2025金融业大模型应用报告

2025 金融业大模型应用报告体系落地价值共生 序言 司晓 腾讯集团副总裁、腾讯研究院院长 过去两年，席卷全球的大语言模型浪潮，正式拉开了生成式 AI 时代的宏大序幕。步入 2025 年，大模型正从聚光灯下的明星技术，沉淀为驱动社会运行的智能基础设施，并以“马拉松”般的耐力，深度重塑着产业与经济的血脉。 一方面，对技术极限的探索仍在加速。国内外头部科技公司不断推出的新一代 SOTA（Stateof the Art）模型，正合力将基础大模型的性能推向全新高度。另一方面，产业界的重心已转向对应用生态的精心构建，以此承载各行各业向 AI 转型的宏伟蓝图。 这远非零散试点或工具集成所能企及，它要求我们像建设工业时代的电网、信息时代的光缆一样，进行系统性的规划与投入。这不仅是一场技术革命，更是一场涵盖数据基建、组织形态、信任机制乃至社会伦理的全维度重构。 金融业，作为现代经济的神经中枢，是这场重构的核心战场与先导力量。在这里，AI 不再仅仅是专家能力的“放大器”，更是与人类智慧深度耦合、互补协作来探寻金融服务本源的伙伴。我们观察到，一种新的协作范式正在诞生 ：技术供给与真实需求双向奔赴，在解决最棘手的金融挑战中协同进化；科技、金融等多元主体，也正携手构建一个开放、共建、共享的创新共同体。 作为这场技术浪潮的深度思考者与躬身入局者，腾讯研究院希望《2025 金融业大模型应用报告》能够超越一份常规的分析报告。报告不仅剖析变革的机制与路径，更力求探寻其背后的时代脉搏与产业逻辑，为金融机构提供具有前瞻性的战略思考框架与切实可行的实践路径指引，共同探索由 AI 驱动的崭新金融时代。 序言 柳晓光 毕马威变革咨询数字化转型业务牵头人“智慧之光” 数智解决方案主管合伙人 我们正处在一个由大模型定义的革命性时代。2025 年，已是技术浪潮与产业变革交汇的关键之年。AI 正以超越过往任何技术的速度与深度，从数字世界的底层逻辑，重塑着全球经济的宏观格局。 金融，作为现代经济的核心，其本质是信息的处理与风险的定价。这恰好与大模型强大的认知、推理及生成能力，形成了前所未有的共振。这股力量，正推动金融业开启继数字化与移动化之后，一场更为深刻的智能化变革。它不仅是效率工具的迭代，更是对金融服务范式、运营模式乃至核心竞争力的系统性重塑。 本报告旨在为这场波澜壮阔的变革提供一张清晰的导航图。我们将从宏观视野出发，系统梳理模型、算力与数据的演进趋势。随后，将镜头聚焦于金融业本身，提炼各机构从审慎探索到加速布局的应用全景，并揭示其应用价值从提升运营效率向赋能核心决策的跃迁路径。然而，我们深知通往智能金融的道路并非坦途。因此，报告将直面数据孤岛、战略模糊、安全合规、人才短缺等核心挑战，并通过深度剖析全球领先的实践案例，力求提供兼具前瞻性与可操作性的应对之策。最终，本报告将落脚于未来。我们提炼出驱动行业演进的六大核心趋势，希望能为身处变革中的每一位金融决策者、创新者和从业者，提供一个思考未来、把握当下的战略罗盘。我们相信，一个更普惠、更个性化、更高效的智能金融新纪元，正由我们共同开启。 报告总览 2024 年至今，一场由大模型驱动的生产力革命正在金融业上演：一家领先大行将过去需要数小时甚至数天完成的复杂信贷审批报告分析压缩至 3 分钟，准确率提升超 15% ；一家头部券商借助 AI 智能体实现 7X24 小时监控全球超过 5000 家上市公司的动态，研究覆盖面和响应速度达到了全新量级；一家海外顶尖投行部署了数百个 AI 程序员，后续或增至数千个，旨在将工程师的生产力提升至三到四倍。 2025 年 3 月，中国人民银行已明确要求加快金融数字化智能化转型，安全稳妥有序推进人工智能大模型等在金融领域应用。 务实的政策指引与激动人心的行业进展，共同表明行业正进入一个生成式 AI 引领的结构性变革期。我们判断，2025 年已成为金融行业深度整合 AI、借助大模型进行创新的关键拐点。本报告旨在穿透技术热潮，深入剖析大模型在金融业应用的现状与未来，为行业提供前瞻性的洞察。我们坚信，那些能够深刻理解机遇与挑战、进行前瞻布局、并致力于体系化能力建设的机构，必将在本轮智能化浪潮中获得发展先机，共同塑造金融服务的未来。 本报告的核心观点如下： 一、技术边界极速拓展，从能力延伸到效率革命 全球大模型的发展已非单一的技术竞赛，而是呈现出技术迭代、资源升级、价值深化与生态竞合交织并进的复杂格局。模型的演进方向正从探索能力边界转向追求效率革命，算法与架构的持续优化在不断重新定义性能天花板。与此同时，算力需求呈现更重视推理的结构性变化，数据训练的关注点，正从单纯追求海量规模，转向更加倚重高价值的精准数据。在应用场景上，大模型也正从提效工具升级为协作伙伴，以智能体为代表的应用正在重构人机协作的全新形态。 二、应用模式日趋成熟，从试验阶段到规模化部署 全球近半数金融机构已启动大模型应用建设，行业正从零星的试验阶段迈入规模化部署期。中国金融业的大模型建设呈现出顶层设计、梯次推进的清晰格局 ：银行业是大模型落地应用最广泛的领域，证券、保险行业的头部机构则作为先行者，探索出多样化的应用模式。当前，应用建设的路径正逐渐收敛至以实际效益为导向，围绕能力建设、基座构建、应用部署的三大策略日益清晰，应用版图也正从外围的效率工具向核心的决策层面审慎渗透。 三、落地挑战逐步明确，体系化能力成制胜关键 金融机构在实践中普遍面临着局部突破与整体效能的平衡，创新投入与资源效能的平衡，以及前沿探索与风险防控的三大平衡关系考验。面对高价值数据资源碎片化、战略规划和投资回报不清晰、低容错场景技术适配难、组织人才升级滞后等具体挑战，构建“数据 + 应用 + 战略 + 组织人才”四位一体的综合能力框架，将是赢得未来人工智能革命先机的关键。在场景侧，智能理财助理、财富管理、保险代理人、投研报告生成、编程助手等场景已率先实现商业化突破，金融智能体的探索和实践也在持续涌现，为行业提供了可复制的成功路径。 四、“ 金融 +AI” 前景广阔，重塑金融服务未来 AI 技术正驱动金融服务走向前所未有的普惠化、智能化与个性化，将专家级专业服务带给更广泛的长尾客户群体。同时，AI 与人类专业能力的深度融合，正在重新定义金融的运营与管理模式，加速推动复合型、创新型金融人才的需求形成。在此进程中，高质量私域数据的挖掘与应用将成为金融机构的核心竞争力，而 AI 技术和治理体系的不断成熟，也将推动监管科技效率与效能的提升。 目录 序言 报告总览 第一章 全球大模型发展态势01 1.1 模型演进：能力边界进一步延伸01 1.1.1 算法与架构的效率革命持续提升模型能力011.1.2 模型能力维度从数字世界拓展到物理世界02 1.2 算力与数据：从追求规模到优化结构03 1.2.1 算力需求结构性变化催生智算中心等算力基础设施031.2.2 数据训练从海量数据驱动转向高价值知识驱动04 1.3 应用场景：提效工具逐步升级为协作伙伴04 1.3.1 企业级应用强调人机协作下的价值创造041.3.2 智能体（Agent）成为人机协作的重要形态05 1.4 产业生态：技术竞赛与生态竞合并立06 1.4.1 开源与闭源的路线之争过渡为生态共存061.4.2 主权 AI 成为影响全球科技发展的重要变量07 第二章 金融业大模型建设与应用态势09 2.1 总体概况：金融机构加速孵化大模型能力，行业整体审慎推进应用09 2.1.1 全球金融业大模型应用建设概况092.1.2 中国金融业大模型应用建设数据洞察10 2.2 建设模式：以实际效益为导向，建设方式渐进收敛18 2.2.2 大模型能力建设方式202.2.3 大模型体系构建路径21 2.3 场景落地：从效率工具向决策引擎演进24 2.3.1 金融业大模型的应用版图242.3.2 金融业大模型的演进路径262.3.3 金融业大模型的应用新形态：智能体28 第三章 金融业大模型建设的核心挑战与应对策略31 3.1 金融数字化转型背景下的三大平衡关系31 3.2 大模型建设的四大核心挑战与应对策略33 3.2.1 数据挑战：从碎片化资源到规模化语料的转化困境333.2.2 战略挑战：规划不清与价值验证困难引发的投资失衡363.2.3 应用挑战：严监管场景对模型可控性的极高要求433.2.4 能力挑战：技术迭代提速倒逼组织变革与人才升级45 3.3金融业大模型落地实践案例与洞察49 3.3.1 智能理财助理——从低风险场景切入，实现价值快速验证493.3.2 财富管理风控——用领域 LLM 攻克传统 AI 的语义理解难题523.3.3 超级保险代理人——AI 重塑展业与培训新范式533.3.4 投研报告生成——AI 赋能投研决策553.3.5 AI 编程伙伴——金融业软件开发提效新范式593.3.6 金融智能体——从概念验证到应用的探索61 第四章 大模型驱动金融业发展的趋势展望68 4.1 金融服务的专业化和普惠化进程提速684.2 金融产品更加实时、动态、超个性化684.3 人机协同重新定义金融运营与管理模式694.4 高价值数据的挖掘与应用的重要性提升70 4.5AI 驱动监管科技提升和治理体系升级704.6 复合型、创新型金融人才需求正在形成71 报告团队 近期，全球顶尖AI模型接连取得突破性进展，在编程、数学和视觉感知等领域树立了新的标杆，并显著减少了幻觉现象。尽管追求参数规模的“军备竞赛”仍未停止，行业已经逐步转向追求效率与价值的务实探索，大模型正从少数科技企业的专属技术，加速成为面向全社会提供智能服务的新型基础设施。 ၂ᅣֻ1 全球大模型发展态势 全球大模型发展态势 当前，全球大模型发展不再是单一维度的技术竞赛，而是呈现技术迭代加速、资源结构升级、应用价值深化、生态竞合交织四大趋势。从 DeepSeek-R1 等高效开源模型的涌现，到多模态与强化学习的融入，人机协作模式重塑，以及智算中心成为新型基础设施，我们正站在一个由技术范式革新驱动的产业变革的起点。 1.1 模型演进：能力边界进一步延伸 1.1.1 算法与架构的效率革命持续提升模型能力 基于规模法则（Scaling Law）1推动基础大模型性能提升的预训练模式的性价比下降。在此背景下，学术界和工业界不断探索后训练与特定场景的 Scaling Law。目前，Scaling Law 的影响已经扩展到后训练和推理阶段，推理模型的性能与训练时间计算、推理时间计算量存在明显的幂律关系。DeepSeek 的成功经验引发全球关注，但并未改变大模型对大算力的依赖。目前，业界的探索表明，通往更高智能存在两条并行路径、两者相辅相成 ：一是通过更优的算法提升算力效率，比如强化学习（Reinforcement Learning）和测试时计算（Test-time Compute），二是通过持续提升模型尺寸、扩充训练数据与加码算力投入，构筑顶级基座模型的竞争壁垒。例如，xAI 为 Grok 3 投入的预训练算力达到了 Grok 2 的 10 倍，Grok 3 调用了 10 万个英伟达 H100芯片，相较于 Grok 2 的 15000 个实现了显著提升。而这场围绕算力的军备竞赛远未结束，作为行业标杆的 GPT-5 的发布，再次印证了构建最顶级基础大模型的成本投入极为高昂，注定是战略性稀缺资源。 业界将目光从预训练转向即后训练与推理阶段，强化学习正是这一趋势的核心技术。以DeepSeek-R1 为代表的强化学习架构，通过让模型在试错中学习，用更少的计算量激发了模型更深层次的推理能力。其核心创新的 GRPO 算法消除了传统 Critic 网络的计算冗余，不仅显著提升训练效率，而且将推理延迟降低至毫秒级。目前，诸多团队基于类似的训练策略，持续验证在小模型上的推理能力，结果表明额外的指令微调并非必要，基础模型和指令模型最终能达到相似的性能水平；不同的强化学习算法