意见领袖丨中国金融四十人论坛
大模型技术的迅猛发展正在对金融领域产生深远影响。得益于模型推理性能的提升、多模态技术的融合以及智能体技术的突破，金融行业的业务模式、数据管理逻辑和基础设施架构正经历着一场深刻的变革。金融机构必须从应用、模型、数据、算力以及组织结构等五个方面推动创新，积极尝试“大模型+小模型”的分层架构、自主开发业务智能体以及算力标准化管理等创新模式。要解决生成式模型的可靠性难题，必须深化数据与人工智能技术的结合，并且推动从被动观察数据向主动探究数据的转变，从而为金融行业的智能化发展奠定稳固的基础。
张翅，担任阿里云智能集团公共云事业部的副总裁，同时兼任新金融行业的总经理职位。
本文系作者于2025年4月19日参加的“2025·金融四十人年会”闭门研讨会中，在“人工智能时代的金融与科技”平行论坛二“智能时代的金融业：创新，变革与监管”环节所进行的主题分享。该文仅反映了作者的个人见解。
大模型技术驱动金融创新
目前，金融领域对大型模型的应用已从单一工具的层面上升至系统性的工程层面。这种模型能力的提升不仅表现在生成式人工智能在逻辑推理和多模态融合方面的进步，而且还需借助“大模型与小模型协同优化”的机制（即所谓的“双飞轮”模式）来增强其在特定场景下的适应性。比如，通过模型蒸馏技术对特定场景的小模型进行训练，同时运用强化学习来提高大模型的能力上限，从而构建起一个完整的技术闭环。
在算力这一领域，实现国产化以及进行极致的优化至关重要。依托自主研发的芯片和算法的改进，算力的效能得到了大幅度的增强，从而为金融机构带来了既高效又经济的普惠性服务。再者，行业间的合作促进了场景的细化与模型的快速更新，有些领域已经达到了每月40%-50%的优化进度，为诸如风险预测和智能投资顾问等复杂的金融任务提供了坚实的技术支撑。
金融机构的核心挑战与应对策略
1． 数据工程转型
传统数据治理模式亟需向“AI原生”模式转型，以实现数据资产与模型的深度融合。金融机构可以通过构建结构化的知识库、采用向量化数据库以及内置推理功能，将静态数据转化为动态的知识引擎，从而支持实时的分析和决策。比如，可以将经营数据按照业务逻辑进行分层处理，如规模增速、风险趋势等，再结合大模型生成具有可解释性的洞察，从而帮助管理层更精准地制定策略。
2． 算力标准化管理
算力资源的投入模式需要从粗放型向精细化转变。金融机构可以通过设定场景化的算力基准，例如百万Token标准，来优化资源配置，减少不必要的成本。此外，还需研究分布式训练技术和混合云架构，以实现性能与效率的平衡，并满足监管机构对算力合规性的规定。
3． 监管协同与风险防控
为了解决生成式模型的“幻觉”现象，必须构建基于数据驱动的验证体系。这一体系通过在模型训练和推理过程中融入传统业务数据（例如合规性报告、风险指标），从而增强输出结果的精确度和可追踪度。同时，还需开发专门的监管智能体，以实现风险预防和合规性审查的提前介入，确保业务创新活动在安全范围内进行。
阿里AI战略的三大支柱
1． 基础设施升级
持续加大力度在云与AI硬件生态领域进行投资，致力于实现全球战略布局、大型模型的研发以及具体应用场景的推广。借助开放平台（例如百炼）和标准化协议，积极促进智能体工具链生态体系的共同构建，有效降低金融机构应用人工智能技术的门槛。
2． 商业模式重构
以人工智能技术作为推动力，企业正全面进行业务模式的转变。在面向消费者的一端，我们通过智能化的接入方式（例如搜索、智能设备）来提供定制化的服务；而在面向企业的另一端，我们致力于构建数据与AI技术深度融合的中台能力，助力客户实现从数据管理到知识运营的跨越。以智能投资顾问为例，用户能够通过自然语言进行交流，完成资产配置，而系统则会根据多角度的数据信息，生成相应的动态策略。
3． 组织与人才革新
促进“业务部门引领创新”的文化转型，科技团队致力于数据与模型的深度融合。借助开源合作、行业信息的交流以及复合型人才的培育，打造出快速迭代的AI创新架构。
未来展望：从“看数”到“问数”
金融领域正迈向一个从数据展示到智能对话的新阶段。借助具备推理功能的数仓系统，业务人员能够通过自然语言进行提问，迅速获得包括归因分析和趋势预测在内的深入见解。比如，在经营分析环节，系统模型能够自动解读“区域分行的风险抵御能力”，进而提出有针对性的结构化建议，以协助管理层作出决策。
这一变革不仅需要技术的创新突破，而且迫切需要行业的广泛认同以及政策的助力。在将来，金融机构、科技公司以及监管部门应当携手合作，共同确立人工智能的伦理准则、构建算力共享的规范以及建立数据共享的体系，旨在共同打造一个可信、高效且普遍受益的智能金融环境。
本文作者隶属中国金融四十人论坛（CF40），该论坛性质为非官方和非营利，它是一个专业智库，其定位是“平台+实体”的新型智库，主要聚焦于经济金融领域的政策研究。