金融業初試智能體：讓AI長出“腦、眼、四肢”

21世紀經濟報道記者李覽青 上海報道

在不久前落幕的國際金融展中，大模型是最熱的話題。其間舉辦的大模型金融應用及創新論壇，在9點正式開始前就座無虛席，記者用了一個半小時才從門口擠到站位的第一排。

“從2021年開始的AI時代，每一年都是一個元年。”有觀衆向記者表示，AI技術發展速度太快，作爲從業者必須及時跟上技術應用的腳步。

在被稱爲“智能體元年”的2025年，聚集了資金、人才、數字化基礎設施的金融行業成爲智能體落地應用的前沿“戰場”。

“金融業大模型應用將從以模型預訓練爲重心的上半場，走入以先驗知識+後訓練+智能體應用的下半場。”工商銀行首席技術官呂仲濤表示。

然而，這對金融機構自身的數字化基礎與工程能力都提出更高的要求，一方面“大模型上半場”的知識庫梳理、算力基礎設施建設、模型調優一個都不能少，另一方面，當智能體開始重塑組織架構與業務流程，金融機構需要在兼顧效率與安全的情況下，實現投入與產出的平衡。

“嚴格意義上的智能體需要具備自主規劃的能力，這是原生AI應用的基礎，在AI時代智能體真正要實現應用落地，將對工程化能力提出遠高於雲原生時代的要求。”中國電子首席科學家、中電金信研究院院長況文川向記者表示。

金融業初探智能體

“智能體元年”已經過半，金融行業的智能體落地應用成效初現。

記者梳理髮現，目前大型金融機構與中小金融機構的智能體應用程度有所差異。

以銀行業爲例，一方面，大型商業銀行越來越多地提及智能體（AI Agent）的實際應用，如建設銀行已經打造AI小諸葛智能體輔助客戶經理營銷服務，工商銀行提出要按照“一崗一助手、一人一分身”的智能體建設方案，構建端到端運行的一體化智能體應用生態。

另一方面，圍繞着智能體應用，中小銀行開始再造底層基礎設施。公開招標數據顯示，中原銀行、長沙銀行、青海省農商銀行今年開啓智能體應用開發平臺項目招標，通過集成檢索增強生成技術（RAG）、提示詞（Prompt）工程以及智能體創建等多樣化能力，打造大模型智能應用開發的標準化方案。

一家保險機構AI基礎設施負責人提到，去年受制於工具鏈、大模型能力等方面不足，智能體的構建還相對困難，但得益於今年模型水平與產業鏈的成熟，他們研發的“數字覈保員”智能體能力得到了非常大的提升。

他指出，目前在該公司智能體開發平臺上投入研發的智能體已超過100個，包括交互型智能體、作業型智能體等兩大類，其中交互型智能體有人工的參與能夠對偏差及時糾偏，從而實現輸出結果的穩定，但作業型智能體要直接給出覈保結論、理賠結論，對輸出結果的穩定性、準確度要求很高。

“就如微服務雖然帶來了靈活部署拼裝等架構優勢，但過度拆分微服務和API可能導致過多的服務調用，這會顯著影響交易的響應能力，而在金融實際場景中一些交易處理超過200毫秒會影響投產使用的。”況文川告訴記者，在當下，智能體的自主規劃能力能否成爲原生AI應用的基礎，是否會規模化替代現代應用中基於規則和代碼的硬編排方式，這些技術問題還處於概念驗證的初期階段，更考驗金融機構的工程化落地能力。

重構AI落地的“腦、眼、四肢”

在多位受訪人士看來，以智能體爲代表的AI應用落地，已經開始重構金融機構數字化轉型系統工程。

“我們在做AI應用落地的時候發現，人工智能時代的系統工程建設和過去互聯網時代的軟件工程建設是完全不同的。”螞蟻數科副總裁餘濱在接受記者採訪時指出，金融智能體建設不是單一的模型，而是一個“系統工程”。

餘濱認爲，金融智能體的落地過程中，結合金融機構內部經驗的金融大模型是“大腦”，實時感知專業知識、數據的金融知識庫是“眼睛”，能夠及時調用推動業務落地的金融工具集是“手腳”，在初步搭建智能體後，還必須通過相關評測來做“體檢”，確保金融智能體在安全合規的基礎上能夠穩定提高運作效率。

系統性工程也意味着，在搭建金融智能體的過程中，“腦、眼、四肢”一個也不能少，這對AI時代的基礎設施建設、數據能力發展、應用生產模式變革都提出新的要求。

基礎設施層面，況文川告訴記者，技術迭代已經從分佈式架構、雲原生階段發展到了數據、算力與模型融合的新階段，融合型基礎設施需要同時容納和調度面向關鍵任務和管理任務的通用算力，以及面向識別和生成式AI的智能算力。

以數據庫產品爲例，某中西部地區銀行金融科技部人士向記者表示，在過去的數據架構中，事務處理（TP）能力和實時分析處理（AP）能力是完全分離的，大數據分析往往是後臺系統的工作，要基於數據實現指標分析與產品反饋可能需要一整天時間。然而，在AI時代，要讓數據在第一時間最快地變成服務向客戶輸出，就需要通過HTAP一體化實現數據傳輸、分析效率的提升。

數據能力建設則是有兩個關鍵問題，一是金融機構是否建立起自身的金融知識庫，真正理解金融領域知識、標籤體系；二是金融機構如何對數據生產展開變革，來確保AI生成內容的安全可信。

況文川指出，數據生產鏈條過去更多考慮面向數據產品和數據資產，現在需要考慮到和AI模型能力的批量生產連接起來，因此對數據的規模、質量及其加工鏈條都提出了更高的要求。當AI模型的實現路徑越來越標準化，根本的挑戰在於如何組織企業內部大量的多模態數據，使其能夠被人工智能吸收並大規模使用，同時確保生成內容的正確、可信。

基於效果收費模式初現

在基礎設施與數據能力建設的同時，金融機構的AI應用生產模式已經發生變化。

記者注意到，AI應用生產模式的變革發生在組織架構、生產流程、交付模式等多個方面。

餘濱在螞蟻數科負責領導商業化團隊，他告訴記者，根據不同金融機構的資源稟賦與戰略決策，目前大模型在金融機構的落地路徑分爲四種類型：一是從技術基礎設施側構建大模型中臺從而賦能應用；二是以手機銀行爲載體，從移動金融服務端構建AI原生應用；三是從實際業務場景出發，如風控、理財、營銷等環節應用大模型提升效率；四是將大模型作爲全行1號工程進行重點部署，使大模型全面重構業務流程，打造智能體集羣，驅動業務創新與體驗升級。

對於“金融大模型落地是否應當是一把手工程”的疑問，螞蟻數科AI技術負責人章鵬認爲，產生實質性業務價值的大模型項目應當是一號位工程。“如果我們期待的是引入大模型技術，讓機構淺嘗輒止地有一些應用，那可以是技術驅動的。但如果真正要大模型落地產生價值，它一定要是從業務側發起的，可能會遇到一些阻力，所以這更需要通過一號位工程推動。”章鵬表示。

越來越多的金融機構建立了專門推動大模型落地應用的組織架構。

一家銀行數據團隊負責人表示，他所在機構已在科技側專門組建大模型建設的團隊，和業務部門進行對接，其中有兩個關鍵角色，一個是與業務端進行銜接的業務分析師（BA），負責將業務端提出的意向需求進一步細化；一個是提出解決方案的系統分析師（SA），負責將BA細化後的需求做可行性驗證，從而對業務端價值較高的項目進行落地實施。

況文川向記者表示，目前的應用生產模式已經從基本的代碼驅動發展爲“代碼+數據+智能驅動”。“要實現應用智能體的自適配、自適應、自擴展，應用本身的開發模式正在發生改變，未來也會對人才結構、組織架構和資源分配產生重大影響。”

事實上，需要全方位調動各個環節實現落地應用的智能體，比單項大模型技術應用還需要更高昂的投入，在這樣的背景下，已有按效果收費的“RAAS”模式出現。

餘濱告訴記者，在商業模式方面，目前螞蟻數科的金融智能體服務模式既可以支持私有化部署、SaaS訂閱服務，還可以支持基於效果計費的“RAAS”模式，對成熟度較高的產品基於可以預判的效果，與客戶形成商業解決方案的設計。