金融大模型发展现状、趋势与建议(上篇)

自2022年ChatGPT发布以来，AIGC技术得到各行业广泛关注，并逐渐发展为集图像识别、语义理解、视觉感知于一体的多模态、全应用大模型体系。金融机构基于丰富的数据基础，率先构建各自的金融大模型，推动大模型技术赋能自身业务。目前，金融领域大模型渗透率已超50%，是大模型渗透率最高的行业。

金融大模型发展现状

1.政策市场双轮驱动金融大模型发展

一是国家对数据资源管理、基础设施建设及金融科技发展的政策支持推动金融大模型发展。第一，国家推进数据开发、流通标准建设，为金融大模型发展提供数据资源，据《国家数据标准体系建设指南》，到2026年年底将基本建成国家数据标准体系；第二，国家支持超算中心、数据中心与金融机构合作开展技术研发，为金融大模型运行提供算力和运行环境支持；第三，国家推出《金融标准化“十四五”发展规划》等金融科技政策，提出到2025年将基本建成与现代金融体系相适应的标准体系。基于此，中国信通院《金融行业大模型标准》、马上消费《金融大语言模型技术要求标准》等相关标准相继立项、发布。

二是市场需求和竞争推动金融大模型发展。第一是提升金融服务质量与效率的需求动力。如金融大模型实现的智能客服功能可快速理解问题并高质量回答，减少客户等待时间，满足市场对优质金融服务的需求。第二是行业内部竞争动力。一方面，金融机构之间为争夺客户资源和市场份额，需在服务质量、风险管理、产品创新等方面取得优势；另一方面，国内近12万家金融科技公司，已对传统金融机构构成威胁。竞争迫使其通过金融大模型提升自身的数字化水平和服务能力。

双轮驱动下，预计2025—2029年，金融大模型行业市场规模将由41.23亿元增长至310.44亿元，期间年复合增长率65.65%。

2.大模型技术、行业数据、基础设施发展为金融大模型应用奠定基础

一是大模型技术发展，两条技术路线赋能金融行业。一种是在通用大模型基础上加入金融语料进行训练，如GPT系列、百度文心等模型能解答金融问题；另一种是直接构建金融垂类大模型，如彭博BloombergGPT等。通用大模型路线存在数据欠缺、训练成本过高、精确性和适用性不足等痛点，在实用性上低于金融垂类模型。二是金融行业数据基础相对较好，推动金融大模型落地。波士顿咨询公司（BCG）测算，银行业每创收100万美元平均产生数据量达820GB，远高于电信（490GB）和能源行业（20GB）。三是算力基础设施持续完善，存力短板补齐，为金融大模型运行提供有力支撑。金融业务具有准确性、实时性、并发性特点，且业务流程涉及海量数据和跨系统交互，需由强大算力集群支持。而存力易成为算力集群短板，制约其效能。目前，政策及产业界均已发力存力，《算力基础设施高质量发展行动计划》已提出“加速存力技术研发应用”；华为打造存算网协同的算力中心，将整网有效吞吐从50%提升到95%。

图1 通用与金融垂类大模型优劣对比

（资料来源：东吴证券研究所）

3.大模型在金融行业主要被应用于非决策类场景

一是在营销和运营环节提升展业质量和效率。一方面是智能客服，直接在金融咨询、业务办理等方面服务客户，如蚂蚁集团的“AI金融助理”支小宝2024年已解答845万问题。另一方面是辅助客服、销售人员，间接服务客户，如百度智能云“度晓保”，提供专业产品解读及对比，快速生成专业营销话术，赋能营销人员产能增加超20%。二是在分析决策环节，提取、归纳、分析金融信息以辅助决策。受限于模型推理精度、安全合规要求，大模型较少直接承担决策任务，而是聚焦其他环节。如百度智能云智金·资产智评应用，可快速高效收集、加工和整理海量信息，辅助员工完成投资决策、信用评估等工作，并撰写各类研究报告。三是在运营支持环节，实现内部运营降本增效。如海通证券在企业内应用基于商汤代码小浣熊的智能研发助手“e海言道”，实现开发提效40%。

图2 大模型在金融领域赋能的各细分场景及业务细分环节

（资料来源：蚂蚁研究院、OpenAI官网、中金公司研究部）

4.各类金融机构因业务特性不同对大模型需求各有侧重

一是银行、保险机构对于营销、获客有强烈需求，且具有高风险敏感性，需求集中于前、中台¹应用。前台，打造前端智能客服，建立多元化客户标签，实现“千人千面”精准营销；中台，挖掘客户数据，提升智能风控水平。如平安银行大模型BankGPT可判断客户意图，针对性推荐产品、自动生成话术；宁波银行利用大模型升级大数据分析平台，扩展风控覆盖面，提高风险识别、判断和分析效率。二是证券机构需求聚焦中台，优化投研流程，支持投资决策。如中信建投打造基于大模型的智能投研平台，可一天读取市场新增的1000+份研报，提取关键信息，并生成研报初稿。三是金融科技企业需融合金融服务与新兴技术，全面升级前、中、后台²，以提升整体运营效率和金融服务质量。如度小满“轩辕”系列金融大模型已成功应用于从前台营销、客服到中台风控，再到后台研发等多个业务场景，其中，在客服领域，大模型推动服务效率提升25%；在研发领域，大模型辅助生成代码采纳率为42%，帮助公司整体研发效率提升20%。

金融大模型参与玩家及优势能力

金融大模型市场主要的参与玩家包括模型提供商、金融科技企业、传统金融机构等。金融大模型市场竞争激烈，据统计，2024年金融大模型中标项目的累计数量从上半年的24个激增至第三季度的66个，主要中标厂商包括百度、科大讯飞、智谱AI、阿里云、深擎科技等。

图3 中国金融大模型应用厂商图谱

（数据来源：极客邦科技双数研究院）

1.模型提供商以传统金融机构为主要目标客户群，凭借软硬技术优势抢占市场份额

模型提供商从两方面发力，争夺传统金融机构客户。一是夯实基础设施和MaaS能力，构筑稳定高效、简单易用的大模型支撑底座。如华为金融大模型解决方案提供“算网存云”协同的智能底座，从集群训练、模型保护、绿色节能三个方面为大模型提供算力，实现token处理时延降低至100ms内、网络能效比从0.1提升到0.5PFLOPS/KW等；软硬件和模型开发平台集成上下游伙伴，提供模型微调、数据工程、应用开发、安全工程等系列工程化套件，降低客户应用门槛。截至目前，华为金融大模型解决方案已在多家金融机构落地超50个场景。二是强化大模型技术攻关，引领前沿技术应用落地。如百度智能云联合浦发银行在2022年5月领先发布浦发-百度·文心大模型；商汤科技基于领先的多模态大模型技术和“云、端、边”全栈大模型产品矩阵，联合海通证券发布业内首个面向金融行业的多模态全栈式大模型“e海言道”。

模型提供商与金融机构合作，技术、业务优势互补，打造金融大模型解决方案。如百度智能云联合泛华控股集团打造保险业第一款AI智能体“度晓保”，基于百度智能云的金融智能体应用“智金”，结合泛华在保险领域的深厚经验，为保险销售人员和客户带来革命性服务体验。

2.金融科技企业将行业know-how结合技术能力，创新直击行业痛点

金融科技企业多基于自身行业积累自研大模型，并推出贴合客户具体需求与痛点的产品。一是推出面向企业端的大模型产品，通过订阅等模式获取持续性盈利。如宇信科技以企业在信贷管理、数字银行渠道、低代码快速开发等方面所积累的金融业务源代码为训练语料，推出面向金融行业应用软件开发人员的编程辅助工具CodePal。二是结合金融机构的实际业务需求，提供定制化解决方案。如京东科技基于服务海量金融客户的真实业务实践，在灵犀大模型支撑下，为金融机构提供一套全渠道、全场景、一体化、数智化整合营销增长方案。三是与自有产品集成，提升企业现有金融产品或服务的智能化水平。如蚂蚁集团通过百灵大模型将蚂蚁“AI金融管家”升级为“蚂小财”，并在支付宝APP内全量对外，能够更加实时解读热点。四是将大模型能力以开放平台方式提供给中小金融企业，降低企业开发门槛。如宇信科技推出面向企业用户的可视化大模型应用开发平台，具备灵活的流程编排能力，预置知识库问答、分析报告生成等多个开箱即用的大模型应用场景。

3.传统金融机构聚焦业务需求开发自用金融大模型，根据自身能力选择研发模式

行业机构对大模型需求可分为对内及对外，对内作为工作助手，优化内部工作流程，提高工作效率，如智能研发、会议助手等；对外主要为不涉及强金融建议的智能对话、信息收集分析，如报告生成、智能问答等。各企业基于独特的内部数据和业务场景，往往选择自建金融大模型以满足需求，并保证数据安全性。一是企业规模大、模型能力需求高、保密需求强的头部企业与算力、科技企业合作共研，追求技术全栈掌控。这些企业需要构建的千亿级参数大模型，算力、数据、技术要求高，仅靠企业自身资源难以实现。因此，为保证模型可用性与数据安全性，相关企业多与算力、科技企业通过成立联合实验室等形式，共研大模型技术、应用场景等，实现技术全栈掌控。如交通银行与科大讯飞、华为成立联合实验室，发布技术全栈可控的“交心大模型”；国泰君安与上海财跃星辰智能科技有限公司合作研发“君弘灵犀大模型”，完全基于企业自身全栈信创的环境实现千亿参数的大模型工程。二是具备一定技术能力的企业基于开源大模型或大模型平台自研大模型。如东吴证券和中国农业银行自研“秀才GPT”和“ChatABC”；中国人保自研大模型主体，讯飞大模型能力作为辅助；兴业银行的“AML-GPT”基于百度千帆大模型平台进行自研。三是研发能力较弱的企业为模型提供商提供业务场景，使用其模型底座打造金融大模型。如海通证券与商汤合作，海天证券提供业务场景，商汤以“日日新SenseNova 5.0”为模型底座，帮助其打造“泛海言道大模型”。

未来，随着大模型技术发展、金融大模型场景拓展、治理体系持续完善，金融大模型将进一步赋能金融机构及行业客户。下篇将针对金融大模型的发展趋势及建议进一步展开论述，敬请关注。

注释

1.前台：主要承担直接面向客户、与客户进行交互的业务，如营销、客服；中台：主要通过内外部分析，为前台提供专业管理和指导，如风险管理、战略指导、决策支持

2.后台：主要为前台和中台业务提供技术和运营支持