探路数字金融，零售之王“智变”的求索与未来

伴随开源AI大模型所展现出的广阔应用场景，人工智能已然掀起了新一轮的技术竞技。对各行各业而言，数字化都已经不再是选择题，而是必答题。

2023年，数字金融被中央金融工作会议纳入“五篇大文章”，数字化进阶也成为各家银行不得不直面的发展命题。而在数以千计的银行机构中，无论是投入力度还是效能产出，招商银行都是毋庸置疑的行业排头兵。

打好数据地基，夯实科技底座

从金融科技到数字金融，两个字差异的背后，是各方对金融和技术属性的重新定义和理解。“数字金融是技术、金融创新叠加融合的一种高级金融形态。它具有数字与金融的双重属性，能够加速资金、数据、技术等要素的自由流动和有效配置，可以提升金融供给的效率，形成了新的金融供给形式，促进金融服务更加普惠、便捷、智能，从而为经济高质量发展注入金融活血、提供坚实保障。”招商银行相关负责人如是理解。

据了解，2022年底，招行前后耗时三年的全面上云“超级工程”宣告收官。至此，招行的全部借记卡账户、信用卡账户、对公账户及总分行所有应用系统全部迁移至云上，全行账户结构和应用结构全面重构，完成了招行科技底盘的升级换代，成为国内系统性重要银行前7家中首家实现全面上云的银行。

基础能力的跃迁在业务前端有着十分明显的数据反馈：截至2024年6月，“招企贷”累计放款超500亿元，服务5万小微企业，其中76%为首次获得信用贷款。在云南咖啡产区、义乌小商品城等场景，数字化授信使融资成本下降30%，印证了“普之城乡、惠之于民”的初心。

而面对生成式AI带来的大模型浪潮，自2024年初，招行开始将打造智算平台作为第二大科技投入方向。

“我们将以前的服务器叫做通算平台，和大模型相关的称为智算平台。”招商银行信息技术部相关负责人介绍，智算平台包括招行的大语言模型训练平台与推理平台两个方面。他提到，招行探索大模型的目标不是建立通用模型，而是在金融行业建设垂直领域的大模型。

然而，这场技术迭代的变革并非坦途。数字资产的计量和确权、大模型“黑箱”风险、数据隐私伦理等问题带来重重挑战，数字化能力并非单纯依靠资金投入就能砸出未来——章法，至关重要。

数字化建设的基础生产资料是数据。在使用数据之前，考验的是数据的获取、遴选能力至关重要。

以日常交易数据为例，对拥有超两亿零售客户的招行来说，如何在日益复杂多变的电信诈骗形势下精准识别风险数据尤为重要。招行一直致力于建设业内领先的零售智慧风控生态体系，依托AI机器学习、实时内存计算引擎等先进技术，能够迅速识别风险数据，并精准拦截风险交易。同时，通过整合客户、账户、交易等多维度数据，结合账户分级分类、额度管理、App弹窗提醒、AI语音外呼等一系列手段，构筑起“事前预警-事中拦截-事后处置”的全生命周期风险管理体系，让亿万客户能够放心存钱、安全用卡、安心理财。

数据完成了获取和清洗之后，便是使用。而风控系统的建模同样挑战重重，尤以小微金融为典型。

解决小微企业融资难题是商业银行践行社会责任的必要，更是做好“五篇大文章”、建设金融强国的切实需要。

但小微企业的非标特征导致小微金融一直都是传统金融的一道硬菜：经营规模普遍较小且稳定性偏弱，数量众多经营分散且财务状况透明度低，往往还缺乏合格的担保或抵押品，这给银行的风控审批带来了巨大难题。

为了开发出更贴合市场需求的成熟产品，招行经历了漫长的调研、开发、测试、迭代、运营、再迭代周期，实现了数据连通、业务流通和终端平台的“一体化”，推出了基于大数据模型的数字化纯信用贷款产品招企贷。迄今为止，招企贷为小微企业累计发放超过500亿元的纯信用、免抵押贷款，真正实现了小微企业贷款的“一台手机、秒级审批”，践行了普惠金融的价值理念。

提质、降本、增效，挖潜“数智模型”金矿

某种意义上，招行对智算平台如此倾力的投入，正是因为看到了大语言模型在各业务板块中的潜能。事实上，尽管大模型在银行业务中的应用还处于探索阶段，但已经为银行日常的营销、服务、风控、经营等各个方面带来了切实的提质、降本、增效。

以前端客服为例，接听电话、记录内容、整理归类的流程可能需要五分钟，而语音识别转换成文本后交给大模型处理，可以把流程缩短到“秒”级，大幅提升工作效率;营销环节，大语言模型可以辅助生成营销文案，仅需专人负责审核确认即可，大大提高了营销文案的生成效率;招行的“天秤”风控平台则是利用大量的神经网络算法，更精准地识别风险，风控能力显著提升……

据介绍，截至目前，招行全行已有超过120个场景在应用大语言模型：超2000万用户享受到手机银行便捷智能服务;反欺诈系统日均侦测交易风险千万次，RPA机器人替代50%人工操作。

招行相关人士表示，大模型的覆盖范围会越来越广泛，“如果它的准确度和效果能达到使用标准，它的可复用性将大幅降低银行的边际成本。”

应用场景需要业务部门和技术部门一起创新，存在一定试错成本，招行的解法是采用FinTech基金方式，用有限的容错成本撬动大语言模型的潜能，“总行对于这类基础设施建设和应用都是全力支持。”

然而，这远远不是终点。

招行相关负责人坦言，大语言模型在银行的落地应用还存在资源消耗巨大、数据隐私保护要求较高、答案生成可解释性较弱等问题，需要逐步解决。在可预见的未来里，技术跃迁带给传统金融机构的，依旧是机遇与挑战并存。

此外，随着人工智能在各行各业的渗透，数字金融的发展也在呼吁政策与市场同频共振，例如在数据端，建议政务、企业、个人数据权属建立分级授权机制等等。