哪里可以杠杆炒股要拥抱“有约束的创造力”

专题：服贸会第七届中国金融科技论坛

　　中国国际服务贸易交易会-第七届中国金融科技论坛于2025年9月10日-11日在北京举行。主题为“科技赋能—金融业数字化转型与应用”。华夏银行科技开发与运行中心总经理兼数字金融管理部总经理寿弘宇出席并演讲。

　　以下为演讲实录：

　　刚才听了陈院长精彩的演讲特别有启发，既有高屋建瓴的顶层设计，又有场景实践的深入探索，很多观点跟我们高度契合，我个人也深受启发，我的发言和陈院长相比，相对来说比较具体，是我们自己科技条线在一些点位上的思考，不当之处请各位专家多批评指正。

　　这两年人工智能，特别是大模型，整个社会的关注度都是到一个前所未有的高度，也是给科技赋能业务提供了很多的想象空间。我们科技部门也在思考，金融行业有它的特殊性，除了追求技术进步之外，更要兼顾场景应用的安全、合规和实际价值。我们梳理的时候，感觉主要有以下几方面的挑战：

　　首先是大模型的幻觉和金融行业高确定性特点上的矛盾。我们搞技术的同事有时会追求模型的“大而全”，好像觉得参数越多、功能越全就越先进、越好。其实对于业务端来讲，它更希望有“专而精”的方案，能够解决实际的业务问题，同时能控制风险。在这方面来讲，我们的观点是，要拥抱“有约束的创造力”，不追求大而全，更致力于专而精。一些低风险的场景，比如说像文档生成、会议记录，基础大模型就可以解决；但是有一些业务决策、风险管理等核心业务的高风险场景，我和陈院长的观点一致，还是需要大小模型协同，甚至有一些环节还要加以人工的校验，技术应用加人工兜底，才能够确保应用的安全。

　　第二，数据。因为大模型需要数据当食粮，也会面临数据的开放需求和金融隐私安全方面的问题，因为有一些金融数据会涉及到客户的隐私和合规要求，没有办法直接来训练，当然我们也做了一些尝试，通过联邦学习，在加密数据空间里面联合建模，实现数据的可用不可见；使用合成数据技术生成脱敏数据，既满足训练需求，又保障数据安全；另外通过模型微调和蒸馏，把大模型的核心知识，提炼到本地的小模型里边去，实现轻量化的部署，减少外部数据连接和传输的风险。

　　还有就是金融行业全面拥抱AI时代，需要有长期的布局，同时业务上又希望能快速看到效益。这就需要提前做好企业级AI战略的顶层设计和全局谋划，同时我们科技条线也应该主动拥抱这个时代，去做必要的改变和适配。比如说在整个科技的组织架构上，要建立灵活应变、深入业务的架构，更贴近业务；加强业绩融合的人才的培养，使得业务和技术能够理念趋同，言语共通；在场景的选择上强调业务价值导向，确保短期收益的要求能够变现落地，才能得到业务持续的理解和支持。业绩融合携手共进，共同促进场景和生态繁荣，实现“短期见效、长期筑基”。

　　从场景上来讲，大模型应用上来讲，我们觉得很多单位都会陷入到一个试点陷阱，做了大量的试点，但是它很难复制、推广。所以我们的观点是不追求场景的数量，不要唯数量论。比如说100个10个人的场景，它的价值不如10个1000人的场景，这是一个很简单的逻辑。

　　因为这个领域现在投入是很大的，银行也是一个金融机构，它要考虑投入产出比，所以这一块我们一定要确保场景是可复制、可推广的，让大模型的应用真正的能融入业务，并且持续的创造价值。

　　这张是我们的一个示意图，它不是一个技术架构图，只是我们的一些观点的体现，最上层还是企业的发展战略和业务规划，通过战略透视和业务的深层解码，我们才能更具化、聚焦应用场景。在能力层我们更关注的是智能体管理和知识中台的管理，知识中台我们觉得是破解模型幻觉，构建信任机制的一个关键；智能体管理通过感知推理和行动一体化，希望可以更主动预判和响应业务需求，更有效提高服务精准性；最下面是平台资源层，从算力、模型为上层应用提供基础保障。

　　这张图前面也讲过了，包括科技条线需要做的几个转变，重复的我就不再赘述了。另外就是对于场景的理解上，因为金融机构面对场景的需求，其实是很旺盛的，全行征集需求大几百个，但是面对越来越精益化的科技投入产出管理的要求，面对各种资源包括复合型人才资源的短缺，我们怎么科学、有效并且敏捷的调配资源，以产生最大的业务效能，对我们是一个很核心的挑战。所以我们也把场景做了分析，分了速赢区、攻坚区、深水区几个类别。

　　速赢区，主要还是以基础大模型为主，我们也搭建了相应的环境，通过大模型能力和智能体平台，主要是提升员工的生产力为主。这方面主要是一些代码自动生成，会议纪要生成，日常办公助手等等。这些我们觉得它的技术成熟度比较高，落地周期短，也能够快速地解放人力。

　　攻坚区，主要是在优化客户的交互和服务质量，需要运用RAG技术、领域大模型和智能体的规划调用，完成比如智能客服精准的咨询、个性化的营销话术生成、财富管理的产品匹配等工作，通过提升客户体验来增强业务的竞争力。

　　深水区，则面向复杂业务决策与风险合规场景，技术难度高、业务复杂度大，决策还需要极度审慎，单靠单一模型根本满足不了需求，必须采用“大模型+小模型”的组合，搭配多智能体协同，比如企业信用风险评级、供应链金融风险监控这些场景，需要整合行业数据、政策要求等多维度信息，单靠一家机构很难完成，也需要协同生态力量共同推进。

　　接下来我给大家分享几个典型的落地案例：

　　在智能营销领域，我们的“授信尽调报告辅助生成工具”依托“任务编排大脑”Agent，能实现授信调查报告分钟级生成；通过大、小模型融合保障报告的广度、深度与精度，把原来3-5天的报告撰写时间缩短到30分钟，效率提升95%以上。

　　客户服务领域的“超级客户经理顾问”，搭建了含多路混合检索、重排序与上下文压缩功能的智能体，通过提示词工程框架等控制生成内容、抑制幻觉，现在能减少50%的人工咨询量，对话满意度超过70%。

　　业务创新领域的“智能数据分析师”实现了NL2Semantics2SQL技术升级，打造出智能ChatBI与智能数据分析报告生成能力，完善了数据应用链条，非标准数据查询从原来的3天缩短到秒级，准确率超过90%。

　　办公运营领域，也使用了行业内一些很优秀的技术，语音催收质检采用mossformer2模型实现对话分离，基于FunASR开源框架完成语音识别，再搭配DeepSeek-R1-32B实现角色识别，现在覆盖率达到100%，违规识别准确率超90%，人工工作量减少了90%。

　　辅助研发领域，大模型通过提示词匹配支撑需求测试点、测试案例与测试数据生成，辅助软件测试生成了10万+测试点，每年能节省人力成本1000万以上。

　　这些案例虽然覆盖了不同领域，但核心逻辑是一致的，都是“场景驱动、技术适配”，这也一定程度印证了我们目前落地路径的可行性。

　　最后想跟大家汇报的是，华夏银行科技条线在这一轮AI技术变革浪潮中，会始终秉持着这样的理念：“以敬畏之心，驾驭AI之力；以业务之尺，衡量创新之效。”未来，我们也期望能和行业同仁们携手，一起共同探索金融大模型的更多可能。

　　谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。