大模型在金融业的应用趋势 - 大模型在金融业的应用从探索期迈向实践期，从可选项变成必选项，已融入核心业务流程和复杂业务场景 [2] - 2023年金融AI应用多在C端客服，2024年进入核心业务领域如理财、保险理赔，建设节奏转向业务升级和战略重构 [3] - 2024年是Agent元年，智能体从数字助手向数字员工演进，突破大模型价值落地的"最后一公里" [3] 金融AI落地的关键挑战 - 金融机构面临大模型不懂金融、仅达"实习生"水平，以及安全合规、ROI预期不明等瓶颈 [3] - 金融行业对数据与AI关系不清晰时不敢使用大模型，训练投入大导致行动迟疑 [3] 金融智能体成功落地的核心要素 - 需构建机构专属金融大模型作为智能大脑，而非移植通用模型 [4] - 需实时感知金融市场动态并建立机构知识库，AI需支持业务分析与决策 [4] - 必须确保金融大模型和智能体的安全合规性及专业性 [4] 蚂蚁数科的金融AI实践路径 - 四类落地路径：大模型中台赋能应用、AI原生手机银行、业务场景效率提升、全行级战略重构 [5] - 支持大地保险打造大模型AI中台，覆盖70+智能应用 [5] - 商业模式支持私有化部署、SaaS订阅及效果计费，灵活适配金融机构需求 [5] 金融智能体解决方案布局 - 联合金融业推出百余智能体解决方案，覆盖银行、证券、保险等领域，包括财富管理、营销增长等场景 [6] - AI大模型落地是业务战略重塑，驱动组织升级而非简单IT采购 [6] 金融机构合作模式差异 - 国有银行以自建智能体为主，与公司在技术层面查漏补缺 [8] - 股份制银行和头部城商行从IT或业务场景切入，区域性银行采用分层合作降低前期投入 [9] AI落地的组织与战略要求 - AI落地需一把手工程推动全行级重构，部分银行通过切片方式局部启动 [10] - 大模型价值需从业务侧发起，突破组织阻力 [10] 金融大模型的发展阶段与迭代 - 金融大模型需长期迭代知识工程和金融工具集，无法一蹴而就 [11] - AI是长期赛跑，持续迭代才能保持竞争力 [11] 技术瓶颈与解决方案 - 金融大模型存在幻觉问题和合规安全挑战，需优化提示词和强化学习 [13] - 采用脱敏、拆分学习或行业云方案解决数据安全矛盾 [17] 蚂蚁的技术与产品布局 - 基座模型包括通义2 5、千问3和自研模型，重点训练金融垂类大模型 [14] - 智能体具备金融工具集，从辅助角色向autopilot演进 [14] - 将推出独立金融大模型产品，降低金融机构AI建设难度 [19] 云与AI的协同生态 - 合并AI与云板块，打造端到端AI产品体系，推动"云原生"向"AI原生"转型 [20] - 结合金融云合作基础和AI技术经验，提供特色解决方案 [20]