炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

2025全球南方金融家论坛平行论坛“价值发现：科技创新驱动资本市场高质量发展”于3月19日在北京举行。

论坛由国金大厦发展有限公司、上海证券报·中国证券网主办，中国社会科学院大学教授、国务院原副秘书长江小涓，中国工程院院士、“星光中国芯工程”总指挥邓中翰，中国人民大学国家金融研究院院长、中国资本市场研究院院长吴晓求，360集团创始人、董事长周鸿祎，恒生电子联合创始人、董事长刘曙峰作主题发言。

作为金融科技行业代表，刘曙峰以“金融行业大模型应用”为题分享他对行业的前沿观察。他表示，随着模型开源、部署和推理成本持续下降，大模型已迈入“AI平权”的普惠时代，正推动应用生态繁荣发展。

2025年或将成为产业应用爆发元年

“当前的大模型到底在发生什么？”刘曙峰以设问开启主题演讲，系统阐述三个核心判断：

首先，基础大模型能力持续发展，已突破临界点，在各个垂直领域超过人类平均水平，甚至达到顶尖专家水平。同时，大模型技术继续朝着多模态和深度推理两方面演进，Scaling Law-仍在起作用。值得关注的是，业界正积极探索通过自监督学习实现AGI的可能性。

其次，AI平权带来大模型生态繁荣。当前，大模型训练、推理成本指数级下降叠加开源普惠效应，大幅降低应用门槛。例如，DeepSeek R1单机就可以完成部署，使中小机构能以低成本获取顶尖AI能力。这种技术普惠正推动进入大模型“平民化”应用时代，为产业落地开辟广阔空间。

再次，产业端AI应用有望全面爆发。随着AI Agent发展，2025年或将成为产业应用全面突破甚至爆发的元年。目前，大模型应用正从智能问答向任务执行和决策跃迁，头部机构加速布局能完整执行工作流的AI Agent，将推动应用创新规模化发展。

金融行业大模型应用的三种形态

基于深度行业洞察，可梳理出金融行业应用的三种类型：知识驱动型、流程驱动型和混合型。

- 第一种是知识驱动型，聚焦专业知识密集型场景，即决策与判断依赖于知识、经验。因此，我们要求员工具备特定专业背景、学历以及工作经验，因为这些要素构成知识与经验的储备基础。工作中，个体调用这些积累来完成任务，此过程正是知识驱动的本质。如今的大模型能够高效处理和应用海量知识，展现出极强的知识专家特性，在某些领域甚至可能取代人类。

大模型通过知识库整合与复杂推理直接参与决策，重构业务逻辑并成为核心生产力。目前已有若干实例初见端倪，但尚未完全成熟，仍在探索中。

以资产配置为例，面对市场上数万只金融产品，顶尖财富顾问也难以全面掌握，而大模型凭借强大的数据处理与推理能力，能够快速完成产品匹配，甚至替代初级分析师的研究工作。

这对产业来说是一个增量，AI平权将使得所有企业都具备这样的能力，进而带来产业格局转变的机会，这是我们需要思考的核心。

- 第二种体现于流程型工作，这些任务本质上是按标准化步骤推进的，而非依赖大量创新或复杂方式。如股票交易涉及开户、订单生成、订单发送到交易所等一系列有序步骤。大模型可嵌入这些流程中的特定环节，显著提升效率。

例如，原本需手动点击菜单、查找功能项完成的操作，如今可通过大模型调动相关功能直接实现。后台任务亦然，比如提取参数、总结年报内容等，均可通过在特定步骤中嵌入大模型完成。这种应用的实际效果显著，例如合规政策调整的工作时间从原来的一周缩短至两小时，展现出数量级的效率提升。

大模型在流程驱动型的应用已日趋成熟，过去两年在国内外金融机构中均得到广泛实践。根据我们近期的全球调研，中外机构在应用模式上高度一致，均以嵌入流程、提升效率为首要切入点。这一趋势将随着时间推移逐步深化并演变。

- 第三种类型为混合型，其特点是在流程执行中融入知识判断，复杂度较高。通常情况下，我们先将大模型嵌入流程，再逐步优化流程本身。融合流程执行、知识推理与决策能力，实现对既有业务逻辑的智能化升级。如在合规审查、反洗钱、软件开发等场景，基于workflow base开发大模型能力，实现知识驱动下的流程改良和人机协作。

“这也是最考验行业Know-how的场景，只有对金融业务逻辑有非常深刻的理解，才能知道哪些流程可以优化、如何优化。"

大模型驱动的AI架构演进与建设要点

在刘曙峰看来，基础模型训练的支出正在收敛，应用正在快速增长。市场招投标统计数据显示，2025年1-2月金融行业大模型项目数量为去年一季度的3倍多，项目金额激增20倍，市场需求正在强劲增长。

此外，2024年金融行业大模型应用投入仅占科技预算的千分之几，2025年投入占比若能从“千分位”跃升至“百分位”，大模型应用将会有规模化产出。

展望未来，刘曙峰表示，产业应用架构将向AI架构演进，入口、代理、模型，是大模型时代的三层应用结构。而在代理这个部分，要有一个AI中台去生产、运行代理体。

演讲中，刘曙峰分享了大模型应用建设的三个要点：

首先是大模型的选择与适配。因为AI的普惠化，模型本身不再是应用的门槛。需要根据模型能力、目标任务特点和自身资源禀赋，进行任务适配性评估，选择私有化部署、轻量化部署或公有云AI SaaS，其中需要重点关注推理框架的优化和国产算力的适配。

其次是资源的梳理与再定义。梳理资源，包括知识库、内外数据及企业科技系统功能。这一过程需借助RAG、API接口等技术手段，虽具挑战性且工作量大，但至关重要。基于前期数字化转型的基础，将资源转化为大模型可用且友好的形式。

第三是场景重构和价值挖掘。在大模型化现有资源的基础上，洞察商业逻辑的变化并重新构建产品，优化用户交互方式，完善代理体系，从而实现任务的高效执行。