作 者 | 百融云創研究院

來 源 | 九卦金融圈

一、AGI的9年之約

最近的紅衫資本AI峰會廣受關注，會上OpenAI研究員丹·羅伯茨 (Dan Roberts)為了更直觀地展示當前模型的推理水平，設計了一個巧妙的思想實驗：讓1907年（廣義相對論提出前）的阿爾伯特·愛因斯坦嘗試解答一道關于廣義相對論的期末考試題。

結果顯示，O3模型已經能夠在一分鐘內解決復雜的教科書級物理計算。而愛因斯坦本人，則需要大約8年的時間才能“發現這個問題”。愛因斯坦的思想實驗可以作為衡量當前AI推理能力的標尺。

紅杉資本的合伙人康斯坦丁提到“人工智能可以完成的任務長度每7個月翻一番，呈指數增長”。基于此，丹進行了一個大膽的推斷：從當前模型能處理約1小時任務的水平，到達到愛因斯坦思考廣義相對論所需的8年時間（大約需要16個翻倍周期），這意味著“在9年內，人類將擁有一個能夠發現廣義相對論的模型。”

雖然人類去預測AI的發展從來沒準確過，但業內認為AGI面臨前所未有的可能，因為關鍵的要素條件已經具備：計算能力、網絡、數據、分發渠道、人才等。

二、AI微笑曲線的演化：

從技術主導到場景驅動

主要趨勢為：

技術輕量級：模型壓縮、邊緣計算、MoE架構等技術突破，使千億參數模型可部署至普通服務器

場景深化：通用大模型向垂直領域滲透，通過全量微調、RAG檢索增強等注入行業知識，形成“開發-場景化-營銷”新曲線

我們從今年第一季度大模型中標項目分布也可以看出，算力類項目披露金額為160565萬元，金額占比65.1%，應用類項披露金額為61540.8萬元，占比為24.9%，兩者合計占大模型產業價值的90%。

“智能體經濟”成資本新寵兒。紅衫資本的合伙人康斯坦丁說，“智能體不僅僅交流信息的經濟形態。它們轉移資源，可以進行交易，跟蹤彼此，理解信任和可靠性，并且它們實際上擁有自己的經濟體系。”康斯坦丁強調，這個經濟體系“并沒有排除人類，它完全是為了人類”，是一個人與代理深度協作的新生態。全球客戶的關注點從“能用的工具”轉向“能寫入利潤表的實際結果。

另外AI和大模型已經被普遍接受，逐步形成用戶行為的演變：AI從嘗鮮到依賴，融入日常工作流。越來越多的行業，越來越多的人正在從人工智能中獲得價值。

三、銀行的AI場景深化難度不在技術

AI場景深化往往面臨從概念到機制到監管各維度的問題，障礙很多，但障礙中唯獨沒有技術。

概念：基礎大模型如何為我所用？大模型和大模型平臺有啥關系？

財務測算：我為AI花的錢，怎么賺回來，如何衡量AI產品的ROI？

崗位人才：場景建設與測試本身也是強化學習一部分，不是簡單工作流可以實現，誰來做這件事？ 業務人員還是科技人員，如何形成合力？

監管：監管是否進入AI時代？大模型的應用是否有容錯機制？誰能保證大模型不出幻覺？

針對上述問題，我們有一些觀點供參考：

1、只有基礎大模型難以滿足場景化需求

我們可以看下面這張圖，大模型應用場景Agent建設需要精密的工程化集成。紅字部分是大模型，但是只占整個建構非常小的一部分。除了大模型，還需要各類專家模型的輔助，才能提高智能體響應的準確程度。

表：各類專家模型輔助大模型

圖：Agent建設需要精密工程化集成

2、沒有一個模型適用于所有場景

Agentic AI 如DeepSeek:

優勢：推理和規劃能力強，擅長代碼生成、數學計算、結構化思考、長文寫作

不足：耗時長、原有prompt無法復用、長Prompt容易被干擾

適用場景：代碼助手、策劃/寫作、規劃/推理、數據合成/標注等

Conversational AI

優勢：響應快、對話方式自然、任務的覆蓋豐富度更高、對RAG任務的支持更好

不足：推理能力不足、計算和邏輯不可靠

適用場景：對客溝通、基于知識庫的問答

我們比較了各類模型在國內外知名金融考試中的表現，DeepSeek在準確度上表現最優。

但是在智能語音交互場景，DeepSeek由于高延時和非口語交互風格，表現比百融主動營銷大模型BR-LLM-ProActive遜色很多。

注：500個營銷對話生成記錄由業務人員按照回復效果進行打分， 0分代表答案不好；1分代表答案普通；2分代表答案優秀。

3、投入產出比，換個角度去思考

在評估 AI 價值的過程中，若單純以工具思維考量，投入產出的測算往往充滿復雜性與不確定性。工具思維下，AI 常被視作一種輔助手段，其價值融入整體業務流程，難以精準剝離與量化。例如在一些傳統制造業引入AI 進行生產流程優化時，很難確切分辨最終效益提升中，多少是 AI 帶來的直接貢獻，多少是其他環節改進的結果。

然而，將 AI Agent 視為數字員工，為價值創造評估開辟了新視角，使其變得更具可衡量性。

以營銷或催收這類垂直業務場景為例，從成本維度深入剖析，百融云創所提供的 AI 坐席，成本不到人工坐席的 10%。在營銷場景中，人工坐席每天需投入大量時間篩選潛在客戶，而 AI 坐席能夠憑借高效算法，瞬間完成海量客戶數據篩選，精準定位高意向客戶，大大節省了時間成本。

從產能層面來看，AI 坐席產能出眾，能夠達到人工銷冠產能的 80%。在催收場景中，AI 坐席可依據欠款客戶還款歷史、消費習慣等多維度數據，制定個性化催收策略，在合規框架內高頻次、高效率觸達客戶，其每月成功催收款項金額接近人工銷冠水平，甚至在某些月份，超越人工坐席平均產能。

這不僅體現了 AI Agent 在特定業務場景中的高效能，更直觀呈現出清晰可辨的價值創造能力，讓企業在評估 AI 投入時，能夠依據成本與產能的直觀數據對比，做出更具針對性與科學性的決策 。

結語：

銀行要實現智能化，實現大模型的深度場景化，其實功夫在詩外，其順序應該是文化 - 人才 - 流程 - 數據 - 智能。

文化是銀行智能化轉型的基石，它塑造著銀行的價值觀與行事風格，深刻影響著轉型的方向與成效。一個鼓勵創新、勇于嘗試的銀行文化，能夠讓員工積極接納新觀念、新技術，為智能化轉型營造良好氛圍。反之，若銀行文化保守、抗拒改變，即便引入先進技術，也難以充分發揮其價值。

人才是推動銀行智能化轉型的核心動力。大模型的深度場景化需要多領域專業人才協同合作，既要有深諳金融業務的專家，又要有精通人工智能技術的工程師，還要有能夠將業務與技術緊密結合的復合型人才。

流程的優化是銀行智能化轉型的關鍵環節。傳統銀行的業務流程往往繁瑣復雜，存在諸多手工操作與重復勞動，這嚴重制約了智能化技術的應用效能。通過對業務流程的梳理與再造，利用智能科技簡化操作環節、提升處理效率，能夠為大模型的深度場景化提供有力支撐。

數據是銀行智能化的 “燃料”。優質、豐富的數據是大模型發揮作用的基礎。銀行需要建立完善的數據管理體系，對海量的客戶信息、交易記錄等數據進行收集、整合與分析。只有數據質量高、覆蓋范圍廣，大模型才能學習到更準確、全面的知識，從而在風險防控、客戶服務、產品創新等場景中提供更具價值的服務。

當文化、人才、流程、數據等基礎工作扎實推進后，智能的實現將水到渠成。