“我們既不盲目爭先，也不甘落后，即便在資源上存在差距，也不放棄深入研究與部署，積極擁抱大模型帶來的變革。在場景選擇上，我們擇優而用，不刻意偏袒某一特定大模型作為應用基礎，而是更加注重依據業務場景需求來確定實現方式。”1月11日，在新金融聯盟舉辦的“AI提升金融服務效能的場景創新與趨勢展望”內部研討會上，上海銀行副行長、首席信息官胡德斌在主題發言中表示。
會上，工商銀行首席技術官呂仲濤，興業銀行首席信息官、科技管理部總經理唐家才，民生銀行數據管理部總經理沈志勇，百融云創董事長張韶峰也做了主題發言。國家金融監督管理總局相關負責人參加了交流。
會議由新金融聯盟秘書長吳雨珊主持，中國金融四十人論壇提供學術支持。來自商業銀行、金融科技公司的170余位代表通過線上線下參會。會議實錄詳見→《智能體爆發元年，中小銀行如何逆流而上》，以下為胡德斌發言全文。
中小銀行大模型場景應用
選擇考量及挑戰
文| 胡德斌
上海銀行副行長、首席信息官 胡德斌
非常高興能與大家一同交流、分享上海銀行在大模型領域的應用實踐及個人的思考見解。
一、大模型技術帶來的影響觀察
大模型技術對銀行業的影響可劃分為短期與長期兩個維度。
從短期視角來看，大模型能夠顯著提升工作效率，文檔助手、編碼助手等工具便是例證。此外，借助大模型的普適性，可將原本僅面向高凈值客戶的專家服務下沉拓展。通過融合大模型的通識能力與銀行專業知識、客服專家經驗以及客戶畫像數據進行訓練，便能打造出數字客服專家，突破專家數量與服務精力的限制，為更廣泛的客戶群體提供更具針對性的服務。我們也要看到，大模型在推動銀行業務發展、產品創新的同時，也帶來了諸如數據泄露風險、大模型穩定性風險、可解釋性風險等新挑戰，這些風險均需深入研究與妥善管理。
從長期角度而言，大模型將深刻改變銀行業的競爭格局、經營模式與服務模式。例如在市場研究領域，大模型為中小銀行提供了全新的思路與方法，對銀行發展戰略的制定大有裨益。風險管理層面，大模型助力銀行實現智能化、精細化與前瞻性的管控，從而有效提升風險管理能力，降低潛在風險損失。產品服務模式也將由單一向多元、由被動向主動轉變。
大模型在銀行的建設和應用路徑大致可歸納為以下幾類：一是嵌入式大模型的調用，無需關注基礎模型的選擇，僅以實現特定應用目標為導向，構建類似黑盒應用體或智能體來滿足特定需求；二是將調用大模型的API與業務流程應用相結合的模式；三是目前應用較為廣泛的Agent模式；四是利用私有數據進行微調和訓練模型，進而形成企業專屬模型。這些應用模式的成本呈遞進式增長，但模型的針對性越強，產生的效用就越大。不同規模的銀行需根據自身所處階段，選擇符合自身特點的應用路徑。
通過對公開資料的搜索以及與同業的交流，我們概括了不同類型銀行大模型基礎能力狀況。
不同的資源屬性導致銀行在使用大模型的方式和方法上采取不同策略。我行的策略是密切關注行業應用趨勢，分析同業布局，應用路徑上秉持借智借力的原則，借助廠商和大行的技術能力與經驗。我們既不盲目爭先，也不甘落后，即便在資源上存在差距，也不放棄深入研究與部署，積極擁抱大模型帶來的變革。在場景選擇上，我們擇優而用，不刻意偏袒某一特定大模型作為應用基礎，而是更加注重依據業務場景需求來確定實現方式。
二、上海銀行大模型建設及應用實踐
總體而言，我行的大模型建設和應用規劃的近期目標是以智能體開發平臺為載體，系統地構建各類數字員工或智能體，形成人機協同的新生產模式。秉持“以用帶建”“以建帶培”的策略，從基礎能力建設、場景應用、人員培養、模型優化等多個維度著手，營造一個讓每位員工都擁有“AI助理”的環境與創新氛圍。
具體而言，從兩個層面推進。一是從上至下的總體謀劃，精準定位合適場景，采用統一規劃、統一實施的方式構建主要應用。二是搭建大模型應用開發平臺，鼓勵員工結合實際業務需求開發“AI助理”，激發自下而上的創新活力。
在此過程中，有三個方面尤為關鍵。
第一，模型的統一管理。無論是生成式AI大模型，還是以規則判斷為主的小模型，應用范圍都日益擴大。如何妥善管理、監測模型，并確保其能夠及時升級迭代，已成為日常運營管理的新領域與新挑戰。自去年下半年起，我行便著手構建全行企業級的統一模型管理平臺。
第二，統一知識管理。隨著內外部數據的持續增長，從海量數據中篩選出有價值的知識愈發困難。同時，不同系統間數據存儲格式的差異導致數據連貫性欠佳，使得統一管理復雜度倍增。因此，建立統一知識管理體系和數據空間勢在必行，需推動數據落標、跨領域數據整合，保障數據持續更新，同時嚴格管理數據安全。
第三，數字化人才培養。不僅科技人員要積極學習和運用大模型，業務人員也需轉變思維、掌握相關技能。通過培訓、研究、實踐來促進全體員工思維轉變與技能提升。
接下來，我介紹一下上海銀行在大模型應用領域的兩個案例。
我行即將推出AI手機銀行，積極探索從傳統的GUI（圖形用戶界面）模式向LUI（語言用戶界面）模式轉變。客戶可通過語音對話方式提出服務或咨詢需求，手機銀行進行語義理解與功能調度，在關鍵交易環節再呈現交易畫面供客戶確認，以更自然、友好的方式為客戶提供銀行服務。
在智能問數領域，我行也進行了諸多有益嘗試。最初的報表開發采用需求定制模式，根據業務部門的需求來繪制表樣、編寫程序。隨后發展到通用報表模式，通過“拖拉拽”的方式快速組裝報表。如今，借助大模型理解用戶的用數需求，自動轉化為SQL語句搜索數據，并以可視化形式反饋結果。這不僅是開發模式的革新，更是讓數據消費變得便捷，持續激發各層級員工利用數據分析發現問題、把握趨勢、強化管理，實現“看得清、看得全、看得透，管得好”的目標。
三、大模型應用面臨的問題與挑戰
大模型在帶來諸多機遇的同時，也伴隨著一系列挑戰，主要體現在企業宏觀層面與實施落地層面。
在企業宏觀層面：一是缺乏高質量金融訓練數據。銀行業務涉及大量復雜且專業的金融數據，這些數據通常是結構化與非結構化數據的混合體，同時還面臨著隱私保護與合規性問題。獲取足夠多、質量好且覆蓋廣泛場景的金融訓練數據是一項艱巨任務。
二是算法可信性與安全性有待提升。銀行對準確性、合規性的要求極高。目前大模型可能存在可解釋性差、易受攻擊等問題，需進一步深入研究與改進，以滿足金融行業的嚴格標準。
三是訓練及推理算力投入成本高。大模型的訓練與推理往往需要海量的計算資源，這涉及到昂貴的硬件投資以及持續的能源消耗，對于中小銀行而言，無疑是一筆沉重的成本負擔。
四是大模型應用支撐隊伍尚未成型。有效開發、部署與維護大模型需要一支涵蓋數據科學家、算法工程師、系統架構師等多學科背景的專業人才隊伍，但目前這類復合型人才稀缺，銀行需投入更多資源來培養或招聘適應大模型應用需求的團隊。
從實施落地層面來看，同樣面臨四個方面的挑戰：
一是平臺基礎支撐能力。需要構建一個全行性的、技術與業務均可便捷使用的大模型應用開發平臺，便于快速搭建大模型應用與數字員工，同時也能有效整合不同類型的硬件資源，實現算力的統一管理和調度，從而提高算力資源的利用效率。
二是跨組織、跨團隊協同。鑒于大模型技術的復雜性，跨團隊協作需要具備高度的技術理解和溝通能力。因此，跨組織、跨團隊的協同成為商業銀行落地大模型的一大難題。此外，大模型應用要求組織架構更加扁平化，部門間的壁壘需進一步弱化，扭轉員工的固有意識也并非易事。
三是關鍵知識的模型注入。大模型的知識注入過程需將銀行的專業知識與通用模型有機結合，以確保模型能夠精準適應特定的業務場景。然而，收集和整理交易數據、產品數據、風控數據等需耗費大量時間和精力。而且，部分業務知識可能涉及敏感信息，如客戶隱私、銀行內部風險控制策略等，在注入大模型時必須確保數據安全與合規。
四是運營保障能力。大模型的可解釋性與信任度是運營過程中的關鍵問題。若模型決策過程不夠透明，可能會引發用戶對模型結果的信任危機。因此，保障大模型的穩定運行與持續優化是重要挑戰。
最后，我提出一個建議：整合資源，共同打造安全可信的AI應用生態。其主要原因是大模型輸出的操作性更強。
當大行向小行輸出業務應用系統時，落地過程的復雜性是一個必須正視的難題，通常需要進行大量的本地化改造與外圍系統對接，大行往往需派遣數十名人員到現場實施，且持續時間較長，可稱之為“硬著陸”。而大模型作為知識與能力的載體，易于實現資源共享與復用。小行在引入大模型后，可根據自身具體業務需求，通過微調等手段，迅速將其應用于信貸評估、風險預測、客戶服務等多個領域，無需像應用系統那樣開展大量定制化開發，可稱之為“軟著陸”。
要實現共建共享的目標，離不開監管部門的指導以及行業協會的組織協調，促使各方協同合作。其中，大型金融機構等重要參與方應充分發揮自身在算力、數據資產、人才等方面的優勢，與中小銀行機構共同構建行業大模型。
在合作過程中，需解決一些關鍵問題：明確大行與小行分別承擔的角色與定位。無論是大行還是小行，不僅要著力構建已有模型應用，還應考慮成果輸出后能夠獲得相應的收益。否則，若銀行做出了貢獻卻無收益，可能會引發國有資產流失的擔憂。要實現算力共享，將每家銀行的硬件資源匯聚起來，能夠有效提高資源利用率。同樣，如何衡量這些硬件資源的投入產出，也需要深入研究與討論。
隨著大模型的出現，具備數據、算力、技術人才優勢的大型機構可能會形成更大的頭部化效應，進而導致競爭格局發生更為復雜的新變化。大模型不僅為銀行業帶來了效率的提升與變革，也使得競爭格局和風險特征變得更加復雜。希望我們能夠群策群力，共同探索，讓大模型為不同規模的銀行注入新的發展動力，成為推動高質量發展的基礎與源泉。
本文首發于微信公眾號：新金融聯盟NFA。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。
【免責聲明】本文僅代表作者本人觀點，與和訊網無關。和訊網站對文中陳述、觀點判斷保持中立，不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考，并請自行承擔全部責任。郵箱：news_center@staff.hexun.com
最新評論