摘要：2021年5月，富滇银行与阿里云合作，启动“滇峰计划”，全面开启数字化转型，凭借数字化转型的模式创新、转型方案完整度、市场影响力及社会价值，成为城商行中依托数字化转型实现业务经营模式及服务范式转变的典型案例。转型期间，该行引入和实践大模型辅助研发技术，持续探索

2021年5月，富滇银行与阿里云合作，启动“滇峰计划”，全面开启数字化转型，凭借数字化转型的模式创新、转型方案完整度、市场影响力及社会价值，成为城商行中依托数字化转型实现业务经营模式及服务范式转变的典型案例。转型期间，该行引入和实践大模型辅助研发技术，持续探索中小银行金融大模型实践之路，在多个场景中实现了大模型技术应用。

“2025年，在DeepSeek等基础模型的革新推动下，大模型技术将重塑各行各业，其中金融业作为先锋领域，将迎来金融专属大模型应用的元年。”日前，富滇银行数字金融中心主任赵理明接受《每日经济新闻》记者（以下简称“NBD”）专访时表示，在全过程开源、强化学习、自我反思、冷启动与多阶段训练的多重加持下，DeepSeek将带来巨大的成本优势和同等的效能，使得中小银行也能获得先进的算法资源。

在赵理明看来，中小银行不必复制大型银行的“重模型、全场景”的路线，而应从“小场景、深融合、快迭代”的思路入手，取得非对称竞争优势。同时，他强调，需警惕技术激进风险，尽管近期多家头部大模型公司公布了各自的智能体框架，但稳定应用于商业场景尤其是银行业，还需要较长时间的孕育磨合期。

NBD：富滇银行启动“滇峰计划”的初衷是什么？目前进展如何？

赵理明：从2017年开始，一些城商行已经开始了数字化尝试，以由点及面的方式稳妥推进数字化转型。而在今天，如富滇银行等中小银行显然已经没有了这样的时间和空间。在这场竞赛中，面对的是一场非对称竞争——随着数字化技术在金融领域的渗透，特别是在这个“无界时代”，中小行与大行之间的差距实际上是在拉大。如果不搞数字银行，小银行的本地网点优势就是一个“伪命题”。

因此，我们经过仔细调研和慎重讨论，决定制定一场体系化、系统化的数字化转型战略，围绕“组织、业务、技术”进行三位一体的全面转型。2020年7月，我们出台了《富滇银行数字化转型总体方案》，并在2021年5月全面启动了“滇峰计划”数字化转型基础平台建设项目。

“滇峰计划”数字化转型项目以业技融合为依托，围绕“前台场景化、中台智慧化、后台云化”的企业级架构转型战略，打造了“十大数字化核心能力平台+N个前端客户数字化触点平台+N个场景生态平台”，总计49个数字化能力经营平台，共同形成前中后台一体化的敏态应用架构体系，支撑数字化产品的快速迭代和敏捷创新，以及数字化经营体系的形成。

在形成数字化支撑能力的基础上，富滇银行圈定了“数字化零售金融”“数字化公司金融”和“数字化信贷经营”三大业务板块，并取得了显著的阶段性转型成效，全部经营指标较转型前翻番，部分指标呈现10倍速增长。

通过这些年的努力，我们已初步实现跨越式突围，快速迈过朦胧期、反应期、到达进展期和沉浸期临界点。同时，我们始终坚持长期主义及数字化转型没有终点的论断，持续深化数字化转型实践，不断进行迭代优化和改进，持续坚持“以数强实”补充各版块数字化能力。

NBD：我们看到，富滇银行引入大模型辅助研发技术，实现了研发管理的智能化，目前AI代码生成占比已超过30%。这对贵行软件开发流程带来了哪些具体改变？是否进一步提升了整体研发效能和创新能力？

赵理明：我们是主要通过本地部署算力和“通义灵码”大模型，引入和实践大模型辅助研发技术，并探索适合自身技术栈和研发流程的新一代智能研发解决方案。

AI辅助研发为金融科技带来编码效率提升、质量增强、可读性和维护性优化，并进一步激活数字化转型过程中沉淀的规范文档和代码样例库，提高代码规范性，减少重复开发，进一步提升研发效率。

另外，我们计划在今年落地AI业务需求生成、测试案例生成等产研场景应用，并继续探索大模型与测试管理平台、自动化测试平台集成的解决方案，进一步将基于大模型的辅助研发管理链条向左和向右延伸，逐步形成研发全生命周期覆盖。

NBD：富滇银行目前在大模型技术上有哪些具体的应用场景？未来可能还会探索哪些新的应用场景？

赵理明：从去年开始，我们持续探索中小银行金融大模型实践之路，结合现有条件，根据“信息密集-知识密集-决策密集”等阶段性特点，规划符合富滇银行实际情况的差异化发展路径。

目前我们已上线智能营销文案应用和播报型数字员工，正在和厂商共创基于“对话即服务”的全新用户交互模式APP，以及智能客服、AI营销策划、合同质检、客户经理助手等场景应用。

后续我们还将进一步围绕智能问数、复杂数据分析、信贷报告生成、合同审批、产品智能推荐等垂直应用展开实施，并前沿规划了私域知识数据发展智能风控辅助、智能数据驾驶舱、多模态支持下的个性化、标准化的AGI应用。

NBD：当DeepSeek大模型面世时，你的第一反应是什么？你认为它对银行业的服务模式和业务流程将产生怎样的影响？

赵理明：2024年政府工作报告中明确提出了“人工智能+”的概念，富滇银行将加速推动基于金融专属大模型的垂直智能应用的落地实践，但在此过程中，尤其对于中小银行来说，仍然存在前期投入较大、产品服务成熟度和匹配度较低等行业共性的尴尬局面。

其中，主要存在路径选择、成本约束和实际成效等因素的困扰。DeepSeek（尤其是R1模型）的“横空出世”，有别于以OpenAI o1为代表的思维链（CoT）技术，在全过程开源、强化学习、自我反思、冷启动与多阶段训练的多重加持下，带来巨大的成本优势和同等的效能，使得中小银行也能获得先进的算法资源。

我认为，2025年，在DeepSeek等基础模型的革新推动下，大模型技术将重塑各行各业，其中金融业作为先锋领域，将迎来金融专属大模型应用的元年。今年的金融大模型应用将如同2024年的通用大模型百花齐放般涌现，以更智能、更高效的姿态全面服务用户，开启金融智能服务的新纪元。

NBD：目前一些中小银行已在部署DeepSeek或利用DeepSeek开发自己的大模型，对此你怎么看？

赵理明：在大模型产业链中的分层赛道中，基础设施层（算力、数据标注、云服务）和基础模型层显然不是中小银行能够触及的，我更倾向于以下路径：

第一，在行业模型层，重点投入金融专属模型的微调和优化，结合本地数据做轻量化垂直调优，走“小而专”的领域模型路线。

第二，在场景应用层，不急于横向通用能力建设，而是优先将资源集中在垂直应用上，以高ROI场景作为切入点，实现短期突破变现，提升大模型项目落地信心，打造智能助手和自动化流程引擎，例如智能客服、营销助手、客户经理助手、业务质检、合规与反欺诈等。

第三，在生态服务层，可以考虑两个方向上的开放合作。一方面，有选择性地采购较为成熟的标准化MaaS应用（模型即服务）进行能力补充；另一方面，银行可以基于自身的金融大模型，形成标准化API输出能力，提供对客服务，例如在公司金融服务领域，与企业综合服务平台集成，进一步形成SaaS+MaaS的全新范式，为中小微企业提供诸如智能财税诊断助手等垂直应用。

NBD：在你看来，与大型银行相比，中小银行在大模型技术应用上是否还存在一些短板？

赵理明：和大型银行相比，中小银行的大模型应用短板还非常明显。比如，基础设施薄弱、技术人才储备匮乏、试错成本承压等等。

中小银行自身算力不足，缺乏自建GPU集群计算资源，依赖第三方云服务可能导致数据延迟和安全隐患。同时，数据治理落后，缺乏统一清洗和标注能力，数据规模和数据质量存在劣势，影响模型训练效果。

在技术人才储备上，中小银行通常仅有少数IT人员兼职负责AI项目，没有专门的AI团队。在构建金融专属模型上，人员能力同样缺乏模型微调、强化学习等专业技能。产学研合作也普遍不足，难以获得前沿技术支持。

另外，中小银行的容错空间小，模型失误可能导致客户流失、资金风险、声誉风险、监管和行内严肃问责，无法通过规模效应稀释风险。长期投入不确定性突出，大模型投入产出周期较长，使得中小银行更倾向于短期见效的数字化项目。

NBD：面对大模型技术发展浪潮，你认为中小银行能发挥哪些潜力和优势？

赵理明：中小银行不必复制大型银行的“重模型、全场景”的路线，而应从“小场景、深融合、快迭代”的思路入手，取得非对称竞争优势。

一是敏捷性实施。中小银行具有决策半径短，可以充分发挥灵活性优势，快速试点场景化应用，同时便于开展轻量化改造；通过生态合作补足算力、数据和模型服务短板。

二是本地化服务。利用本地化洞察打造差异化AI服务，将区域资源转化为数据壁垒，放大区域数据独占性优势，掌握本地中小微企业、商户的非标数据，可构建差异化模型；场景贴合度高，针对区域经济特点定制模型，比通用方案更精准；通过本地化服务团队+AI模型服务的组合，增强客户黏性；更容易聚焦高价值的垂直单点场景获得AI应用突破。

三是成本优化空间。通过采购云服务弹性计费，避免重资产投入；同时可以采用参数规模较小的轻量化模型，平衡效果和成本。

NBD：对于银行业而言，大模型技术在提升运营效率和智能化水平的同时，是否会带来新的风险挑战？

赵理明：人工智能应用一定会带来新的风险。我认为，主要包括以下方面。其中，最突出的是数据安全与隐私泄漏风险。银行业具有高价值数据密集性和强监管特点，客户资产和交易数据的价值远高于一般行业，一旦数据脱敏不彻底或被渗透，可能引发隐私泄露和合规风险。

其次是模型的可靠性与可解释性问题。由于黑箱决策、算法幻觉、算法偏见等复杂情况，或导致决策逻辑难以回溯、模型误判纠纷、责任界定困境，这些都不符合金融行业对透明性和可审计性的硬性要求。同时，也存在技术壁垒造成的运营依赖风险。如果加上冗余体系不完备，模型失效时缺乏应急能力。

此外，同样需要警惕技术激进风险，“一个智能体就是一个App”的设想实现还为时尚早。尽管近期OpenAI、Anthropic、Google等头部大模型公司都公布了各自的智能体框架，基于智能体的规划、反思、智能路由与多智能体协同等新玩法进一步浮出水面，但稳定应用于商业场景尤其是银行业，还需要较长时间的孕育磨合期。

目前，大模型在实时性与准确性方面还难以应对金融领域低延迟的服务需求；在部分领域的机器学习/深度学习等专用模型相较通用大模型仍然存在算法优势，有能力的金融机构仍然要继续深耕，不能唯大模型论；一些模型如DeepSeek-R1，暂时还不具备工具调用、多模态、结构化输出等能力，应用场景存在一定制约。

NBD：对于中小银行引入大模型技术，在技术与风控平衡方面，富滇银行有哪些经验可以与业内分享？

赵理明：针对前面所谈到的风险点，我认为需要采取必要的风险应对实践。

一是在数据层面，采取联邦学习等手段实现“数据可用不可见”，严格技术脱敏，对数据进行分层隔离。

二是在部署层面，引入人工审核节点，对高风险决策进行干预，同时应该注重构建弹性、异构的模型生态，在避免单一技术路线依赖的同时，保留传统人工流程作为备份，定期进行智能-人工切换演练。

三是在制度层面，要明确模型风险评审机制和大模型应用白名单机制，在严守风险红线的基础上，鼓励应用创新和有限问责。

四是在数字化人才建设方面，要理清人员能力与模型能力之间的关系，替代关系只能带来更多的依赖风险和人员能力弱化，只有在人机协同能力基础上的赋能关系定位，才是银行迈向数智化时代的核心竞争力，以AI增强而非替代现有业务和人员能力。

NBD：随着数字化转型的推进，银行业对于金融科技人才需求是否会有新的变化？富滇银行是否会考虑引进能够适应大模型技术应用的专业人才？

赵理明：我认为这种变化是巨大的，相对于传统金融，数字化的全新打法对人才的需求更应该对标互联网公司和金融科技公司。

我们的做法是根据数字化转型特点和人才能力模型，建立以产品经理为核心的数字化人才体系，分层分类推进数字化人才的梯队建设，通过项目制打磨、轮岗交流、外部引进等方式，逐步提升数字化人才占比。具体来看，我们的数字化人才体系主要包含以下几类：数字化规划及管理人才、数字化产品人才、数字化经营人才、数字化开发人才等。

而数字化开发人才中的大模型专家，应重点关注领域适应微调、定向任务微调、智能体开发和场景落地等能力。同时，兼具业务分析能力和智能体规划的跨领域型专家也是重要的人才竞争高地。

每日经济新闻

如需转载请与《每日经济新闻》报社联系。

来源：每日经济新闻