中国工商银行大模型技术体系与成果 - 公司自2023年以来，围绕算力、算法、知识、应用范式与模型安全等核心要素，构建了“工银智涌”大模型技术体系，作为全行智能体创新的企业级数智基础 [3][7] - 该技术体系已在金融市场、市场营销、客户服务、风险管控等20多个领域落地超过400个应用场景 [3][7] 金融行业大模型深度应用面临的挑战 - 基模能力不足：基础模型在通用任务上表现良好，但在面对高度复杂的特定金融场景时专业能力不足，例如直接使用基模预测小微企业违约风险，其结果的拟合程度通常不如专业模型 [3][8] - 高质量数据稀缺：尽管银行数据丰富，但能为大模型训练所用的行业高质量数据集仍然短缺，银行内部数据分散、口径不一，专家经验等隐性知识未能系统化沉淀，工程化路径不清晰，例如风险管理领域支撑深度思维链推理的训练数据仍显不足 [4][8] - 业务模式变革困难：从“+AI”到“AI+”的业务模式转型挑战巨大，当前许多AI应用场景仍带有“部门银行”痕迹，功能相对独立分散，未能有效贯穿客户服务或员工工作全链条，限制了AI价值的最大化释放 [4][8] - 风险管控体系未成形：大模型应用带来的风险远不止“幻觉”和不可解释性，新模式创新催生了新型风险，例如为实现高度个性化服务，用户需让渡敏感数据，可能引发跨应用攻击风险，此外，AI规模化应用对岗位定义、责任归属及应急处置机制提出了全新挑战 [4][9] 应对挑战的对策思考 - 提升模型适配能力：运用强化学习等后训练方法是提升大模型解决专业问题能力的有效途径，有助于在复杂问题中建立因果链条、增强可解释性，并通过建立自我修正与奖励机制提升回答质量 [5][10] - 加快知识沉淀转化：需建立统一的企业级知识标准与技术平台，明确组织职能与管理机制，将内部专业知识与外部信息有效结合，形成场景化、任务导向的知识资源 [5][10] - 探索超级智能体应用：构建面向人机协同的超级智能体已成为重要趋势，这种能够一站式解决用户需求、实现跨业务多任务协同的模式，在技术上打破了部门墙，也是推动组织变革的重要抓手 [5][10] - 强化风险管控：金融业需投入更多资源加强风险体系建设，在为已知风险建立安全护栏的同时，识别应对模式创新带来的传统与非传统安全挑战，注重完善业务监测与应急处置机制，在充分评估基础上稳慎推进直接对客的AI服务 [5][10]