热讯：AI赋能金融，如何成为行业样本？

近年来，在金融科技浪潮之下，商业银行加快金融科技创新，“全面推进数字化转型”已经成为包括银行业在内金融行业的共同目标，以及时代发展的必然趋势。

而随着当下全球新一轮科技革命和产业变革深入推进，在“百年变局”中回应历史之变、时代之变、世界之变，数字化转型也从1.0时代迈向了2.0时代。

【资料图】

1.0时代的数字化转型主要是以互联网为核心，实现金融业务的线上化、便捷化、普惠化，但仍然存在一些局限性，如数据孤岛、服务标准化、风险管控等。智能化是2.0时代数字化转型的关键词，也是银行、金融业一直致力于探索和实践的领域。从早期的智能客服、智能风控、智能营销等应用，到近期AI的爆发、大模型时代的到来，行业即将迎来新一轮革新。

新时代下的创新架构

随着人工智能的快速发展，以大模型为代表的底层技术得到爆发，金融银行业加快智能化转型步伐已经成为一个不可逆转的趋势。银行业作为与数字距离最近的行业，自然是数字变革的领导者。

并且经过多年发展，大部分领先银行基本形成了“业务+数据”双平台的应用格局，但对于数据平台的边界以及与产品服务类、经营分析类等业务间的交互关系，始终无标准答案。

随着大模型爆发，越来越多银行逐步意识到，“数字化”本身是业务、数据与AI之间的相互融合，因此部分架构师认为平台的范围不仅是数据与业务的建设，用户自助化、数据产品化、智能员工化、运营数字化等等，这些AI应用也应当纳入平台的开发和管理范畴。方可加快推动经营和治理模式的数字化变革。

目前，六大国有行及部分全国股份行纷纷打造并推广金融人工智能平台，支撑智能应用的快速孵化，或将带来一轮建设潮。

而为了更好地支撑金融人工智能平台这个“智能根基”建设，国内大行普遍考虑中心-分支-边缘三级金融建设架构。

中心对应的是总行，基于硬件产品，如昇腾硬件，能够集中建设高效节能的液冷AI训练和推理中心，再使用AI平台进行传统AI模型和大模型的快速训练与部署，及各业务AI模型的管理。

围绕中心产生的分支，对应的是各个城市的支行，可以使用总行AI中心的资源运行相关业务，并向总行AI中心回传数据，使业务模型不断迭代演进。

再分散出去的叫边缘，对应的也就是常见的网点营业厅，在该架构中可以实现边缘节点统一管理升级，也可以从总行AI中心获取最新业务模型，在边缘节点对实时数据进行推理分析，并将部分数据回传总行AI中心。

通过AI平台，能够为银行AI实验室和各个业务部门的软件开发部门提供数据标注、数据管理、模型训练、准确度验证、应用开发，降低AI应用门槛。

建设金融人工智能平台，离不开算法、算力支撑。昇腾AI作为人工智能产业建设的主力军，从底层硬件、操作系统、AI框架到应用开发，全面实现创新，在提供算力底座的同时，能最大限度提升AI与金融产业融合的效率，帮助企业实现效果和效用的最大化。

在行业大趋势下，昇腾AI能够为金融、银行业带来数据驱动业务的改革新范式，助力企业组织从人力驱动加速转换至数据驱动，提高企业智能体、行业智能化的演进过程。

拥抱大模型，夯实大底座

与此前不同，新时代建设背景下，大模型成了银行业、金融业的AI平台建设的主要支撑点，其能够帮助企业提高模型的精度、适应性和安全性，适应快速变化的商业环境，处理各种类型的数据，进行迁移学习，保护客户隐私和数据安全，因此大模型的加入至关重要。

一言以蔽之，大模型打破了传统专用模型解决专有任务的AI研发范式。依托于大模型，银行可以利用大量独有的数据、案例和经验来进行精确化训练。不同银行采用不同算法，有不同数据库，可以逐步提升，训练出核心竞争力。

而企业利用昇腾AI推出的大模型开发使能平台，能够从算力供给、模型算法建设、大模型分布式框架、大模型建模流水线等入手，与数据平台对接，建立以大算力、大模型、大数据为核心的云原生智能底座，形成大模型+微调的高效率、高质量、低门槛的AI建模新模式。

具体来看，企业可以在大模型算法库建设上，通过开源+引入模式，丰富大模型算法，持续构建基础大模型算法库；建设大模型分布式训练框架，完成接口标准化封装和适配；另外结合大模型所需算力要求，升级大模型训练和推理算力集群；最后完成大模型适配，利用各垂直领域开发的建模模板形成包括一键式微调、转换等配套开发工具在内的建模流水线。

从技术维度上讲，算法、算力为关键。为此，昇腾AI也致力于推动AI计算基础设施建设，助力算力网络发展，推动各地人工智能计算中心陆续接入中国算力网，为行业通用模型训练提供了强大的算力保障。也成功助力某国有银行基于同业领先的开放式架构云计算平台，落成同业规模最大的千卡级算力集群。

在工程化维度，开发平台成为AI落地应用的重要支撑。其中，ModelArts作为一站式AI开发平台，其使命就是让AI应用开发更简单，为解决AI成为通用生产力，推动千行百业智能升级。

应用维度上讲，昇腾AI助力简化大模型从开发到部署的全流程，有效突破了人工智能在规模化应用方面通常具有的成本高、周期长、迭代慢等挑战。基于大模型的通用和泛化能力，典型智能场景的平均模型开发周期从一个月左右缩短到一周左右，极大提升了业务需求的响应速度，节约了建模成本。

目前，金融业基于AI大模型，已在客户服务、风险防控、AI遥感等多个业务领域落地应用，并取得良好效果。

以遥感大模型为例，依托AI平台，将卫星遥感图像智能识别新技术与业务场景深度融合，开发地物分类、识别、变化等深度学习神经网络监测模型，自动获取、加工、提取遥感数据信息，形成业务领域价值信息。通过多元化建设风险防控手段，助力风险防控能力自动化、智能化和全面化提升。

金融行业遥感大模型将地图、定位、人地大数据与业务数据及营运数据结合，释放空间信息数据的创新活力，为数字化转型升级提供新动能。

可以说，在推动金融行业迈向新阶段的过程中，昇腾既为AI基础设施提供了算力底座，也是企业的AI使能者。昇腾AI大模型全流程使能体系在金融领域的成功尝试，是助力金融行业高质量发展的开始。

金融行业“蝶变”在即

国内外以ChatGPT为代表的大模型技术的成熟和广泛应用把我们带入了人工智能时代，展望未来，新时代对于金融行业来说，充满机遇的同时也充满挑战。

首先是数据建设问题。数据是人工智能生产力释放的核心资源，虽然银行拥有海量高价值数据资源，但一些综合性数据是比较缺失的，另外如何保障数据安全、合规和隐私，同时提高数据质量和利用效率，是金融行业需要解决的重要问题。所以对于银行来说，要积极参与国家数据要素市场建设，强化数据要素整合应用能力，通过数据驱动，释放数据要素价值，加速推进银行业数字化转型。

另外在大模型建设过程中也需要大算力支撑。算力是人工智能的动力，但也是包括金融行业在内各行各业的瓶颈。如何降低算力成本、提升算力性能和可扩展性，是金融行业需要突破的关键因素。针对国内外算力市场供给面临的供给短缺、多厂商异构算力融合、国产AI生态不足、机房和网络建设等情况，银行需要深化与产业界各方的合作，共同推动解决大规模算力部署和应用挑战。

算法在新时代也同样重要。提升大模型算法的泛化能力和灵活性，一方面可以有效降低数据和算力的需求，另一方面也可以拓展应用的范围和深度，如何选择合适的算法框架、优化算法参数和评估算法效果，是金融行业需要掌握的技术手段。

毋庸置疑，金融业已经迫切需要结合自身情况，深化与产学研用各界合作，加快探索引入、打造业界通用大模型技术的策略和实践，方能有效加快推进异构算法的协同融合，不断提升算法服务金融行业能力，实现金融智能化的跨越式发展。

最后，大模型在银行的深化应用，亟需业界形成一套面向银行业的高标准、低门槛的银行业金融大模型产品，产业和银行深化合作，联合创新，在已有通用大模型基础上，建立面向行业大模型人工智能产品，快速推进人工智能在金融领域的深化应用。

大模型的火爆，使得金融行业AI化进程明显提速，并且一些解决问题的模式、理念及方法论，很有可能得到改变，而一旦行业适应了大环境变化，那么完成“蝶变”只是时间问题。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)

关键词：