随着DeepSeek等开源模型的突破性进展，AI技术的迭代速度持续加快，技术普惠化趋势愈发显著。金融业作为数字化和智能化的先行者，具备生成式大模型应用丰富的场景舞台和技术实施基础，势必成为大模型技术和行业应用深度融合的最佳示范。金融业需抢抓发展契机，探索大模型应用范式，助力金融业驶向新航程，为经济社会发展提供高质量数字金融服务。

差异化：国内外金融业大模型发展研判

随着大模型技术快速演进，国内外金融业纷纷加大对大模型的投入力度，积极探索大模型在办公协作、业务运营等领域的创新应用。但国内外在大模型建设方面呈现一定差异。

国际上，境外金融机构更多选择直接采购外部商用大模型的技术路线，较多使用公有云部署方式，例如花旗银行、西太平洋银行等金融机构选择采购OpenAI的大模型产品。在应用场景方面，境外金融机构在核心业务场景的应用较为丰富，例如摩根大通、高盛等金融机构在舆情分析、智能客服、风险评估等领域实现大模型落地应用。

从国内来看，国内金融机构更多选择开源自建或与基础大模型供应商联合共建的技术路线，大多使用私有云部署方式，例如工商银行工银智涌大模型、建设银行方舟大模型、农业银行ChatABC。在应用场景方面，国内金融机构更多面向基层员工围绕降本增效的目标，实现知识助手、编码助手、办公助手等应用，目前已逐步向核心场景迈进，与国际金融机构在核心场景的应用差异渐小。

新模式：工商银行大模型应用范式

工商银行以商业银行实际应用视角为出发点，业务技术双向融合，总结提炼适配金融行业的“1+X”大模型应用范式，构建以大模型为核心的新一代企业级业务赋能模式，实现从单场景赋能到端到端业务重塑的重大革新。其中“1”是指金融智能中枢，通过运用大模型分析理解，实现在金融复杂场景下进行任务拆解、规划、分步执行和最终输出反馈的能力范式；“X”包含知识检索、数据分析、文档编写、智能搜索、API调用等基本能力范式。

金融行业常见业务场景均可利用如上范式解决，目前，工商银行落地200余个大模型应用场景利用如上范式实现。例如，智能中枢+智能搜索+交易系统API调用等范式组合适用于金融市场询价交易；智能中枢+知识检索范式可用于网点和信贷等领域知识问答。

新趋势：从DeepSeek看大模型发展及行业应用

大模型推动应用设计演进。大模型技术将推进应用设计从传统应用架构、云原生应用架构进一步向AI原生应用架构演进，其特点是以智能体进行驱动，以模型和自然语言为核心，在保持核心业务逻辑确定性的前提下，构建可解释、可干预、可审计、可自学习的AI业务能力，推动业务发展和变革。

大模型在金融行业的应用趋势。DeepSeek等大模型催生金融行业AI应用爆发式增长，未来大模型应用可能出现以下趋势。

一是大模型成为“基础设施”。DeepSeek等大模型将逐步从工具化应用向“通用智能基础设施”转型。

二是算力的快速发展支撑“云—边—端”AI部署。随着云端国产高端算力趋近国际水平、边缘和终端设备已能运行轻量化大模型，大模型应用场景正在向着自主可控的“云—边—端”全覆盖的方向发展，真正实现AI随处可用、触手可及。

三是模型矩阵布局趋于“1全能+N领域”。随着慢思考蒸馏等技术发展，小参数规格的大模型能力再上一个台阶，“1个全能基模+N个专业领域大模型”的模型矩阵布局可实现能力提升与应用成本的平衡。其中，1个全能基模适用于涉及通用知识或通用金融知识的场景，例如舆情分析场景；N个专业领域大模型适用于涉及特定金融场景专业知识的领域，例如知识随行、资金收支预测。

四是金融应用AI技术标准规范日趋完善。监管机构将加速出台AI技术在金融行业应用的相关标准规范，针对大模型的伦理与合规问题，制定更清晰、更严格的指导规范。

新挑战：金融业应用大模型的问题与挑战

当前，以DeepSeek大模型为代表的人工智能热浪持续涌动，正在以前所未有的速度向金融业加速渗透，逐步推动金融业进入数字化转型深水区，但金融业在应用大模型过程中仍然面临困难与挑战。

成本与价值平衡难。随着人工智能大模型在金融领域的应用场景不断拓展，大量使用者不断涌入，大模型训练和推理所需的算力资源将不断攀升，训练需依赖高性能计算集群，模型迭代与推理也需持续投入算力资源。面对高昂的算力成本投入，金融机构需做好投入产出的平衡。

高质量数据积累慢。数据作为AI时代的“新石油”，其价值释放已从规模驱动转向质量驱动与场景驱动。对于不同企业来说，即便获得相同的技术，也可能因缺乏足够的高质量数据积累，难以实现相同效果。

复合型人才缺口大。高水平的人工智能专家和跨学科复合型人才在市场上供不应求。金融行业需建立完善的人才培养体系，通过与高等院校等外部机构合作、人工智能专项培训、同行业交流学习等多种方式，培育既懂业务又精技术的复合型人才梯队。

面临潜在安全风险。AI应用是把双刃剑，AI技术在提升工作效率的同时，生成伪造内容、数据泄露等安全风险日益突出。金融行业需建立可靠的AI安全框架，聚焦基础设施供应链安全、基模合规可靠、数据内容可信、模型价值对齐、应用可控可用等领域建立全链路全过程安全体系，夯实人工智能安全基石。

聚核心：中小金融机构的突围之道

随着DeepSeek等具备较强通用能力基础大模型开源，中小金融机构在大模型应用过程中仍面临算力基座薄弱、小数据困境等多重挑战。面对多维困境，建议中小金融机构以价值为导向，采取“外部合作+轻量化适配”的混合模式，精准发力，深耕核心领域。

深耕核心业务领域。聚焦关键场景，在自身核心业务领域集中投入优势资源，对DeepSeek等具备较强通用能力的基础模型进行轻量化适配，打造标杆应用场景。

构建轻量数据生态。通过“联邦学习+区块链”架构，构建分布式智能协作网络，在保障数据主权前提下实现跨机构数据融合，弥补中小机构长尾数据缺陷。

打造场景运营机制。重视落地后场景的运营、维护与优化，确保关键场景的稳定性与持续效益提升，以长期运营视角评估AI投入产出效果，推动AI建设工作高质量、可持续发展。

看未来：大模型应用于金融业务的发展路径

未来，金融机构需以生态化思维重构AI发展范式，重点探索如下发展路径。

完善行业级智能基础设施布局。通过共建算力基础设施、基础工具链体系、高质量金融数据平台，突破中小金融机构落地瓶颈。

构建分层技术架构。构建包括场景应用、模型使能、算力底座等多层的技术架构，以技术架构的确定性，应对模型发展、算力基础设施异构的不确定性。

打造差异化场景。加速垂直领域专业模型的迭代优化，围绕信贷、普惠、运管等金融核心领域打造差异化、特色化场景，提升行业竞争力。

深化应用大模型技术正成为金融机构服务国家金融强国建设的关键引擎，推动金融服务从“流程优化”向“认知跃迁”演进，通过构建“感知—决策—创造”三位一体的智能中枢，进一步加速金融机构数字化、智能化转型，为高质量做好金融“五篇大文章”注入新动能。