中国工商银行首席技术官吕仲涛在国民财富发展研究合作平台近期举办的“AI+金融”峰会上作主题演讲，他表示，当前大模型技术广受关注，但大模型应用落地，目前业界尚无标准的方法论。工商银行开展了攻关企业智能底座、创新可复用工程能力、金融市场创新实践、资产负债创新实践等多项人工智能+金融实践。未来，金融行业人工智能工作可以从以下五个方面重点展开。一、云智融合夯实人工智能算力基石。二、数据资源成为金融企业的核心要素。三、智能体技术为原生应用高效使能。四、金融企业要构建AI全链路安全能力体系。五、金融企业需要建立面向AI的人才队伍。
（一）深度学习奏效将人类带入人工智能时代
2022年底以来，以ChatGPT为代表的千亿级AI大模型树立起人工智能技术发展的新里程碑，被业界认为是通用人工智能技术发展的关键拐点。2024年9月，OpenAI发布的o1模型具备的思维链第一次让大模型具备复杂思考和推理能力，使得大模型在推理阶段能够像人类一样进行深入思考，而不仅仅是简单地对提问作出直接回应。这一技术的突破，正加速推动人类社会迈向人工智能时代的新篇章。
（二）国家高度重视人工智能产业高质量发展
习近平总书记指出：“发展新质生产力是推动高质量发展的内在要求和重要着力点，必须继续做好创新这篇大文章，推动新质生产力加快发展”。
党和国家近年来也密集出台多项行动方案与激励政策，营造鼓励包容、审慎监管环境，加快布局发展人工智能产业。国家层面加强顶层设计，要求各行业抓住人工智能大模型发展机遇，加快形成新质生产力。
2024年3月，政府工作报告提出数字经济创新发展，加快发展新质生产力，开展“人工智能+”行动，标志着人工智能已经上升为国家战略。
（三）AI大模型企业落地应用方法论
当前大模型技术广受关注。但大模型应用落地，目前业界尚无标准的方法论。我们认为企业可按照场景通用化、专业化程度，结合自身实际分别使用基础大模型、行业大模型、企业大模型、任务大模型。四层模型规模和算力投入各有差异，专业属性逐层增强。
基础大模型。基于互联网通识数据从零开始训练构建。例如大家熟知的GPT-4o、清华智谱等，可直接用于文本摘要、生成等通用场景。可类比于高中生，基本能力有、可塑潜质强，但无法解决特定行业的专有问题。
行业大模型。基于基础大模型，通过行业公共数据二次训练，无各企业私域数据，行业普适性强。现阶段，医疗、金融等数字化程度较高的行业已发布行业专属大模型，可较好解决行业普适问题。可类比于大学生，经过金融、计算机等四年专业学习，具备较好的行业理论知识，但不具备解决企业问题的具体实战经验。
企业大模型。在行业大模型基础之上，在企业内部结合企业私域数据训练，兼具行业普适性和企业特性。对于特别敏感的企业私域数据，则不做训练。通过外挂知识库方式，做好合理授权和敏感数据的实时更新。
任务大模型。对于企业大模型无法较好解决的业务场景，采用少量数据微调形成。
（一）攻关企业智能底座
工商银行体系性地推动大模型企业级技术能力建设，按照“三大支柱、1+X范式、两全平台、全域生态”的建设思路，立足于全栈国产化技术，建成集算力、算法、数据、工具、能力、安全、应用、生态于一体的企业级千亿金融大模型技术体系,内外协同赋能，打造“人工智能+金融”新生态。
算力方面。训练上，建成千卡规模信创AI算力云，具备TB级数据三周内完成千亿大模型全参稳定训练的能力。推理上，实现华为、寒武纪等异构算力混合部署、统一调度，支持4000以上并发查询。
算法方面。训练速度和稳定性是关键。工商银行与合作伙伴一道实现了多方面原创性优化，相较厂商或开源社区提供的信创训练方案，千亿大模型的训练数据吞吐量从24万tokens/s提升到33万tokens/s，处于业界领先水平。
数据方面。工商银行打造了一套适配大模型的金融知识工程，革新数据要素运营模式。建成从世界通识、行业通识、企业通识、领域及任务的五层知识架构，形成了“采集、清洗、管理、应用”标准工艺，实现全集团内外部全量知识的体系化管理、及时更新迭代和灵活应用。
（二）创新可复用工程能力
在具体实践中，我们针对金融行业知识专业性高、任务执行严谨、权限隔离严格等特点，总结了适配金融行业的“1+X”工程化解决方案。其中“1”是指金融智能中枢，通过应用大模型的理解调度能力，实现在金融复杂场景下任务拆解、规划、执行，成功准确率90%以上；“X”包含知识检索、数据分析、文档编写、智能搜索等多项金融常用智能，金融知识问答满意度90%，对话式指标查询准确率95%以上，达业界领先水平。
（三）金融市场创新实践
在金融市场领域，以金融市场数字员工“工小金”为交互统一入口，推出“ChatDealing智能对话交易产品”与“投资副驾”（FIR Copilot），将智能化深度融合于业务全过程，推动金融市场业务全面数智化。其中，交互式对话交易助手ChatDealing，基于ALL in Chat理念，实现支行、分行、总行多方交易员在同一交易对话框中通过对话完成价格磋商，运用大模型识别用户意图，并智能识别交易话术，生成交易意向单达成交易。重塑原有“先线下电话沟通，后线上流审批、报价”的业务模式，实现对客交易效率提升3倍。现已上线即期结售汇、远期结售汇、即期外汇、远期外汇、外汇组合产品等业务产品，目前已覆盖80%的对客询价交易场景。
（四）资产负债创新实践
在资产负债领域，面向资产负债管理部资金管理岗业务人员提供资金运营调度的智能辅助决策能力，显著提升资金管理人员对全行存量40余万亿资产负债产品、每日流动资金的管理效能。例如，构建全行资金运营“调度助手”，实现了更加高效、精确的资金预测，可对工商银行未来30天的存款余额走势及分行收支情况进行预测。投产运行以来，模型平均误差率在0.43%，相较人工预测可节省约400亿资金投入市场运营。
AI未来可期，但也并非万能。下面从算力、数据、智能体、安全和人才培养五个方面简要展望金融行业人工智能未来工作。
（一）云智融合夯实人工智能算力基石
大模型遵循规模准则，只有充足的算力才能满足金融企业高质量AI应用的需要。大模型算力设施因功耗和网络传输速率等原因，正从风冷集群、液冷集群向超节点集群过渡，通过集成化方式，快速提升集群算力水平并显著降低集群故障发生率。新型基础设施对机房、网络、云化等工作相比于传统服务器均有更高要求，金融机构应结合自身体量，推进算力基建规划、算力云化管控、算力集约应用等核心工作，夯实企业AI算力基石，高质量支撑企业AI应用创新。
（二）数据资源成为金融企业的核心要素
数据是AI动力引擎的核心资源，只有充分挖掘应用好数据资源，才能高质量推动数字企业转型。金融机构要抓住国家数据要素行动战略机遇，加快构建企业数据空间，联动城市数据空间、行业数据空间、跨境数据空间、个人数据空间等数据流动共享中枢，大幅拓展企业可使用的数据资源。
（三）智能体技术为原生应用高效使能
大模型的应用模式可分为直接使用、提示词、思维链、智能体和多智能体联合应用五个发展阶段。模型能力的释放，正在由挖掘内部潜能向应用外部工具转变。
智能体技术构建了企业大模型数字生产力释放的决策编排和任务执行工程能力。企业下一步要想继续释放大模型潜能，必须建立完备的智能体工程能力，提高大模型对业务系统的探查能力和自主调度能力，实现配置化的AI原生应用构建，加快推进企业数字化进程。
（四）金融企业要构建AI全链路安全能力体系
金融机构必须建立可靠的AI安全框架，聚焦基础设施供应链安全、基模合规可靠、数据内容可信、模型价值对齐、应用可控可用五大领域建立全链路全过程安全体系，夯实人工智能安全基石，保障企业AI应用的可持续。
（五）金融企业需要建立面向AI的人才队伍
人才是AI创新应用的第一资源，AI大模型业务应用成效是前期投入的集中映射，金融机构应培养更多技术底座人才、原生应用人才以及融通创新人才，充分挖掘大模型内涵知识的潜力，打造更多突破性场景。
责任编辑：张逸君