蚂蚁抢滩金融大模型

摘要： 作者 | 柴旭晨编辑 | 黄昱“大模型在金融业的应用正逐渐从探索期迈向实践期，从可选项变成必选项。”6月19日，蚂蚁数科...

作者 | 柴旭晨

编辑 | 黄昱

“大模型在金融业的应用正逐渐从探索期迈向实践期，从可选项变成必选项。”

6月19日，蚂蚁数科副总裁余滨向华尔街见闻说道，“前两年，很多金融机构还将大模型视为辅助技术工具，现在大模型已经融入到金融机构的核心业务流程和复杂业务场景中。”

年初DeepSeek的火爆，开启了AI落地产业热。

近年来，蚂蚁集团提出AI优先战略，对外推出了支小宝生活助理，蚂小财的财富助理，以及AI健康管家，在一些严肃专业的场景为老百姓提供人工智能服务。而蚂蚁数科板块的核心就是将蚂蚁集团的科技产业化面向全行业输出，首当其冲的就是金融。

在余滨看来，现在AI的进展已经到达了重要的拐点时期，“如果金融机构抓住了，很可能给自己带来弯道超车的优势。反之很可能虚耗掉过去十年来在数字化建设时期打下的先机”。

从趋势来看，去年金融AI应用场景多在C端客服，今年已进入核心业务领域：如何做好理财业务、保险理赔更高效。余滨向华尔街见闻透露，整个建设的节奏从原先关注基础平台的建设，到现在变成业务的升级，甚至一些总裁已经在考虑，基于AI重构业务甚至是未来3-5年的战略。

“今年是Agent元年”，蚂蚁数科AI原生产品总经理王磊认为，今年可以亲眼见证整个智能体从数字助手到数字员工，背后意味着大模型带来的知识涌现的过程到价值落地的“最后一公里”正在被突破。

然而，在大模型时代下，企业会碰到很多大模型落地的相关问题，尤其在高复杂度的金融行业里出现明显瓶颈。

业内人士指出，金融机构有几个方面的困惑，市面上的大模型并不懂金融，还只是“实习生”水平；金融是严谨的行业，如果理不清楚数据跟AI是什么关系，包括大模型的安全、合规情况是不敢用的；如果做大模型训练投入非常大，担心ROI是否能符合预期，因此迟迟不敢行动。

这么多困惑，怎么解决？余滨认为金融智能体的金融AI落地成功有几个关键因素。

首先必须要有个非常智能的大脑——构建一个机构专属的金融大模型，而非找通用模型移植；有了这个大脑，还需要它能时刻感知接收整个金融市场的起伏，构建金融机构自己的知识库。第三，AI要促成业务做分析、做决策。

结合这三者之后就有了“智能体”，但后续非常重要的是确保金融大模型和金融智能体具备足够的安全合规、严谨和专业性。只有具备这样的条件才有可能构造出来一个金融级别的智能体。

在经过1-3年实践之后，蚂蚁数科在基础建设、AI手机银行、业务场景、全行级分阶段建设蹚出了四套路径。

第一类，从技术基础设施构建大模型中台赋能应用，如蚂蚁数科支持大地保险打造的大模型AI中台，支撑内部超过70+智能应用创作探索；第二类，以手机银行为载体，构建AI原生的移动金融服务体系，从系统架构到用户交互界面全面彻底拥抱AI。

第三类，在实际业务场景，如风控、理财、营销等环节应用大模型提升效率与体验；第四类，将大模型作为全行1号工程进行重点部署，以大模型全面重构业务流程，打造智能体集群。

余滨介绍，针对上述四种落地路径，蚂蚁数科在服务金融机构过程中已经深度实践并形成成熟解决方案对外输出。在商业模式方面，目前蚂蚁数科的金融智能体服务模式既可以支持私有化部署、SaaS订阅服务，以及基于效果计费等多种模式，金融机构可以按需选择。

“蚂蚁数科对于金融AI领域已经具备了全栈的产品以及工程化的能力，既可以给机构做前期的咨询，也可共同设计整个建设路线图”。余滨直言，蚂蚁数科是科技商业化的公司，需要充分考虑商业模式是否具备足够的灵活性，具备足够的商业模式的可行性。

在金融展期间，蚂蚁数科宣布联合金融业伙伴进行创新，将推出百余金融场景智能体解决方案，覆盖银行、证券、保险、通用等四大领域，包括银行财富管理、营销增长、AI原生手机银行和安全风控等多个蚂蚁数科已经在金融机构实际场景中深度落地的智能体解决方案。

“在大模型时代，我们值得用AI去重塑全部的业务流程”。王磊向华尔街见闻表示，“金融机构落地AI大模型，不是简简单单做了一次IT采购，买一个新的软件而已，而是做业务战略的重塑，借着这个机会去看看整个业务，去驱动整个组织上的升级”。

以下是华尔街见闻与蚂蚁数科副总裁余滨、AI技术负责人章鹏、AI原生产品总经理王磊、产品解决方案总经理曹诗洋的对话实录：

问：蚂蚁的这套Agent对人工替代的程度多少？

王磊：如果现在谈取代哪些人，我觉得过于残忍。在智能客服领域确实能取代掉一些人，但到相对比较深入的领域，我觉得不是替代逻辑，更多是极大扩展每个人的能力边界。

像理财师原来能够服务的只有100人、200人是高净值客户，但我只有三五万块钱，谁服务我呢？这时候，智能体的价值就可以放大。蚂蚁集团原来叫小微金融服务集团，它有一个特别强的属性，是为小微经营者提供普惠的金融服务。

问：不同金融机构如何根据不同需求来匹配合作路径？

余滨：头部国有银行有非常强的研发实力，基本以自建智能体、开发平台、算力。跟我们主要在技术层面上做沟通，来查漏补缺，这个是现在最现实的一种模式。

对于股份制银行以及头部城商行，他们已经投入了资金成本，有从IT的角度来做，有从具体的业务场景或者营销开始做，有些是全行级别来做。

对于规模再稍微小一些的区域性银行，我们目前合作的更多是3.0商业模式，他会基于收益的情况，通过分类分层等各种方式跟我们进行合作，它的前期投入成本会非常低。

问：上个月有监管领导说AI落地必须是一把手工程，如果是CTO牵头可能实际的落地效果并没有那么好，你们怎么看待这个问题？

余滨：AI的本质真的不仅是一和技术，初衷是在重塑业务，否则最多就是做基础建设层面。我们现在能看到很多AI的项目有些确实是一把手工程，这才有可能在全行级别构建最全的有知识集和数据集的大模型，真正对业务流程进行端到端的重构，这是最理想的模式。

我们目前跟一些城商行合作，它的特点是一号工程高举高打，集中银行资源成立专项工作组，全力进行推进。但能看到一号位工程在具体实操的领域，不是所有银行都适合，有时候会找一些切片的方式来做，好处是容易启动一些，但大模型的维度也比较窄一些，带来的效果也比较局部。

章鹏：真正的大模型落地产生价值，它一定是从场景侧、业务侧发起的，而这时候它最适合，因为它一定会动一些人的蛋糕，也一定会遇到各种各样的阻力，所以它更适合的是从业务侧一号位工程开始的。

问：金融大模型什么时候会达到一个高可用的节点？

余滨：我们认为做AI做到成功，实际上立体的几个维度都要做，比如知识工程、金融工具集，它都是长期的过程，没有办法一蹴而就。因为这个过程是持续迭代的，没有办法一上来就做非常完美的大模型，把智能体在上面构建出来，一定是随着知识工程的迭代，金融工具集越来越丰富，把原来这些年构建的信息系统逐步迭代升级。

我们经常跟行长说，做AI是长期的赛跑，前面有些跑得早一些，并不一定代表着过了一两年之后他还是第一，过程中必须要不断地迭代，让整个大模型和智能体越来越智能，越来越高效。

问：金融模型在现阶段还有哪些不足，例如幻觉问题？

章鹏：金融大模型在落地的时候，不光有幻觉问题，有合规安全问题。

幻觉问题。幻觉问题可能有两种，第一种依然是输入信息过多或矛盾时，模型可能产生逻辑混乱。当它发现论据之间有gap时会联想出一段话来弥补这里面的逻辑；还有安全合规。比如在金融场景中不能荐股和承诺收益，通用模型并不知道。那怎么解决？

首先，合规问题没有办法直接把知识刻录进去，一般是后训练SFT。对于长指令以及幻觉，要在提示词上做优化。如果你能够供给它3条知识就能回答的时候，你就不要供给10条，显然给它塞得东西越多，对它来说是越困难的，这个功夫是在大模型之外的。对于表达风格以及幻觉，目前是用强化学习，你只能构造更多的数据，让它慢慢明白这个情况下是要遵循的。

问：蚂蚁智能体的基础模型是什么，今年开始智能体开始往B端方向落地，你们觉得现在B端的智能体达到什么阶段呢？

章鹏：我们目前有好几个版本的基座模型，比如基于通义2.5的，无论是14B、32B、72B都有，同样也有基于千问3的，另外也有基于蚂蚁自己零的大模型，不同的场景可以使用不同的基座模型，重要的是怎么把金融垂类大模型训练出来，这背后有一些核心的技术。

王磊：我认为蚂蚁的智能体在行业内是在前列的，我们不仅金融大模型不错，还有知识能力去灌入，同时还有一套金融工具集，让智能体干不只是停留在能说会道，还能真的干一些事。

曹诗洋：大模型在B端有两类大的场景，一类是服务C端像理财管家、营销管家，还有一类是面向ToP（面向内部）内部辅助于理财经理、信贷管家，这是在比较全面的业务场景的copilot。

今天我们是要体现业务价值的智能体是什么，无论我们在做营销管家、信贷管家还是做财富助手，在这个领域大部分是辅助的角色。

今天我们依然会有一些在做所谓的autopilot，像自动驾驶。autopilot是智能体演进的终极目标。我们的营销智能体有一部分已经能做到所谓的智能托管，完全不需要人工干预。

现在ToP监管没有太多去限制的，面向C端的大模型监管涉及两个部门，一个是网信办，一个是金融监管总局。ToC的很多政策也会慢慢释放出来，主要是面向公众这块，我们最近也会帮助金融机构完成备案。

问：前不久，蚂蚁数科也支持MCP的协议，协议解决了协同但可能遇到精度下降的情况。对金融行业来讲影响不小，你们觉得现在B端的智能体还有哪些核心的问题需要解决？

王磊：正是在金融领域，我们希望能够达到比较高的水准。在这个过程中，第一是沉淀了方法论，第二是背后依赖的工具集我们会进行精度筛选，把机构内部原有的API能力变成一个工具能力去供给给智能体可以被调用。

问：关于数据安全，金融机构希望把他们的数据存在本地，可能有一些大模型需要调用API之类的，我们怎么样解决这种矛盾？

章鹏：在技术上，第一种方式是脱敏替代；另外可以将模型拆成两部分，一部分放在云端，一部分放在本地，你所有的问题都会以编码的形式传递，这叫拆分学习；第三种解法是政策解法，比如行业云，我们这个行业有一个大家公认、公信的云，你把服务布在那个云上，大家可以共享。

问：蚂蚁有提供很多工作流的Agent，它们在数据打通的过程中有没有难点？

王磊：这背后的知识非常多也有碎片化，还涉及到跨部门的问题。之前构建数据中台的时候，很多金融机构已经遇到了。

在AI时代已经不是数据问题，是一个知识问题。在数据基础设施都没有统一的情况下，构建一个知识湖是完全不可能的，我觉得要有统一的数据中台。

为什么金融知识库那么重要？很多金融知识，其实不同机构理解都不一样。那到底以谁为准？我们对整个金融资产板块现在划分了七大板块，包括A股、港股、国债、大宗资产、黄金等，第二步是基于对知识本质深刻的理解、专业性的理解，对于知识进行一定程度的治理和梳理性的工作，它才能真正变成智能体可以消费的知识，才能精准地被召回。

问：蚂蚁有未来有没有推出独立金融大模型的可能？

余滨：蚂蚁数科会有这方面的产品。我们充分感觉到金融机构在使用通用模型时候，中间还是有一定的鸿沟，所以会有这样的产品出现，至少会降低金融机构在做金融AI建设中的难度。

问：蚂蚁如何思考金融模型和金融云之间的生态合作？

余滨：在去年外滩大会的时候，当时还说我们A+、B+、C+，当时云和AI两个板块是分开的逻辑，就是因为我们感觉到随着现在形势的发展，云端+AI方面的协同是非常重要的一件事，特别是在很多基础的技术上产品的能力方面是要共通的。

今年数科决定把原先的AI板块和C（云板块）进行合并，希望这两个板块继续合力在产品上互通。从“云原生”渡到“AI原生”概念，帮客户建设智能化的升级。

把这方面的业务和研发力量进行了组合，可以结合过去在金融云领域积累下来大量和机构合作的基础和产品技术的基础，再加上蚂蚁内部过去几年来在AI方面积累的技术和丰富经验，打磨出来一套端到端比较全面的AI产品体系。

我们不是纯粹在一个技术的角度来谈论AI，既要考虑技术又考虑业务上面具体落地，以及在业务上具体碰到的困难，把解决问题的方法内涵到现在的产品里和大模型里面，所以我们还是一个比较有特色的AI解决方案提供商。