以大模型为代表的人工智能技术掀起的新一代智能化浪潮正在以前所未有的速度深入千行百业，催生了新产业、新业态和新模式。大模型凭借其强大的语义理解、知识推理与内容生成能力，为银行业服务提升、业务创新、风险管控提供了全新路径，但其应用过程中的数据隐私、算法偏见、可解释性等难题对商业银行稳健运营构成挑战。本研究旨在为商业银行利用大模型推进数字化转型进程中，平衡创新发展与风险管控提供参考，助力银行在技术变革浪潮中实现突破创新与可持续发展。

大模型发展概述

大模型的内涵与发展

大模型通常指参数规模庞大的机器学习模型，涵盖大语言模型、视觉大模型及多模态大模型等。这类模型能够高效理解和学习人类自然语言，并通过人机交互完成信息检索、文本摘要生成等内容创作与处理任务。

大模型的发展可追溯至20世纪50年代AI研究初期，受限于算法和规则，难以应对复杂语言现象，80年代引入统计学习方法后有所进展，但仍面临数据稀疏性和长距离依赖问题。随着机器学习、深度学习技术的兴起及硬件的进步，大规模数据集和复杂神经网络训练成为可能，为大模型时代的到来奠定了基础。2017年谷歌提出的Transformer架构，为后续大规模预训练模型提供了核心技术支撑，2018年OpenAI和Google分别推出的GPT-1与BERT,标志着大模型进入预训练时代，2022年底ChatGPT推动对话式AI进入主流视野，2023年GPT-4支持多模态数据处理，进一步拓展模型应用边界，2025年初以DeepSeek-R1为代表的国产大模型在成本效益上取得突破，推动普及化进程，上线18天内该应用软件下载量超1600万次。

从逻辑推理到深度学习、从单模态到多模态，大模型实现了技术飞跃，逐步从理论探索迈向实践应用，成为提升社会效率与推动技术革新的核心驱动力。

大模型的特点

涌现性与泛化性是大模型的关键特点，涌现性表现为当规模突破临界阈值时，模型能够在未经专门训练的情况下，自主衍生出多任务处理能力；泛化性则体现在模型面对未见过的数据或场景时，凭借训练中学到的知识和规律，展现出良好的适应能力和性能，从而具备跨任务的通用性和对新场景的灵活适应能力。这些特性使得大模型具备卓越的上下文理解、逻辑推理和知识整合等能力。在人机交互中，大模型能精准理解用户意图，提供个性化回应，提升用户体验；在内容生产中，大模型具备多模态生成能力，推动内容生态创新；在决策智能领域，大模型能迅速适应变化并进行高效分析，动态优化决策和科学配置资源，提升效率。这些突破性特质和能力推动了产业场景应用创新，为大模型转化为现实生产力提供了坚实基础。数据显示，2024年全球大模型市场规模达到280亿美元，未来五年复合增速将达到36.23%。

大模型的发展与行业应用概况

我国大模型发展得益于政策支持、算力进步与市场需求的共同推动。在建设数字中国背景下，国家从基础设施建设到应用场景拓展等多层面出台系列规划与管理办法，为大模型的研发与应用提供了顶层设计支持。如2023年发布的《生成式人工智能服务管理暂行办法》鼓励生成式人工智能技术在各行业中的创新应用，探索并优化应用场景，构建应用生态体系。其次，作为核心支撑，近年来算力的显著发展为大模型的训练与部署提供了强大保障，数据显示，2025年我国云计算市场规模将突破万亿元。各行业积极探索大模型应用，医疗诊断、教育、智能制造等领域的创新应用尤为典型（见表1），大模型通过赋能行业数字化升级和重塑产业生态，正在逐渐成为推动发展新质生产力的重要引擎。

资料来源：作者整理 表1 大模型相关应用场景与典型代表

大模型在商业银行中的应用场景及发展展望

商业银行大模型应用实践

鉴于大模型的卓越能力，银行积极探索并已在智能客服、智能营销、智能风控和智能办公等领域推出系列应用，赋能银行降本增效提质。

智能客服：重塑客户服务体验。智能客服是大模型在银行业率先落地的场景之一。传统人工坐席难以应对激增的客户咨询，而规则化的问答机器人又难以处理复杂的金融知识问询。大模型凭借其强大的自然语言理解 和任务完成能力，提供全天候的智能客服。

招商银行与通义大模型合作推出的智能客服能够进行自然流畅的多轮对话，精准理解客户意图和情绪，检索知识库并给出专业解答和帮助，针对开户、理财、信用卡等高频咨询，准确率超95%，日均对话量超一百万次，替代三千名人工坐席业务量，极大降低了运营成本。

智能风控：筑牢风险防控屏障。风险管理是银行的生命线，以规则为基础的传统风控模式难以应对日益复杂的内外部风险[1]。多模态大模型通过数据处理和动态学习，从海量异构数据中实时分析客户交易数据、行为模式、资金流向及关联网络，动态检测异常交易、识别并拦截可疑交易；通过自学习更新风险特征，极大提升风险预警能力，重塑风险管理体系。

微众银行应用反洗钱大模型，从资金流水、行为序列等海量数据中自学习洗钱交易模式，结合行内外风险事件知识库，实时甄别可疑交易，大幅提升可疑交易捕获率，有效降低误报和漏报率[2]。

智能营销：提升服务精准度。银行传统的营销方式单一且粗放，同质化严重，难以满足客户个性化需求。大模型通过海量数据学习，提取深层次特征，精准构建客户画像，帮助银行挖掘客户，并推送“千人千面”的商机营销方案；同时解析客户数据、识别潜在需求并评估策略执行效果，解决传统营销中策略不透明和效果难量化的问题，实现全旅程精准触达[3]。

北京银行与华为联手推出的营销大模型通过分析客户行为轨迹，洞察客户需求并推荐个性化产品与服务，同时自动生成邀约消息文案，根据反馈实时优化策略；通过策略复盘助手快速分析数据、评估效果并提出改进建议，大幅提升客户转化与交叉销售率，将经营策略分析时间从一天缩短至分钟级。

智能办公助手：赋能工作质效提升。数字技术加持下，智能办公已成为银行提升效率的重要手段，通过大模型对客服工单生成、金融合同、信贷评估报告等文档的自动化处理，有效缩短文档处理时间并有效减少人为错误发生；大模型还应用在工作总结、会议纪要及通知撰写等办公文档处理场景中，为员工提供了高效的办公支持；利用大模型深度学习、推理和内容生成能力，从对话记录等非结构化文档数据中智能地抽取知识，自动完成知识库的维护和更新，助力企业知识库建设。

中国建设银行的方舟大模型助力智能客服工单生成质效提升，每单平均节约时间15-20秒，可用率达82%，一致性达80%；积累了知识素材82.9万份，为集团员工提供咨询服务支持。

此外，大模型还广泛应用在投研分析、交易执行等领域，推动银行业向更高效智能的方向迈进。如招商银行“AI小研”智能投研助手破解了信息检索和分析繁琐难题、交通银行“同业间资金交易智能机器人”提升了询价精度和交易效率等。

商业银行大模型应用发展展望

人工智能正在深刻改变银行服务和运营模式，随着技术的不断革新和应用场景的持续拓展，大模型必将在银行数智化转型和服务创新中扮演更为重要的角色。

数字产品研发领域。大模型技术的应用将革新数字产品研发范式，辅助银行研发人员完成需求分析、用户界面和交互设计、编程、测试等任务，助力产品研发向智能化进阶。

第一,需求分析。传统的需求分析主要依靠个人的解读和理解能力，受制于需求来源可靠性、信息覆盖全面性、文字表达准确性等影响，需反复沟通，耗时耗力。大模型可借助海量数据准确解读模糊、非结构化的需求，梳理需求间的逻辑关系，清晰准确地输出需求；结合业务目标、急迫程度等因素提出需求开发的优先级建议；通过跟踪产品上线后客户使用情况，结合同业最新动态、相似项目经验，提炼产品优化建议。

第二,用户界面和交互设计。在用户界面及交互设计中，多模态大模型能够为设计者提供强有力的技术支撑。通过海量的数据训练，分析用户的交易行为、使用习惯、个人偏好等多维度数据，大模型动态调整界面的布局、元素及交互方式，实现标准化框架下的个性化界面；通过大量的界面及交互设计实例训练，大模型可辅助设计师快速精准进行用户界面绘制和交互设计，还能在后续的设计走查中根据大量的用户反馈快速定位设计中的问题并做出调整，提高需求和原型设计质效。此外，通过持续学习海量的优秀用户界面设计案例，多模态大模型能辅助建立科学的用户界面设计规范，大大降低人工成本。

第三,代码编程。大模型可以依据需求功能描述生成基础代码框架及复杂的场景化代码片段，作为人工编码的辅助，开发者输入部分代码后，大模型根据上下文理解和代码规范自动补全后续代码；代码调试方面，大模型可通过分析错误提示和代码片段，提示错误产生的可能原因；通过分析代码的执行过程，找出可能存在的性能瓶颈或缺陷并提供改进建议；版本管理方面，大模型可根据代码的修改内容自动生成修订记录，方便项目成员了解代码迭代过程。

第四,自动化测试。大模型技术发展为测试提质增效带来新的思路，通过人机交互，测试人员引导大模型准确理解并辅助执行测试任务，自动生成测试计划、案例及报告，与人工测试相比，大模型在测试场景覆盖方面也具有明显优势，避免因人工惯性思维局限而造成场景遗漏；测试工作涉及大量繁琐的文字工作也因大模型的引入而大幅减少，测试人员可将更多的时间精力投入到更富创意和成效的工作中去。

资源配置领域。大模型在银行资金、人力、物力等资源的科学配置方面也大有可为。通过分析交易数据和经济数据，综合宏观经济形势和政策，大模型可帮助银行提前了解市场流动性状况，合理调整资金结构和头寸，降低流动性风险；结合市场热点、业务量波动、业务复杂度、员工技能等因素，大模型可预测不同时段、不同渠道的客流量和业务需求，辅助网点和客服中心制定出更科学合理的排班计划，确保人力资源的充分利用；基于人口分布、发展水平、同业布局、客户行为等大数据，大模型能评估不同地区的金融服务需求及潜力，为银行规划网点的数量、位置和规模提供决策参考；通过分析终端设备的使用和故障概率，合理安排设备的采购和更新计划，确保设备资源的充足和高效运行。

智能投顾领域。 传统的银行投顾服务因其模型存在数据信息量有限、模型封闭、成本高、效率低等问题而表现得不尽如人意，相较于人工提炼投资因子，大模型通过深度学习和逻辑推理，结合客户风险偏好、资金规模、业绩表现、行业政策及市场动态等信息，可为投资者提供稳健高效、智能可靠的投顾建议。

潜在风险分析及应对措施

大模型在提高信息处理、数据分析和预测能力的同时可能带来新的风险隐患，包括自身技术衍生的风险、与金融业深度融合形成的潜在风险等，银行应未雨绸缪，及早关注并制定应对策略。

潜在风险分析

大模型自有风险衍生至金融领域。第一,数据安全风险。数据是大模型训练反馈循环中的基本要素，其来源的多样性和复杂性易导致数据错误、缺失等问题，银行高度依赖数据，需要使用大量的金融信息等隐私数据，增加了泄露数据和隐私侵犯的风险，引入大模型时，如何确保数据安全是银行必须解决的问题。

第二,“幻觉”可信度风险。大模型的核心能力是基于大量已有数据通过概率模型进行模仿和预测，输出有一定的随机性，出现“幻觉”的可能性始终存在。输出内容可控性方面，大模型虽拥有强大的通用泛化和内容生成创造能力，但也因“幻觉”导致输出结果的不可信和不可用；算法具有较强的“黑箱”特征，生成结果的原因和逻辑很难被解释和还原，若训练数据没能及时反映市场变化，客户可能在环境变化时作出误判，银行也难以在关键领域的事前、事中、事后环节进行有效的风险管理、算法归责和法律救济，有损金融机构信誉和客户利益。

此外，金融大模型算力设施存在成本高昂、规模不足、自主可控受限等挑战。算力成本方面，金融大模型私有化和国产化部署的要求会给金融机构带来较大的成本压力，搭建和维护基础设施所需的硬件、能耗及人力成本高昂；算力规模方面，金融大模型快速发展，参数规模已达万亿级，亟需建设规模更大、效率更高的大模型算力集群；自主可控方面，相较于全球领先水平而言，国产AI芯片在生态、稳定性、算力等方面仍存在一定差距。

大模型与银行业深度融合衍生的潜在新型风险。在美国金融稳定监督委员会2023年发布的年度报告中，在金融服务中使用人工智能，被列为可能威胁金融稳定的一项风险隐患。一方面，金融机构对科技公司提供的基座大模型依赖度增加，形成了新的供应链脆弱性，可能产生新型“大而不能倒”风险，一旦服务商出现问题，将影响金融系统的稳定性，削弱了金融机构的自我发展能力；另一方面，大模型在市场分析和预测等领域的应用，可能导致市场参与者的决策趋同，加剧金融市场的羊群效应和波动幅度，增加市场不稳定因素。此外，大国博弈背景下，大模型还可能被用作网络攻击的工具，如制造虚假的交易数据，操控金融市场走势或预测模型，带来更加复杂和严峻的金融安全挑战。

大模型缺乏伦理约束引发的社会危机风险。大模型的训练和输出均受源数据质量的影响，数据质量参差不齐、特征选择不当和算法设计缺陷等易引发算法偏见与歧视等伦理问题。如果源数据中存在偏见或错误，银行在信贷审批、资产配置、交易放行等关键决策场景时，大模型驱动的应用可能有意或无意地输出不公正或偏见的结果。算法偏见对某些群体产生不公正的影响，有损社会公平和伦理道德，如苹果高盛联合推出的“苹果信用卡”就引发了算法性别歧视的激烈争议[4]。

应对措施

银行应关注新技术、新生态带来的潜在风险，通过共建共治共享、技术创新、产业联盟等措施，拓展和丰富大模型的创新应用，共同促进产业链的健康发展。

推进大模型安全风险的协同治理。一是坚持“以人为本、科技向善”，构建包容审慎、分类监管的治理体系。随着金融科技的快速发展，银行风险管理变得更加复杂，政府和监管部门应做好规划、政策、法规层面的顶层设计，制定伦理治理框架、准入及管理制度；行业协会应完善行业标准和测评体系、自律规范并鼓励行业的优秀实践，提高行业自治能力。

二是积极响应监管要求，落实安全治理主体责任。银行应严守风险底线，建立健全管理制度和操作规范；全面评估大模型风险，构建全生命周期的风险防控体系和决策机制，根据风险类别分类施策；注重对大模型知识产权的法律保护，明晰科技企业、金融机构、用户等参与方的权责。

三是提升参与方的安全素养。强化大模型从业人员的法治意识、职业操守和伦理素养，在监管框架下创新研发，引导技术向善；科技企业和金融机构应探索以主流价值缓解算法焦虑，传播安全知识，提高舆论引导能力和公众的安全素养；培育“四共”（共商、共识、共建、共享）数据治理观念，凝聚数据治理合力。

总之，建立健全政府主导、监管指导、行业引导、主体自治、公众参与、法治保障的综合治理机制，为大模型健康、安全和可持续发展保驾护航。

夯实技术底座，探索业数技融合的敏捷响应新范式。第一，完善数据治理机制，充分发挥数据要素价值。一是银行应建立数据分级分类访问和使用机制，实现关键领域数据信息的全链条管控，保护个人隐私；二是采用访问审计等手段动态监控数据的访问、使用和流动情况，及时预警异常行为；三是加强源头数据信息共享，规范入网渠道和标准，畅通共享通道，促进数据的互联互通和开发应用，为大模型应用提供高质量的数据支持[5]。

第二，探索企业级集中运营，实现降本增效提质。金融大模型需要海量、优质、多领域的语料数据进行定制化训练，银行应探索大模型企业级运营，赋能业务创新和效率提升。通过对语料数据“机器+人工”的动态调优，提高数据加工处理的自动化程度和质效；建立跨条线的业数技融合敏捷响应机制，提高大模型的迭代速度和市场响应能力；根据金融应用场景的时效要求，灵活适配算力底座，构建高效和灵活的金融大模型。

此外，银行还可从提升数据质量、算法优化、增强模型透明度等环节着手，通过引入向量数据库、检索增强生成、知识蒸馏等技术精炼模型逻辑，建设可持续发展的大模型研发范式，研发高可靠、低幻觉、轻量化和专业化的金融大模型，提高模型透明度，增强生成结果的可信性和可追溯性[6]。

加强与科研院校、科技企业合作，推动金融与科技融合。第一，积极参与大模型生态共建，共同推进产业健康发展。一是银行应与科研院校、大模型研究机构密切合作，通过共建实验室、开设人工智能课程等方式，培养“AI+金融”复合型人才，共同研发新算法或优化现有模型，促进学术成果在银行领域的落地转化；二是促进技术研发、数据及市场信息等资源的共享，促进大模型技术的协同发展和应用，提高金融业服务效率和风险管理能力；三是通过引入前沿算法、模型和技术，发挥自身数据、场景、客户等要素禀赋，探索差异化发展路径，做好创新储备，加快推进DeepSeek等国产开源大模型在银行业的本地化部署与规模化应用。

第二，积极捕捉营销商机，加大金融赋能力度。大模型基础建设投资巨大，涉及数据、算法和算力等上下游产业链，银行应积极关注算力设备生产商、深度求索、华为、阿里等科技企业及数据中心面临的发展机遇，加大金融支持力度，助力国产大模型做大做强，实现人工智能新质生产力的自主可控。

结语

大模型正逐渐成为引领未来金融变革的新引擎，商业银行须以开放创新、融合发展的姿态积极拥抱新技术，乘风而上，推动银行业数智化转型的变革性发展。坚持安全与发展并重，通过关键场景先行先试、构建行业大模型能力体系、健全大模型治理机制等举措，快速突破形成标杆、打造差异化竞争优势，促进人工智能创新发展；坚持“技术+生态”双轮驱动，技术上加强自主研发，掌握大模型核心底座，生态上广泛开展产学研用合作，通过生态共建共享共治、多方协同等多措并举，助力金融内涵式高质量发展。

【参考文献】

[1]祝世虎.金融业智能风控需要主动拥抱大模型[J].中国金融电脑,2024(1):34-35.

[2]苟志龙.大模型实践探索——银行业布局与战术路径[OL]. https://m.it168.com/articleq_6855225. html,2024-07-01.

[3]张云基.联邦大模型在金融领域的应用研究[J].金融电子化,2024(12)上.

[4]黄震.人工智能金融应用的风险及法律治理[J].金融电子化,2024(11)上.

[5]钱斌.以人为本，智能向善，描绘数字金融新图景[J].金融电子化,2024(8)上.

[6]中国人工智能产业发展联盟金融行业推进组.金融大模型落地路线图研究报告（2024）[R/OL].https://m.book118.com/html/2025/0125/8103113106007025.shtm,2025-01-25.

作者：陈红淇 吴映君 黄艳 刘柏清，中国建设银行广州电子银行研发中心，其中陈红淇系研发中心副主任