“當前全球在大模型及應用場景的研究，正處于類似寒武紀生命大爆發的階段，基礎模型（下稱‘基模’）迭代速度極快，應用百花齊放，各類公司都在積極探索，殺手級基模、超高智能基模及眾多高質量應用將在短時間內出現。”7月18日，在2025騰訊云金融數智峰會期間，騰訊云副總裁胡利明在接受經濟觀察報等媒體采訪時如此描繪金融IT（信息技術）的變革態勢。

胡利明表示，當前金融IT發展的主脈絡可濃縮為“國產化”與“智能化”兩大關鍵詞，二者正共同推動行業進入全鏈條升級階段。

國產化深化與智能化突破

近年來，金融機構數字化轉型需求持續加大，覆蓋范圍已從銀行、證券、保險延伸至消費金融、融資租賃等機構，且對整體推進節奏提出了明確要求。

胡利明表示，這一趨勢直接催生了2025年相關項目的爆發式增長：券商、保險機構在國產數據庫選型、云平臺選型、硬件采購及新核心系統ISV（獨立軟件開發商）合作上的項目數量顯著增多。不少為保險和券商開發核心系統的ISV因項目過多應接不暇，業務量呈現指數級增長。

“未來幾年仍是國產使用的高峰窗口期。技術架構建設的投資是必要且必需的，即便整體IT投資有所縮減，國產化相關投入也會得到全力保障。”胡利明表示，新的增長機會主要集中在兩方面：一是區域性銀行；二是除頭部機構外，大量中尾部券商、保險及消費金融、融資租賃等機構才剛剛啟動相關規劃，整體市場空間廣闊。

作為IT基礎設施的核心部件，數據庫因存儲客戶數據賬戶、承載交易等關鍵功能，成為金融安全各層面的關注焦點。當下，數據庫的國產切換進程正不斷深化。胡利明表示，近一年，國內數據庫廠商數量減少了60多家。金融機構更傾向選擇頭部廠商的成熟產品，這類產品需經過大量業務驗證、長期穩定性考驗，并通過安全可靠測評、供應鏈測評等權威認證。以騰訊云為例，其分布式和集中式數據庫在2023年均通過安全可靠測評，2025年又達到軟件供應鏈安全最高標準，已服務超100家銀行及近200家專有云客戶。

從智能化來看，DeepSeek（深度求索）的出現成為AI（人工智能）大模型在金融行業落地的重要轉折點。據胡利明觀察，在此之前，行業對AI大模型的探索思路并不清晰：優質底層模型如OpenAI未開放，開源基模能力不足，閉源模型質量參差不齊，能實現調試優化的廠商極少，導致大模型應用更像“廟堂之上的嘗試”，即頭部機構有較大投入、中小機構多持觀望態度。

DeepSeek推出后，開源基模能力接近OpenAI，大模型技術得以“走進千家萬戶”。在胡利明看來，大中小金融機構都能以低成本快速開發應用，呈現百花齊放態勢，但探索仍較粗放：不少機構的不同部門開發了幾十個Agent（基于AI技術開發的智能代理程序），多數僅能滿足基礎體驗，在業務環節中準確率低、實用性差，僅在知識庫、簡單問答、無需復雜思考的工作流程等場景，應用效果相對可靠。

胡利明表示，頭部或技術能力較強的機構已進入深度探索階段，AI應用正沿“四階段”演進：從“能聊天”到“能干活”，再到“自主規劃”，最終走向“多Agent協同”。例如，讓Agent研究產業板塊的資本市場機會、對比個股，再調用量化交易模塊自主完成規劃與執行，實現價值閉環。

成熟場景顯現 深水區挑戰待解

當前，以大模型為代表的AI技術已成為驅動金融行業數智化轉型的核心變量，部分應用已在業務場景中展現實際價值并成熟落地。

胡利明以代碼助手為例，這類基于大語言模型、自然語言處理和代碼生成技術的工具，在金融機構代碼開發全流程中表現突出，包含提供問答、代碼補全、編寫、測試用例生成及測試執行等全方位支持，顯著提升了開發效率。同時，企業對內、對外的知識庫應用也較為廣泛。此外，在券商領域，初級的投顧、咨詢、輿情等分析也相對成熟。

從風控和交易領域看，胡利明表示，交易領域的大模型應用目前尚處于早期，券商仍在規劃研究階段；風控領域已有相關嘗試。騰訊云團隊開發的風控大模型（MaaS模型），融合了以往專家決策模型的經驗、風控知識的向量化特征數據，以專家模型為“老師”，結合高質量數據訓練出風控決策大模型。該模型參數量雖不及大語言模型，但整合了決策模型與語義分析能力，智能性高于傳統決策模型，能同時結合語義與數字因素做決策。

胡利明表示，目前，該風控大模型已應用于零售業務領先的商業銀行及頭部消費金融機構，具備舉一反三能力，少量樣本即可快速適應新場景，且在多個場景中，對用戶的識別區分度提升了10%—20%，成為風控領域較受歡迎的合作模式。

針對大模型應用中存在的幻覺問題及風控模型共振等風險，胡利明坦言，在對準確性要求嚴苛的金融行業及C端（個人消費者）服務中，模型幻覺確實是棘手難題。“當前大模型尚無法完全解決這一問題，因為基模仍在快速迭代，而準確性、精確性與智能化之間存在天然的權衡，即過度追求嚴謹可能會降低智能化水平，因此需要找到平衡。”他說。

騰訊云在實踐中通過多種工程手段優化，例如采用多模態不同場景的驗證、不同決策模型結果的驗證，在輸入輸出環節嵌入安全模型以判斷內容合規性，并對前后回答的一致性進行校驗。“但這些措施只能解決部分問題，完全消除幻覺仍是業界尚未攻克的難題。”胡利明說。

戰略級布局+階梯式推進

當前銀行、證券、保險機構對AI投入都很積極，許多高管將其置于戰略高度，投入規模屬“戰略級”。

胡利明表示，在投產比方面，機構更關注“階段性跑出可用場景”。戰略規劃時投入設想可能較大，但落地時會謹慎細化資源分配。騰訊云在合作中常協助客戶優化投入，溝通戰略合作時，客戶最初提出的資源需求往往較大，經雙方團隊梳理合作范圍與路徑后，通過規劃算力池、平臺及軟件的最優配置，最終執行預算常能削減一半以上，在保障效果的同時顯著降低成本。

然而，隨著探索的深入，從通用能力向核心業務場景的遷移，到小模型與大模型的協同優化，再到企業內部數據體系的打通與治理，諸多難題仍待破解。“多數金融機構‘數據 For AI’的體系尚未打通。”胡利明表示，要讓AI在金融機構的業務環節深入發揮作用，不能只依賴通用大模型，必須依靠機構自身獨特的專業數據集。例如，復雜信貸審批、精準風控等場景帶有強烈的行業專業性和企業個性化，通用大模型缺乏這類定制化知識，無法直接勝任。

對此，胡利明建議金融機構構建“小模型+大模型”的協同體系：先打通并治理數據，建立可用的數據集；再用這些數據，通過強化學習、監督微調等技術，訓練出處理細分環節（如意圖識別、專業文檔分析）的小模型；最后讓小模型負責專業任務，通用大模型負責內容生成，組合成有實際價值的智能體。這一過程需要一定時間探索。

胡利明表示，從具體實施路徑來看，智能化架構的搭建需要“模塊化規劃、階梯式推進”：底層需夯實算力基礎設施，如分布式存儲等；中層要搭建靈活的訓推平臺；上層則聚焦各類業務場景的應用開發。每個環節都需明確時間節點、責任主體和驗收標準，形成可量化、可追溯的實施鏈條。

胡利明表示，應用探索更需遵循“從易到難、小步快跑”的原則：初期選擇對技術成熟度要求較低、業務價值明確的場景，如內部知識庫問答、標準化客服響應等，通過快速上線驗證效果、積累經驗，向高層和投資方證明轉型價值；待團隊能力與技術儲備成熟后，再逐步向風控決策、復雜營銷等高難度場景滲透。

胡利明總結，金融智能化落地是一場“持久戰”，頂層規劃決定方向，協同機制保障執行，階梯式探索控制風險，三者缺一不可，才能在高額投入與長期回報之間找到平衡，真正實現從“技術試點”到“規模化價值創造”的跨越。

（作者 劉穎）

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。

劉穎

經濟觀察報金融市場新聞中心記者，關注銀行、消費金融、平臺金融、AMC、融資租賃、擔保等領域。