AI为银行“打工”靠谱吗
2025年04月15日
字数：2791
金融科技领域正经历着前所未有的变革，AI大模型技术成为这场变革的焦点。年初以来，DeepSeek迅速崛起，点燃了银行等金融机构数字化转型的希望之火。但随着应用深入，AI模型“幻觉”开始暴露，投入产出严重倒挂。在这场金融与科技的碰撞中，答案究竟在哪里，银行业该如何抉择？
2025年被视为AI技术普及与行业融合的关键节点，DeepSeek系列大模型凭借其强大的功能和广泛的应用前景，迅速在金融行业走红。银行、证券、保险等金融机构纷纷接入该大模型，以提升自身的数字化水平和服务效率。
然而，随着应用场景的不断拓展，大模型的局限性也逐渐暴露。AI大模型的“幻觉”现象，即生成的信息与实际情况不符或缺乏可靠依据，正引发行业的高度关注。大模型在一些关键业务环节的表现并不如预期，甚至需要大量人工干预来保证结果的可靠性。
尽管如此，金融机构在金融科技领域的投入仍在持续增加。据Wind数据统计，2024年国有六大行在金融科技领域的投入合计达到1254.59亿元，较上年末增长约2%。然而，部分银行的投入并未获得预期回报，出现了“高投入、低产出”的现状，这成为金融机构面临的重大挑战。
大模型在金融领域“狂飙”
DeepSeek系列大模型在春节前后迅速走红，银行等金融机构纷纷接入该大模型，以提升自身的数字化水平和服务效率。DeepSeek大模型的接入已成为今年金融领域一个无法回避的热门话题。
如在近期举行的2024年业绩发布会上，多家商业银行已表示，DeepSeek大模型已成功部署并运行于行内系统，广泛应用于智慧办公、智慧营销等场景，取得了显著成效。
在谈及人工智能模型部署时，工商银行副行长张守川表示，近期工行已率先实现DeepSeek大模型的私有化部署，并成功融入“工银智涌”大模型矩阵体系，进一步拓展了工行新质生产力的布局。
农业银行也在积极推进相关工作。据农业银行行长王志恒介绍，该行已成功完成DeepSeek全系列大模型的行内部署与运行，并在智慧办公、智慧营销等多个领域进行了深度应用，目前应用效果显著。
国有大行在积极推进的同时，股份制银行和城商行也在加速引入DeepSeek。招商银行首席信息官周天虹表示：“招商银行高度重视大模型技术。DeepSeek的R1和V3模型推出后不久，我们就在招行的私有云环境中完成了全尺寸模型的部署，并且构建了模型的后训练能力，能够针对金融场景的特殊需求对模型进行微调。”
在数字化浪潮席卷金融行业的背景下，金融机构的数字化转型已不再是选择题，而是关乎生存与发展的必答题和抢答题。招联首席研究员、上海金融与发展实验室副主任董希淼表示，金融机构若想在数字金融领域实现突破，必须深度运用以大模型为代表的生成式人工智能（GAI）技术，将其作为推动数字化转型的核心引擎。
“幻觉”问题频现
随着人工智能技术在金融领域的深度渗透，AI大模型的“幻觉”现象正引发行业的高度关注。所谓“幻觉”，是指AI大模型生成的信息与实际情况不符，或者缺乏可靠依据。在金融领域，这种现象可能导致严重的误导性信息传播，进而引发潜在风险。
而从学术界的分析来看，这种“幻觉”现象的成因更为复杂。清华大学计算机科学与技术系教授孙茂松指出，虽然生成式人工智能在生成连贯流畅的文本方面表现出色，但由于其缺乏真正的理解能力，当面对数据不足或信息模糊的情况时，很容易生成不准确甚至虚假的内容。这种“幻觉”现象在对精度要求较高的任务中可能会带来严重的限制。
为应对这一挑战，金融机构和科技企业正在积极探索解决方案。据了解，目前，金融领域的解决方案主要围绕RAG（搜索增强生成）、高质量指令参数数据集、结合格式化数据和计算能力进行优化。其中，RAG技术被认为是提升大模型准确性的有效手段之一。
“RAG技术可以通过改变提示的方式，有效提高回答的准确性。”华院计算董事长宣晓华表示，大模型主要依赖归纳法进行学习和生成，在微调阶段，如果使用高质量的数据集，且该数据集能够全面覆盖所属领域的各个方面，那么大模型的可靠性也会得到显著提升。
此外，定制化训练与场景优化也是金融机构在去“幻觉”化中常用的办法。金融机构通过定制化训练，针对特定业务场景优化AI模型。例如，宁波银行接入DeepSeek大模型后，通过业务人员的微调训练和专业语料库支持，尝试降低“幻觉”问题。富国基金则通过将大语言模型应用于量化投资决策，利用情绪因子等技术提升业务效率。
人工智能仍靠“人工”
尽管AI大模型在金融行业被寄予厚望，但“幻觉”现象的存在使其实际应用效果与预期仍存在显著差距。随着应用场景的不断拓展，大模型应用的局限性也逐渐暴露，往往需要大量人工干预来保证结果的可靠性。
从金融机构内部员工的实际反馈来看，某大型银行内部员工表示，AI系统在实际业务操作中生成的内容往往需要大量的人工校对与调整。特别是在一些关键业务环节，AI的处理结果甚至不如人工操作来得精准可靠。
在银行业务流程中，大模型的应用也面临类似的困境。某股份制银行的科技部门负责人表示，目前银行的业务主线流程中，大模型的切入还比较有限，主要集中在所谓的“边缘业务”。
在具体的业务场景中，这种局限性表现得尤为明显。比如，在辅助合同审核方面，尽管不少金融机构已经引入了AI大模型，但目前准确性欠佳。许多银行虽然优化了柜面流程，但由于机器的准确度不够，人工还需要再检查一遍，并没有达到省事的效果。
在授信流程中，大模型的应用也未能达到预期效果。一位股份制银行授信部门员工表示：“大模型生成的尽调报告内容不完整，数据表格也经常出错，我们只能当作参考，大部分工作还是要自己来。”
然而，从上市银行的年报数据来看，金融机构在金融科技领域的投入却持续增加且投入巨大。据Wind数据统计，国有六大行2024年在该领域投入合计达到1254.59亿元，较上年末增长约2%。
股份制银行金融科技投入额度也不容小觑。其中，招商银行、中信银行的金融科技投入分别为133.5亿元、109.45亿元，均超过百亿元。中小银行也在积极布局，以重庆银行为例，其科技投入总额达到5.74亿元，同比增长高达20%。常熟银行在金融科技领域的投入金额达到了3.85亿元，相较于去年增长了27.65%。
从实际运行结果来看，部分银行的投入并未获得预期回报。某股份制银行员工透露，该行此前斥巨资打造AI系统，但运行结果不尽如人意。“我们投入了大量资源，但实际收益却微乎其微。”
这种“高投入、低产出”的现状，成为金融机构面临的重大挑战。在成本方面，不少银行科技部门引入大模型的投入巨大，无论是服务采买还是运行所需的硬件资源，都是一笔不小的开支，但效益难以量化。
在中国工商银行首席技术官吕仲涛看来，AI未来可期，但也并非万能。尽管大模型在金融行业应用潜力巨大，但也面临现实挑战，在拥抱机遇的同时，金融行业必须积极应对AI技术带来的新挑战。
据了解，金融机构正通过技术创新，努力提升业务效率，优化用户体验，并探索差异化、特色化的发展路径。例如，某银行消费金融中心通过引入视频作业机器人，已实现90%的贷款面签业务远程办理，年放款金额超过350亿元。业内人士表示，这种技术应用不仅提升了业务效率，还显著降低了运营成本，为金融机构的智能化升级提供了有力支持。 陈君君
2025年被视为AI技术普及与行业融合的关键节点，DeepSeek系列大模型凭借其强大的功能和广泛的应用前景，迅速在金融行业走红。银行、证券、保险等金融机构纷纷接入该大模型，以提升自身的数字化水平和服务效率。
然而，随着应用场景的不断拓展，大模型的局限性也逐渐暴露。AI大模型的“幻觉”现象，即生成的信息与实际情况不符或缺乏可靠依据，正引发行业的高度关注。大模型在一些关键业务环节的表现并不如预期，甚至需要大量人工干预来保证结果的可靠性。
尽管如此，金融机构在金融科技领域的投入仍在持续增加。据Wind数据统计，2024年国有六大行在金融科技领域的投入合计达到1254.59亿元，较上年末增长约2%。然而，部分银行的投入并未获得预期回报，出现了“高投入、低产出”的现状，这成为金融机构面临的重大挑战。
大模型在金融领域“狂飙”
DeepSeek系列大模型在春节前后迅速走红，银行等金融机构纷纷接入该大模型，以提升自身的数字化水平和服务效率。DeepSeek大模型的接入已成为今年金融领域一个无法回避的热门话题。
如在近期举行的2024年业绩发布会上，多家商业银行已表示，DeepSeek大模型已成功部署并运行于行内系统，广泛应用于智慧办公、智慧营销等场景，取得了显著成效。
在谈及人工智能模型部署时，工商银行副行长张守川表示，近期工行已率先实现DeepSeek大模型的私有化部署，并成功融入“工银智涌”大模型矩阵体系，进一步拓展了工行新质生产力的布局。
农业银行也在积极推进相关工作。据农业银行行长王志恒介绍，该行已成功完成DeepSeek全系列大模型的行内部署与运行，并在智慧办公、智慧营销等多个领域进行了深度应用，目前应用效果显著。
国有大行在积极推进的同时，股份制银行和城商行也在加速引入DeepSeek。招商银行首席信息官周天虹表示：“招商银行高度重视大模型技术。DeepSeek的R1和V3模型推出后不久，我们就在招行的私有云环境中完成了全尺寸模型的部署，并且构建了模型的后训练能力，能够针对金融场景的特殊需求对模型进行微调。”
在数字化浪潮席卷金融行业的背景下，金融机构的数字化转型已不再是选择题，而是关乎生存与发展的必答题和抢答题。招联首席研究员、上海金融与发展实验室副主任董希淼表示，金融机构若想在数字金融领域实现突破，必须深度运用以大模型为代表的生成式人工智能（GAI）技术，将其作为推动数字化转型的核心引擎。
“幻觉”问题频现
随着人工智能技术在金融领域的深度渗透，AI大模型的“幻觉”现象正引发行业的高度关注。所谓“幻觉”，是指AI大模型生成的信息与实际情况不符，或者缺乏可靠依据。在金融领域，这种现象可能导致严重的误导性信息传播，进而引发潜在风险。
而从学术界的分析来看，这种“幻觉”现象的成因更为复杂。清华大学计算机科学与技术系教授孙茂松指出，虽然生成式人工智能在生成连贯流畅的文本方面表现出色，但由于其缺乏真正的理解能力，当面对数据不足或信息模糊的情况时，很容易生成不准确甚至虚假的内容。这种“幻觉”现象在对精度要求较高的任务中可能会带来严重的限制。
为应对这一挑战，金融机构和科技企业正在积极探索解决方案。据了解，目前，金融领域的解决方案主要围绕RAG（搜索增强生成）、高质量指令参数数据集、结合格式化数据和计算能力进行优化。其中，RAG技术被认为是提升大模型准确性的有效手段之一。
“RAG技术可以通过改变提示的方式，有效提高回答的准确性。”华院计算董事长宣晓华表示，大模型主要依赖归纳法进行学习和生成，在微调阶段，如果使用高质量的数据集，且该数据集能够全面覆盖所属领域的各个方面，那么大模型的可靠性也会得到显著提升。
此外，定制化训练与场景优化也是金融机构在去“幻觉”化中常用的办法。金融机构通过定制化训练，针对特定业务场景优化AI模型。例如，宁波银行接入DeepSeek大模型后，通过业务人员的微调训练和专业语料库支持，尝试降低“幻觉”问题。富国基金则通过将大语言模型应用于量化投资决策，利用情绪因子等技术提升业务效率。
人工智能仍靠“人工”
尽管AI大模型在金融行业被寄予厚望，但“幻觉”现象的存在使其实际应用效果与预期仍存在显著差距。随着应用场景的不断拓展，大模型应用的局限性也逐渐暴露，往往需要大量人工干预来保证结果的可靠性。
从金融机构内部员工的实际反馈来看，某大型银行内部员工表示，AI系统在实际业务操作中生成的内容往往需要大量的人工校对与调整。特别是在一些关键业务环节，AI的处理结果甚至不如人工操作来得精准可靠。
在银行业务流程中，大模型的应用也面临类似的困境。某股份制银行的科技部门负责人表示，目前银行的业务主线流程中，大模型的切入还比较有限，主要集中在所谓的“边缘业务”。
在具体的业务场景中，这种局限性表现得尤为明显。比如，在辅助合同审核方面，尽管不少金融机构已经引入了AI大模型，但目前准确性欠佳。许多银行虽然优化了柜面流程，但由于机器的准确度不够，人工还需要再检查一遍，并没有达到省事的效果。
在授信流程中，大模型的应用也未能达到预期效果。一位股份制银行授信部门员工表示：“大模型生成的尽调报告内容不完整，数据表格也经常出错，我们只能当作参考，大部分工作还是要自己来。”
然而，从上市银行的年报数据来看，金融机构在金融科技领域的投入却持续增加且投入巨大。据Wind数据统计，国有六大行2024年在该领域投入合计达到1254.59亿元，较上年末增长约2%。
股份制银行金融科技投入额度也不容小觑。其中，招商银行、中信银行的金融科技投入分别为133.5亿元、109.45亿元，均超过百亿元。中小银行也在积极布局，以重庆银行为例，其科技投入总额达到5.74亿元，同比增长高达20%。常熟银行在金融科技领域的投入金额达到了3.85亿元，相较于去年增长了27.65%。
从实际运行结果来看，部分银行的投入并未获得预期回报。某股份制银行员工透露，该行此前斥巨资打造AI系统，但运行结果不尽如人意。“我们投入了大量资源，但实际收益却微乎其微。”
这种“高投入、低产出”的现状，成为金融机构面临的重大挑战。在成本方面，不少银行科技部门引入大模型的投入巨大，无论是服务采买还是运行所需的硬件资源，都是一笔不小的开支，但效益难以量化。
在中国工商银行首席技术官吕仲涛看来，AI未来可期，但也并非万能。尽管大模型在金融行业应用潜力巨大，但也面临现实挑战，在拥抱机遇的同时，金融行业必须积极应对AI技术带来的新挑战。
据了解，金融机构正通过技术创新，努力提升业务效率，优化用户体验，并探索差异化、特色化的发展路径。例如，某银行消费金融中心通过引入视频作业机器人，已实现90%的贷款面签业务远程办理，年放款金额超过350亿元。业内人士表示，这种技术应用不仅提升了业务效率，还显著降低了运营成本，为金融机构的智能化升级提供了有力支持。 陈君君
