财联社9月12日讯（记者 沈述红）近半年内，全球近百家公司和机构相继发布大语言模型相关产品，国内同样面临着“百模大战”，腾讯、蚂蚁等巨头已纷纷入局。以腾讯混元等为代表的大模型源自实践、面向千行百业的应用而生。而这，也势必将推动金融行业数字化转型更进一步。

在近日举办的2023腾讯全球数字生态大会金融云专场上，腾讯云副总裁胡利明指出，在云计算快速发展的推动下，将云架构作为科技底座加速数字化转型，已经成为金融行业的共识。随着相关大模型的发布，通用人工智能和大模型加速在各个场景实现落地，其应用将全面重塑金融服务，帮助金融行业激发更多潜能与价值。

当下，金融机构对于拥抱AI已形成共识，但他们在实操层面却出现了分化：头部实力雄厚的金融机构在积极投入资源；少部分腰部机构会选择与1-2家大型云厂商合作，用少量经典场景和资源做试点；大部分腰部和小型金融机构则处于观望和跟随状态，不急于投入。此外，金融机构智能化在战略目标，实施路径，组织架构以及人才的匹配方面也面临不小的挑战。

在采访中，胡利明表示，大模型在金融行业业务场景的应用，很多还处于摸索阶段。未来要实现在投研、投顾等方面效率的大幅提升，需要和行业有更深入且更高质量的数据结合，需要更长时间的深度训练和调优。“国内对大模型的应用讨论非常热烈，但我们要一步一步来，不能急于一时。”

激发更多金融行业潜能

智能化正推动金融行业数字化转型稳步前进。

据艾媒咨询数据显示，2028年，AIGC的核心市场规模预计将达2767.4亿元。在金融领域，随着技术不断创新，未来大模型将持续深入到金融风控、零售金融、财富管理、投研、保险理赔等更多的场景，持续推动金融行业的数字化转型。

腾讯云副总裁徐翊鸣表示，“金融创新的大背景是数字化转型，云和智能是两大抓手，而多方协作是解题路径。”

在腾讯云副总裁胡利明看来，金融行业数字化呈现两大发展趋势：云架构已成为行业共识，新智能正加速落地。

其背后的逻辑在于：在云计算快速发展的推动下，将云架构作为科技底座加速数字化转型，已经成为金融行业的共识。同时，随着腾讯混元大模型的发布，通用人工智能和大模型加速在各个场景实现落地，其应用将全面重塑金融服务，帮助金融行业激发更多潜能与价值。

针对这两大趋势，腾讯金融云整合各项云计算与金融科技能力，打造了自下而上的数字化转型全景图。胡利明介绍，在云架构领域，腾讯云已搭建出一整套国产产品矩阵，成为国产云架构的主力军。而在新智能领域，腾讯云则围绕大模型推出了涵盖算力层、平台层、模型层和应用层的整体解决方案，为金融机构的智能化应用提供了丰富的产品和工具。

“对于金融机构而言，善用AI大模型，相当于配备了一群不限数量的优秀‘大学毕业生’，可以快速学习各个金融领域的专业知识，并服务行业不同的场景。叠加金融机构在不同应用场景的专业能力，经过不断训练，AI大模型甚至可以成为金融业各个领域的‘专家’。”胡利明指出。

目前，AI已经应用于投研投顾、风险管理、舆情、客服、营销、内容生成、内容识别、交易的执行、投教、代码助手等多个领域。“AI在客户服务、金融数据分析（包括决策参考）、交易智能化的执行等方面都能发挥作用，而且未来程度会越来越高，场景会越来越多。”

分化与挑战

AIGC的火爆带来了AI大模型参数量从亿级到万亿级的飙升，同时也为金融行业智能化孕育了更广阔的发展空间。当下，金融机构对于拥抱AI已形成共识——长期看，金融机构如果不具备基于AI的金融服务能力，经营效率、服务效率和质量会弱于在大模型技术应用走在前列的金融机构，一定会被淘汰。

但在实操层面却出现了不小的分化。一方面，头部实力雄厚的金融机构都在积极投入资源，愿意去探索。他们往往会和多家云厂商合作，采购GPU算力资源池、机器学习平台和调度平台，同时并行构建开源大模型，并选择不同的业务场景进行试点。

另一方面，少部分腰部机构则会选择与1-2家大型云厂商合作，用少量经典场景和资源做试点，找一两个精准的场景能不能出现效果；大部分腰部和小型金融机构则处于观望和跟随状态，不急于投入。

此外，金融机构智能化在战略目标，实施路径，组织架构以及人才的匹配方面也面临不小的挑战。

胡利明观察到，金融机构需要制定明确的战略目标及实施路径，让转型能够逐步产生阶段性成果，避免持续投入，但短期看不到明显效果。

不仅如此，金融机构要为转型匹配适合的内部组织架构及人才。“数字化、智能化转型不是一次性的项目，而是对金融机构的战略性重塑，从高管到每个员工的经营思路都要与时俱进，否则效果会大打折扣。”

目前，AI人才的缺口也非常大。胡利明介绍，现在头部金融机构都在招算法博士，尽管他们可以借力云厂商，但最终金融机构还是要具备自主使用和创新的能力，去主导AI大平台的构建、优化及不断叠加新的应用场景。

他提醒道，大模型在金融行业业务场景的应用，很多还处于摸索阶段。未来要实现在投研、投顾等方面效率的大幅提升，需要和行业有更深入且更高质量的数据结合，需要更长时间的深度训练和调优。“国内对大模型的应用讨论非常热烈，但我们要一步一步来，不能急于一时。”