中国国际服务贸易交易会-第七届中国金融科技论坛于2025年9月10日-11日在北京举行。主题为“大模型时代金融科技的场景创新与应用”。中国数据管理部总经理沈志勇出席并发表主题演讲。
以下为演讲实录：
尊敬的各位来宾：
大家好！很荣幸能有机会在这里与各位分享民生银行在大模型领域的探索与实践体会。本次分享的主题由主办方拟定，接下来我将围绕这一主题展开具体内容。
一、金融科技需要解决的问题
首先我们紧扣主题，谈谈金融科技。“金融科技” 虽为相对传统的概念，但如今热议的数字金融、数字化转型等理念，与之一脉相承，核心都离不开创新与应用两大关键词。对于金融机构而言，我们的创新与科技公司存在显著差异：一方面，金融机构对创新的盲目性约束更强，需在合规框架内稳步推进；另一方面，对应用的实效性有更高追求，需带来实际的业务价值。
要实现创新与应用的平衡，需先厘清三个核心问题：
1． 金融科技要解决的核心痛点是什么？
2． 如何看待大模型这一工具？它的出现意味着什么？我们应秉持怎样的心态对待？
3． 如何有效推进大模型的创新与应用？
金融科技字面上是 “金融 + 科技”，其本质目标是解决信息不对称问题。从金融属性来看，学界与业界普遍认为，金融与信息高度关联，信息的流动与处理贯穿金融市场运行的全流程。从科技属性来看，这里聚焦信息科技。关于 “信息” 的内涵，我想借用管理学中的 DIKW 模型来阐释，该模型清晰展现了信息的来源与两个层级的演化：
数据到信息：信息是 “有用的数据”，其价值在于解决不确定性。传统结构化数据的信息提取已较为成熟，但非结构化数据的高效信息提取仍是重要挑战 —— 尽管我们已在非结构化数据的检索等方面已经有成熟的技术，但更深层次的信息理解与提炼仍需优化。
信息到知识：“好用的信息” 可称之为知识。知识需要对信息进行经验沉淀、关联梳理、系统组织实现传承，其核心在于建立有效的保存、更新与流转等机制。与信息提取类似，非结构化内容的知识转化同样是实践中的难点。
知识到智慧：智慧是“用好知识”，即知识的高效、精准应用，体现为对已掌握的知识实现恰当表达与灵活驾驭能力。
DIKW 模型清晰呈现了信息从产生到应用的完整链路，而在大模型出现之前，金融科技领域已通过多种技术手段推进这一进程：
在数据到信息的层面，信息检索（如搜索引擎）与信息抽取（非结构化转结构化）是主流技术路径；
在信息到知识的层面，通过知识库、问答对、字典以及知识图谱等形式实现知识的结构化存储与关联；
在知识到智慧的层面，依托问答系统、知识图谱构建对话，模拟智能交互。
这些传统方式本质上是对知识的结构化改造，未改变知识的原生形态。而大模型的出现带来了颠覆性变化：它并非通过重新组织知识然后索引检索，而是直接 “消化” 知识并响应需求：信息抽取效率效果大幅提升；知识图谱以新形态存储；对话机器人减少了对既有结构化数据的依赖，实现更自然的交互。可以说，大模型让金融科技的很多领域有了更优解，推动技术应用方式实现系统性优化。
二、金融行业如何看待大语言模型
关于如何看待大语言模型，可从三个关键问题展开：
（一）判别还是生成？
传统金融科技技术中，判别模型应用广泛，但大语言模型作为生成式模型，其价值不应被过度放大至 “替代所有模型”。行业共识是，大小模型、判别式与生成式 AI 需结合使用 —— 这一点在我与多个大模型交互时得到了一致印证，也被同业实践所验证。
（二）检索还是推理？
这一问题关乎对大模型智能本质的认知。大模型的 “推理能力” 常被热议，但主流观点认为其核心逻辑仍是基于既有知识的模式匹配与检索，尚未达到人类级别的自主推理。及时从 其Transformer 核心结构看，其中的 KQV 矩阵本质上仍是检索匹配逻辑，未脱离既有知识范畴，尚不具备 “无中生有” 创造知识的能力。这一认知决定了我们在应用中需理性看待其能力边界，避免过度依赖。
（三）NLP 还是 AGI？
大语言模型是自然语言处理（NLP）技术的突破性进步，还是接近通用人工智能（AGI）的雏形？个人认为将其视为 NLP 技术的飞跃更为客观 —— 这种认知能让我们在实践中心态上收获更多惊喜，实施上在既有 NLP 场景与技术基础上获得突破，而非因对 AGI 的过高期待而陷入失落。
三、如何推动大模型落地：民生银行的探索
民生银行的大模型实践与同业存在共性，其核心逻辑可从技术体系、场景推进、组织机制三个层面展开：
（一）技术体系架构
大模型技术体系是 AI 体系的重要组成部分，我们将其分为四个层级：基础设施层 、数据与模型层、平台层、应用层。此外，架构治理、人才建设、安全合规与制度体系是保障技术体系有效运转的关键支撑。
（二）场景推进机制
大模型热潮下，业务部门的需求呈爆发式增长 ，包括很多“一句话需求”或意向性需求。对此，我们建立了 “想、试、落、推”漏斗式的 筛选机制，通过层层评估确保资源聚焦于高价值场景。实践中，我们将场景分为劳动密集型与知识密集型两类推进，并采用 “集中+ 分散” 的组织形式：由基础技术组提供统一的算法模型支撑，对接多个业务领域组，其中 “AI 解决方案架构师” 作为关键桥梁角色 —— 他们往往从算法团队中培养同时深耕业务场景，这一角色对技术落地至关重要。
四、实践体会：关键认知与经验
（一）场景应用成功要素
AI 项目的成功往往取决于 “数据基础” 与 “群众基础”：
数据基础：在 那些有NLP技术积累，被深入耕耘过的 “熟地” 场景，因数据沉淀充分，会更易快速见效；
群众基础：业务部门对技术方式 *** 的理解以及积极参与配合程度越高，项目落地效率也越高。
此外，除了算力、数据、平台等技术能力，还有两个关键能力也很重要：
组织动员能力：通过明确的任务组织形式推动落地，领导挂帅是高效推进的重要保障；
模型评测能力：机器学习的本质是对模型的筛选，我们将大模型分为 4 个等级进行层层筛选与评估，确保筛选与训练出性能符合场景要求的模型。
（二）对大模型的正确认识
实践中需避免两种极端心态：
大模型“万能论”：不能将大模型看作“水晶球”，任何模型都难以满足任意的知识需求；更不能将大模型视为 “救世主”，认为其可一笔勾销技术债、业务债 —— 这是不现实，好的大模型应用需要扎实的信息化和数据化基础；
大模型“无用论”：因初期尝试未达预期便认定其 “无用”。事实上，“有多少人工，就有多少智能”，对待 AI 应如对待新员工，需给予足够的训练与调试以适配场景的空间。
（三）实施过程中注意要点
银行作为金融机构而非科技公司，应聚焦核心业务场景，在技术层面适度实验，与科技企业形成良性分工 —— 这一思路与同业领导的观点高度一致，有助于实现社会资源的优化配置。
最后是安全性和风控是必须强调的事情，一方面，大模型继承了信息科技与 AI 领域的共性风险，需按既有框架严格管控；另一方面，其特色风险来自两点：生成机制的随机性导致结果不可控，内部数据结构的不透明性增加了审查与审计难度。
以上是民生银行在大模型创新与应用中的探索与体会，感谢各位的聆听！
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
