专题：服贸会第七届中国金融科技论坛
中国国际服务贸易交易会-第七届中国金融科技论坛于2025年9月10日-11日在北京举行。主题为“科技赋能—金融业数字化转型与应用”。华夏银行科技开发与运行中心总经理 兼数字金融管理部总经理寿弘宇出席并演讲。
以下为演讲实录：
刚才听了陈院长精彩的演讲特别有启发，既有高屋建瓴的顶层设计，又有场景实践的深入探索，很多观点跟我们华夏银行的科技高度契合。我个人也深受启发，我的发言和陈院长相比，相对来说比较具体，是我们自己科技条线在一些点位上的思考，不当之处请各位专家多批评指正。
这两年人工智能，特别是大模型，整个社会的关注度都是到一个前所未有的高度，也是给科技赋能业务提供了很多的想象空间。但是我们自己科技部门也会觉得，在这种机遇下，也需要做一些思考，因为金融行业有它的特殊性，除了追求技术进步之外，更要兼顾场景应用的安全、合规和实际价值。我们梳理的时候，感觉主要有以下几方面的挑战：
首先是大模型的幻觉和金融行业高确定性特点上的矛盾。我们作为搞技术的同事有时会追求模型的“大而全”，好像觉得参数越多、功能越全就越先进，越好。其实对于业务端来讲，它更希望有“专而精”的方案，能够解决实际的业务问题，还能控制风险。在这方面来讲，我们的观点是，拥抱“有约束的创造力”，不追求大而全，更致力于专而精。一些低风险的场景，比如说像文档生成、会议记录，基础大模型是可以解决的；但是有一些业务决策、风险管理等核心业务的高风险场景，我和陈院长的观点一致，需要大小模型协同，甚至有一些环节还要加以人工的校验，技术应用加人工兜底，才能够确保应用的安全。
第二，数据。因为大模型需要数据当食粮，也会面临数据的开放需求和金融隐私安全方面的问题，因为有一些金融数据会涉及到客户的隐私和合规要求，没有办法直接来训练，当然我们也做了一些尝试，通过联盟学习，在加密数据空间里面联合建模，实现数据的可用不可见，包括生成、合成数据，生成脱敏数据用于模型的训练，包括做模型的微调和蒸馏，把大模型的核心知识，提炼到本地的小模型里边去，实现轻量化的部署，减少外部数据连接和传输的风险。
还有就是金融行业全面拥抱AI时代，需要有长期的布局，同时业务上也有一个短期收益的矛盾。大家都希望投入很大，希望很快的能够看到效益，我们现在整个企业级AI的战略、顶层设计还没有完全确定，但是这个确实要事先规划、统筹谋划的。
同时我们科技条线也应该去拥抱这个时代，去做一些适配，比如说在整个科技的组织架构上，要建立灵活应变、深入业务的架构，更贴近业务；加强业绩融合的人才的培养，使得业务和技术能够理念趋同，言语共通；在场景的选择上强调业务价值导向，确保短期收益的要求能够变现落地，才能得到业务持续的理解和支持。业绩融合携手共进，共同促进场景和生态繁荣，实现“短期见效、长期筑基”。
从场景上来讲，大模型应用上来讲，我们觉得很多单位都会陷入到一个试点陷阱，做了大量的试点，但是它很难复制、推广。所以我们的观点是不追求场景的数量，不要唯数量论。比如说100个10个人的场景，它的价值不如10个1000人的场景，这是一个很简单的逻辑。
因为这个领域现在投入是很大的，银行也是一个金融机构，它要考虑投入产出比，所以这一块我们一定要确保场景是可复制、可推广的，让大模型的应用真正的能融入业务，并且持续的创造价值。
这张是我们的一个示意图，它不是一个技术架构图，只是我们的一些观点的体现，最上层还是企业的发展战略和业务规划，应该要通过战略透视和业务的深层解码，我们才能够聚焦、具化应用场景。在能力层我们更关注的是智能体管理和知识中台的管理，因为知识中台我们觉得是破解模型幻觉，构建信任机制的一个关键。智能体管理通过感知推理和行动一体化，希望可以更主动预判和响应业务需求，更有效提高服务精准性。最下面平台资源层从算力、模型为上层应用提供基础保障。
这张图前面也讲过了，包括科技条线几个转变，重复的我就不再赘述了。另外就是对于场景的理解上，因为金融机构面对场景的需求，其实是很旺盛的，全行征集需求大几百个，但是目前资源包括专业的复合型人才，银行还是比较稀缺的。所以我们怎么科学有效并且敏捷的匹配资源，对我们是一个很核心的挑战，所以我们也把场景做了分析，分了速赢区、攻坚区、深水区几个类别。
速赢区，主要还是以基础大模型为主，我们也搭建了相应的环境，通过大模型能力和智能体平台，主要是提升员工的生产力为主。这方面主要是一些代码自动生成，会议纪要生成，日常办公助手等等。因为这些我们觉得它的技术成熟度比较高，落地周期短，也能够快速地解放人力。
攻坚区，主要是在优化客户的交互和服务质量，需要运用RAG技术、领域大模型和智能体的规划调用，完成比如智能客服精准的咨询、个性化的营销话术生成、财富管理的产品匹配等工作，通过提升客户体验来增强业务的竞争力。
深水区，则面向复杂业务决策与风险合规场景，技术难度高、业务复杂度大，决策还需要极度审慎，单靠单一模型根本满足不了需求，必须采用“大模型+小模型”的组合，搭配多智能体协同，比如企业信用风险评级、供应链金融风险监控这些场景，需要整合行业数据、政策要求等多维度信息，单靠一家机构很难完成，也需要协同生态力量共同推进。
接下来我给大家分享几个典型的落地案例：
在智能营销领域，我们的“授信尽调报告辅助生成工具”依托“任务编排大脑”Agent，能实现授信调查报告分钟级生成；通过大、小模型融合保障报告的广度、深度与精度，把原来3-5天的报告撰写时间缩短到30分钟，效率提升95%以上。
客户服务领域的“超级客户经理顾问”，搭建了含多路混合检索、重排序与上下文压缩功能的智能体，通过提示词工程框架等控制生成内容、抑制幻觉，现在能减少50%的人工咨询量，对话满意度超过70%。
业务创新领域的“智能数据分析师”实现了NL2Semantics2SQL技术升级，打造出智能ChatBI与智能数据分析报告生成能力，完善了数据应用链条，非标准数据查询从原来的3天缩短到秒级，准确率超过90%。
办公运营领域，语音催收质检采用mossformer2模型实现对话分离，基于FunASR开源框架完成语音识别，再搭配DeepSeek-R1-32B实现角色识别，现在覆盖率达到100%，违规识别准确率超90%，人工工作量减少了90%。
辅助研发领域，大模型通过提示词匹配支撑需求测试点、测试案例与测试数据生成，辅助软件测试生成了10万+测试点，每年能节省人力成本1000万以上。
这些案例虽然覆盖了不同领域，但核心逻辑是一致的，都是“场景驱动、技术适配”，这也一定程度印证了我们目前落地路径的可行性。
最后想跟大家汇报的是，华夏银行科技条线在这一轮AI技术变革浪潮中，会始终秉持着这样的理念：“以敬畏之心，驾驭AI之力；以业务之尺，衡量创新之效。”未来，我们也特别期望能和行业同仁们携手，一起共同探索金融大模型的更多可能。
谢谢大家的聆听！
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
还没有评论，来说两句吧...