文章核心观点 - 金融业应主动融入国家“人工智能+”行动，通过平衡开源与闭源模型、协同决策式与生成式AI、优化算力供给与保障安全性等多维路径，提升人工智能应用的普惠性，推动技术与业务深度融合，最终提升金融服务质效和内部管理效能 [3][4][5][8][9] 开源模型与闭源模型 - 开源模型意味着技术平权和自主可控，通过分布式协同创新降低企业应用成本，提升AI普惠性，但存在模型迭代速度较慢、幻觉率较高的特点 [4] - 闭源模型在稳定性和可靠性上相对更高，同等参数规模下性能可能更优，服务支持更成熟，但自主定制化程度受限且模型透明度较低 [4] - 金融业应重点考虑“AI+”应用而非自建大模型，融合开源与闭源优势，围绕场景建设提升服务质效和管理效能 [4] - 以农业银行为例，采取“两条腿走路”策略：在普惠服务、办公等领域加快探索应用开源模型以提高普及率；同时通过本地化部署闭源模型，在客户服务、知识优化推荐等场景确保数据隐私和极致体验 [4] 决策式AI与生成式AI - 决策式AI擅长“确定性优化”，在强可解释性和准确性要求高的场景中仍是最优选择，目前金融业应用占比超过八成，主导风险评估、算法交易和欺诈检测等核心业务领域 [5] - 生成式AI擅长“可能性涌现”，在开放式和创意性场景中泛化能力更好，主要应用于智能客服、知识助手、报告撰写等非核心业务领域 [5] - 随着大模型能力增强、生态完善和算力突破，生成式AI应用可能实现指数级增长，并与决策式AI协同，形成以智能体为主的通用范式，二者边界趋于模糊 [5] - 多智能体配合的“双AI”编排协作模式能更好实现AI能力普惠化，例如在客户营销中，用决策式AI构建客户画像，用生成式AI形成个性化服务方案，提升服务精准性和获得感 [5] AI普惠与算力供给 - AI普惠性提升导致数据处理规模和复杂度指数级增长，数据中心计算量膨胀速度将远大于CPU处理效率进化速度，AI大规模应用意味着进入加速计算时代 [7] - GPU凭借强大并行计算能力能高效应对计算密集型任务，未来通用计算将退化为“控制平面”，高时效高计算负载场景由专用加速计算实现 [7] - AI加速普及过程中，GPU算力需求与供给将始终处于“紧平衡”状态，从绿色发展角度看这种平衡是必要的 [8] - 需从存量挖潜和增量扩容两端发力平衡矛盾：一方面通过算力灵活调度、参数合理匹配、模型压缩加速等工程化手段降低运行成本；另一方面加快建设支持AI高性能计算的智算中心 [8] - 以农业银行为例，依托“农银智+”平台构建参数多样、能力丰富的模型矩阵，通过模型蒸馏、微调等手段精细化匹配业务并充分利用GPU资源，同时建设支持多类型GPU组合的算力云平台，保障AI算力弹性、韧性和可持续供给 [8] 普惠性与安全性 - 提升AI应用普惠性同时必须高度重视安全性，需强化AI稳定性以保障大众利益，未来AI将成为数字世界“基础设施”，需建立模型安全护栏、主动防御等技术手段应对提示词注入、资源消耗攻击等风险，保障AI稳定运行和业务连续性 [9] - 需提升数据质量以增强模型可信度，在AI广泛应用背景下，数据来源更丰富、结构更复杂，数据倾斜、数据投毒等问题会加剧模型决策偏差，引发公众信任危机，需建立全生命周期模型评测和监控体系，加强算法公平性约束，提升模型稳定性和可解释性 [9] - 需避免模型共振以防范系统性风险，随着竞争加剧，市场主流大模型集中度会越来越高，商业银行依赖的模型算法逐步趋同，局部缺陷可能形成机构间模型共振并引发系统性风险，需加快构建更可靠知识体系，开展差异化模型训练，提升金融系统整体韧性 [9]