每經記者 張祎    每經編輯 馬子卿    

2021年5月，富滇銀行與阿里云合作，啟動“滇峰計劃”，全面開啟數字化轉型，憑借數字化轉型的模式創新、轉型方案完整度、市場影響力及社會價值，成為城商行中依托數字化轉型實現業務經營模式及服務范式轉變的典型案例。轉型期間，該行引入和實踐大模型輔助研發技術，持續探索中小銀行金融大模型實踐之路，在多個場景中實現了大模型技術應用。

“2025年，在DeepSeek等基礎模型的革新推動下，大模型技術將重塑各行各業，其中金融業作為先鋒領域，將迎來金融專屬大模型應用的元年。”日前，富滇銀行數字金融中心主任趙理明接受《每日經濟新聞》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，而應從“小場景、深融合、快迭代”的思路入手，取得非對稱競爭優勢。同時，他強調，需警惕技術激進風險，盡管近期多家頭部大模型公司公布了各自的智能體框架，但穩定應用于商業場景尤其是銀行業，還需要較長時間的孕育磨合期。

如果不搞數字銀行，小銀行的本地網點優勢就是一個“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，一些城商行已經開始了數字化嘗試，以由點及面的方式穩妥推進數字化轉型。而在今天，如富滇銀行等中小銀行顯然已經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——隨著數字化技術在金融領域的滲透，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。如果不搞數字銀行，小銀行的本地網點優勢就是一個“偽命題”。

因此，我們經過仔細調研和慎重討論，決定制定一場體系化、系統化的數字化轉型戰略，圍繞“組織、業務、技術”進行三位一體的全面轉型。2020年7月，我們出臺了《富滇銀行數字化轉型總體方案》，并在2021年5月全面啟動了“滇峰計劃”數字化轉型基礎平臺建設項目。

“滇峰計劃”數字化轉型項目以業技融合為依托，圍繞“前臺場景化、中臺智慧化、后臺云化”的企業級架構轉型戰略，打造了“十大數字化核心能力平臺+N個前端客戶數字化觸點平臺+N個場景生態平臺”，總計49個數字化能力經營平臺，共同形成前中后臺一體化的敏態應用架構體系，支撐數字化產品的快速迭代和敏捷創新，以及數字化經營體系的形成。

在形成數字化支撐能力的基礎上，富滇銀行圈定了“數字化零售金融”“數字化公司金融”和“數字化信貸經營”三大業務板塊，并取得了顯著的階段性轉型成效，全部經營指標較轉型前翻番，部分指標呈現10倍速增長。

通過這些年的努力，我們已初步實現跨越式突圍，快速邁過朦朧期、反應期、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字化轉型沒有終點的論斷，持續深化數字化轉型實踐，不斷進行迭代優化和改進，持續堅持“以數強實”補充各版塊數字化能力。

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

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技術，并探索適合自身技術棧和研發流程的新一代智能研發解決方案。

AI輔助研發為金融科技帶來編碼效率提升、質量增強、可讀性和維護性優化，并進一步激活數字化轉型過程中沉淀的規范文檔和代碼樣例庫，提高代碼規范性，減少重復開發，進一步提升研發效率。

另外，我們計劃在今年落地AI業務需求生成、測試案例生成等產研場景應用，并繼續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管理鏈條向左和向右延伸，逐步形成研發全生命周期覆蓋。

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

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

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

后續我們還將進一步圍繞智能問數、復雜數據分析、信貸報告生成、合同審批、產品智能推薦等垂直應用展開實施，并前沿規劃了私域知識數據發展智能風控輔助、智能數據駕駛艙、多模態支持下的個性化、標準化的AGI應用。

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，你的第一反應是什么？你認為它對銀行業的服務模式和業務流程將產生怎樣的影響？

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、產品服務成熟度和匹配度較低等行業共性的尷尬局面。

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OpenAI o1為代表的思維鏈（CoT）技術，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等基礎模型的革新推動下，大模型技術將重塑各行各業，其中金融業作為先鋒領域，將迎來金融專屬大模型應用的元年。今年的金融大模型應用將如同2024年的通用大模型百花齊放般涌現，以更智能、更高效的姿態全面服務用戶，開啟金融智能服務的新紀元。

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

趙理明：在大模型產業鏈中的分層賽道中，基礎設施層（算力、數據標注、云服務）和基礎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，在行業模型層，重點投入金融專屬模型的微調和優化，結合本地數據做輕量化垂直調優，走“小而專”的領域模型路線。

第二，在場景應用層，不急于橫向通用能力建設，而是優先將資源集中在垂直應用上，以高ROI場景作為切入點，實現短期突破變現，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、客戶經理助手、業務質檢、合規與反欺詐等。

第三，在生態服務層，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應用（模型即服務）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，例如在公司金融服務領域，與企業綜合服務平臺集成，進一步形成SaaS+MaaS的全新范式，為中小微企業提供諸如智能財稅診斷助手等垂直應用。

NBD：在你看來，與大型銀行相比，中小銀行在大模型技術應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用短板還非常明顯。比如，基礎設施薄弱、技術人才儲備匱乏、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，依賴第三方云服務可能導致數據延遲和安全隱患。同時，數據治理落后，缺乏統一清洗和標注能力，數據規模和數據質量存在劣勢，影響模型訓練效果。

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

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、監管和行內嚴肅問責，無法通過規模效應稀釋風險。長期投入不確定性突出，大模型投入產出周期較長，使得中小銀行更傾向于短期見效的數字化項目。

NBD：面對大模型技術發展浪潮，你認為中小銀行能發揮哪些潛力和優勢？

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，而應從“小場景、深融合、快迭代”的思路入手，取得非對稱競爭優勢。

一是敏捷性實施。中小銀行具有決策半徑短，可以充分發揮靈活性優勢，快速試點場景化應用，同時便于開展輕量化改造；通過生態合作補足算力、數據和模型服務短板。

二是本地化服務。利用本地化洞察打造差異化AI服務，將區域資源轉化為數據壁壘，放大區域數據獨占性優勢，掌握本地中小微企業、商戶的非標數據，可構建差異化模型；場景貼合度高，針對區域經濟特點定制模型，比通用方案更精準；通過本地化服務團隊+AI模型服務的組合，增強客戶黏性；更容易聚焦高價值的垂直單點場景獲得AI應用突破。

三是成本優化空間。通過采購云服務彈性計費，避免重資產投入；同時可以采用參數規模較小的輕量化模型，平衡效果和成本。

銀行業客戶資產和交易數據價值遠高于一般行業，需警惕技術激進風險

NBD：對于銀行業而言，大模型技術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？

趙理明：人工智能應用一定會帶來新的風險。我認為，主要包括以下方面。其中，最突出的是數據安全與隱私泄漏風險。銀行業具有高價值數據密集性和強監管特點，客戶資產和交易數據的價值遠高于一般行業，一旦數據脫敏不徹底或被滲透，可能引發隱私泄露和合規風險。

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，或導致決策邏輯難以回溯、模型誤判糾紛、責任界定困境，這些都不符合金融行業對透明性和可審計性的硬性要求。同時，也存在技術壁壘造成的運營依賴風險。如果加上冗余體系不完備，模型失效時缺乏應急能力。

此外，同樣需要警惕技術激進風險，“一個智能體就是一個App”的設想實現還為時尚早。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，基于智能體的規劃、反思、智能路由與多智能體協同等新玩法進一步浮出水面，但穩定應用于商業場景尤其是銀行業，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對金融領域低延遲的服務需求；在部分領域的機器學習/深度學習等專用模型相較通用大模型仍然存在算法優勢，有能力的金融機構仍然要繼續深耕，不能唯大模型論；一些模型如DeepSeek-R1，暫時還不具備工具調用、多模態、結構化輸出等能力，應用場景存在一定制約。

NBD：對于中小銀行引入大模型技術，在技術與風控平衡方面，富滇銀行有哪些經驗可以與業內分享？

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對實踐。

一是在數據層面，采取聯邦學習等手段實現“數據可用不可見”，嚴格技術脫敏，對數據進行分層隔離。

二是在部署層面，引入人工審核節點，對高風險決策進行干預，同時應該注重構建彈性、異構的模型生態，在避免單一技術路線依賴的同時，保留傳統人工流程作為備份，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用白名單機制，在嚴守風險紅線的基礎上，鼓勵應用創新和有限問責。

四是在數字化人才建設方面，要理清人員能力與模型能力之間的關系，替代關系只能帶來更多的依賴風險和人員能力弱化，只有在人機協同能力基礎上的賦能關系定位，才是銀行邁向數智化時代的核心競爭力，以AI增強而非替代現有業務和人員能力。

NBD：隨著數字化轉型的推進，銀行業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大模型技術應用的專業人才？

趙理明：我認為這種變化是巨大的，相對于傳統金融，數字化的全新打法對人才的需求更應該對標互聯網公司和金融科技公司。

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

而數字化開發人才中的大模型專家，應重點關注領域適應微調、定向任務微調、智能體開發和場景落地等能力。同時，兼具業務分析能力和智能體規劃的跨領域型專家也是重要的人才競爭高地。