

苏商银行特约研究员武泽伟认为，未来AI Agent的自主决策、实时响应与智能学习能力，将从三个维度重塑银行业务模式：在客户体验方面，通过多模态交互与个性化服务重新定义银行与客户的连接方式；在风险管理方面，推动风控从“事后响应”转向“实时拦截+预测预警”；在运营效率方面，驱动业务流程向“零接触”与“自适应”进化。