自2022年ChatGPT發布以來，AIGC技術得到各行業廣泛關注，并逐漸發展為集圖像識別、語義理解、視覺感知于一體的多模態、全應用大模型體系。金融機構基于豐富的數據基礎，率先構建各自的金融大模型，推動大模型技術賦能自身業務。目前，金融領域大模型滲透率已超50%，是大模型滲透率最高的行業。
金融大模型發展現狀
1.政策市場雙輪驅動金融大模型發展
一是國家對數據資源管理、基礎設施建設及金融科技發展的政策支持推動金融大模型發展。第一，國家推進數據開發、流通標準建設，為金融大模型發展提供數據資源，據《國家數據標準體系建設指南》，到2026年年底將基本建成國家數據標準體系；第二，國家支持超算中心、數據中心與金融機構合作開展技術研發，為金融大模型運行提供算力和運行環境支持；第三，國家推出《金融標準化“十四五”發展規劃》等金融科技政策，提出到2025年將基本建成與現代金融體系相適應的標準體系。基于此，中國信通院《金融行業大模型標準》、馬上消費《金融大語言模型技術要求標準》等相關標準相繼立項、發布。
二是市場需求和競爭推動金融大模型發展。第一是提升金融服務質量與效率的需求動力。如金融大模型實現的智能客服功能可快速理解問題并高質量回答，減少客戶等待時間，滿足市場對優質金融服務的需求。第二是行業內部競爭動力。一方面，金融機構之間為爭奪客戶資源和市場份額，需在服務質量、風險管理、產品創新等方面取得優勢；另一方面，國內近12萬家金融科技公司，已對傳統金融機構構成威脅。競爭迫使其通過金融大模型提升自身的數字化水平和服務能力。
雙輪驅動下，預計2025—2029年，金融大模型行業市場規模將由41.23億元增長至310.44億元，期間年復合增長率65.65%。
2.大模型技術、行業數據、基礎設施發展為金融大模型應用奠定基礎
一是大模型技術發展，兩條技術路線賦能金融行業。一種是在通用大模型基礎上加入金融語料進行訓練，如GPT系列、百度文心等模型能解答金融問題；另一種是直接構建金融垂類大模型，如彭博BloombergGPT等。通用大模型路線存在數據欠缺、訓練成本過高、精確性和適用性不足等痛點，在實用性上低于金融垂類模型。二是金融行業數據基礎相對較好，推動金融大模型落地。波士頓咨詢公司（BCG）測算，銀行業每創收100萬美元平均產生數據量達820GB，遠高于電信（490GB）和能源行業（20GB）。三是算力基礎設施持續完善，存力短板補齊，為金融大模型運行提供有力支撐。金融業務具有準確性、實時性、并發性特點，且業務流程涉及海量數據和跨系統交互，需由強大算力集群支持。而存力易成為算力集群短板，制約其效能。目前，政策及產業界均已發力存力，《算力基礎設施高質量發展行動計劃》已提出“加速存力技術研發應用”；華為打造存算網協同的算力中心，將整網有效吞吐從50%提升到95%。
圖1 通用與金融垂類大模型優劣對比
（資料來源：東吳證券研究所）
3.大模型在金融行業主要被應用于非決策類場景
一是在營銷和運營環節提升展業質量和效率。一方面是智能客服，直接在金融咨詢、業務辦理等方面服務客戶，如螞蟻集團的“AI金融助理”支小寶2024年已解答845萬問題。另一方面是輔助客服、銷售人員，間接服務客戶，如百度智能云“度曉保”，提供專業產品解讀及對比，快速生成專業營銷話術，賦能營銷人員產能增加超20%。二是在分析決策環節，提取、歸納、分析金融信息以輔助決策。受限于模型推理精度、安全合規要求，大模型較少直接承擔決策任務，而是聚焦其他環節。如百度智能云智金·資產智評應用，可快速高效收集、加工和整理海量信息，輔助員工完成投資決策、信用評估等工作，并撰寫各類研究報告。三是在運營支持環節，實現內部運營降本增效。如海通證券在企業內應用基于商湯代碼小浣熊的智能研發助手“e海言道”，實現開發提效40%。
圖2 大模型在金融領域賦能的各細分場景及業務細分環節
（資料來源：螞蟻研究院、OpenAI官網、中金公司研究部）
4.各類金融機構因業務特性不同對大模型需求各有側重
一是銀行、保險機構對于營銷、獲客有強烈需求，且具有高風險敏感性，需求集中于前、中臺1應用。前臺，打造前端智能客服，建立多元化客戶標簽，實現“千人千面”精準營銷；中臺，挖掘客戶數據，提升智能風控水平。如平安銀行大模型BankGPT可判斷客戶意圖，針對性推薦產品、自動生成話術；寧波銀行利用大模型升級大數據分析平臺，擴展風控覆蓋面，提高風險識別、判斷和分析效率。二是證券機構需求聚焦中臺，優化投研流程，支持投資決策。如中信建投打造基于大模型的智能投研平臺，可一天讀取市場新增的1000+份研報，提取關鍵信息，并生成研報初稿。三是金融科技企業需融合金融服務與新興技術，全面升級前、中、后臺2，以提升整體運營效率和金融服務質量。如度小滿“軒轅”系列金融大模型已成功應用于從前臺營銷、客服到中臺風控，再到后臺研發等多個業務場景，其中，在客服領域，大模型推動服務效率提升25%；在研發領域，大模型輔助生成代碼采納率為42%，幫助公司整體研發效率提升20%。
金融大模型參與玩家及優勢能力
金融大模型市場主要的參與玩家包括模型提供商、金融科技企業、傳統金融機構等。金融大模型市場競爭激烈，據統計，2024年金融大模型中標項目的累計數量從上半年的24個激增至第三季度的66個，主要中標廠商包括百度、科大訊飛、智譜AI、阿里云、深擎科技等。
圖3 中國金融大模型應用廠商圖譜
（數據來源：極客邦科技雙數研究院）
1.模型提供商以傳統金融機構為主要目標客戶群，憑借軟硬技術優勢搶占市場份額
模型提供商從兩方面發力，爭奪傳統金融機構客戶。一是夯實基礎設施和MaaS能力，構筑穩定高效、簡單易用的大模型支撐底座。如華為金融大模型解決方案提供“算網存云”協同的智能底座，從集群訓練、模型保護、綠色節能三個方面為大模型提供算力，實現token處理時延降低至100ms內、網絡能效比從0.1提升到0.5PFLOPS/KW等；軟硬件和模型開發平臺集成上下游伙伴，提供模型微調、數據工程、應用開發、安全工程等系列工程化套件，降低客戶應用門檻。截至目前，華為金融大模型解決方案已在多家金融機構落地超50個場景。二是強化大模型技術攻關，引領前沿技術應用落地。如百度智能云聯合浦發銀行在2022年5月領先發布浦發-百度·文心大模型；商湯科技基于領先的多模態大模型技術和“云、端、邊”全棧大模型產品矩陣，聯合海通證券發布業內首個面向金融行業的多模態全棧式大模型“e海言道”。
模型提供商與金融機構合作，技術、業務優勢互補，打造金融大模型解決方案。如百度智能云聯合泛華控股集團打造保險業第一款AI智能體“度曉保”，基于百度智能云的金融智能體應用“智金”，結合泛華在保險領域的深厚經驗，為保險銷售人員和客戶帶來革命性服務體驗。
2.金融科技企業將行業know-how結合技術能力，創新直擊行業痛點
金融科技企業多基于自身行業積累自研大模型，并推出貼合客戶具體需求與痛點的產品。一是推出面向企業端的大模型產品，通過訂閱等模式獲取持續性盈利。如宇信科技以企業在信貸管理、數字銀行渠道、低代碼快速開發等方面所積累的金融業務源代碼為訓練語料，推出面向金融行業應用軟件開發人員的編程輔助工具CodePal。二是結合金融機構的實際業務需求，提供定制化解決方案。如京東科技基于服務海量金融客戶的真實業務實踐，在靈犀大模型支撐下，為金融機構提供一套全渠道、全場景、一體化、數智化整合營銷增長方案。三是與自有產品集成，提升企業現有金融產品或服務的智能化水平。如螞蟻集團通過百靈大模型將螞蟻“AI金融管家”升級為“螞小財”，并在支付寶APP內全量對外，能夠更加實時解讀熱點。四是將大模型能力以開放平臺方式提供給中小金融企業，降低企業開發門檻。如宇信科技推出面向企業用戶的可視化大模型應用開發平臺，具備靈活的流程編排能力，預置知識庫問答、分析報告生成等多個開箱即用的大模型應用場景。
3.傳統金融機構聚焦業務需求開發自用金融大模型，根據自身能力選擇研發模式
行業機構對大模型需求可分為對內及對外，對內作為工作助手，優化內部工作流程，提高工作效率，如智能研發、會議助手等；對外主要為不涉及強金融建議的智能對話、信息收集分析，如報告生成、智能問答等。各企業基于獨特的內部數據和業務場景，往往選擇自建金融大模型以滿足需求，并保證數據安全性。一是企業規模大、模型能力需求高、保密需求強的頭部企業與算力、科技企業合作共研，追求技術全棧掌控。這些企業需要構建的千億級參數大模型，算力、數據、技術要求高，僅靠企業自身資源難以實現。因此，為保證模型可用性與數據安全性，相關企業多與算力、科技企業通過成立聯合實驗室等形式，共研大模型技術、應用場景等，實現技術全棧掌控。如交通銀行與科大訊飛、華為成立聯合實驗室，發布技術全棧可控的“交心大模型”；國泰君安與上海財躍星辰智能科技有限公司合作研發“君弘靈犀大模型”，完全基于企業自身全棧信創的環境實現千億參數的大模型工程。二是具備一定技術能力的企業基于開源大模型或大模型平臺自研大模型。如東吳證券和中國農業銀行自研“秀才GPT”和“ChatABC”；中國人保自研大模型主體，訊飛大模型能力作為輔助；興業銀行的“AML-GPT”基于百度千帆大模型平臺進行自研。三是研發能力較弱的企業為模型提供商提供業務場景，使用其模型底座打造金融大模型。如海通證券與商湯合作，海天證券提供業務場景，商湯以“日日新SenseNova 5.0”為模型底座，幫助其打造“泛海言道大模型”。
未來，隨著大模型技術發展、金融大模型場景拓展、治理體系持續完善，金融大模型將進一步賦能金融機構及行業客戶。下篇將針對金融大模型的發展趨勢及建議進一步展開論述，敬請關注。
注釋
1.前臺：主要承擔直接面向客戶、與客戶進行交互的業務，如營銷、客服；中臺：主要通過內外部分析，為前臺提供專業管理和指導，如風險管理、戰略指導、決策支持
2.后臺：主要為前臺和中臺業務提供技術和運營支持
本文作者
趙曄蕾
戰略發展研究所
二級分析師
碩士，主要從事工業互聯網、大數據產業發展趨勢研究，長期專注產業數字化研究。
王曉娣
戰略發展研究所
助理分析師
大連理工大學碩士，就職于中國電信研究院，專注于人工智能、工業互聯網等領域技術及產業研究工作。
張媛玥
戰略發展研究所
一級分析師
就職于中國電信研究院，長期從事人工智能、工業互聯網等領域的技術及產業研究。
趙明明
戰略發展研究所
二級分析師
碩士，主要研究方向為工業互聯網、人工智能、金融科技、產業數字化等領域。
李國欽
戰略發展研究所
二級分析師
中級經濟師，聚焦產業數字化和數據要素等領域，從事行業洞察研究等相關工作。
占安居
戰略發展研究所
一級分析師
碩士研究生，副研究員。主要從事行業研究、市場研究、產業生態研究等工作。
