人工智能加速落地，金融行業必須做出改變。

作  者 | 王 思 原  編  輯 | 伊 頁

近年來，在金融科技浪潮之下，商業銀行加快金融科技創新，“全面推進數字化轉型”已經成為包括銀行業在內金融行業的共同目標，以及時代發展的必然趨勢。

而隨著當下全球新一輪科技革命和產業變革深入推進，在“百年變局”中回應歷史之變、時代之變、世界之變，數字化轉型也從1.0時代邁向了2.0時代。

1.0時代的數字化轉型主要是以互聯網為核心，實現金融業務的線上化、便捷化、普惠化，但仍然存在一些局限性，如數據孤島、服務標準化、風險管控等。智能化是2.0時代數字化轉型的關鍵詞，也是銀行、金融業一直致力于探索和實踐的領域。從早期的智能客服、智能風控、智能營銷等應用，到近期AI的爆發、大模型時代的到來，行業即將迎來新一輪革新。

01新時代下的創新架構

隨著人工智能的快速發展，以大模型為代表的底層技術得到爆發，金融銀行業加快智能化轉型步伐已經成為一個不可逆轉的趨勢。銀行業作為與數字距離最近的行業，自然是數字變革的領導者。

并且經過多年發展，大部分領先銀行基本形成了“業務+數據”雙平臺的應用格局，但對于數據平臺的邊界以及與產品服務類、經營分析類等業務間的交互關系，始終無標準答案。

隨著大模型爆發，越來越多銀行逐步意識到，“數字化”本身是業務、數據與AI之間的相互融合，因此部分架構師認為平臺的范圍不僅是數據與業務的建設，用戶自助化、數據產品化、智能員工化、運營數字化等等，這些AI應用也應當納入平臺的開發和管理范疇。方可加快推動經營和治理模式的數字化變革。

目前，六大國有行及部分全國股份行紛紛打造并推廣金融人工智能平臺，支撐智能應用的快速孵化，或將帶來一輪建設潮。

而為了更好地支撐金融人工智能平臺這個“智能根基”建設，國內大行普遍考慮中心-分支-邊緣三級金融建設架構。

中心對應的是總行，基于硬件產品，如昇騰硬件，能夠集中建設高效節能的液冷AI訓練和推理中心，再使用AI平臺進行傳統AI模型和大模型的快速訓練與部署，及各業務AI模型的管理。

圍繞中心產生的分支，對應的是各個城市的支行，可以使用總行AI中心的資源運行相關業務，并向總行AI中心回傳數據，使業務模型不斷迭代演進。

再分散出去的叫邊緣，對應的也就是常見的網點營業廳，在該架構中可以實現邊緣節點統一管理升級，也可以從總行AI中心獲取最新業務模型，在邊緣節點對實時數據進行推理分析，并將部分數據回傳總行AI中心。

通過AI平臺，能夠為銀行AI實驗室和各個業務部門的軟件開發部門提供數據標注、數據管理、模型訓練、準確度驗證、應用開發，降低AI應用門檻。

建設金融人工智能平臺，離不開算法、算力支撐。昇騰AI作為人工智能產業建設的主力軍，從底層硬件、操作系統、AI框架到應用開發，全面實現創新，在提供算力底座的同時，能最大限度提升AI與金融產業融合的效率，幫助企業實現效果和效用的最大化。

在行業大趨勢下，昇騰AI能夠為金融、銀行業帶來數據驅動業務的改革新范式，助力企業組織從人力驅動加速轉換至數據驅動，提高企業智能體、行業智能化的演進過程。

02擁抱大模型，夯實大底座

與此前不同，新時代建設背景下，大模型成了銀行業、金融業的AI平臺建設的主要支撐點，其能夠幫助企業提高模型的精度、適應性和安全性，適應快速變化的商業環境，處理各種類型的數據，進行遷移學習，保護客戶隱私和數據安全，因此大模型的加入至關重要。

一言以蔽之，大模型打破了傳統專用模型解決專有任務的AI研發范式。依托于大模型，銀行可以利用大量獨有的數據、案例和經驗來進行精確化訓練。不同銀行采用不同算法，有不同數據庫，可以逐步提升，訓練出核心競爭力。

而企業利用昇騰AI推出的大模型開發使能平臺，能夠從算力供給、模型算法建設、大模型分布式框架、大模型建模流水線等入手，與數據平臺對接，建立以大算力、大模型、大數據為核心的云原生智能底座，形成大模型+微調的高效率、高質量、低門檻的AI建模新模式。

具體來看，企業可以在大模型算法庫建設上，通過開源+引入模式，豐富大模型算法，持續構建基礎大模型算法庫；建設大模型分布式訓練框架，完成接口標準化封裝和適配；另外結合大模型所需算力要求，升級大模型訓練和推理算力集群；最后完成大模型適配，利用各垂直領域開發的建模模板形成包括一鍵式微調、轉換等配套開發工具在內的建模流水線。

從技術維度上講，算法、算力為關鍵。為此，昇騰AI也致力于推動AI計算基礎設施建設，助力算力網絡發展，推動各地人工智能計算中心陸續接入中國算力網，為行業通用模型訓練提供了強大的算力保障。也成功助力某國有銀行基于同業領先的開放式架構云計算平臺，落成同業規模最大的千卡級算力集群。

在工程化維度，開發平臺成為AI落地應用的重要支撐。其中，ModelArts作為一站式AI開發平臺，其使命就是讓AI應用開發更簡單，為解決AI成為通用生產力，推動千行百業智能升級。

應用維度上講，昇騰AI助力簡化大模型從開發到部署的全流程，有效突破了人工智能在規�；瘧�用方面通常具有的成本高、周期長、迭代慢等挑戰�；�于大模型的通用和泛化能力，典型智能場景的平均模型開發周期從一個月左右縮短到一周左右，極大提升了業務需求的響應速度，節約了建模成本。

目前，金融業基于AI大模型，已在客戶服務、風險防控、AI遙感等多個業務領域落地應用，并取得良好效果。

以遙感大模型為例，依托AI平臺，將衛星遙感圖像智能識別新技術與業務場景深度融合，開發地物分類、識別、變化等深度學習神經網絡監測模型，自動獲取、加工、提取遙感數據信息，形成業務領域價值信息。通過多元化建設風險防控手段，助力風險防控能力自動化、智能化和全面化提升。

金融行業遙感大模型將地圖、定位、人地大數據與業務數據及營運數據結合，釋放空間信息數據的創新活力，為數字化轉型升級提供新動能。

可以說，在推動金融行業邁向新階段的過程中，昇騰既為AI基礎設施提供了算力底座，也是企業的AI使能者。昇騰AI大模型全流程使能體系在金融領域的成功嘗試，是助力金融行業高質量發展的開始。

03金融行業“蝶變”在即

國內外以ChatGPT為代表的大模型技術的成熟和廣泛應用把我們帶入了人工智能時代，展望未來，新時代對于金融行業來說，充滿機遇的同時也充滿挑戰。

首先是數據建設問題。數據是人工智能生產力釋放的核心資源，雖然銀行擁有海量高價值數據資源，但一些綜合性數據是比較缺失的，另外如何保障數據安全、合規和隱私，同時提高數據質量和利用效率，是金融行業需要解決的重要問題。所以對于銀行來說，要積極參與國家數據要素市場建設，強化數據要素整合應用能力，通過數據驅動，釋放數據要素價值，加速推進銀行業數字化轉型。

另外在大模型建設過程中也需要大算力支撐。算力是人工智能的動力，但也是包括金融行業在內各行各業的瓶頸。如何降低算力成本、提升算力性能和可擴展性，是金融行業需要突破的關鍵因素。針對國內外算力市場供給面臨的供給短缺、多廠商異構算力融合、國產AI生態不足、機房和網絡建設等情況，銀行需要深化與產業界各方的合作，共同推動解決大規模算力部署和應用挑戰。

算法在新時代也同樣重要。提升大模型算法的泛化能力和靈活性，一方面可以有效降低數據和算力的需求，另一方面也可以拓展應用的范圍和深度，如何選擇合適的算法框架、優化算法參數和評估算法效果，是金融行業需要掌握的技術手段。

毋庸置疑，金融業已經迫切需要結合自身情況，深化與產學研用各界合作，加快探索引入、打造業界通用大模型技術的策略和實踐，方能有效加快推進異構算法的協同融合，不斷提升算法服務金融行業能力，實現金融智能化的跨越式發展。

最后，大模型在銀行的深化應用，亟需業界形成一套面向銀行業的高標準、低門檻的銀行業金融大模型產品，產業和銀行深化合作，聯合創新，在已有通用大模型基礎上，建立面向行業大模型人工智能產品，快速推進人工智能在金融領域的深化應用。

大模型的火爆，使得金融行業AI化進程明顯提速，并且一些解決問題的模式、理念及方法論，很有可能得到改變，而一旦行業適應了大環境變化，那么完成“蝶變”只是時間問題。

       原文標題 : AI賦能金融，如何成為行業樣本？