创牛配资神州信息刘文：大模型未来会成为金融组织生产力的必备工具

专题：服贸会第七届中国金融科技论坛

　　中国国际服务贸易交易会-第七届中国金融科技论坛于2025年9月10日-11日在北京举行。主题为“科技赋能—金融业数字化转型与应用”。神州信息集团新动力数字金融研究院副院长兼首席AI专家刘文出席并演讲。

　　以下为演讲实录：

　　首先谢谢主办方，在这里能够聆听到各位银行的领导和各位同业在大模型方面鲜活、生动的应用。前两天神州信息度过了自己25周岁的生日，在25周岁的庆典上，神州信息的郭总面向未来的25年，提出了 ALL in AI 的战略方向。我们也正是抱着这样的愿景、给大家分享一下神州信息在大模型时代的一些看法。

　　我们接触到大量的银行，发现银行方面特点非常典型，首先是分了三个梯队，其次是普遍应用。对于普遍应用这一点，我想要分享一个我自己的小故事，大概在3个月前，我是在一家省级农信社，还不是总行。我们当时从省会，高铁再加上打车，前前后后倒腾了4个小时，到了他一家底层的行社。面对它的科技人员。他的科技人员可能只有我们平时的小教室那么大，一二十个人，本来我是带着很强烈的心情跟大家科普一下Agent现在发展到什么程度？Agent现在是一个什么事情？但是我发现我还没有开口，旁边就有一位技术同事说，刘老师，我们已经用Dify平台上做了一个最基本的信贷报告生成的Agent，你过来帮我看一下。其实当时一下就把我惊呆了，我觉得Agent这种事情应该是在总行，应该是在大型的股份制行，大型的国有银行用得比较广泛。但是我没有想到，我在这么偏僻的行社有技术人员直接告诉我，他已经做出了对应的应用。

　　所以这是我的第一个感觉，技术普及的速度不像我们以前的那样，以年为单位，现在技术普及以月、周为单位迅速的普及，这是我发现的第一点，大模型的应用已经非常普遍了，最起码大模型的科普已经非常到位了。

　　但是也很明显，现在大模型分成很典型的3个梯队，因为刚才我们看见银行的领导有分享，第一个是国有大行，百亿的投入，千亿参数的模型。本身资源投入在那里，它对应用场景的覆盖非常广，基本属于条线级的应用，已经能够连点成线，有利用大模型进行业务重构的趋势。

　　第二个部分就是刚才兴业银行的领导也分享了，可能每年有10亿级的投入，百亿级的大模型。对于应用场景也是做了大量的覆盖。除了这两个层面，还有大量的中小行，每年大模型的投入只有千万级别，大部分时候还只是用到开源模型，所以发现这里大家仔细想的话，从千万到亿之间，好像产生了一个空档，这个我们暂时不表述，后面我会具体分析为什么会有这个现象。

　　有了刚才整体的认识，我们对大模型行业有7大趋势的看法，在7大趋势里面第一个想要和大家分享的就是大模型是一个生产力的工具，未来会成为金融组织生产力的必备工具。

　　这一点我想要给大家分享一下我自己亲身经历的小故事，这也是我来公司之后面临的一个任务，有一家银行，马上要做大模型应用的POC，POC里面有3个任务：

　　首先要把3家大模型厂家接入进来，其次要实现从需求文档，到测试案例的生成，再接下来，还想做一个培训，从需求文档里生成对应的培训文件，而且要求培训文件都是PPT，图文并茂。

　　大家可以想想在这么一个需求上，大概需要多少人，多长时间把这个事情做下来？我就不卖关子了，当时就我一个人亲自上场，两个礼拜，从完全空白开始，利用AI工具，把前端、后端搭起来，把大模型接起来，把对应的刚才无论是从需求文件到测试案例，从需求文件到培训的PPT，包括PPT的美化、然后打包放在云上，供客户POC，都全部做下来，一个人两个礼拜。

　　大家可以对比的是，以前我们做这个事情要找前端、后端，要找算法，可能对PPT不太好做，我们还得做一个专门的设计。这个时候大家就会有很深的感觉，原来四五个人，将近1个月的时间做出来的事情，现在借助AI的工具，一个人两个礼拜就可以完整的做下来，这是我首先想要和大家分享的，大模型确实是会带来生产力级别的提升，有可能这个生产力级别不是简单的替代，它可以让人作为生产力的组织者，有发挥组织的效果。

　　其他的观点也跟大家比较近，比如说在整个支撑架构上，我们一直在谈一个概念，很早我们谈到业务中台、数据中台、AI中台，似乎是3个中台。但是我们有一个观点，无论是数据中台、业务中台，都是之前的通算中台，现在的AI是不是我们要单独拎出来做智算中台。这个智算中台应该是赋能前面的通算中台，还是说未来所有的业务系统应该在智算中台上重构，这个我们是留着一个疑问，后面留待时间去检验。大模型的应用我们认为以后是N个大模型，+M个小模型，其实还有X个工具，三重组合。对于大模型的能力，我们不能唯大模型论，我们希望给大家提一个概念：大模型的含量。没有必要一开始就要求大模型含量百分之百，有可能现在为止是30%、20%，慢慢的我们把大模型的含量提升，也把大模型的含量做起来。

　　面对这样的挑战，其实神州信息对大模型应用提出了两个很重要的概念，一个是通专融合，第二个是AI for process。

　　我们先来说第一个概念通专融合：大模型能力确实很强，但是大家要问一个问题，它能够给金融行业留多少权重？或者说它能够给银行业留多少的权重？顶多是一个平均权重，但是对各位金融从业人，对各位银行从业人员来说，金融行业就是需要我们100%投入的行业，或者银行是需要我们100%投入的行业，对于我们需要100%投入的东西，怎么能够在大模型应用场景里面把这部分权重做起来？

　　当然做起来的方法很多，这里面提到的金融行业大模型是方法之一，现阶段是否做金融行业大模型还值得商榷，但是专门针对金融行业的高质量数据集建立起来是没有疑问的，这样，我们再去做后续应用的时候就有了很好的基础，包括我们一直说的在大模型应用中，有意图识别的能力，但是如果大家用过的话，通用的意图识别能力是很弱的，我们是不是针对金融场景要做自己的意图识别，比如说刚才在催收场景里面，针对催收去做一个催收的意图识别，这样才能够保证在大模型整体还存在一定不确定的条件下，我们在金融这个子行业，在银行更细分的领域里面可以做出相对可用的产品。这是第一点，我们认为要通专融合。

　　第二点AI for Process，因为现在AI for什么的观念很多，之前也说过AI for Data、AI For science，但是从我们做企业的人角度来说，我们觉得AI一定要for Process，Process才是一个运行的企业，或者是一个运行的银行，才是一个活的银行，它才有生命的。我们要为有生命的业务流程去赋能，才可以帮助我们充分发挥AI的价值。

　　当然这个事情可能以前很早就提出来了，比如说最早在数字化建设的初期都提出过流程的概念，最开始的流程，从无形的流程变成有形的流程，但是今天我们再谈流程的话，很有可能是一个流程重组的概念。刚才百融的陈总提出来未来我们会面对硅基军团这件事情，有可能在未来的业务流程当中，硅基军团会成为我们的业务流程的一部分，只不过它不一定出现得这么快，就像现在AI只是给我做一个助手，再过一段AI可能是跟我一起工作的伙伴，神州信息叫做人机共舞阶段，再往上的话可能大家真要成立一个硅基军团，大家做硅基军团的司令和政委，我们要组织一个硅基军团，这是我们看见的，未来的AI For Process，Process的重组，尤其是和硅基数字人的重新组合，可能会成为未来Process改变的一个重要的方向。

　　为了做好AI这件事情，我们提出来做大模型应用，三大工程很重要。首先数据这部分很重要，我们叫做筑基工程。而且数据不仅仅是为我们简单建立场景，建设的过程中用。因为真正的AI For Process，Process是要日常运营起来的，日常运营起来的数据，怎么能够很有效的反馈回来，反馈回来之后，为我们后续的大模型的优化，之后再次赋能应用，这一点也是我们想要单独提出来，未来的数据不仅仅是建设阶段，更重要的是为未来大模型场景的运营阶段赋能，这样才能够形成一个合理的闭环，帮助我们把大模型应用做得更好。

　　有了数据的基础，下面这个工作也很重要，我们叫做利器工程，大量的和大模型相关的工具，我们要有意地搭建、积累起来。我一直用一句话，不以善小而不为自勉。现在大家会发现一些工具，一些简单的通过大模型总结、提炼的工具都挺好用的。虽然现在暂时没有看到成效，但是把这些工具积累起来很重要，比如说神州信息在软件开发领域也积累了很多的工具，我们有对应的代码自动生成的工具，基于规则生成，基于AIGC去生成的都在积累。包括测试阶段，运维阶段怎么用工具辅助自动化、智能化。

　　有了这些工具的话，其实我们希望大家都一起走进第三阶段，刚才陈总说的是硅基军团，我们简单的叫造人工程。我有时候更喜欢把它表达成Soft robot。就是大家把大量的精力聚焦在具身智能机器人代表的 hard robot 身上时，在软件领域，尤其是大模型出来之后，我觉得大量建设soft robot，也就是我们现在所说的Agent这件事情会越来越重要。

　　刚刚提到了有催收的Agent，也有理财销售相关的Agent，包括未来看到手机银行也有可能会成为一个新的Agent，因为这3大工程逐渐建立起来，我们才会慢慢的看到大模型应用会在生产当中发生实效。

　　当然要让整个大模型应用落地的话，这3个策略非常重要：

　　一是选场景，选场景这件事情，前面谈了很多，我们要高价值、要人多，但是我这里想要和大家分享的，也正好在开头第一页PPT里面留下来一个留白，为什么我们觉得在现在的应用上，有一个千万到10亿之间的空档？千万级别投入的银行在少量的AI试点之后为什么会浅尝辄止？其实不是人家不想做，很有可能是首次选择的场景不是那么成功，对于他来说想要后续再有新的场景建立的话，其实是很难的。

　　所以我们在选择场景的时候，我们希望大家本着从一个胜利走向另外一个胜利的原则，用胜利来教育大家，逐渐把大模型应用推广起来。但是怎么能够从一个胜利走向另外一个胜利，这件事情需要我们仔细地考虑，这样让场景的选择更有连续性，或者推广更有连续性。

　　二，说得是选对模型，但是更多想表达的是，不能唯大模型论，因为这个时候我们简单把大模型当成灵丹妙药，其实是不太现实的。所以真正在落地大模型场景的时候一定是大小结合再加工具，虽然有人会说，你这都是叫做两分大模型、八分软件工程，但是我觉得无论怎么说，起码我们把大模型这件事情开头了，我们也在等待大模型相关的技术，包括Agent的能力，包括大模型自身的能力逐渐成熟，我们可以慢慢的把工程能力要求降低。

　　这里我想要给大家分享一个故事，这也是我们去年在做意图识别的场景，当时意图识别的时候准确率就是不高，80%几。但是在关键场景下需要达到90%到95%的准确率。所以我们把正则表达式，分类处理、提前过滤全都用上。但是今年过年以来，我们使用的模型版本一个升级，迅速就把我们当时大量的工程工作取消了，直接用大模型，就基本上满足我们的要求。

　　所以今天我们来选择的大模型，两分模型，八分工程不是一件丢人的事情，这是当前非常合理的选择，只有当前阶段把这件事情开头了，未来才有机会，大模型能力进一步增强的时候，我们把大模型的含量进一步的提升。

　　三是选对模式。因为每个银行的禀赋不一样，有一些投资高一点，有一些是属于技术人才多一些，有一些业务支持大一点。每个银行有自己不同的特点，结合自己不同的特点，是有不同的大模型的推动模式的，既可以说根据自己的需求小步快跑，当然也可以根据自己的禀赋架构优先，只有符合自己特点的推动模式，才能更好的在本机构、本行内部进行大模型建设。

　　我的分享到这里，谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。