金融业大模型突破试验期，2025年将成商业化落地关键年

（编辑 张琼）7月27日，2025国际货币论坛在中国人民大学成功举办。主题论坛四“金融大模型创新与应用闭门研讨会”由中国人民大学国际货币研究所与金融科技50人论坛联合主办，腾讯研究院与中国人民大学金融科技研究所共同协办。来自行业协会、顶尖高校、重要金融机构及领先科技企业的专家学者围绕“金融大模型的创新路径、应用挑战及未来趋势”展开了深度研讨。

会议第一部分，由国家金融与发展实验室副主任杨涛，腾讯研究院副院长杜晓宇作开场致辞，会议由中国人民大学财政金融学院教授郭彪主持。

主持人 郭 彪 中国人民大学财政金融学院教授

杨 涛 国家金融与发展实验室副主任

杜晓宇 腾讯研究院副院长

国家金融与发展实验室副主任杨涛指出，过去一年来，大模型都是政策、学术、行业交流的关注重点。2025年7月23日，美国白宫发布了《赢得竞赛：美国人工智能行动计划》，该法案的推出显示出美国在推动人工智能发展上的决心。一是旗帜鲜明地表示要快速推动人工智能在各个领域的创新发展；二是坚定不移地完善人工智能相关重要基础设施和产业支撑；三是试图在国际AI外交和安全中，进一步发挥主导性。人工智能时代对经济社会冲击与影响毋庸置疑，但如何更好地将人工智能和金融领域更好契合，成为当前各方关注的重点。

第一，在宏观层面上，需要围绕“防风险、强监管、促发展”这一核心的金融发展思路。 围绕过去发布的一系列重要精神，今年许多部门在此基础上进一步调整为“防风险、强监管、促高质量发展”，这构成了未来一段时间我国金融发展、实现高质量服务实体经济与自身发展相平衡的重要逻辑。由此，人工智能大模型的发展如何与这一核心精神有效结合，成为最重要的顶层设计思考点。

第二，在中观层面上，行业要围绕宏观层面关注的重点展开工作。 在防风险的视角下，一方面，要有效防范人工智能金融应用中可能出现的新型风险挑战。例如高度关注大模型算法的可解释性问题，对于大模型在不同金融产品中的应用，分层分类考虑可解释性问题。另一方面，要更好地将人工智能大模型的新技术应用到风控中，在智能风控等核心业务领域识别、控制和应对风险。

在强监管的视角下，核心抓手需要从现场监管向算法监管转变。这一过程中，人工智能大模型对于监管科技、监管数字化转型的提升具有重大的促进作用。

在促高质量发展的视角下，一方面，在行业供给侧，如银行业净息差不断下行，普遍面临资产负债管理压力大等问题。金融业可以通过人工智能大模型提升边际效率、降低成本、改善流程，以此提升可持续发展能力。另一方面，在需求侧，金融业面临如何更好服务实体经济的问题。大模型的应用与迭代，对做好金融五篇大文章而言至关重要。

第三，在微观层面，关注大模型“三驾马车”的形成。 一是生成式大模型从仅限于内容生成逐渐拓展到多模态的形式中。二是Agent智能体成为大模型落地的一个重要载体，从过去的对话机器人向自动的任务执行者转变。三是MCP通过协议标准化，实现大模型工程化、生态化的进一步互联互通与落地。在三驾马车的推动下，相信大模型在金融领域应用中的机遇大于挑战。

会议第二部分是研究报告发布环节，腾讯研究院联合毕马威介绍了《2025金融业大模型应用报告：体系落地，价值共生》的核心研究成果，毕马威专家对报告进行导读。

柳晓光 毕马威变革咨询数字化转型业务牵头人

报告指出，基于对多家金融机构的深度调研及行业实践案例分析，经过近两年的实践，金融业的大模型应用已从“为了AI而AI”的技术验证阶段转向以商业价值为导向的“体系化深耕”。一个显著的变化是，投入产出比已超越技术先进性，成为机构应用大模型的核心衡量标准。

报告进一步揭示，大模型的应用正呈现两大趋势：一是从内部提效向核心创收领域加速转移，在智能理财助理、财富管理、保险代理人等客户触达场景已率先突破；二是从单纯的效率工具向深度参与决策的协作伙伴升级，智能体（Agent）为代表的应用新形态正在重构投研等领域的人机协作模式，展现出重塑行业的巨大潜力。

全球大模型发展已不再是单一的技术竞赛，而是呈现出技术迭代、资源升级、价值深化与生态竞合交织的复杂格局。面对这一趋势，金融机构在拥抱技术红利的同时，也面临着高价值数据资源碎片化、战略规划与价值导向不清晰、技术迭代对组织和人才升级需求迫切等多重挑战。为应对这些挑战，构建“数据、技术、应用、组织”四位一体的能力框架，将成为金融机构在未来人工智能范式革命中赢得先机的关键。

最后，大模型正在从根本上重塑金融业的生产力。它不仅是将金融从业者从重复性劳动中解放出来的高效工具，更是推动组织创新、促使员工角色向更具创造性与战略性方向转型的催化剂。AI与人类专业能力的深度融合，将加速催生行业对复合型、创新型金融人才的需求。这场由AI驱动的变革，最终将推动金融服务走向更加普惠、智能与个性化，引领行业迈向更高质量发展的新阶段。

会议第三部分，邀请到中国精算师协会会长王和，中国金融传媒集团特聘高级专家、中银协原首席信息官高峰，中国人民大学社会科学高等研究院（深圳）执行院长、国际货币研究所副所长宋科对报告做专业点评。

王 和 中国精算师协会会长

中国精算师协会会长王和围绕金融和大模型两个关键词展开分享。

一是用新的逻辑重识和理解金融业大模型的概念。传统金融保险业的基础环境特征是信息不对称，经营的底层逻辑是如何破解和管理信息不对称。然而，以大数据为代表的数字科技，将从根本上改变人类的认知能力，数据、算法、算力这三个核心因素将重塑人类的认识世界。在这一时代背景下，金融保险的风险管理需要重新思考行业存在的逻辑和依据。金融业大模型是一个技术概念，是一个商业概念，也是一个社会革命性的概念。它将对金融业参与主体的角色、功能、作用和定位产生颠覆，并重构一个全面合作的商业模式。对于消费者而言，需要考虑如何积极参与到金融活动中去；对金融机构而言，需要思考如何发挥平台和专业优势。金融要更多地回归个体和时间上的互助功能，通过金融平台实现专业化的社会服务，满足消费者需求。

二是金融大模型的应用要高度关注企业、行业、社会利益的平衡。当前对于大数据的考虑，更多是基于企业视角，关注的是应用大模型带来的收益。然而，金融行业是一个准公共行业，消费者相较于金融机构而言处于弱势地位。因此，要高度关注技术良知，防止出现基于技术的弱肉强食。要高度重视并充分考虑金融大模型的消费者应用情况。一方面，要通过金融大模型向消费者赋能，为金融市场的公平正义提供技术保障。另一方面，要高度重视大模型技术的趋势和前沿，以行业大局的高度和觉悟全面整合行业力量。尤其是在数据共享和技术创新上，要尽快打通行业间、机构之间的的壁垒。

三是就保险业而言，要从传统的等量管理向减量管理转变。金融业要通过技术创新为社会提供更加全面、高效和公平的服务，从根本上改变传统商业模式，实现价值转移到价值创造。而具体到保险业的实践，目前最重要的是从等量管理走向减量管理。关键是发挥大模型技术等科技的作用，为客户和社会提供更专业的服务和价值！

高 峰 中国金融传媒集团特聘高级专家、

中银协原首席信息官

中国金融传媒集团特聘高级专家、中银协原首席信息官高峰围绕大模型在金融业应用的发展趋势和面临的挑战展开分享。

第一，在大模型应用的“三座大山”中，数据是目前面临的最大挑战。在算力上，自DeepSeek技术普惠化以来，通过MoE这种混合架构让人们看到了希望；在算法上，我国的通义、火山引擎、讯飞等可与国际上的大模型算法媲美。然而在数据的治理上，已经阻碍了数字化转型的成效。目前，各行业都在做数据治理的“回头看”工作，如借力“AI for Data”的助力数据治理工作，更有利于未来的“Data for AI”。在数据治理的工作中，尤其要关注公共数据在大模型中的应用。

第二，未来银行业可能要走“开源+闭源”结合的道路。目前，金融业的大模型应用呈现“大行遥遥领先，中小银行紧紧跟随”的态势，这势必带来银行业的“马太效应”。大行树立标杆，而中小银行也要寻求生态合作的机会，中小银行要利用好开源生态的合作机会。

第三，要在大模型驱动中选择合适的场景应用。一是场景要有选择性，从边缘的、非金融的场景，向金融的核心场景进军，从后台、中台向前台蔓延。二是在当前监管尚不明确的情况下，在涉及到大模型与客户的接触上要谨慎，避免涉及到消费者权益保护方面的问题。三是Agent智能体的使用可能缓解大模型的幻觉问题，未来银行业竞争可能围绕多个Agent的部署情况展开。

第四，大模型的选型和使用评价问题。要注意大模型和小模型的协同，判断式和生成式AI的结合。中小银行大模型应用一定是轻量化的，通过大模型的训练后形成的小模型，再与客户进行交互。从目前的实践来看，金融行业很难有通用大模型，未来还是要在垂直领域寻求重点突破。

第五，技术成熟度和幻觉的问题。对于大模型的应用，考虑到金融行业的特殊性，需要在人机协同的必要环节上进行人工干预，但也无需过担心模型的幻觉和准确性问题。因为大模型对于大语言的理解能力要比人类优越，因此犯错率也会低于人类。

第六，在AI与金融的关系中，人类的角色正在悄悄转变。这带来了三个新的风险点。一是身份认证已经被击穿，模拟人时代的到来使得安全认证变得更加困难。二是个性化的模型可能反过来操纵人类，AI鸿沟必须用AI向善来解决。三是大模型的黑匣子将永远存在。大模型在金融领域的百分之百应用是几乎不可能的，因此要有选择地使用大模型。

宋 科 中国人民大学社会科学高等研究院（深圳）

执行院长、国际货币研究所副所长

中国人民大学社会科学高等研究院（深圳）执行院长、国际货币研究所副所长宋科就金融大模型应用存在的问题提出思考。

第一，金融大模型能否真正改变金融功能。目前，金融大模型已经开始更好地应用到更广泛的领域，通过降低成本和提升效率在非金融决策层面发挥越来越大的作用。但是能否真正触及深层次的资源配置、风险管理、交易结算、价格信息、激励机制、资本分割等金融功能值得关注。从互联网金融时代开始，金融科技革命是否与传统金融更相关、是否更触及支付清算体系，决定其是否更有关注度和更具革命性。例如，稳定币作为传统金融和未来链上金融RWA体系的媒介，是加密市场与传统金融的融合。如果允许流动性创造，则会出现非狭义银行概念，重新构造出一个新的宏观金融体系，而这必然带来传统金融和新兴金融的监管博弈和均衡问题。同理，大模型应用如果触及到了底层的金融功能，则也可能形成对现有宏观金融体系的强大冲击。

第二，金融大模型能否更好发挥数据要素功能。一是要做好数据确权，在此基础上要让大模型更好地深入私域数据，从各个垂直领域的大数据中得到有效补充。二是数据要素对于宏观经济增长尤其重要。数据要素存在复杂的外部性、非排他性、以及低成本可复制性等特征，可以实现规模报酬递增，一定程度上突破增长极限。未来要更好地拓展大模型应用，将大数据的价值功能发挥到最大。

第三，金融大模型能否改变金融人才培养模式。未来的金融科技人才培养，尤其是大模型、大数据驱动下的金融科技人才培养，需要更多基于技术驱动，而不是金融与科技的简单融合。这需要在培养理念、培养方案和培养模式上进行大调整。

在行业交流环节，来自中国信通院规划所人工智能研究中心主任王强，中国人民大学深圳金融高等研究院副院长邱志刚，中金公司研究部执行总经理姚泽宇，光大科技有限公司大数据部副总经理田江，北京立言金融与发展研究院党支部书记李晶围绕不同维度分享了深刻见解。

王 强 中国信通院规划所人工智能研究中心主任

中国信通院产业规划所人工智能研究中心主任王强围绕人工智能技术创新与融合赋能的最新态势，以及西城区加速推进人工智能赋能金融的相关工作展开分享。

首先是人工智能的技术创新态势， 围绕算法升级、算力扩展、数据演进等内容展开。

一是模型算法演进的新态势。“十四五”期间，国内外推进了以Transformer架构为代表的大模型的创新。国际上，OpenAI推出的GPT系列和o系列，Meta推出了开源大模型的代表Llama系列；国内的DeepSeek-V3、R1在国内外掀起了很大的影响。从目前阶段看，大模型是各方主体推进人工智能创新及应用的主要的技术路线。从2022年到2023年，主要以规模定律Scaling Law作为大模型演进的核心逻辑，推进算力资源的堆叠以及训练数据量的堆叠，提升算法模型的性能。但从2024年下半年以来，Scaling Law开始降速。国内相关主体在推进算法和算力协同创新过程中开始出现自己的核心能力，降低大模型训练成本。

二是智能算力发展与时俱进，为大模型应用布局打下基础。智能算力布局有三个层级，包括智算加速卡、智算服务器、智算集群。从大模型的演进来看，智能算力的整体拓展态势向推理侧演进，地方政府和互联网大厂都在积极关注推理领域的智算设施的科学布局和能力提升。

三是数据在大模型演进中起到重要作用。目前业界已达成共识，数据将成为未来人工智能大模型竞争的关键要素，国家也高度重视数据在数字经济、人工智能发展中的关键作用。然而，大模型训练过程中存在数据源越来越少的问题。在“数据墙”的态势下，国内推进数据支撑人工智能的发展有三个主要的路径和趋势选择。包括激活行业领域的沉睡数据；发展合成数据；推进数据的精标，在现有数据标注基础上推进行业领域高价值数据标准。

其次是从产业发展的角度， “十四五”以来人工智能产业链和产业生态日益成熟。在产业链层面形成了以基础软硬件构成根系、大模型作为主干、智能工具和产品枝繁叶茂的新生态。同时分享了DeepSeek的意义价值。DeepSeek有三个较为突出的特征，包括模型能力较强；训练和推理成本低；开源社区路线使其迅速占领市场。DeepSeek对行业影响有三点。一是在技术架构层面推动了大模型从高门槛走向普惠；二是对开源生态的建立，加速了人工智能的应用深度融合；三是打破传统格局，激发新增长极。

第三是应用赋能方面， 目前国内外金融业主动拥抱大模型的路线，一种是在通用大模型的基础上加入金融语料进行训练；另一种是相关AI初创厂商直接推进金融垂类大模型的构建。目前，国内的AI+金融应用与国外存在差距。在应用深度上，还在向核心业务场景迈进；在应用广度上，仍处在局部场景优化的阶段。

最后是西城区正在推进的人工智能+金融的相关工作。 西城区有着极为丰富的金融领域应用场景，而且当前已布局一批有实力有影响力的金融科技主体，为西城区推进人工智能深度赋能金融奠定基础。下一步，西城区将重点打造国家级的AI+金融融合示范区，欢迎各方主体共谋发展。

邱志刚 中国人民大学深圳金融高等研究院副院长

中国人民大学深圳金融高等研究院副院长邱志刚从学术角度围绕数据信任展开分享。数据信任分为三个层级，第一层是收集和使用的信任，第二层是数据本身的信任，第三层是数据生成者的信任。

首先是数据和使用的信任。由于使用者在共享数据时，缺乏对于收集者的信任，Web2.0的数据量达到瓶颈。对此，可以通过合约来规范消费者平台的权利责任，以此增加使用者信任，获取更多数据。其次是数据本身的信任。数据本身带有幻觉，例如金融社交媒体会根据投资者过往的投资表现推送更多相关信息，这会进一步强化投资者情绪。尽管大语言模型的出现降低了数据生产成本，但也会产生更多低质量的数据，因此需要立法和规则加强数据治理。最后是数据生产者的信任。在一个社交平台上，数据往往是由极少数具有大的影响力的人所产生的。然而，这些极少数人的观点可能带有偏差和幻觉，尤其是为了吸引流量，关注一些带有彩票性质的高波动性、高风险的产品，会进一步带动市场的情绪。

毫无疑问地，未来人工智能的发展将会走入数字世界，但从经济学和金融学的角度来看，我们对数据的理解还远远不够。进入数据经济的关键在于技术的进步和法律、规则的制定，增强数据信任才能更好地帮助我们在数字时代中生存。

姚泽宇 中金公司研究部执行总经理

中金公司研究部执行总经理姚泽宇围绕AI大模型在金融行业的应用以及影响展开分享。

第一，大模型的出现为AI和金融的结合带来很大的空间。根据麦肯锡的测算，预计大模型为全球金融行业每年带来2500亿到4100亿美元的价值增量，对应9%到15%的营业利润的增厚。实际应用过程中，由于金融服务存在时效性强、精确度高、专业壁垒高等特点，而当前大模型在金融领域仍然存在一定的专业短板、难以理清较为复杂的金融逻辑，将大模型直接应用于相关专业任务的效果仍有待提升。所以目前，金融行业中的大模型应用更多是发挥其通用泛化能力优势，赋能基础业务环节和通用场景，比如交互对话、信息整理、内容生成等。

此外，大模型亦面临生成内容不可控（如“幻觉”）、可解释性差等问题，应用大模型直接进行决策判断的可行性较低，且传统AI在部分金融分析决策任务中的应用（如风控授信、理赔定价等）已较为普及和成熟，大模型替代传统AI的意义不大。

第二，大模型赋能金融行业应用的几个趋势。一是未来大模型与小模型或有更多协同，从而赋能更多金融业务场景。二是伴随大模型能力增强，其作为更多金融从业者Copilot的价值创造空间或将进一步打开。三是未来金融机构亦有望基于大模型发展AI Agent，进而简化、重塑展业方式，特别是AI和区块链应用的结合具有想象空间。

第三，大模型对财富及资产管理业务的赋能空间或最大。首先是需求侧，财富及资产管理领域的信息不对称程度较高、且决策流程更长，大模型能够有效帮助减少信息不对称、提升投资者决策质量。其次是渠道侧，财富及资产管理领域的服务周期长、服务频率高、供需匹配效率较低，大模型能够赋能展业人员提供更有温度的客户陪伴、以及更加专业的金融服务。最后是供给侧，相较于信贷、保险、支付领域在核心的定价、风控等决策环节主要应用确定性、高精度的传统AI模型完成相关工作，财富及资产管理领域的分析决策仍含有较多主观判断、且产品服务的不确定性较大，大模型能够助力为客户打造质量更高的金融产品服务。

第四，大模型应用对金融行业产生的影响。一是在服务范式方面，我们认为大模型在服务长尾客群方面有望产生较大影响，可能形成新的服务入口和超级应用，而在面向高净值客户及机构/企业客户服务商将更多是渐进式的提效赋能。二是在产业协作方面，科技公司和金融机构会形成一种“竞合”关系，头部大模型厂商会成为新型系统重要基础设施。三是在竞争格局方面，既存在“马太效应”、又存在“乘数效应”，在规模体量外，数字能力和金融专长也同样关键。

田 江 光大科技有限公司大数据部副总经理

光大科技有限公司大数据部副总经理田江以“金融行业大模型应用实践指南”为题展开分享。

首先，从数字化转型到AI原生金融。传统数字化转型本质上是效率的提升，并未触及金融服务的核心，而AI原生理念旨在实现从“为流程配备AI”到“围绕AI构建流程”的根本性转变，从而催生全新的商业模式。这一过程面临三个核心挑战。一是大模型高昂的实施成本带来的投入产出比困境；二是既懂金融又懂AI的复合型人才极度稀缺；三是推动组织文化、员工技能和业务流程再造的变革管理难度巨大。

其次，大模型技术应用的实践路径。一个企业如何做好大模型应用，可以按照以下逻辑进行。第一阶段通过混合云部署、“塑造者”策略和拥抱MaaS生态奠定技术基石。第二阶段分步实施，一是增强核心流程；二是快速制胜，选择一些低风险的内部项目快速展示价值，建立组织信心；三是战略性业务转型，应用于高价值、受监管的客户场景，实现业务创新和竞争优势。第三阶段是构建开放合作的AI应用生态。重点展示了光大科技在风险审批、财务管理、合规监控、软件研发、运营分析、内部办公、财富管理等场景中落地的技术应用，充分体现了大模型从工具赋能到智能体协同的深化过程。

最后，智能金融的未来。大模型正引领金融业进入人机协作的新浪潮，金融机构致力于构建与之匹配的技术平台与组织文化，不断提升金融服务效率和质量。对于金融科技企业，更要以大模型创新为契机，积极推动业务转型发展。在金融服务领域，立足垂直领域金融大模型，逐步重构智能风控与营销两大核心体系，并探索“模型即服务”的全新输出模式。在产融服务领域，构建面向特定行业的“产业智能体”，实现产业端与金融端的“双维智能”升级；并深度嵌入国家发展战略，探索“金融+科技+产业”驱动的业务创新。在产业服务领域，融合隐私计算等前沿技术，构建安全可信的共享决策模型，高效赋能整个产业生态。

李 晶 北京立言金融与发展研究院党支部书记

北京立言金融与发展研究院党支部书记李晶以“大模型和绿色金融的辨与不变”为题进行分享。

第一，当前国内绿色金融存在评估标准繁杂而界定不清的问题。一是标准繁多复杂，包括绿色信贷指引、绿色债券支持项目目录、企业环境的信息披露制度、企业环境的评价方法等。二是统计口径存在差异，不同的监管单位，甚至同一监管部门内的不同工作人员对政策解释和统计口径都存在不一致的情况。三是人工辨识具有主观性，人工辨“绿”存在个人理解和认知差异。

第二，大模型在绿色金融评估上的应用具有技术优势。大模型本质上依托于原有的知识基础，有两大核心应用场景。一是在涉及语言文字的业务上，二是在业务边界清晰的情况下最能发挥其价值。人工辨“绿”的挑战，恰是大模型可发挥技术优势的有利因素，各种认证标准框定了大模型的图谱和知识边界范围。例如，政府部门可以建立国际绿色金融大模型知识库，整合国际和国内绿色产业、金融知识库、政策文件、数据分析工具等，帮助金融机构分析判断。

第三，围绕当前新能源汽车产业的大模型应用有五大颠覆性能力创造。例如多模态感知、数字孪生、基于大模型的信用评估与风险管理、资产证券化、智能投顾等，通过大模型应用赋能新能源汽车产业健康可持续发展。

第四，大模型在金融ESG领域的应用具有更大的潜力。AI可助力企业碳排放数据的核查与管理，破解非结构化的信息难题。一是利用金融大模型处理非标准化的ESG报告文本和数据，将文本形式的政策措施转化为可分析形式。二是碳足迹追踪与分析，利用金融大数据模型追踪碳足迹，可精准评估制造业产业的排放情况。三是碳账户、绿色信贷和碳交易的应用与创新。例如，目前国内兴业银行在2023年打造双碳管理平台，围绕企业碳排放做了很多试点和应用。当然，新能源汽车在产业链条上还有许多问题亟需解决，还需要依赖金融大模型的发展与不断创新为绿色金融的长期发展提供更多分析和测算的技术能力。

在全球人工智能浪潮加速发展的背景下，尤其是我国将“人工智能+”提升至国家战略高度，金融行业正迎来由大模型技术驱动的深刻变革。随着大模型推进与发展，我们还将组织相关研讨与交流。

本文首发网《2025国际货币论坛》专题