2025年12月28日，中国财富管理50人论坛2025年会暨国研平台第三届“AI+金融”峰会在京召开。中国工商银行金融科技部总经理杨龙如出席并发表演讲。

　　杨龙如认为，以智能体为代表的人工智能大模型技术，正在推动金融业从“+AI”向“AI+”的系统性变革。工商银行构建的“工银智涌”大模型技术体系，已经成为全行智能体创新、运行、协作的企业级数智基础设施。然而，在推动AI大模型规模化创新赋能的进程中，高质量数据集积累、业务模式变革、大模型应用风险管控等多方面均面临严峻挑战，需要采取系统性应对策略。一是重视模型训练方法运用，提升模型适配能力；二是探索知识工程化路径，加强行业知识沉淀转化；三是拥抱模式变革，积极探索企业超级智能体的应用；四是强化风险管控体系建设，稳慎推动直接对客服务。

　　一、积极拥抱：工商银行大模型技术的应用实践

　　人工智能已上升为国家战略，“十五五”规划建议也有所阐释，特别是今年8月，国务院发布的《国务院关于深入实施“人工智能+”行动的意见》，强调人工智能是新质生产力的核心要素，提出了六大领域、八大支撑的发展框架，设定了到2027年人工智能与六大领域深度融合，新一代智能终端、智能体等普及率超70%，到2030年普及率要超90%的目标。“人工智能+”行动正在各行各业广泛开展，推动人工智能技术应用不仅是响应政策号召，更是时代赋予我们的重要课题。

　　工商银行积极拥抱人工智能技术，特别是大模型技术的应用探索。自2023年以来，在传统人工智能应用的基础上，工商银行围绕算力、算法、知识、应用范式、模型安全等核心的要素能力打造，构建了“工银智涌”大模型技术体系，已成为全行智能体创新运行协作的企业级数智基础。目前，在金融市场、市场营销、客户服务、风险管控等20多个领域，落地了500多个场景，取得了一定的工作成效。

　　二、风险挑战：场景落地应用任重道远

　　然而，在深度应用的同时，我们更加体会到要充分发挥人工智能的潜能，推进场景落地应用，仍然需要克服诸多的挑战。

　　一是基础模型无法满足银行业应用的实际需要。有行业专家认为，基模迭代更新的速度和能力提升足以快速解决行业问题，但目前仍看不到这种迹象。基模在部分通用任务上表现良好，但面对行业领域个性化高度复杂的特定场景时，其表现往往不佳。例如如果直接使用R-1模型去判断小微企业未来一段时间的违约风险，其预测结果的拟合程度往往差于专业模型。要想提升其解决问题的专业能力，开展对基模在特定领域的后训练或各类模型的组合应用，仍然是一项重点工作，需要投入大量精力去做。

　　二是高质量金融数据集仍然稀缺。尽管普遍认为银行数据丰富，但目前能为大模型训练应用的行业领域数据集仍然稀缺。银行在专业知识方面尽管有多年的积累，但普遍情况是各业务领域的数据相对分散、口径不一，专家经验、决策逻辑等隐性知识未能得到系统化沉淀，传统的技能知识表达，要转化为大模型可用的工程化的路径还不清晰，如风险管理领域，尽管风险管理是银行的核心专业，但要支撑深度的思维链推理，这些数据训练仍然不足，要实现应用的质效提升，找到高速运转的数据飞轮，仍是绕不开的一项基础工作。

　　三是业务模式变革仍是转型难题。从“+AI”的业务模式转变为“AI+”的业务模式已成为行业共识，但实现起来仍然困难重重。尽管AI技术已在多个业务领域得到应用，但许多场景仍表现出部门银行痕迹，功能相对独立、分散，未能有效贯穿客户服务或员工日常链条，限制了AI价值的最大化释放。近期，某互联网公司和手机厂商联合推出手机助手，提供了自然语言交互的超级入口和跨服务协同能力，展现出AI+服务的新形态，引起普遍关注和讨论。但想实现企业“AI+”模式的变革，如何激发业务模式变革的内生动力，仍然是企业推动变革的关键。

　　四是较好适配的风险管控体系尚未成形。幻觉和不可解释是大模型的固有风险，但大模型应用需要防范的风险远不止这些。新的模式创新也带来了新的风险问题，为实现高度个性化、情景感知，用户需要让渡身份信息等敏感数据，当手机助手同时访问多个银行APP、支付工具、社交软件应用的同时，可能引发跨应用攻击风险，成为新的风险形态。硅基智能替代碳基智能，引申出岗位定义、职责边界、责任归属等一系列问题，不可避免对既有的责权利体系带来冲击。人工智能规模化对客应用后的应急处置机制建设尚未得到足够重视，缺乏深度研究，适配的风险管理体系仍任重道远。

　　三、对策思考：推进金融业“AI+”系统性变革

　　一是重视模型训练方法运用，提升模型适配能力。DeepSeek发布后，运用强化学习等后训练方法，成为提升大模型高阶认知能力的重要手段，以更好的满足不同领域场景的需求。通过与环境持续交互和基于反馈的优化，在复杂问题中建立因果链条，增强可解释性。根据环境变化调整策略，建立自我修正机制，通过奖励机制提升回答质量。多种方式综合应用是提升模型解决专业问题能力的有效途径。

　　二是探索知识工程化路径，加强行业知识沉淀转化。高质量的知识是模型应用质效的基石，知识工程不是简单数字堆砌，需要建立统一语义、统一实体关联的企业标准，建立支持清洗、合成、质检融合的技术平台，明确组织职能分工和与之配套的管理运行机制，才能支持围绕业务目标把内部的专业知识深度与外部的广度和时效性结合起来，形成场景化任务导向的知识资源。内部知识沉淀企业的核心能力，外部知识拓展AI的泛化能力和认知边界，有效进行知识整合，才能更好推动大模型的应用。

　　三是拥抱模式变革，积极探索企业超级智能体的应用。种种迹象表明，构建面向人机协同的超级智能体已成为重要趋势，企业应积极探索超级智能体建设，一站式解决用户需求，实现模式创新，对内提升效率、对外优化对客户体验和价值创造，这种跨业务、跨服务、多任务协同的模式创新，从技术上打破了部门墙、机构壁，也是推动组织变革的重要抓手。

　　四是强化风险管控体系建设，稳慎推动直接对客服务。防风险、强监管、促高质量发展是金融工作主线，在推动AI应用的同时，投入更多资源，加强风险体系建设，提升风险管控能力的适配性。在为已知的幻觉、歧视等建立安全护栏的同时，还要识别应对应用模式创新带来的传统、非传统安全挑战，注重完善业务监测应急处置机制，在做好充分评估基础上稳慎推动直接对客服务，在实践中不断累积经验，探索新的业务连续性管理方法。

　　以智能体为代表的人工智能大模型技术，正在推动金融业从“+AI”的模式向“AI+”的延伸应用系统性变革，工商银行愿与同业及产业伙伴携手，共同探索金融智能化发展的路径，推动AI从工具辅助向智能协同演进。