行业新闻

大家下午好！我代表浙商银行，就银行数字化转型和 AI 应用方面做一个分享。

近年来，各行各业都在进行数字化转型。我们认为，数字化转型一方面能为客户提供更优质的服务，另一方面也是企业（包括银行自身）提升效率的需求。那么，如何推进数字化转型呢？数字化转型从根本上改变了业务流程，若想做好，首先要有战略层面的规划。例如，浙商银行将数字化转型与自身业务战略，包括以客户为中心的协同改革、善本金融服务体系，并列作为企业战略。确定战略后，还需制定相关目标、对组织结构进行必要调整并加以推动，才有可能将数字化转型落地。最后，科技部门的大力支持、科技驱动与引领也至关重要，如此才有望做好数字化转型。

当前所处的时代

有人说，AI 作为数字化转型的重要工具，以 AI 为代表的科学新技术开启了第四次工业革命。但前不久王院士认为，这种描述低估了 AI 的影响力。他对人类历史上的几次重大技术革命做了如下分类：

第一，马力革命。马的使用催生了马路，带来了更广泛、更大范围的连接，也促使通信和邮件的出现。

第二，电力革命。电力革命使效率大幅提升且应用范围更广。不过，马力革命存在供给不足的问题，而电力革命虽然效率更高，但可能对环境产生较大影响，给地球带来沉重负荷。

第三，如今的 AI 可视为算力革命。算力革命的最大意义在于，能在不增加环境和资源负担的情况下，让我们的工作和生活变得更高效、更美好。

数字化转型的逻辑

我认为，做好数字化转型需遵循这样的逻辑：首先要有数据，涵盖内外部数据以及结构化、非结构化数据；同时要有算力和工具，工具包括 AI 模型、工具模型和 API 等；具备工具后，再搭配有效的组织模式，才有可能实现数字化转型。数字化转型的关键在于充分运用数据和广泛应用 AI。

例子-小贷不良资产批量追责

这里，我先以一个例子来说明，随后再结合例子进行抽象总结。近年来，小贷业务是国家重点支持的方向，但银行也出现了不少不良案例。其中，一部分客户经理完全尽职履职，而相当一部分客户经理在履职过程中存在问题。出现不良情况后，审计部门需对这些情况展开调查，并依据相关规定确定客户经理是否尽职履职，最终出具违规报告。在此过程中，审计部人员出具一份报告可能需要几个小时甚至半天、一天时间，导致工作积压严重。我们采取的措施是，对历史上的几千份报告进行思维链的 COT 整理，对模型进行微调，同时将相关规章制度和处罚规定构建成 RAG 知识库。通过这些操作生成报告，基础业务人员在此基础上进行检查、审核和适当修订，效果显著，效率提升了两三倍以上。

该报告大致分为以下几个部分：

第一，业务办理情况。

第二，处理过程。

第三，意见处理。

通过一些大模型以及规则处理，我们最终能够生成审计报告。在模型训练和处理完成后，基本就具备生成报告的条件。但在实际应用中，还有一个重要环节，即权限和隐私（或敏感信息）的控制。并非每个人都有访问和操作权限，因此需要进行权限控制、相关标注数据的审核以及数据库审批，这些都需要通过工程化手段来落地实施，如此才能形成一个完整的闭环。

数据-生产资料

从这个过程中抽象来看，如果将其应用到其他案例中，应该如何操作呢？首先，要有数据，数据范围包括内部数据和外部数据。引入外部数据十分必要，内部数据不仅包含业务数据，还包括非结构化的制度文档以及音视频数据等多种数据类型。

同时，对于多模态非结构化数据，以往其应用存在困难，但现在有了大模型后，它成为重要的数据应用技术。

算力-生产力

在算力方面，在 DeepSeek 出现之前，若要在银行各个领域全面应用大模型，需要强大的算力作为支撑。据了解，同业中有的机构采用千卡配置，硬件成本投入可能高达数亿元，中小银行难以承受如此大规模的模型投入。所以，中小银行在实践中多是针对个别场景应用私有大模型，大部分场景可能通过 API 调用外部大模型服务，但这种方式效果欠佳，因为无法将私有数据融入模型训练。

DeepSeek 出现后，带来了两大显著变化：其一，它的满血版模型性能出色；其二，经过测试，其蒸馏版与之前国产千义大模型性能相近。在中小银行中，我们评估认为，百卡算力就能够支撑全部模型的私有化部署，从而实现 AI 的普惠应用。DeepSeek 的出现甚至导致英伟达股票出现史诗级大跌。不过，我个人认为，未来对英伟达卡的需求可能会更加广泛。虽然训练成本降低了，但由于训练效果提升，推理应用能够更广泛地开展，这可能会使 AI 更快地融入各行各业。

模型-生产工具

有了数据和算力之后，我们还需要工具。我们认为，大模型与小模型应相互补充，小模型中的规则模型和机器学习模型在许多领域具有不可替代的作用。对于大模型的部署，我们考虑采用 “1+N+1” 的形态，即部署一个满血版模型，该模型仅在特定领域和高要求场景下使用；同时部署 N 个专业领域的小尺寸大模型，实践表明，小尺寸大模型在很多领域能取得较好效果，并且中小银行能够对其进行微调，而对满血版大模型进行微调，算力往往难以满足要求。此外，随着多模态大模型的成熟，也可将其引入应用。

AI Agent-生产工具

对于大模型的使用方式，我认为未来不一定是直接使用大模型，这种方式可能不会成为主流形态，因为大模型的使用门槛相对较高。或许 Agent 会成为更普遍的使用形式。Agent 是什么呢？打个比方，大模型如同发动机，Agent 则是基于发动机打造的更符合用户需求的产品，比如汽车、摩托车等。

在现实中，智能汽车的智能座舱中的云助手，我个人认为就是一个很好的工业实践中的 Agent 实例。它通过语音指令就能实现车控、娱乐系统操作以及知识问答等功能，是身边较为常见的 Agent 应用。

我觉得，Agent 未来可能会呈现以下形态：其一，出现一个 Agent 市场，类似于现在的 app store，但 Agent store 与 app store 的区别在于，app 需要用户自己寻找功能并操作，而 Agent 能根据用户指令完成任务；其二，会有编排框架，很可能由提供大模型的厂商同时提供 Agent 编排框架，借助这样的模型和编排框架，能够便捷地实现自主定制 Agent。未来，通用式和自主定制式的 Agent 可能会并存。而且，如果 Agent 框架发展良好，有可能像现在的 BI（如上午提到的水晶球 BI）一样，成为业务定制的工具。

在做好上述各项准备后，若要真正有效地落地实施，还需要一个有效的组织模式。为什么强调这一点呢？从当前各家机构（包括上午各位同仁老师分享的情况）来看，DeepSeek 火热之后，各家银行都在推进相关工作，但在组织模式上存在问题，比如模型团队各自平行，众多业务团队排队等待。我们采取的是 “1+N” 组织结构，即一个模型团队加上 N 个研发团队。模型团队先与一两个业务团队或业务部门合作打造大模型应用样板，在此过程中提炼出规则、方法、制度以及操作和培训内容，然后快速复制到 N 个团队，也就是各业务条线对应的业务研发部门或中心，这些部门以场景研发为主，而模型团队作为底层工具平台和技术支撑。这或许是一种能够快速推动大模型应用的必要组织模式。

大模型落地范式

前面已经介绍了大模型在银行中的常见落地方式，如问答、写作和问数，这些应用能够显著提高工作效率。

大模型银行使用风险点

同时，考虑到银行使用的特殊性，必须关注以下几点：监管要求，比如不能直接面向客户；责任归属；数据安全。

大模型核心应用场景

我们将大模型的场景应用主要放在内部风险防控、管理质效提升以及辅助员工对客服务方面，这样既经济有效，又能避免当前大模型幻觉带来的问题，这些也是我们在推广过程中的主要应用场景。

我们还有其他一些应用实例。

例子-智能问答

例如，在员工 OA 系统中，我们研发了 “浙小智”，它能够对几百个规章制度进行智能检索与问答，员工能快速获取答案，并且在制度更新时，员工也能及时获得更新后的知识，同时该系统还实现了规章制度的权限管控。

例子-智能问数

在智能问数方面，我们通常会有 BI 系统。通过后续工程实现，智能问数能够让用户对数据及其趋势进行提问，并得到更易于理解的回答。

例子-员工助手

员工助手有多种类型，比如客户经理助手。客户经理在拜访客户前，需要做大量准备工作，包括了解制度、产品以及行业背景知识等。如今，股份制银行有一个明显趋势，即综合客户经理模式，原来客户经理按条线划分，现在可能以条线为主，同时需要掌握其他各条线知识。在自我学习以及与客户营销互动过程中，客户经理助手能够为其提供有力支持。网点智能助手也类似，当客户在网点向柜员咨询各类问题、进行低频交易或询问交易操作方法时，网点智能助手能够快速提供解答。

未来思考

关于未来的思考，这只是我个人的观点。在技术层面，我认为多模态数据融合相比现在会得到更广泛的应用，同时 AI 智能体能够自主完成指定工作，成为 AI 应用的主要模式。未来的 AI 应用或许与我们现在的工作方式大不相同，AI 智能体的存在将大幅提高我们的工作效率。

在业务层面，AI 技术的应用将成为银行及各类企业提升核心竞争力、创新业务模式的关键驱动力。因为目前来看，能否有效运用 AI，是提升组织效率和员工工作效率的关键因素。其次，AI 赋能将向 AI 原生转变。怎么理解呢？现在很多场景是在既有场景基础上思考如何运用 AI 优化，而未来，就像上午北京银行提出的 ALL in AI，业务流程和产品设计将从一开始就融入 AI 能力，在产品、风控以及整个全生命周期中实现 AI 原生应用。AI 原生与之前的云原生类似，是一种天然适配的存在。

最后，AI 应用的发展速度会非常快，将从点到面、由内到外全面推动生产、办公、管理等领域向 AI 原生重构。这就是我个人的一些浅见。

我的分享到此结束，谢谢大家！