2025年上半年，伴隨DeepSeek-R1及V3.1等國產大模型的迭代推出，銀行業的AI應用正從局部試點邁向全面融合。多家上市銀行在半年度業績報告中披露了大模型建設的進展。
業內人士認為，在利率市場化深化、息差持續收窄的背景下，銀行業普遍將人工智能視為提升運營效率、優化客戶體驗及開拓新增長極的核心抓手，從“降本增效”工具邁向“收入驅動”引擎的戰略轉變日益清晰。
行業應用加速普及
平安銀行中報顯示，2025年上半年，該行構建大模型能力體系，通過監督微調、強化學習、大模型自主規劃、智能體等技術進行模型調優訓練，提升重點場景應用能力，6月末平安銀行已落地大模型應用場景超330個。
尤其在風控合規方面，平安銀行深化智能算法應用，夯實智能化風險防控體系。在對公風險管理上，深化大模型在智慧風控的探索應用，建立風險專家知識庫，借助智能體提升風險控制各流程的效率，強化大模型的適用能力。在零售貸款審批與催收上，該行依托大模型能力，對非結構化數據及其他要素進行風險特征挖掘和識別，提升風險管理能力。在普惠金融上，平安銀行持續深化央行“資金流信用信息共享平臺”的應用，全面完善普惠生態客戶的風險畫像，支持信貸資金精準直達中小微企業。在賬戶風險防控上，打造反電詐“風控大腦”，提升賬戶風險管理和客戶服務效率。在內控合規上，升級“慧小喵”審計大模型，通過打造多維智能體，實現營銷、制度等領域的智能合規審查及歸因分析，推動審計監督與紀檢監察工作提質增效。
浦發銀行（600000.SH）方面透露稱，截至2025年6月末，該行已構建千卡算力，在股份制商業銀行中率先實現全棧國產化算力平臺+開源大模型的金融應用，形成大小模型協同的“浦銀智啟”模型服務矩陣，同時搭建多維度大模型評測體系，形成超3萬的評測數據集，初步構建千萬級企業知識庫。
中國銀行（601988.SH）研究院研究員劉晨指出，傳統大模型計算資源消耗較大，DeepSeek基于專家混合架構（MoE）、模型訓練優化、高效強化學習和數據蒸餾技術，顯著提高了計算效率和推理速度，同時也大幅降低了對計算資源的需求。據DeepSeek數據，預訓練大模型Deepseek-V3的訓練成本約為558萬美元，遠低于同類頭部模型；DeepSeek在API服務定價也遠低于OpenAI同類產品。同時，在較低成本的基礎上，DeepSeek也能夠兼顧模型效率。
政策支持是推動銀行加快AI應用的重要力量。2025年3月，中國人民銀行召開2025年科技工作會議，已明確要求加快金融數字化智能化轉型，安全穩妥有序推進人工智能大模型等在金融領域的應用。
在此背景下，多家銀行對大模型進行了積極部署。建設銀行（601939.SH）方面在接受投資者調研時指出，DeepSeek-R1開源大模型發布以來，建設銀行第一時間利用自身豐富的人才、算力儲備和高質量的金融數據，對通用開源大模型進行預訓練、微調和強化學習，較早采用私有化方式部署了DeepSeek-R1-671B滿血版和DeepSeek-R1-32B蒸餾版金融大模型及外部可信搜索服務。
從具體成果看，在個人金融領域，建設銀行“幫得”個人客戶經理智能助理話術生成場景應用支持回答問題、提供建議業務能力；對話術加工潤色，使話術更為友好流暢，為客戶經理提供話術參考；對較長的知識內容，比如產品說明書進行總結歸納；對不同年齡、風格的客戶能生成差異性營銷話術；個人客戶經理智能化運營能力場景應用，可以通過自然語言描述客群特點，運用大模型生成客群篩選條件，結合客戶360度畫像標簽精準定位客群，不僅提高了客群圈選的便捷性，也提升了用戶體驗。在授信審批領域，建設銀行對公授信審批生成評級審查要點場景應用，通過提示詞工程，利用大模型自動生成評級審查要點文檔，有效減輕了評級合規崗工作量。
劉晨指出，DeepSeek大幅降低AI大模型的應用門檻，中小銀行可以選擇與金融科技服務商合作，通過接入DeepSeek開源大模型，運用包括混合專家系統在內的智能技術降低算力消耗，從而減少研發成本、突破技術門檻，同時借助二次開發對接業務場景需求，縮小與大行數字服務能力的差距。
上海銀行（601229.SH）近期在接受投資者調研時指出：“從OpenAI發布ChatGPT，特別是今年年初DeepSeek發布以來，大家把更多精力投入到大模型，大模型的出現促使我們對金融科技思考更加深入，也促使我們對數字化轉型研究更加深入。現在在大模型框架下，我們更加需要思考如何將本行的業務、服務能力與大模型提供的專家模型相結合，這給技術發展帶來了不同路徑。”
業務模式重構進行時
盡管銀行業在大模型應用方面取得了顯著進展，但行業仍面臨諸多挑戰。畢馬威方面分析指出，銀行業大模型應用正從效率提升工具向價值創造引擎演進，但場景落地仍面臨“可控性”、“可解釋性”與“投入產出比”三大核心制約因素。這一判斷揭示了行業轉型進入深水區的現實挑戰，也為未來發展指明了方向。
從應用成熟度來看，當前銀行業大模型應用呈現出明顯的層級特征。畢馬威將其劃分為四個階段：“降本增效”類應用（如辦公管理）和“生產力革命”類應用（如AI生成營銷文案、分析報告等）已趨近成熟；“流程重構”類應用部分場景經過驗證且投產（如知識庫問答類Agent、智能問數類Agent），部分仍處于探索階段（如投研Agent、風控Agent）；而涉及“模式創新”及“顛覆性變革”的應用模式則多處于探索或未經驗證階段。這種梯度發展格局，反映了銀行業在擁抱新技術時的審慎態度。
近期，銀行在大模型方面開始了新的探索。如興業銀行（601166.SH）正征集合作伙伴，擬基于行內數據訓練金融大模型以提升研發效率；科大訊飛（002230.SZ）中標江西銀行大模型軟硬件采購項目。
記者從江蘇銀行（600919.SH）了解到，依托國產芯片為代表的混合算力架構，該行成功實現單張GPU計算卡千億級推理大模型的規模化部署。該行從國產操作系統底層依賴庫入手，通過完全自主編譯與適配，構建新一代技術架構框架，兼容并穩定運行MXFP4量化算法，相較傳統方案實現計算性能3倍加速與硬件資源占用減少75%的優化成果。
基于“專家經驗為主，人工智能為輔”的設計理念，江蘇銀行千億大模型構建了具備多種能力的智能體，并在業務材料錄入與審核場景中率先落地運用。在電子流水授信材料鑒偽場景中，該智能體能夠自動化匹配鑒定規則、動態選擇工具鏈，精準執行圖片細節定位、二值化處理及元數據比對，并自主訪問外部金融機構交叉驗證；在詢證函填寫及商戶進件等場景，通過多模態識別工具高效完成文本抽取與結構化表單生成，自上線以來累計處理業務數萬筆，顯著提升運營效率。
蘇商銀行特約研究員武澤偉認為，未來AI Agent的自主決策、實時響應與智能學習能力，將從三個維度重塑銀行業務模式：在客戶體驗方面，通過多模態交互與個性化服務重新定義銀行與客戶的連接方式；在風險管理方面，推動風控從“事后響應”轉向“實時攔截+預測預警”；在運營效率方面，驅動業務流程向“零接觸”與“自適應”進化。
還未登錄
