每經(jīng)記者 張祎    每經(jīng)編輯 馬子卿    

2021年5月，富滇銀行與阿里云合作，啟動“滇峰計劃”，全面開啟數(shù)字化轉(zhuǎn)型，憑借數(shù)字化轉(zhuǎn)型的模式創(chuàng)新、轉(zhuǎn)型方案完整度、市場影響力及社會價值，成為城商行中依托數(shù)字化轉(zhuǎn)型實現(xiàn)業(yè)務(wù)經(jīng)營模式及服務(wù)范式轉(zhuǎn)變的典型案例。轉(zhuǎn)型期間，該行引入和實踐大模型輔助研發(fā)技術(shù)，持續(xù)探索中小銀行金融大模型實踐之路，在多個場景中實現(xiàn)了大模型技術(shù)應(yīng)用。

“2025年，在DeepSeek等基礎(chǔ)模型的革新推動下，大模型技術(shù)將重塑各行各業(yè)，其中金融業(yè)作為先鋒領(lǐng)域，將迎來金融專屬大模型應(yīng)用的元年。”日前，富滇銀行數(shù)字金融中心主任趙理明接受《每日經(jīng)濟新聞》記者（以下簡稱“NBD”）專訪時表示，在全過程開源、強化學習、自我反思、冷啟動與多階段訓練的多重加持下，DeepSeek將帶來巨大的成本優(yōu)勢和同等的效能，使得中小銀行也能獲得先進的算法資源。

富滇銀行數(shù)字金融中心主任趙理明

圖片來源：受訪者

在趙理明看來，中小銀行不必復制大型銀行的“重模型、全場景”的路線，而應(yīng)從“小場景、深融合、快迭代”的思路入手，取得非對稱競爭優(yōu)勢。同時，他強調(diào)，需警惕技術(shù)激進風險，盡管近期多家頭部大模型公司公布了各自的智能體框架，但穩(wěn)定應(yīng)用于商業(yè)場景尤其是銀行業(yè)，還需要較長時間的孕育磨合期。

如果不搞數(shù)字銀行，小銀行的本地網(wǎng)點優(yōu)勢就是一個“偽命題”

NBD：富滇銀行啟動“滇峰計劃”的初衷是什么？目前進展如何？

趙理明：從2017年開始，一些城商行已經(jīng)開始了數(shù)字化嘗試，以由點及面的方式穩(wěn)妥推進數(shù)字化轉(zhuǎn)型。而在今天，如富滇銀行等中小銀行顯然已經(jīng)沒有了這樣的時間和空間。在這場競賽中，面對的是一場非對稱競爭——隨著數(shù)字化技術(shù)在金融領(lǐng)域的滲透，特別是在這個“無界時代”，中小行與大行之間的差距實際上是在拉大。如果不搞數(shù)字銀行，小銀行的本地網(wǎng)點優(yōu)勢就是一個“偽命題”。

因此，我們經(jīng)過仔細調(diào)研和慎重討論，決定制定一場體系化、系統(tǒng)化的數(shù)字化轉(zhuǎn)型戰(zhàn)略，圍繞“組織、業(yè)務(wù)、技術(shù)”進行三位一體的全面轉(zhuǎn)型。2020年7月，我們出臺了《富滇銀行數(shù)字化轉(zhuǎn)型總體方案》，并在2021年5月全面啟動了“滇峰計劃”數(shù)字化轉(zhuǎn)型基礎(chǔ)平臺建設(shè)項目。

“滇峰計劃”數(shù)字化轉(zhuǎn)型項目以業(yè)技融合為依托，圍繞“前臺場景化、中臺智慧化、后臺云化”的企業(yè)級架構(gòu)轉(zhuǎn)型戰(zhàn)略，打造了“十大數(shù)字化核心能力平臺+N個前端客戶數(shù)字化觸點平臺+N個場景生態(tài)平臺”，總計49個數(shù)字化能力經(jīng)營平臺，共同形成前中后臺一體化的敏態(tài)應(yīng)用架構(gòu)體系，支撐數(shù)字化產(chǎn)品的快速迭代和敏捷創(chuàng)新，以及數(shù)字化經(jīng)營體系的形成。

在形成數(shù)字化支撐能力的基礎(chǔ)上，富滇銀行圈定了“數(shù)字化零售金融”“數(shù)字化公司金融”和“數(shù)字化信貸經(jīng)營”三大業(yè)務(wù)板塊，并取得了顯著的階段性轉(zhuǎn)型成效，全部經(jīng)營指標較轉(zhuǎn)型前翻番，部分指標呈現(xiàn)10倍速增長。

通過這些年的努力，我們已初步實現(xiàn)跨越式突圍，快速邁過朦朧期、反應(yīng)期、到達進展期和沉浸期臨界點。同時，我們始終堅持長期主義及數(shù)字化轉(zhuǎn)型沒有終點的論斷，持續(xù)深化數(shù)字化轉(zhuǎn)型實踐，不斷進行迭代優(yōu)化和改進，持續(xù)堅持“以數(shù)強實”補充各版塊數(shù)字化能力。

NBD：我們看到，富滇銀行引入大模型輔助研發(fā)技術(shù)，實現(xiàn)了研發(fā)管理的智能化，目前AI代碼生成占比已超過30%。這對貴行軟件開發(fā)流程帶來了哪些具體改變？是否進一步提升了整體研發(fā)效能和創(chuàng)新能力？

趙理明：我們是主要通過本地部署算力和“通義靈碼”大模型，引入和實踐大模型輔助研發(fā)技術(shù)，并探索適合自身技術(shù)棧和研發(fā)流程的新一代智能研發(fā)解決方案。

AI輔助研發(fā)為金融科技帶來編碼效率提升、質(zhì)量增強、可讀性和維護性優(yōu)化，并進一步激活數(shù)字化轉(zhuǎn)型過程中沉淀的規(guī)范文檔和代碼樣例庫，提高代碼規(guī)范性，減少重復開發(fā)，進一步提升研發(fā)效率。

另外，我們計劃在今年落地AI業(yè)務(wù)需求生成、測試案例生成等產(chǎn)研場景應(yīng)用，并繼續(xù)探索大模型與測試管理平臺、自動化測試平臺集成的解決方案，進一步將基于大模型的輔助研發(fā)管理鏈條向左和向右延伸，逐步形成研發(fā)全生命周期覆蓋。

NBD：富滇銀行目前在大模型技術(shù)上有哪些具體的應(yīng)用場景？未來可能還會探索哪些新的應(yīng)用場景？

趙理明：從去年開始，我們持續(xù)探索中小銀行金融大模型實踐之路，結(jié)合現(xiàn)有條件，根據(jù)“信息密集-知識密集-決策密集”等階段性特點，規(guī)劃符合富滇銀行實際情況的差異化發(fā)展路徑。

目前我們已上線智能營銷文案應(yīng)用和播報型數(shù)字員工，正在和廠商共創(chuàng)基于“對話即服務(wù)”的全新用戶交互模式APP，以及智能客服、AI營銷策劃、合同質(zhì)檢、客戶經(jīng)理助手等場景應(yīng)用。

后續(xù)我們還將進一步圍繞智能問數(shù)、復雜數(shù)據(jù)分析、信貸報告生成、合同審批、產(chǎn)品智能推薦等垂直應(yīng)用展開實施，并前沿規(guī)劃了私域知識數(shù)據(jù)發(fā)展智能風控輔助、智能數(shù)據(jù)駕駛艙、多模態(tài)支持下的個性化、標準化的AGI應(yīng)用。

中小銀行不必復制大型銀行的“重模型、全場景”的路線

NBD：當DeepSeek大模型面世時，你的第一反應(yīng)是什么？你認為它對銀行業(yè)的服務(wù)模式和業(yè)務(wù)流程將產(chǎn)生怎樣的影響？

趙理明：2024年政府工作報告中明確提出了“人工智能+”的概念，富滇銀行將加速推動基于金融專屬大模型的垂直智能應(yīng)用的落地實踐，但在此過程中，尤其對于中小銀行來說，仍然存在前期投入較大、產(chǎn)品服務(wù)成熟度和匹配度較低等行業(yè)共性的尷尬局面。

其中，主要存在路徑選擇、成本約束和實際成效等因素的困擾。DeepSeek（尤其是R1模型）的“橫空出世”，有別于以O(shè)penAI o1為代表的思維鏈（CoT）技術(shù)，在全過程開源、強化學習、自我反思、冷啟動與多階段訓練的多重加持下，帶來巨大的成本優(yōu)勢和同等的效能，使得中小銀行也能獲得先進的算法資源。

我認為，2025年，在DeepSeek等基礎(chǔ)模型的革新推動下，大模型技術(shù)將重塑各行各業(yè)，其中金融業(yè)作為先鋒領(lǐng)域，將迎來金融專屬大模型應(yīng)用的元年。今年的金融大模型應(yīng)用將如同2024年的通用大模型百花齊放般涌現(xiàn)，以更智能、更高效的姿態(tài)全面服務(wù)用戶，開啟金融智能服務(wù)的新紀元。

NBD：目前一些中小銀行已在部署DeepSeek或利用DeepSeek開發(fā)自己的大模型，對此你怎么看？

趙理明：在大模型產(chǎn)業(yè)鏈中的分層賽道中，基礎(chǔ)設(shè)施層（算力、數(shù)據(jù)標注、云服務(wù)）和基礎(chǔ)模型層顯然不是中小銀行能夠觸及的，我更傾向于以下路徑：

第一，在行業(yè)模型層，重點投入金融專屬模型的微調(diào)和優(yōu)化，結(jié)合本地數(shù)據(jù)做輕量化垂直調(diào)優(yōu)，走“小而專”的領(lǐng)域模型路線。

第二，在場景應(yīng)用層，不急于橫向通用能力建設(shè)，而是優(yōu)先將資源集中在垂直應(yīng)用上，以高ROI場景作為切入點，實現(xiàn)短期突破變現(xiàn)，提升大模型項目落地信心，打造智能助手和自動化流程引擎，例如智能客服、營銷助手、客戶經(jīng)理助手、業(yè)務(wù)質(zhì)檢、合規(guī)與反欺詐等。

第三，在生態(tài)服務(wù)層，可以考慮兩個方向上的開放合作。一方面，有選擇性地采購較為成熟的標準化MaaS應(yīng)用（模型即服務(wù)）進行能力補充；另一方面，銀行可以基于自身的金融大模型，形成標準化API輸出能力，提供對客服務(wù)，例如在公司金融服務(wù)領(lǐng)域，與企業(yè)綜合服務(wù)平臺集成，進一步形成SaaS+MaaS的全新范式，為中小微企業(yè)提供諸如智能財稅診斷助手等垂直應(yīng)用。

NBD：在你看來，與大型銀行相比，中小銀行在大模型技術(shù)應(yīng)用上是否還存在一些短板？

趙理明：和大型銀行相比，中小銀行的大模型應(yīng)用短板還非常明顯。比如，基礎(chǔ)設(shè)施薄弱、技術(shù)人才儲備匱乏、試錯成本承壓等等。

中小銀行自身算力不足，缺乏自建GPU集群計算資源，依賴第三方云服務(wù)可能導致數(shù)據(jù)延遲和安全隱患。同時，數(shù)據(jù)治理落后，缺乏統(tǒng)一清洗和標注能力，數(shù)據(jù)規(guī)模和數(shù)據(jù)質(zhì)量存在劣勢，影響模型訓練效果。

在技術(shù)人才儲備上，中小銀行通常僅有少數(shù)IT人員兼職負責AI項目，沒有專門的AI團隊。在構(gòu)建金融專屬模型上，人員能力同樣缺乏模型微調(diào)、強化學習等專業(yè)技能。產(chǎn)學研合作也普遍不足，難以獲得前沿技術(shù)支持。

另外，中小銀行的容錯空間小，模型失誤可能導致客戶流失、資金風險、聲譽風險、監(jiān)管和行內(nèi)嚴肅問責，無法通過規(guī)模效應(yīng)稀釋風險。長期投入不確定性突出，大模型投入產(chǎn)出周期較長，使得中小銀行更傾向于短期見效的數(shù)字化項目。

NBD：面對大模型技術(shù)發(fā)展浪潮，你認為中小銀行能發(fā)揮哪些潛力和優(yōu)勢？

趙理明：中小銀行不必復制大型銀行的“重模型、全場景”的路線，而應(yīng)從“小場景、深融合、快迭代”的思路入手，取得非對稱競爭優(yōu)勢。

一是敏捷性實施。中小銀行具有決策半徑短，可以充分發(fā)揮靈活性優(yōu)勢，快速試點場景化應(yīng)用，同時便于開展輕量化改造；通過生態(tài)合作補足算力、數(shù)據(jù)和模型服務(wù)短板。

二是本地化服務(wù)。利用本地化洞察打造差異化AI服務(wù)，將區(qū)域資源轉(zhuǎn)化為數(shù)據(jù)壁壘，放大區(qū)域數(shù)據(jù)獨占性優(yōu)勢，掌握本地中小微企業(yè)、商戶的非標數(shù)據(jù)，可構(gòu)建差異化模型；場景貼合度高，針對區(qū)域經(jīng)濟特點定制模型，比通用方案更精準；通過本地化服務(wù)團隊+AI模型服務(wù)的組合，增強客戶黏性；更容易聚焦高價值的垂直單點場景獲得AI應(yīng)用突破。

三是成本優(yōu)化空間。通過采購云服務(wù)彈性計費，避免重資產(chǎn)投入；同時可以采用參數(shù)規(guī)模較小的輕量化模型，平衡效果和成本。

銀行業(yè)客戶資產(chǎn)和交易數(shù)據(jù)價值遠高于一般行業(yè)，需警惕技術(shù)激進風險

NBD：對于銀行業(yè)而言，大模型技術(shù)在提升運營效率和智能化水平的同時，是否會帶來新的風險挑戰(zhàn)？

趙理明：人工智能應(yīng)用一定會帶來新的風險。我認為，主要包括以下方面。其中，最突出的是數(shù)據(jù)安全與隱私泄漏風險。銀行業(yè)具有高價值數(shù)據(jù)密集性和強監(jiān)管特點，客戶資產(chǎn)和交易數(shù)據(jù)的價值遠高于一般行業(yè)，一旦數(shù)據(jù)脫敏不徹底或被滲透，可能引發(fā)隱私泄露和合規(guī)風險。

其次是模型的可靠性與可解釋性問題。由于黑箱決策、算法幻覺、算法偏見等復雜情況，或?qū)е聸Q策邏輯難以回溯、模型誤判糾紛、責任界定困境，這些都不符合金融行業(yè)對透明性和可審計性的硬性要求。同時，也存在技術(shù)壁壘造成的運營依賴風險。如果加上冗余體系不完備，模型失效時缺乏應(yīng)急能力。

此外，同樣需要警惕技術(shù)激進風險，“一個智能體就是一個App”的設(shè)想實現(xiàn)還為時尚早。盡管近期OpenAI、Anthropic、Google等頭部大模型公司都公布了各自的智能體框架，基于智能體的規(guī)劃、反思、智能路由與多智能體協(xié)同等新玩法進一步浮出水面，但穩(wěn)定應(yīng)用于商業(yè)場景尤其是銀行業(yè)，還需要較長時間的孕育磨合期。

目前，大模型在實時性與準確性方面還難以應(yīng)對金融領(lǐng)域低延遲的服務(wù)需求；在部分領(lǐng)域的機器學習/深度學習等專用模型相較通用大模型仍然存在算法優(yōu)勢，有能力的金融機構(gòu)仍然要繼續(xù)深耕，不能唯大模型論；一些模型如DeepSeek-R1，暫時還不具備工具調(diào)用、多模態(tài)、結(jié)構(gòu)化輸出等能力，應(yīng)用場景存在一定制約。

NBD：對于中小銀行引入大模型技術(shù)，在技術(shù)與風控平衡方面，富滇銀行有哪些經(jīng)驗可以與業(yè)內(nèi)分享？

趙理明：針對前面所談到的風險點，我認為需要采取必要的風險應(yīng)對實踐。

一是在數(shù)據(jù)層面，采取聯(lián)邦學習等手段實現(xiàn)“數(shù)據(jù)可用不可見”，嚴格技術(shù)脫敏，對數(shù)據(jù)進行分層隔離。

二是在部署層面，引入人工審核節(jié)點，對高風險決策進行干預，同時應(yīng)該注重構(gòu)建彈性、異構(gòu)的模型生態(tài)，在避免單一技術(shù)路線依賴的同時，保留傳統(tǒng)人工流程作為備份，定期進行智能-人工切換演練。

三是在制度層面，要明確模型風險評審機制和大模型應(yīng)用白名單機制，在嚴守風險紅線的基礎(chǔ)上，鼓勵應(yīng)用創(chuàng)新和有限問責。

四是在數(shù)字化人才建設(shè)方面，要理清人員能力與模型能力之間的關(guān)系，替代關(guān)系只能帶來更多的依賴風險和人員能力弱化，只有在人機協(xié)同能力基礎(chǔ)上的賦能關(guān)系定位，才是銀行邁向數(shù)智化時代的核心競爭力，以AI增強而非替代現(xiàn)有業(yè)務(wù)和人員能力。

NBD：隨著數(shù)字化轉(zhuǎn)型的推進，銀行業(yè)對于金融科技人才需求是否會有新的變化？富滇銀行是否會考慮引進能夠適應(yīng)大模型技術(shù)應(yīng)用的專業(yè)人才？

趙理明：我認為這種變化是巨大的，相對于傳統(tǒng)金融，數(shù)字化的全新打法對人才的需求更應(yīng)該對標互聯(lián)網(wǎng)公司和金融科技公司。

我們的做法是根據(jù)數(shù)字化轉(zhuǎn)型特點和人才能力模型，建立以產(chǎn)品經(jīng)理為核心的數(shù)字化人才體系，分層分類推進數(shù)字化人才的梯隊建設(shè)，通過項目制打磨、輪崗交流、外部引進等方式，逐步提升數(shù)字化人才占比。具體來看，我們的數(shù)字化人才體系主要包含以下幾類：數(shù)字化規(guī)劃及管理人才、數(shù)字化產(chǎn)品人才、數(shù)字化經(jīng)營人才、數(shù)字化開發(fā)人才等。

而數(shù)字化開發(fā)人才中的大模型專家，應(yīng)重點關(guān)注領(lǐng)域適應(yīng)微調(diào)、定向任務(wù)微調(diào)、智能體開發(fā)和場景落地等能力。同時，兼具業(yè)務(wù)分析能力和智能體規(guī)劃的跨領(lǐng)域型專家也是重要的人才競爭高地。