“要让大模型安全高效服务金融主业，需抓住五个关键 第一，算力建设要走集约协同、信创优先的路子。第四，规模化落地要通过场景化找准价值，通过工程化保障效率。他表示，大模型是概率智能，而金融强调严谨逻辑、精准研判、零差错，两者底层逻辑存在差异，幻觉和偏差很难完全避免
“要让大模型安全高效服务金融主业，需抓住五个关键：第一，算力建设要走集约协同、信创优先的路子。第二，通用大模型必须深度改造，做成真正‘懂金融’的专属模型。第三，知识工程是压舱石，核心就是管住‘幻觉’、保证输出可靠。第四，规模化落地要通过场景化找准价值，通过工程化保障效率。第五，信创要落到实处，筑牢安全底线。”在新金融联盟5月30日组织的参访活动中，建设银行原首席信息官金磐石提出务实建议。
他表示，大模型是概率智能，而金融强调严谨逻辑、精准研判、零差错，两者底层逻辑存在差异，幻觉和偏差很难完全避免。对于金融大模型所处阶段，他给出冷静判断――当前金融大模型应用，整体还处在试验摸索阶段，尚未达到核心业务实战标准。同时强调，“这条路难度很大，但意义深远，必须坚持走下去。”
本次参访主题为“智能金融生态建设与业务赋能”，在新金融联盟秘书长吴雨珊带队下，近40位理事单位代表及特邀嘉宾走进华为北京研究所，共话人工智能发展趋势，探寻金融智能化转型的方向与路径。以下为金磐石发言全文。
大模型赋能下的智能金融实践与思考
文| 金磐石
建设银行原首席信息官 金磐石
最近两年，大模型在金融领域热度很高，信创算力和全栈技术进步也非常快，这些成果刚才在华为展厅大家都看到了。我相信大家也和我一样既充满信心，也感到紧迫：如何把大模型真正用好、管好，安全高效服务金融主业，已经成为全行业必须答好的一道关键题。
金融大模型落地的五个抓手
结合实践和行业观察，我围绕算力、模型、知识、应用、自主可控这五个核心点，与大家做个交流。
第一，算力是基础，但不能盲目烧钱，要走集约协同、信创优先的路子。
大家都清楚，大语言模型算法与人类的智能是两回事，本质上没有“智能”，靠的是“蛮力”，非常依赖算力，训练和推理成本都很高。千亿参数模型一次训练成本，一般机构难以承受，日常运维也需要持续投入，对每家机构都是不小的压力。
当前行业趋势已很清晰：从各家自建，转向共建共享、集约协同。头部机构和科技企业联手搭建行业级算力平台，实现资源池化，支持跨机构弹性调度、错峰使用，既能提升利用率，又能降低单家投入，避免重复建设和资源浪费。
同时必须坚持一个原则：算力建设，信创优先。可优先选用�N腾信创算力底座，从基础设施层面降低对外部供应链的依赖。采用异构算力架构，兼容多种信创芯片，提升调度灵活性。再配合动态负载均衡、推理加速等技术，在保障性能的前提下，把单位算力成本降下来，让算力投入更高效、更可控。简单说，算力不是堆得越多越好，而是要算好经济账、走好协同路、守住信创底线。
第二，通用大模型不能直接用，必须深度改造，做成真正“懂金融”的专属模型。
很多人有个误区：拿通用大模型简单调一调就能上金融业务。其实不行。通用模型语言能力强，但专业性、合规性、准确性都达不到金融的严苛要求，直接使用风险很大。
模型适配不是简单调参，而是深度领域增强。主流路径是在通用大模型基础上，打造金融专属大模型。使用财务报告、监管文件、业务资料等高质量金融数据，开展增量预训练、微调与强化学习，让模型听得懂金融术语、判得清业务逻辑、守得住合规底线。
这个过程，本质是知识工程的全面升级。过去靠专家规则、结构化数据；现在要处理政策、研报、合同、服务记录等大量非结构化信息，从抽取、建模到推理，一整套体系都要重构。而且必须让业务专家深度参与，把业务经验、监管要求、风险准则全部注入模型，让大模型从“会说话”，变成“懂金融、守规矩、可信赖”。
第三，知识工程是压舱石，核心就是管住“幻觉”、保证输出可靠。
金融知识有三个特点：更新快、价值高、监管严。如何把内外部知识准确、可追溯地注入模型，确保不“瞎编”、不“跑偏”，是最关键、也最头疼的问题。
目前行业比较成熟可行的方案，是“知识图谱+大模型”混合架构。知识图谱管精准事实与强逻辑约束；大模型管理解与生成，两者协同，能大幅降低幻觉风险。例如在绿色信贷合规判断、监管政策解读、风险主体认定等场景，模型可通过知识图谱找到依据、关联数据、给出结论，全程可溯源、可审计、可验证。
知识工程必须做全生命周期管理：知识来源可标注、版本可追溯；打破部门与系统壁垒，建设企业级智能数据体系；支持多模态信息解析与结构化入库，常态化更新，确保知识不过期。只有做到可管、可控、可查、可更新，大模型的输出才能稳定、可靠、放心用。一句话总结：金融不怕慢，就怕错；知识管不好，一切都白搞。
第四，规模化落地要双轮驱动：场景化找准价值，工程化保障效率。
大模型在客服、营销、风控、合规、运营等场景的价值，大家已有共识。但真要铺到全机构、全系统，复杂度极高，不是试点跑通就能大规模复制。规模化关键抓两件事：场景化+工程化。
场景化聚焦两条主线：一是以客户为中心的经营，二是支撑高质量发展的管理。优先选择高价值、可闭环、易复制的场景，如智能客服、精准营销、合规审查、风险预警、报表生成、文档处理等。坚持“从业务中来、到业务中去”，每个场景明确投入产出、输入输出、责任主体和评价标准，让技术真正嵌入业务流程，创造可量化的价值。
工程化就是搭好支撑体系：第一，建设自动化训练流水线和标准化部署机制，实现模型快速迭代、敏捷上线；第二，建统一AI中台，沉淀通用模型、组件和工具，支持跨场景复用，避免重复开发；第三，完善运维管控，实施AB测试、灰度发布、全链路监控、异常告警，保障系统稳定、安全、高效。
用场景化定方向，工程化提效率，才能真正从试点走向规模化应用。
第五，自主可控不是口号，信创要落到实处，筑牢安全底线。
对金融行业而言，安全可控是前提，更是生命线。大模型应用尤其不能含糊。自主可控不能只贴标签，要落到三个核心层次：
第一，基础设施自主：芯片、操作系统、数据库，优先采用信创产品，夯实底层安全。
第二，框架工具自主：优先使用国内主导的开源AI框架，降低对CUDA相关生态的依赖。
第三，模型能力自主：核心算法、训练数据、知识体系必须自己掌控，不过度依赖外部API。策略很务实：关键核心路径自研，非核心环节整合生态，始终掌握主导权。当前，大型金融机构普遍采用异构算力底座，支持多种信创AI芯片，调度更灵活、系统更安全。模型以DeepSeek、Qwen、GLM等国内开源大模型为基础做领域适配，全部私有化部署，数据在内部闭环流转，严格保障数据安全。同时建立全流程模型评估机制，从性能、安全、可解释性、合规性等多维度综合评审，上线后持续跟踪，实现全生命周期管理。
金融大模型应用的冷思考
最后，跟大家分享一个冷静、客观的判断。大模型给金融带来的不只是工具升级，更是生产力和生产关系的深层次变革。但实事求是地说，现阶段大模型带来的效率与效益提升仍然有限。大模型是概率智能，以内容生成为主；而金融强调严谨逻辑、精准研判、零差错，两者底层逻辑存在差异，幻觉和偏差很难完全避免，可靠性仍需持续提升。
当前金融大模型应用，整体还处在试验摸索阶段，多数是浅层辅助，尚未达到核心业务实战标准，成熟落地需要长期投入。但我们依然坚定：只有技术与金融专业深度融合，才能真正释放价值。这条路难度很大，但意义深远，必须坚持走下去。面向未来，我们的态度很明确：积极拥抱，但不盲目跟风；大胆创新，但严守安全底线；开放协同，但坚持自主可控。
坚持以业务价值为导向，以安全可信为前提，以生态协同为路径，我相信，中国金融业一定能走出一条技术自主、应用深入、安全可信的智能金融发展道路。也期待行业内加强交流协作、共同制定标准、一起打磨场景、完善生态，携手推动智能金融高质量发展。
【关于我们】
新金融联盟（NFA）成立于2016年，致力于打造一个高质量的新金融政策研讨和行业交流平台。成立以来，联盟共组织各类闭门研讨会、优秀企业参访近百场，议题涵盖数字金融、数据治理、资产管理等方向。部分研讨成果形成报告，呈送给相关部门，推动了业界与监管的沟通交流，助力市场机构的合作共赢。
本文首发于微信公众号：新金融联盟NFA。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。