加快人工智能大模型与银行业深度融合

在全球经济数字化转型的大潮中,银行业面临着前所未有的机遇与挑战。如何实现从传统银行到智慧银行转型,已成为银行业亟需解决的重要课题。数字金融作为金融“五篇大文章”赋能底座与创新主线,其重要性不言而喻。特别是人工智能（AI）大模型技术,作为金融科技的前沿领域,对银行业的数字化转型起到了关键推动作用。笔者旨在探讨AI大模型技术在银行业数字化转型中的应用策略,分析转型过程中可能遇到的挑战,并结合“人工智能+”战略,提出相应建议。

AI大模型赋能：银行业布局现状

AI大模型技术作为人工智能领域的关键突破,具备通用性、高门槛性和边际成本递减性等显著特点,尤其是大语言模型,其强泛化能力、迁移学习能力和多模态处理能力,已成为驱动金融行业创新的核心力量。《2024年金融业生成式人工智能应用报告》指出,尽管我国金融业拥有全球最大规模的数据沉淀,但其商业价值尚未完全体现。2024年,国有六大银行在金融科技方面的投入总金额达到1254.59亿元,同比增长2.15%,占总营业收入的3.56%,创下历史新高。现阶段,商业银行在AI大模型的布局上主要采取以下三种方式：

一是银行自主研发构建自主可控的金融大模型。一些数据量庞大、科技基础坚实的银行选择自主研发AI大模型,以实现全栈AI技术的自主可控。这些银行依托自身的人工智能服务体系所具备的算力、算法、数据和人才等基础能力,进行深入探索和综合应用,实现全方位的金融知识理解和应用输出。例如,中国农业银行推出了金融行业首个自主创新的金融AI大模型应用ChatABC,依托百亿级参数,实现了全方位的金融知识理解和问答应用。

二是银行借力基础模型构建专属AI大模型。部分银行选择基于业界领先的基础大模型自建金融大模型,或通过微调形成契合自身需求的任务大模型。例如,中国工商银行的金融行业通用模型在昇腾AI的支持下,率先完成了企业级金融大模型的全栈自主可控训练和推理部署,其高质量、多维度、大体量的金融大模型训练数据集,使其具备较强的金融领域知识理解和分析推理能力。

三是银行灵活接入应用程序编程接口（API）或开展私有化部署。对于数据量有限、科技基础薄弱、人才匮乏的银行,自行研发或基于行业基础大模型构建专属大模型并非最优选择。因此,按需引入各类AI大模型的公有云API或私有化部署服务,成为数字化转型更为高效的途径。

场景驱动：AI大模型在银行业的三大应用

人工智能不仅是技术能力,更是推动银行业数字化转型的重要工具。尽管银行业在AI大模型的应用上仍处于积极探索和逐步实施的阶段,但各银行根据自身的资源禀赋,呈现出多样化的布局路径。总体来看,AI大模型在银行业的应用主要集中在风险管理、客户服务、资产管理、内部运营管理、合规管理等方面。这些应用场景不仅提升了客户体验,还帮助银行提质降本增效。

客户体验优化

定制化服务。AI大模型通过强大的数据分析能力,结合客户的历史经营数据、交易数据、行为数据及活动埋点等,利用知识图谱技术构建客户的全方位画像,精准洞察客户的需求和偏好。例如,中国邮政储蓄银行利用大模型技术推出了情感模型会话洞察与“灵动智库”服务,增强了企业微信运营功能,有效提升了精细化客户洞察能力。

服务效率提升。AI大模型在智能客服系统中的应用显著提升了客服的响应速度和准确性。通过自然语言处理技术（NLP）,大模型能够理解客户问题的语义,并提供合规且精准的答案。例如,中国建设银行自主研发的端到端语音识别和语音合成能力,实现了说话人身份声纹识别、多种方言语音识别、音频质量检测等多场景应用,有效减轻了人工客服的工作负担。

风险管理强化

风险预测。传统的风险评估方法依赖于有限的财务数据和信用评分模型,存在局限性。AI大模型通过整合官方平台数据、协会数据、实控人及高管人员历史表现、股权数据、舆情数据及交易行为等多维度的海量数据源,利用文本捕捉技术和机器学习算法进行数据分析和处理,能够对借款人进行立体化评估,提高风险预测的准确性。例如,中国工商银行的金融大模型在风险防控领域实现了对工业工程融资项目建设的实时进度监测,监测精准度提升约10%,研发周期缩短约60%,显著提高了风险控制的主动性,避免潜在损失。

风险监控。AI大模型能够实时监控风险的动态变化,对股票市场、债券市场的价格波动和成交量变化进行实时监测,及时发现异常波动并提供预警。此外,人工智能显著提高了恶意欺诈的识别能力,通过捕捉没有股权与业务关联的实体之间的突发、大额且频繁异常交易,利用异常检测算法对交易数据进行分析,为风控人员提供涉嫌欺诈的灰名单,帮助排查潜在风险。例如,中国工商银行的金融大模型显著提升了风险防控的效率和准确性。

业务创新激励

产品创新。AI大模型通过对国家政策、宏观环境、行业趋势、客户需求以及竞争对手产品的深入分析,为银行提供产品创新思路和方向。例如,招商银行以数据要素为基础,通过将AI大模型与隐私计算、图神经网络相结合,构建了包括数字化获客、数字化风控及数字化流程在内的创新普惠金融新模式,其“脱核”供应链金融数字化信贷产品“招链易贷”与“经销易贷”,不仅强化了供应链的韧性,还提高了普惠金融服务的效率,降低了金融风险。

流程创新。AI大模型能够对银行业务流程进行全面分析,找出问题和瓶颈,并提出针对性的改进建议。此外,大模型可以实现智能录入与审核,提高准确率,实现流程精细化管理,大幅节省人力成本,提高运营效率。例如,中国建设银行金融大模型中的基础应用“方舟”助手,能够快速生成研报摘要和点评、录入语音自动生成拜访记录、文生图、自动生成上市公司类客户调查报告等25项场景功能,全面提升员工的专业水平和工作效率。

融合之道：AI大模型与银行业务协同

数据整合

银行日常业务会产生并沉淀海量的金融数据,具备数量大、更新快、结构复杂等特点,要实现人工智能与银行业务的有机融合,首先需要对这些数据进行整合和共享。建立统一的数据仓库,将不同来源的数据进行清洗、转换和加载,确保数据的质量和一致性。建立企业级数据仓库,将客户数据从各个业务系统中抽取出来进行集中管理,为大模型的应用提供基础要素。同时,银行作为重要的商业信息交汇中心,数据隐私和安全保护被视为银行信誉的重要组成部分,在数据整合和共享过程中,采用高级加密标准算法对客户的敏感数据进行加密,只有授权人员在符合规定的情况下才能访问和解密数据,确保客户数据不被泄露和滥用。例如,中国建设银行持续打造金融影像文字识别产品,支持识别140余种票据,覆盖75%票据识别量,助力票据审核信息录入效率提升120倍。

系统协同

AI大模型通常需要与银行现有的业务系统进行集成,如核心银行系统、客户关系管理系统（CRM）、风险管理系统等。设计合理的接口是实现系统集成的关键。部分银行通过设计RESTful接口,使AI大模型可以与其他系统进行数据交互和功能调用。为确保系统的稳定性和兼容性,中国建设银行持续推进核心系统分布式转型,完成多维全量个人业务由集中式向分布式架构的全面切换和单轨运行,截至2023年末,分布式核心系统承担7.6亿个人客户、核心业务94%的交易量,分布式架构转型取获得突破。

知识赋能

一方面,虽然人工智能的目标之一是使科技“平民化”,降低应用门槛,但银行员工仍需具备必要知识与技能。银行可通过基础培训、场景模拟与知识竞赛提升员工综合能力,并促进知识转移。建立内部知识共享平台,加强数字文化宣导与价值取向引导,鼓励创新自组织分享经验,形成发现问题—解决问题&m