记者 刘颖

“当前全球在大模型及应用场景的研究，正处于类似寒武纪生命大爆发的阶段，基础模型（下称‘基模’）迭代速度极快，应用百花齐放，各类公司都在积极探索，杀手级基模、超高智能基模及众多高质量应用将在短时间内出现。”7月18日，在2025腾讯云金融数智峰会期间，腾讯云副总裁胡利明在接受经济观察报等媒体采访时如此描绘金融IT（信息技术）的变革态势。

胡利明表示，当前金融IT发展的主脉络可浓缩为“国产化”与“智能化”两大关键词，二者正共同推动行业进入全链条升级阶段。

国产化深化与智能化突破

近年来，金融机构数字化转型需求持续加大，覆盖范围已从银行、证券、保险延伸至消费金融、融资租赁等机构，且对整体推进节奏提出了明确要求。

胡利明表示，这一趋势直接催生了2025年相关项目的爆发式增长：券商、保险机构在国产数据库选型、云平台选型、硬件采购及新核心系统ISV（独立软件开发商）合作上的项目数量显著增多。不少为保险和券商开发核心系统的ISV因项目过多应接不暇，业务量呈现指数级增长。

“未来几年仍是国产使用的高峰窗口期。技术架构建设的投资是必要且必需的，即便整体IT投资有所缩减，国产化相关投入也会得到全力保障。”胡利明表示，新的增长机会主要集中在两方面：一是区域性银行；二是除头部机构外，大量中尾部券商、保险及消费金融、融资租赁等机构才刚刚启动相关规划，整体市场空间广阔。

作为IT基础设施的核心部件，数据库因存储客户数据账户、承载交易等关键功能，成为金融安全各层面的关注焦点。当下，数据库的国产切换进程正不断深化。胡利明表示，近一年，国内数据库厂商数量减少了60多家。金融机构更倾向选择头部厂商的成熟产品，这类产品需经过大量业务验证、长期稳定性考验，并通过安全可靠测评、供应链测评等权威认证。以腾讯云为例，其分布式和集中式数据库在2023年均通过安全可靠测评，2025年又达到软件供应链安全最高标准，已服务超100家银行及近200家专有云客户。

从智能化来看，DeepSeek（深度求索）的出现成为AI（人工智能）大模型在金融行业落地的重要转折点。据胡利明观察，在此之前，行业对AI大模型的探索思路并不清晰：优质底层模型如OpenAI未开放，开源基模能力不足，闭源模型质量参差不齐，能实现调试优化的厂商极少，导致大模型应用更像“庙堂之上的尝试”，即头部机构有较大投入、中小机构多持观望态度。

DeepSeek推出后，开源基模能力接近OpenAI，大模型技术得以“走进千家万户”。在胡利明看来，大中小金融机构都能以低成本快速开发应用，呈现百花齐放态势，但探索仍较粗放：不少机构的不同部门开发了几十个Agent（基于AI技术开发的智能代理程序），多数仅能满足基础体验，在业务环节中准确率低、实用性差，仅在知识库、简单问答、无需复杂思考的工作流程等场景，应用效果相对可靠。

胡利明表示，头部或技术能力较强的机构已进入深度探索阶段，AI应用正沿“四阶段”演进：从“能聊天”到“能干活”，再到“自主规划”，最终走向“多Agent协同”。例如，让Agent研究产业板块的资本市场机会、对比个股，再调用量化交易模块自主完成规划与执行，实现价值闭环。

成熟场景显现 深水区挑战待解

当前，以大模型为代表的AI技术已成为驱动金融行业数智化转型的核心变量，部分应用已在业务场景中展现实际价值并成熟落地。

胡利明以代码助手为例，这类基于大语言模型、自然语言处理和代码生成技术的工具，在金融机构代码开发全流程中表现突出，包含提供问答、代码补全、编写、测试用例生成及测试执行等全方位支持，显著提升了开发效率。同时，企业对内、对外的知识库应用也较为广泛。此外，在券商领域，初级的投顾、咨询、舆情等分析也相对成熟。

从风控和交易领域看，胡利明表示，交易领域的大模型应用目前尚处于早期，券商仍在规划研究阶段；风控领域已有相关尝试。腾讯云团队开发的风控大模型（MaaS模型），融合了以往专家决策模型的经验、风控知识的向量化特征数据，以专家模型为“老师”，结合高质量数据训练出风控决策大模型。该模型参数量虽不及大语言模型，但整合了决策模型与语义分析能力，智能性高于传统决策模型，能同时结合语义与数字因素做决策。

胡利明表示，目前，该风控大模型已应用于零售业务领先的商业银行及头部消费金融机构，具备举一反三能力，少量样本即可快速适应新场景，且在多个场景中，对用户的识别区分度提升了10%—20%，成为风控领域较受欢迎的合作模式。

针对大模型应用中存在的幻觉问题及风控模型共振等风险，胡利明坦言，在对准确性要求严苛的金融行业及C端（个人消费者）服务中，模型幻觉确实是棘手难题。“当前大模型尚无法完全解决这一问题，因为基模仍在快速迭代，而准确性、精确性与智能化之间存在天然的权衡，即过度追求严谨可能会降低智能化水平，因此需要找到平衡。”他说。

腾讯云在实践中通过多种工程手段优化，例如采用多模态不同场景的验证、不同决策模型结果的验证，在输入输出环节嵌入安全模型以判断内容合规性，并对前后回答的一致性进行校验。“但这些措施只能解决部分问题，完全消除幻觉仍是业界尚未攻克的难题。”胡利明说。

战略级布局+阶梯式推进

当前银行、证券、保险机构对AI投入都很积极，许多高管将其置于战略高度，投入规模属“战略级”。

胡利明表示，在投产比方面，机构更关注“阶段性跑出可用场景”。战略规划时投入设想可能较大，但落地时会谨慎细化资源分配。腾讯云在合作中常协助客户优化投入，沟通战略合作时，客户最初提出的资源需求往往较大，经双方团队梳理合作范围与路径后，通过规划算力池、平台及软件的最优配置，最终执行预算常能削减一半以上，在保障效果的同时显著降低成本。

然而，随着探索的深入，从通用能力向核心业务场景的迁移，到小模型与大模型的协同优化，再到企业内部数据体系的打通与治理，诸多难题仍待破解。“多数金融机构‘数据 For AI’的体系尚未打通。”胡利明表示，要让AI在金融机构的业务环节深入发挥作用，不能只依赖通用大模型，必须依靠机构自身独特的专业数据集。例如，复杂信贷审批、精准风控等场景带有强烈的行业专业性和企业个性化，通用大模型缺乏这类定制化知识，无法直接胜任。

对此，胡利明建议金融机构构建“小模型+大模型”的协同体系：先打通并治理数据，建立可用的数据集；再用这些数据，通过强化学习、监督微调等技术，训练出处理细分环节（如意图识别、专业文档分析）的小模型；最后让小模型负责专业任务，通用大模型负责内容生成，组合成有实际价值的智能体。这一过程需要一定时间探索。

胡利明表示，从具体实施路径来看，智能化架构的搭建需要“模块化规划、阶梯式推进”：底层需夯实算力基础设施，如分布式存储等；中层要搭建灵活的训推平台；上层则聚焦各类业务场景的应用开发。每个环节都需明确时间节点、责任主体和验收标准，形成可量化、可追溯的实施链条。

胡利明表示，应用探索更需遵循“从易到难、小步快跑”的原则：初期选择对技术成熟度要求较低、业务价值明确的场景，如内部知识库问答、标准化客服响应等，通过快速上线验证效果、积累经验，向高层和投资方证明转型价值；待团队能力与技术储备成熟后，再逐步向风控决策、复杂营销等高难度场景渗透。

胡利明总结，金融智能化落地是一场“持久战”，顶层规划决定方向，协同机制保障执行，阶梯式探索控制风险，三者缺一不可，才能在高额投入与长期回报之间找到平衡，真正实现从“技术试点”到“规模化价值创造”的跨越。