（精选报告幻影视界）

一、人工智能大模型发展现状

生成式大模型在文本、图像、音频等各个领域下的能力飞跃,源于算力基础设施、高质量训练数据、模型架构和训练算法等各个方面的进步,由量变引发质变:专用Al训练集群为研发百亿级参数规模以上的大模型提供了硬件基础;预训练语料库的不断扩充为大模型提供了丰富的知识来源;转换器(Transformer)注意力机制的应用改进了模型对长程依赖关系的建模能力;指令微调技术强化了模型对用户提问意图理解和反馈偏好的适配程度等等。鉴于大模型技术栈的复杂性，大模型工程化平台成为大模型企业级应用的必备利器。它们整合了分布式训练框架、超参数搜索、模型压缩、性能评估、持续集成等自动化功能,极大简化了模型和应用开发流程。商业银行实施大模型企业能力建设，应当结合业务需求特点选择合适的路径构建完备的基础和工程技术体系，降低使用门槛,加速大模型从研发到产品和解决方案的价值化过程，充分赋能业务。

二、人工智能大模型应用案例

以生成式大模型为代表的新一代人工智能技术将极大地加速金融业数字化转型，有效提升商业银行的市场竞争能力。一是在人机交互形态上，大模型技术解锁图、文、音的多模态综合交互能力,可以通过多轮次的高拟人化的沟通,基于上下文不断深入理解用户的任务诉求,为用户提供个人助理式的信息和任务处理范式,将极大地提升用户体验和服务效率。二是大模型一专多能的通用能力,助力低成本地适配具体场景的任务,极大地提高人工智能技术的规模化应用能力,释放数据要素的乘数效应和倍增效应。三是大模型(对商业银行而言尤其是大语言模型)的生成式能力已成为数据处理的新引擎,在信息的处理、搜索以及创作方面进一步释放生产力,为数字银行发展注入全新动能。

(一)大模型场景实践:全流程嵌入助力业务提质增效

金融行业是数字化、智能化的先行者。在大模型的技术浪潮背景下,头部商业银行积极开展技术验证和试点，已经积累相当的经验,金融领域的重点应用.

1.客户服务

基于大模型技术，可根据客户的需求、基本情况等学习更多知识，并结合语境智能判断生成高质量易于客户理解的话术,给出准确的专业解答,提高解决率与客户满意度。不过鉴于目前大模型在生成内容可控性方面的问题，存在科技伦理等风险,因此短期内不建议直接对客使用，而是以一线客服人员助手的形式，人机协同提升服务质量和效率。

2.办公协作

大模型技术的崛起，为办公空间带来了变革的契机。“智 慧办公”也将逐步改变传统的办公习惯。利用NLP大模型的文本生成、问答能力，全面升级办公模式，提供邮件、会议等智能办公助手,实现数据资源高效使用，加强安全保障精细化管理，高效提升内部管理效率。

3.运营管理

在运营管理方面,商业银行可基于大模型对知识文档理解,实现智能问答、智能查询等能力。通过前沿技术将有限的人力资源从重复性工作流程中解放出来,推动智慧人力、信息管理、科技管理等内部业务处理管理条线的智能化提升,持续优化金融业务支持效率。例如，手工对业务信息采集、录入等存在效率低、人力成本大等问题。运用大模型的语义理解、语义分析等技术可实现工单分析、信贷文本分类、客户信息一站式录入、关键信息抽取等多个业务场景运作的自动化，大幅度降低人员工作量和运营成本。

4.研究开发

相较于传统纯人工开发的高技术门门槛和高人力需求，基于大模型技术可以辅助人工在智能代码生成、代码识别与检测、代码转自然语言和交互式研发等领域实现全方位能力突破,构建基于大模型的智能研发体系,覆盖从需求、设计、编码、测试、发布的研发全生命周期，全面提升金融数智化研发水平，立足金融领域助力国内智能研发技术逐步走向成熟。

5.风险防控

在风险防控方面，商业银行可基于大模型实现行业研究、尽调、授信审批、内审等流程的风险识别、制度查询及辅助审核等功能的升级,打造涵盖信用风险、操作风险、合规风险、内部审计的全面风险助手，满足全面风险管控的更高需求，显著提升智能金融风险管理能力,有效满足风险防控创新发展的需要。

(二)大模型应用范式:模板化复用加速方案设计落地

中国工商银行围绕大模型核心能力,借鉴业界先进经验,基于金融业务实际需求和应用实践，创新打造适配金融行业的“1+X” 大模型应用范式,建成集感知、记忆、决策、执行、反馈五项功能于一体的低门槛智能体运行框架，沉淀“X” 可共享复用的范式能力，包含多模态知识检索、对话式数据分析、智能化文档编写、交互式智能搜索陪伴式智能研发等多项金融即插即用的零代码工程化解决方案，大幅提升大模型在全行规模化应用的效率和质量。

1.文档编写

为解决一-线工作人员日常办公文档编写数量大,引用资料多,编写步骤多,依赖领域经验、质量不一等问题,文档编写利用大模型信息抽取、摘要、扩写和总结分析能力编写专业文档初稿,大幅减轻员工文案撰写工作量,提升文案编写效率。该范式支持场景可归纳为三大任务:摘要提炼、内容扩写、分析研判。摘要提炼旨在利用模型对冗长的通话录音、会议录音、长篇文章等去除各类干扰信息提炼形成信息摘要,加速信息流转和处理。内容扩写旨在通过大模型将简单的事实陈述扩写成长篇资料。分析研判旨在对照专家编写研判报告过程，基于大模型的阅读理解能力对多种参考资料等进行阅读、素材抽取，并形成研判分析报告。

2.智能搜索

智能搜索依托搜索、大模型等技术,提供网站数据获取、信息搜索和汇聚、答案提炼和总结等能力,支持用户通过对话方式,从海量互联网信息中搜集实时信息,并进行有效的组织和提炼答案,以答案和引用的形式为用户提供快速、可靠、全面的信息，解决行内信息搜索不准、外网信息获取不及时等问题，重塑搜索模式,提升搜索效率。该范式主要包括网页信息采集、问题解析规划及信息搜索、答案汇总生成三个环节。科技人员将获取的数据存储至库中,根据用户提问利用大模型解析用户意图,搜索问题关联信息，生成问题答案及来源，最终业务人员反馈问题答案。

3.知识检索

为解决一线业务人员日常办公查找、阅读、总结海量制度、规范查不到、耗时长等问题，知识检索利用知识库、搜索、生成式大模型等技术，提供海量文档的专业知识搜索和问答能力,实现文档内容检索问答,提升专业知识获取效率。知识检索主要包括知识准备、知识搜索、答案生成三个环节。业.务人员将原始文档、FAQ问答对等知识向量化后存储入库,科技人员利用搜索大模型和生成式大模型分别完成知识搜索和答案生成，最终业务人员反馈问题答案。该范式适用于大量文档检索的场景，如信贷制度问答、网点知识问答、远程银行知识推荐等。

4.智能中枢

智能中枢通过将系统功能进行插件化,利用大模型拆解、调控能力,支持用户通过自然语言方式实现跨系统、系统内部各功能的调度控制能力,改变人机交互模式，解决各功能、数据服务分散在不同的系统发现难、调用难的问题。其中，插件的具体实现仍为传统应用开发,大模型主要负责理解用户的诉求,对插件进行选择、编排、调度,以完成任务分解、规划、实施。该范式体现的是大模型在逻辑推理、联想创作、分析规划等方面的能力,其使用场景广泛,涵盖从客户辅助到员工助手等多个领域,典型场景如数字员工、调度场景等。

5.数据分析

为降低用数赋智门槛，BI助手应用通过使用自然语言处理、人工智能和机器学习技术，基于数据分析师用数赋智场景中需求分析、数据加工、图表生成、数据洞察四个阶段,实现全流程端到端的数据分析能力建设。BI 助手聚焦金融领域庞大的数据资产，通过将自然语言转换成数据分析的语言或代码，如对API的调用、对数据库的访问等，进而以图表、表格等形式展示，降低业务查数、用数门门槛,加速业务流程审核。该范式为不具备SQL语言编写能力的一线业务人员提供了对话式数据分析解决方案，实现了报表查询、SQL 生成、指标查询、图表绘制等，提升数据分析效率，降低数据分析门槛。

幻影视界整理分享报告原文节选如下：