金融智能體走向規模化應用 仍有四項“基本功”不足

21世紀經濟報道記者李覽青、吳霜 上海報道

一年一度的世界人工智能大會（WAIC）即將落下帷幕，今年，無論是逛展還是旁聽論壇，觀衆的感受都是：AI越來越務實了。

金融行業也不例外。在位於上海浦東的世博展覽館中，21世紀經濟報道記者走訪了交通銀行、農業銀行、上海銀行、螞蟻集團、中電金信等展商的展位發現，人工智能已經開始釋放數字勞動力、重構金融業務交互方式。

以近兩年最火熱的AI應用——智能體爲例，在2024WAIC期間，業內人士仍將金融智能體看作“校園優等生”，一年之後的現在，部分科技廠商在金融領域的智能體應用解決方案已超過100個。不僅如此，從落地場景來看，金融智能體也從對客輔助工具的“單點嘗試”走向授信決策等核心業務場景，逐步實現規模化應用。

在多位從業人士看來，原本就根植於應用場景、爲解決實際業務問題而生的金融智能體，將在大模型驅動下實現金融業務流程的重塑，整合軟件能力、專家經驗、決策路徑，從而提升業務效率、激活數據價值。

金融智能體應用拓寬拓深

“今年我參加WAIC最大的感觸是，與去年相比，無論是從深度還是廣度上，AI應用都產生了非常大的變化，如雨後春筍般涌現。”在展位上，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。

金融智能體的應用也在拓寬、拓深，這既體現在落地場景數量的增長方面，也體現在對業務效率的提升方面，甚至開始對服務模式產生變革。

“智能體的價值不在於解決1000個淺層問題，而在於攻克1個行業的深層痛點，智能體要圍繞場景出發，要深入企業的業務場景，將專業領域知識的價值最大化，這纔是產業落地的關鍵。”螞蟻數科CEO趙聞飆在論壇發言中表示，數字化程度最高、數據密度最大、AI應用場景最豐富的金融業應當是AI率先落地應用的絕佳行業。

安永亞太區金融科技與創新首席合夥人忻怡告訴記者，目前不同金融子行業的智能體應用探索方向有所差異，但都已從概念驗證走向規模化應用。如頭部銀行已實現“通用大模型+垂類模型+智能體”的技術架構落地；證券業頭部券商推出多款AI應用產品並投入實戰場景；保險業着力推進智能理賠體系建設。

記者在展區探展瞭解到，太保集團在保險業務核心環節全面推進數字勞動力建設，優化成本結構，目前已上線的典型數字勞動力包括健康險理賠審覈、審計數字員工、產險在線理賠助手、壽險金牌講師等等。在螞蟻集團的展區，也展示了財富、保險、投研、風控等核心金融場景生產環境的智能體demo。在財富管理方面，盈米基金上線了“個人基金理財助手”“持倉診斷”“基金深度分析”“基金對比” 等一系列金融智能體應用。

在應用深度上，金融智能體開始在重要核心場景上大展身手。

以授信決策場景爲例，奇富科技首席算法科學家費浩峻向記者透露，該公司搭建了授信決策智能體系統。他表示，“超級智能體”與傳統風控系統相比有三個優勢，從範圍上來看，智能體系統涉及整個信貸業務的全流程，而不僅僅是風控場景；從能力值來看，智能體系統是“類人”操作，根據模型判斷再進行編排決策，而傳統的風控系統僅需遵循固定的工作流程；從系統本身構成來看，傳統風控模式可以理解爲“軟件能力+大數據能力+小模型風險策略”的耦合系統，而智能體是以大模型爲驅動，基於學習過去無數專家經驗和決策路徑，融合上述三個部分，減少人爲決策，更懂金融業務與金融場景。

與此同時，金融業務的交互模式已經發生變革。

記者注意到，今年上海銀行在展位上首次發佈以“對話即服務”爲核心的AI手機銀行。打開手機銀行App，用戶無需在複雜的菜單欄中尋找功能，只要通過文字或語音在對話框中輸入需求，AI可以快速響應並完成業務辦理，覆蓋轉賬還款、理財諮詢、養老金管理等十餘項高頻交易。在現場演示中，有觀衆提出“有什麼理財產品可以投資一下”，AI通過分析用戶資產負債、現金流、風險偏好等信息，迅速從數百餘款理財產品中選取出了幾款。當進一步詢問產品的風險、週期等問題時，AI手機銀行也可以瞬時給出專業解讀，操作流暢度堪比與專業銀行顧問面對面交流。

上海銀行這一應用背後有螞蟻數科的身影。趙聞飆表示：“以‘對話即服務’取代傳統點選，更深層的意義在於，它重塑了服務本質，尤其在適老化領域，通過AI實現了服務的‘擬人化’，實現從‘人找服務’到‘服務找人’的突破性轉型。”

專業“基本功”問題猶存

儘管金融智能體已實現規模化落地應用，但要讓“專業的模型幹專業的事兒”，仍需要專業領域的“基本功”。

最首要的問題大模型幻覺猶存。費浩峻坦言，目前在一些場景下，智能體還是存在指令遵循不準確的問題，有時會產生幻覺，但如果人工通過技術手段干預幻覺問題，又有可能導致智能體的“智力”受到約束。況文川也表示，金融這一關鍵行業高度依賴於系統的自動化、精準化能力，大模型的幻覺問題、輸出穩定性問題、過程可解釋性問題，將成爲智能體等AI落地應用的最大挑戰。忻怡告訴記者，未來兩年內，金融垂類大模型的落地應用，首先要解決幻覺問題.

第二大問題在於碎片化的金融知識亟待整合。況文川告訴記者，專業模型的基礎是行業高質量數據集，他指出：“這是一項基礎性的工作，需要長期、耐心的投入，也需要很大的資金投入。”

記者瞭解到，專業大模型需要對行業知識進行系統化的學習，其關鍵在於一個科學、專業的任務數據體系作爲“課程大綱”，基於金融任務體系框架，還需要真實業務場景的數據，經過嚴格的質量評估、可信數據合成和CoT數據精標鏈路，才能形成可用於訓練專業模型的數據集。

第三大問題在於部分金融機構缺乏將業務需求、算力、模型、數據、知識庫、應用等一系列協同的工程化實踐能力。“現在市面上很多公司說是在做AI、做智能體，其實只是在原有算法基礎上做了重新再包裝，並不能基於AI的方法論做業務場景的重構。”某科技公司商業化團隊負責人告訴記者，這個問題主要出現在“基於場景切入的AI應用”上，他認爲，真正實現AI落地應用離不開全系統協同的工程化能力。

第四大問題在於衡量智能體落地應用的實效。費浩峻表示，在框架層面需要一個開放透明的評估體系，在智能體應用層面需要將衆多信息還原成可以評估的數據指標，才能實現智能體的準確度評估，這是一大難點。

這主要源於大模型的“成長飛輪”發展邏輯。所謂“成長飛輪”，簡而言之就是通過不斷使用、迭代訓練，使得模型自身“轉起來”，實現“越用越聰明”的應用能力增長。然而，如果在數據質量、安全底線等方面出現問題，可能會讓“飛輪”終止運轉。

因此，通過評測實時評估智能體迭代成長的能力水平，成爲關鍵。“在軟件工程時代，以質量評估爲代表的評測是最後一環的風險攔截，但AI時代的評測將成爲整個智能體迭代成長的起點。”前述科技公司商業化負責人表示。