金融机构大模型AI+应用路径

在过去的一年中，大模型正持续向人工通用智能（AGI）方向快速演进，其演变速度之迅猛，超越了历史上任何一个技术周期。正如阿里巴巴CEO吴泳铭在2024云栖大会上所言，AI最大的想象力并不局限于手机屏幕之内，而在于改变整个物理世界。如今，大模型在不同行业的应用轨迹，正逐步显现出两个截然不同的发展方向：一方面，模型自身变得愈发“智能”，跨模态的转化、交互与生成能力日趋成熟，并开始向自动驾驶、人形机器人等更广泛的实体领域渗透；另一方面，在那些对专业性、严谨性要求极高的行业中，核心诉求转变为如何将基座大模型与行业数据、行业知识进行深度整合，从而提升模型的准确性与可靠性。

先分享几个核心观点：金融行业正迈入AI Native的全新发展阶段。回顾“十四五”时期，金融领域的数字化建设取得了显著成果，但与此同时，也暴露出数字化投入巨大、业务转型深度与广度有待提升的问题。2023年的中央金融工作会议更是明确提出了“五篇大文章”的新要求。而AI大模型的崛起与飞速演进，恰为数字技术赋能金融带来了全新契机——它真正将“想象力”转化为了“生产力”。

基座大模型的演进节奏已逐步清晰，多模态与强化学习显著提升了其推理能力，AI Native这一概念也获得了行业的广泛认可。所谓AI Native，本质上是指让人工智能深度融入业务流程与系统，成为业务的核心组成部分。在金融领域，这意味着将AI技术同金融业务紧密结合起来，实现智能化的投资决策、风险管理、精准营销、客户服务以及研发运维等应用。

AI Native的发展还预示着计算架构、系统架构、应用及数据范式将迎来根本性变革。在大模型的Scaling law法则中，算力、数据与算法是三大核心要素。随着金融企业对大模型能力的探索日益深入，更大的算力、更优规模或更高质量的数据、以及更强的算法，便构成了金融机构打造金融级AI Native架构的三大关键考量。

AI Native Infra：拓展云基础设施的边界

目前，大多数金融机构已基本完成或正在推进云平台建设，许多参照公共云架构，构建了多地多中心多活的架构与云原生体系。然而，随着大模型应用场景的持续深化，无论是在训练或微调阶段对并行计算、高速网络、高性能文件存储的迫切需求，还是在推理阶段对弹性、时延、业务连续性的严苛要求，都为现有云基础设施能力带来了全新挑战。因此，如何在云基础设施之上，实现异构算力的一体化管理、公专弹性一体化调度以及端到端的监控与运维，已成为亟待解决的关键问题。

异构算力的统一管理。算力架构分散、利用效率偏低，是当前国内AI技术应用面临的一个明显瓶颈。通过算力虚拟化与池化技术来屏蔽底层异构算力的差异，再借助推理调度框架对显存、算子、编译等层面进行优化，实现不同性能算力的统一加速，这已成为金融机构在AI算力基础架构上的必然选择。

算力的弹性供给与统一调度。当大模型应用从试点阶段迈入更大规模的日常生产，支撑推理应用的高并发，同时提供随时可用的弹性能力，便成为了刚性需求。在特定高峰时段，将负载弹性调度至行业云、金融云等公共基础设施，能够较好地平衡效果与成本。

端到端的监控与运维。若将大模型的训练比作开发，那么推理则是典型的生产环节。如何从硬件层、模型层、应用层实现端到端的监控与运维，确保大模型应用具备与传统交易类应用同等的可观测性与业务连续性，是规模化投产的关键前提。AI基础设施必须具备全链路、高精度的监控数据，用于性能分析与调度优化，同时需具备更快速、更自动化的故障发现与隔离能力。

AI Native Data：激活一切数据资产

多数金融机构已建成数据中台，围绕结构化数据构建了“采建管用”的能力体系，在一定程度上支撑了经营决策、客户营销与风险管理等场景。然而，这些数据仅占金融企业整体数据的一小部分，且受限于质量与工具等因素，大量数据并未得到有效利用。推动企业更广泛的数据与大模型全面融合，不仅能让大模型更深入地学习和理解企业知识，还能充分激活与挖掘数据的内在价值。简言之，这需要构建一条从数据到信息、再到知识、最终到智能的完整链路（DIKW）。

多模态数据管理能力。金融机构拥有规模庞大的半结构化与非结构化数据，这些数据能够显著提升大模型应用的专业性与严谨性。数据中台需要升级对多模态数据的管理能力，涵盖采集、存储、向量化、知识图谱及查询等环节。在训练阶段，需满足大模型对数据规模与多样性的要求；在推理阶段，则需满足对查询效率、响应时间以及实时数据更新的需求。

数据工程的智能化。借助大模型能力来构建智能化的数据工程，例如智能数据分析、数据探查、建模、全域数据集成以及主动式数据资产治理。此举旨在提升数据资产加工处理的效率，优化数据质量，降低数据分析与应用的门槛，从而最大化数据资产的价值。

Data+AI全链路打通。为更高效地实现从数据到信息、知识再到智能的转化，需要将之前分散的DataOps与MLOps体系打通。这样，无论在数据开发平台还是AI开发平台，都能便捷地完成数据的加工处理、模型训练、发布及应用等全链路操作。

AI Native Application：打造先进智能服务

伴随金融机构云平台的建设，各类金融应用也已完成云原生相关的改造与优化——从狭义的容器化、微服务、CI/CD、DevOps，到广义的单元化、服务网格、全链路可观测等。应用的云原生化成功推动了金融机构的数字化进程。那么，下一阶段的智能化，如何将AI能力与金融业务深度融合，实现智能化的风险管理、精准营销与客户服务，便成为了构建与管理金融应用面临的新挑战。

灵活开放的基础模型选择。大模型的能力直接决定了金融应用的智能化水平。当前国内大模型生态中，既有开源也有闭源方案，能力层面涵盖语言、语音、图像、视频模型，尺寸方面则有0.5B、7B等小尺寸，以及72B、100B等大尺寸。此外，模型的迭代速度极快。因此，金融机构应打造一个灵活开放的模型市场，综合评估性能、成本、开发进度与发展潜力等因素，来选择合适的模型，并在必要时进行替换。

一站式模型应用工程服务。就目前来看，仅凭基础大模型的能力，往往难以处理那些包含复杂金融逻辑与较长流程的业务场景。为满足金融行业对专业性与严谨性的要求，还需借助企业内部的结构化与非结构化数据，对基础模型进行知识增强与结果验证。一个一站式的大模型应用开发平台，能够显著降低开发门槛、提升开发效率——在训练阶段，提供数据处理、训练微调、模型评测等能力；在应用阶段，则提供RAG、Agent、Multi-Agent等工程化能力。

多智能体的构建与融入。在大模型时代，每一个应用都值得被智能化重新改造。智能体作为一种能够自主执行任务的新型应用形态，具备更强的自主能力、交互能力与学习能力，能在复杂环境中优化其行为策略，实现预定目标。自主能力意味着智能体可减少预设程序，例如在智能投顾领域，它能根据市场趋势与个人偏好主动提供建议；交互能力使其能与用户进行自然对话，提升体验，比如在客服领域，通过自然语言处理技术与用户沟通，完成信息查询、预订等服务；学习能力则使许多智能体能够自我进化，如在智能营销中，根据用户的行为模式不断调整推荐策略。

过去十年，阿里云深度参与了中国金融行业的信息化与数字化进程。在汹涌而至的智能化浪潮中，阿里云围绕算力、数据、算法，为金融客户提供了一系列解决方案：在算力层面，不仅提供专有云环境下普算智算一体化的异构资源管理与运维方案，还提供了满足合规与安全要求的金融云与公共云资源弹性方案；在数据层面，对原有数据中台方案进行了升级，实现了Data+AI的双向赋能；在算法层面，为金融客户提供了全模态、全尺寸、广开源的基础模型，以及一站式大模型应用开发平台“通义点金”。

未来，阿里云将继续加强与金融客户的共研合作，深化与合作伙伴的共建模式，持续推动金融行业大模型应用的技术创新。通过深入理解金融行业的特性与需求，助力金融机构更高效、更智能地服务实体经济。

（此文刊发于《金融电子化》2024年11月上半月刊）

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：金融机构大模型AI+应用路径要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题