行业趋势：AI在金融业的应用阶段与核心挑战 - AI应用正从核心生产环节的“可用”阶段迈向创造业务价值的“好用”阶段 [3][8] - 其中高达90%的成功取决于工程化能力 [3][8] - 大模型发展正进入“智能体（Agentic）时代”，AI将调用外部工具并自主完成任务，实现业务自闭环 [3][8] 行业影响：AI将引发的结构性变革 - 重塑流量入口：从被动APP点击转向主动识别意图的智能体服务 [3][8] - 重新定义金融产品与服务：实现深度定制化 [3][8] - 以智能体重塑全用户旅程：使金融服务更加普惠 [3][8] - 重构运营对象与形态：智能助理将成为影响客户心智的主渠道 [3][8] - 最终影响人才与组织：迈向“人机共存”的新状态 [3][8] 公司战略：华为的金融AI全栈能力 - 华为金融AI战略旨在支撑行业从“可用”到“好用” [3][8] - 提供从昇腾算力底座、一站式AI开发平台（ModelArts）到智能体开发与运行平台（Versatile Agent）的全栈能力 [3][8] - 辅以人才培养课程 [3][8] 应用场景：与头部金融机构联创的典型案例 - **手机银行APP场景**：采用盘古7B等小参数模型，通过数据合成与精细微调，将精度提升至95%以上，同时优化算力利用并降低成本 [4][9] - 所构建的多级智能体系统支持多轮交互与动态跳转，端到端时延可控制在2秒以内 [4][9] - **智能风控场景**：核心是将风控专家经验转化为“思维链”数据，并选用具有“慢思考”能力的大模型进行强化学习，使模型兼具专家知识与复杂逻辑推理能力 [4][9] - 通过构建从数据合成到模型调优的完整开发流水线与持续运营机制，确保风控模型能实时更新，保持高精准度 [4][9] - **报告生成场景（信贷、投研）**：创新采用“深度研究（Deep Research）”开发范式，智能体可自动进行任务编排，通过与外部数据源和知识库交互、检索、验证与判断，最终生成高质量报告 [4][10] - 该范式有效提升了报告的准确性与生成效率 [4][10] 核心观点：金融业AI应用的关键在于工程化 - 金融业作为强监管、高标准的行业，简单套用通用模型或外挂知识库“不可用”，真正的挑战在于工程化 [5][10] - 以手机银行为例，解决系统性时延、精度、拟人化与成本问题，需具备强大的动态业务编排能力，并完成复杂的模型调优、智能体调优、系统集成及全链路监控体系构建 [5][10] - 华为正将这类工程能力沉淀至平台或转化为专业服务 [5][10] 实施建议：金融机构成功应用AI的要点 - AI应是公司级战略，需一把手牵头 [6][10] - 业务部门必须深度参与，构建“技、业、数”融合团队 [6][10] - 坚持“好用”而非“盆景”式应用，关注日调用量等实际指标 [6][10] - 采用多元化模型与开放架构 [6][10] - 结合专业领域工程经验 [6][10] - 构建企业级AI流水线及符合监管的安全治理体系 [6][10] - 建设高质量数据集 [6][10] - 认识到90%的成功取决于工程能力 [6][10] - 金融机构需以战略决心和定力，在监管指导下构建安全应用环境与适配组织，围绕价值场景释放业务价值 [6][10]

金融AI进入生产级核心场景 - 2025年深圳某商户准入审核从人工线下20分钟缩短至系统自动处理仅需5分钟，标志着AI进入金融生产级核心场景[2] - 某大型金控集团深圳研发中心AI编码平台在新项目中代码AI生成占比超过70%，团队固化场景解决方案数量达数万个[2] - 金融AI正从“能看会说”的辅助工具，进化为“能决策、可执行、担责任”的数字员工，从工具到同事的跃迁是2026年破局关键[2] 金融AI落地面临的核心挑战 - 金融行业需在“安全、效率、普惠”的不可能三角中寻求平衡，对高可用、高可靠、强合规的要求是底线[3] - 早期AI应用多停留在客服、营销等辅助性场景，未触及信贷审批、风控建模、投研决策等高敏感核心流程[3] - AI深入核心业务面临多重障碍：模型需极高准确性且决策过程可追溯、可解释、可审计；系统需满足“五个九”（99.999%）可用性与毫秒级响应；金融机构内部数据烟囱林立，非结构化数据多[4] - 金融机构缺少的不是模型或算力，而是体系化的落地路径与解决方案[4] Agentic AI成为金融AI的终局形态 - 金融业务的多环节协同、强规则约束等特殊性，需要具备自主决策能力的AI形态，Agentic AI应运而生[5] - 真正的Agentic AI具备自主规划、工具调用以及记忆与学习三大核心能力，可应用于财富规划、信贷审批、反洗钱监测等场景[5] - Agentic AI面临“效率与成本”挑战：大模型训练推理算力成本高，单一模型难以适配所有金融场景[6] - 阿里云将Agentic AI视为金融AI落地的“终局形态”，并基于实践提出“大飞轮+小飞轮”协同架构以应对挑战[6] “双飞轮”架构与全栈解决方案 - “大飞轮+小飞轮”架构中，大飞轮构建通用智能能力，负责意图理解与复杂决策；小飞轮通过垂直小模型构建场景执行能力，两者协同降低成本并提升效率[6] - 实际应用中采用“一个基础大模型与多个不同岗位的蒸馏小模型结合（MOA）”的方式，更匹配金融机构实际情况[7] - 为克服“碎片化困境”，金融行业需要“全栈人工智能服务商”，提供从底层算力、中间层模型与平台到上层应用的一体化解决方案[7] - 阿里云通义点金金融AI平台包含金融垂类大模型、开发工具链、场景化解决方案三大核心模块，提供一站式金融垂直模型生产工厂[8] 金融AI实践成果与市场渗透 - 工商银行“工银智涌”大模型技术体系在20多个业务领域、400多个场景实现端到端赋能，打造上千个专业领域智能体，累计调用量达15亿次，日均消耗80亿token[9] - 国泰海通与阿里云合作开发证券行业垂直大模型，围绕智能投研、智能投顾等方向深化应用[9] - 接入阿里云后，中小金融机构能低成本获取先进AI能力，九成政策性银行及大型国有银行、全部12家股份制银行、国内规模前十的财险公司均在使用通义大模型，并以其支撑70%以上的AI应用场景[9] 金融行业迈向AI原生时代 - 金融AI正从“云原生”走向“AI原生”，未来架构是“人+AI+系统”的深度协同，IT建设将从“系统建设”转向“智能增强”[10] - 成功的AI实践需业务构建清晰可评判的SOP，组织打破技术与业务壁垒，构建双飞轮技术范式，逐步迈向Agentic AI[10] - 阿里云通过打造“AI原生架构”，与金融机构共同构建具备自主决策能力的“AI大脑”，实现从“上云换心”到“用AI换脑”的跨越[10][12] 云基础设施与市场支撑 - 金融机构核心系统上云为AI规模化落地提供了稳定、弹性、合规的金融级云底座，解决了算力、存储和安全合规问题[11] - 2025年上半年中国金融云市场规模为380.1亿元人民币，同比增长20.0%[11] - 阿里云在金融公有云基础设施份额为43%，创历史新高并连续7年第一；同时蝉联中国金融云整体市场第一，收入同比增长32%[11] - 通义千问等国产大模型能力成熟，阿里云全栈AI云正成为金融机构智能化升级的核心支撑，通义千问成为金融AI生产级场景的主力模型[11]

政策监管 - 国家发改委、市场监管总局、国家网信办联合发布《互联网平台价格行为规则》，共计7章29条，旨在健全互联网平台常态化价格监管机制，规范价格行为 [2] - 规则明确平台经营者不得强制或变相强制平台内经营者降价、让利或开通自动跟价系统，并重申“明码标价”要求，要求以方便消费者认知的方式标明促销价格或规则 [2] - 规则重点规范价格竞争行为，明确了低价倾销、价格歧视、价格串通等认定标准，并禁止基于大数据对同等交易条件下的同一商品或服务设置不同价格（即“大数据杀熟”） [3] - 规则为长期免费且有利于创新和长远福利的商业模式提供了豁免条款，并规定自动续费扣款前需显著提醒消费者，且允许消费者随时取消 [3] - 国家网信办会同证监会依法处置一批炮制资本市场谣言、非法荐股的账号，强调编造传播虚假信息扰乱市场将受法律惩处 [17] - 广州期货交易所调整碳酸锂期货合约交易限额，自2025年12月23日起，对LC2602至LC2605合约单日开仓量限800手，对LC2606至LC2612合约限2000手 [22] 人工智能与芯片 - 商汤科技联合创始人王晓刚表示，AI研究范式需转向以人为中心，通过采集人类真实行为数据训练具身智能的世界模型 [5] - 阿里云张翅认为，未来金融AI的竞争是“智能体生态”的协同效率之争，需通过多智能体系统实现从“辅助决策”到“自主运营” [5] - 通用人工智能公司MiniMax与智谱华章双双通过港交所聆讯，将争夺“大模型第一股” [5] - 摩尔线程发布新一代GPU架构“花港”，采用新指令集，算力密度提升50%，能效提升10倍，可支持十万卡以上规模智算集群 [5] - 三星发布全球首款2nm手机芯片Exynos 2600，采用2nm GAA工艺，CPU性能提升39%，GPU图形性能翻倍，NPU算力提升113%，由明年2月上市的Galaxy S26系列首发 [13] - 上海交通大学科研人员在新一代光计算芯片领域取得突破，首次实现了支持大规模语义媒体生成模型的全光计算芯片，成果发表于《科学》杂志 [24] 自动驾驶与智能汽车 - 长安汽车获得首块L3级自动驾驶专用正式号牌“渝AD0001Z”，标志着公司率先开启L3级自动驾驶时代 [6] - 理想汽车进行组织架构调整，将原近千人的“零部件集群”并入“制造”部门，由副总裁李斌管理，原负责人罗屏离职，合并后制造部门员工超一万名，占智能汽车群组总人数的1/3 [8] 消费电子与硬件 - 小米集团卢伟冰回应小米17 Ultra价格时表示，由于2025-2027年是内存成本上涨点，且内存涨幅远高于处理器和相机，因此小米17 Ultra一定会涨价，且涨幅会有点多 [7] - 天风证券分析师郭明錤透露，因开发进度滞后，苹果首款折叠屏手机iPhone Fold量产将延后至2026年下半年，消费者最快2027年才能购买，其内部曾预估2026年出货800万至1000万台，但实际产量可能远低于此目标 [14] 互联网与平台经济 - 有消息称字节跳动2025年前三季度累计净利润约400亿美元，全年利润有望达约500亿美元，但知情人士回应称该数据不实且偏差较大 [7] - 拼多多年度股东大会宣布升级治理架构，实行联席董事长制度，赵佳臻获任联席董事长，与陈磊共同担任联席董事长兼联席CEO，同时任命王密为集团工程高级副总裁，李炯为集团财务总监 [9][10] - 外交部发言人回应TikTok美国业务进展时表示，中方在TikTok问题上的立场是一贯明确的，具体问题建议向主管部门询问 [26] 能源与工业 - 中国神华公告，拟通过发行股份及支付现金方式，以1335.98亿元交易价格购买国家能源集团及其全资子公司西部能源持有的多项资产，包括国源电力100%股权、新疆能源100%股权等，同时拟向不超过35名特定投资者发行股份募集配套资金 [9][10] 金融与投资 - 香港财经事务及库务局局长许正宇表示，预计将于2026年初发放首批稳定币牌照，将优先考虑稳健的储备管理、价格稳定和反洗钱措施，截至9月底已收到36份申请 [16] - 财政部公告，自2026年1月1日起，山西省、青海省将实施境外旅客购物离境退税政策 [19] - 中国银河证券指出，市场进入跨年布局关键窗口，可关注元旦前后的小躁动行情，2026年作为“十五五”规划开局之年，政策红利释放节奏预计靠前 [20] - 截至发稿，2025年A股上市公司现金分红总额达2.61万亿元，已超过2024年全年并创历史新高，银行、通信服务、白酒等行业是分红主力，工商银行等五家公司分红金额均超千亿元 [21] 国外企业动态 - 在特拉华州最高法院恢复其价值1390亿美元的特斯拉股票期权薪酬方案后，埃隆·马斯克净资产飙升至接近7490亿美元，成为史上首位身家超7000亿美元的富豪 [10] - 据报道，美国联邦贸易委员会已批准英伟达对英特尔50亿美元的投资 [11] - SpaceX“星链”计划的一颗卫星发生异常，轨道高度迅速下降4000米，表明发生某种爆炸，产生少量碎片并与地面失联，预计将在几周内再入大气层烧毁 [12] 其他行业动态 - 商务部党组扩大会议强调，2026年要大力提振消费，扩大优质商品和服务供给，释放服务消费潜力，并推动贸易创新发展，鼓励数字贸易、绿色贸易 [18] - 2025年中国动画电影全年票房突破250亿元，成为影史动画电影票房最高一年，《哪吒之魔童闹海》《疯狂动物城2》《浪浪山小妖怪》位列票房榜前三 [23] - 中国俱乐部自主设计制造的机器人“深海巨鲨3”在阿联酋阿布扎比举行的第二届未来运动会格斗机器人大赛中夺冠 [25]

文章核心观点 - 大模型并非单纯工具，而是一种新型生产关系，其影响堪比工业革命的范式转移，将重构人机协同模式、催生“碳硅共生”组织形式，并促使CIO职责向智能架构师升级 [1][3][8][9] - 金融AI已进入生产场景应用阶段，行业焦点从过去的系统平台建设转向如何利用AI驱动业务增长与提升投资回报率，客户需求从“要不要用AI”转变为“如何用AI提升ROI” [3][9] - 金融机构选择科技合作伙伴的本质是选择一套可行的方法论与落地路径，而非单纯获取算力或模型，成功关键在于拥有成型的方法论、可复刻的场景模板以及可持续进化的运营机制 [3][4][10] - 财富管理数智化转型面临四大核心痛点：大模型技术应用效果参差不齐、C端投资者接受度“冰火两天”、数据与接口未标准化导致打通困难、高成本投入与ROI验证的决策压力 [4][5][11][12][13] - 建议机构采取“小步快跑”策略，通过调用公有云算力并搭配Agent形式控制成本，先完成业务验证，再在企业内部推广，以跑通商业逻辑 [5][13] - 科技公司与金融机构应基于“四层架构”分工模型实现协同共赢：AI基础设施层由科技公司主导；模型层双方共建；工具能力层双方共建（公开部分科技公司主导，私域部分金融机构主导）；应用解决方案层由金融机构主导 [5][6][14][15] 大模型的性质与影响 - 大模型是一种新型生产关系，正在引发一场堪比工业革命的范式转移 [1][3][8] - 其影响体现在三个层面：重构人机协同的整体模式；催生“碳硅共生”的新型组织形式（人类负责判断决策，AI承担执行工作）；促使CIO职责从运维保障全面升级为智能架构师 [3][8][9] 金融AI的发展阶段与行业转变 - 金融AI已迈入生产场景应用阶段，行业得以从过去十年聚焦平台搭建与系统建设（每家金融机构拥有至少300套甚至上千套系统，运维成本高、ROI模糊）的工作中脱离，转向思考如何用AI驱动业务增长 [3][9] - AI对金融领域不仅是一种新型生产力，更代表了一种全新的协同方式 [3][9] - 从2023年至今，客户需求发生明显转变，关注点从“要不要用AI”转变为“如何用AI提升ROI” [3][9] 金融机构的科技合作方法论 - 金融机构在选择科技合作伙伴时，本质上是选择一套可行的方法论，因为其不缺乏算力与模型，真正的短板在于AI技术落地的具体路径 [3][4][10] - 金融机构做好AI科技金融布局需把握三个关键成功要素：具备成型的方法论、拥有可复刻的场景模板、AI应用上线后能有持续优化的运营机制提供保障 [3][4][10] - 优质的金融科技服务商核心能力在于将复杂问题简单化的能力输出，其价值在于帮助金融机构组装出能真正落地运转的完整解决方案，而非只提供零散的技术“零件” [4][10] 财富管理数智化转型的痛点 - **技术成熟度**：大模型技术在财富管理领域的应用效果参差不齐，例如一项为期一个月的投资大赛中，千问和DeepSeek表现专业并实现不错收益，而Gemini、ChatGPT则亏损了40%多 [11] - **用户接受度**：C端投资者呈现“冰火两重天”局面，约63.8%的投资者已尝试用大模型指导投资行为，但其中78%的投资者看不懂K线、夏普波动率等专业指标 [12] - **基础设施**：财富管理领域数据公开与私有并存，接口未标准化（例如与同花顺合作的to C端产品有海量几百个接口未包装成MCP服务），导致数据打通困难，且性能和稳定性在面对海量互联网用户访问时尚未就绪 [12] - **成本与ROI**：线下部署算力集群投资轻松过亿，在验证大模型价值前决策压力大；而使用公共云算力可将整体ROI成本降低100倍 [13] 实施建议与协同分工模型 - 建议机构采取“小步快跑”策略，通过调用公有云算力并搭配Agent形式控制成本，先完成业务起步阶段的验证，在控制ROI的前提下快速在企业内部推广大模型在投资策略或C端服务中的应用 [5][13] - 提出科技公司与金融机构协同的“四层架构”分工模型 [5][6][14][15] - **AI基础设施层**：包含云基础设施、算力芯片、集成一体机等通用基础组件，由科技公司主导建设，持牌金融机构应避免直接投入 [5][14] - **模型层**：基础模型（如DeepSeek、千问、文心）由科技公司研发开放；金融机构可通过微调、后训练结合行业数据与业务SOP打造专属定制模型，该层双方共建共享 [5][14] - **工具能力层**：涵盖行业数据、MCP工具能力及行业通用Agent，由双方共建；基于公开数据和服务接口的MCP、Agent由科技公司主导；基于机构私域数据和服务的相关能力由金融机构主导搭建 [5][15] - **应用解决方案层**：完全依据持牌金融机构的实际需求、基础设施条件、业务偏好及投资者产品要求定制化开发，由金融机构主导完成 [6][15] 阿里云的相关实践 - 阿里云推出的“通义点金”是金融行业级大模型产品，旨在用技术帮助金融机构实现业务增长和科技赋能的ROI提升 [7] - 过去一年多，在财富管理领域与超过180家客户展开合作，例如中金、进门财经、易方达等，其中已完成交付并生产上线的有30多家 [8]

核心事件 - 2025年12月4日，国内26家机构在北京联合发布国内首个金融领域大模型团体标准——《大模型金融领域可信应用参考框架》[1] - 该标准旨在系统化、工程化地解决大模型金融应用“如何建、如何管、如何评”的关键难题，推动AI从技术可行走向规模化可信，标志着大模型金融应用进入标准化治理新阶段[1] 标准制定与参与方 - 标准由中关村金融科技产业发展联盟牵头，联合26家来自科技企业、金融机构、科研院所及行业协会的单位共同制定[1] - 主要参与方包括蚂蚁密算、公安部第三研究所、北京前沿金融监管科技研究院、浙江省网络空间安全协会、兴业银行、光大银行、网商银行、国投证券、华福证券等[1] 行业挑战与核心理念 - 专家指出，大模型的“可信”是一个需持续迭代、系统保障的动态过程，需以动态治理思维推动工程化落地[3] - 金融机构需正视大模型在金融专业领域应用的三大核心挑战：事实准确性、复杂任务可控性及合规安全[3] - 行业目标是从“能用”走向“专业可靠”，实现金融AI的安全、可靠与可持续发展[3] 落地路径与关键技术 - 与会代表普遍支持以“工程化”和“智能化”紧密结合，建立可验证、可复用的大模型金融应用实践体系[3] - 高阶程序和高阶智能体框架被认为是有效路径，通过任务拆解、强化核验、残差迭代等机制显著提升执行可靠性[3] - 构建领域知识库、完善输入输出安全防护、建立内部评测体系被视为形成行业最佳实践的关键环节[3] 未来发展与生态建设 - 专家呼吁加快标准细化与生态协同，建议围绕智能风控、合规审查、数据治理等场景制定更具操作性的实践指南、检查清单与评测数据集[4] - 建议建设可共享的最佳实践案例库与开源工具生态，以降低机构落地成本，促进行业协同发展[4] - 将持续推动该团体标准的落地实施，形成分层、可量化的评测认证机制，并探索与行业准入、采购标准挂钩的激励模式[4]

通用大模型在金融领域的局限性 - 通用大模型并非为金融市场设计，在真实市场表现不佳，近期一场“AI炒股大赛”中，两款中国模型成为唯二盈利的大模型，而美系四大模型全线亏损，最多的亏损达60% [1] - 通用大模型存在根本性“不适症”：其底层设计旨在理解世界而非市场，难以可靠区分信念与事实，这在金融等高危领域可能导致真实投资损失 [4] - 通用大模型依赖公开网络信息训练，存在金融垂类数据的滞后性和专业性缺失问题，且其“黑箱”决策与金融行业极高的合规性要求相悖 [4] 金融行业对专业AI体系的需求 - 金融行业需要一套完整的专业AI体系，而非仅将通用大模型作为辅助工具 [4] - 专业AI体系需构建四个关键层级能力：专业信源能力、专业分析框架、合规与可控、以及交易级的工程能力 [4][5][6] - 头部券商凭借其稀缺的数据资源、结构化分析框架、合规风控体系及高性能技术设施，在满足这四层需求上拥有核心资源禀赋 [5][7] 华泰证券AI原生应用“AI涨乐”的突破 - 华泰证券上线了国内首个AI原生证券交易APP“AI涨乐”，其意义在于从底层重构服务逻辑，让AI重塑交易体验，而非简单地在原有APP中嵌入AI功能 [2][8] - 该应用代表证券行业首次系统化地将AI技术整合为一套“可用、可控、可闭环”的产品体系，标志着从模型实验时代进入金融AI的“可用时代” [3][18] - AI涨乐重构了信息体系，从用户“看信息”转变为让模型“过滤信息”，并首次将AI深度接入完整交易链路，覆盖选股、盯盘、条件单、语音辅助下单等环节 [9][13][15] AI涨乐的核心功能与用户体验革新 - 选股功能革新：用户可通过自然语言（如询问“今天的热点是什么”）进行交互，AI利用大模型分析能力智能捕捉热点、挖掘关联板块并提供策略级分析，例如“涨停猎手”功能 [13][14] - 盯盘与条件单自动化：AI可代替用户持续监控市场，在关键事件发生时提醒，并将用户用语言描述的风险条件自动转化为条件单并执行，实现从“人盯市场”到“市场条件触发执行”的过渡 [15] - 语音辅助下单与交互范式变革：应用以对话为入口，用户可通过语音直接下达交易指令（如“买入100股苹果”），模型自动抓取关键信息并提示确认，实现了从意图到交易的完整、不间断AI贯穿链路 [8][15] - 致力于吸引Z世代投资者：应用提供二次元风格的AI投资助手形象（如Yomi和Domi），并内置基于用户兴趣生成财经播报的“早点听”播客功能，以年轻化、陪伴式体验重构用户关系 [16] AI涨乐的技术与工程化支撑 - 字节跳动旗下火山引擎提供了关键的技术支撑，包括构建私有化算力底座以满足金融级数据安全、合规与7x24小时服务可靠性的要求 [19] - 通过火山引擎的联网问答Agent能力，整合今日头条、抖音等大规模内容体系作为实时互联网信息池，与华泰内部专业数据库合并，赋予AI涨乐“市场实时感知”能力 [19] - 应用依赖模型集群而非单一模型：华泰自研模型确保核心投资分析的专业性与准确性；豆包大模型擅长处理财报、舆情等互联网碎片化信息的提炼与摘要 [20] - 火山引擎作为战略伙伴深度介入业务，与华泰共同解决行业难题，提供了从实验到产品化、工程化的关键一跃 [20] 对证券行业AI化发展的影响与展望 - 华泰与火山引擎的实践为行业提供了首个可复用的样本，预示着证券行业正从“数字化”迈入“AI原生”的深水区，类似行业的“iPhone时刻” [21] - 大型券商的演进路径将是“自研金融模型+全场景AI化”，旨在将AI深度融入全业务链条，构建智能服务护城河，其底层需要与火山引擎等企业合作确保基础设施性能 [22] - 中小券商的现实路径是“借助AI技术厂商，实现能力普惠”，通过API或模块化方案以较低成本和风险快速获取已验证的AI能力，实现“智能平权” [23] - 证券业的竞争维度正从传统的“网点多、人员多”，转向以数据、算法和算力深度融合为核心的“AI体系竞争” [23]

投资评级与核心观点 - 报告对华泰证券维持“推荐”评级 [10] - 预计公司2025-2027年营收分别为450亿元、481亿元、514亿元，归母净利润分别为166亿元、179亿元、193亿元 [10] - 预计公司2025-2027年每股收益分别为1.84元、1.99元、2.14元，对应2025年10月31日收盘价的市盈率分别为12倍、11倍、10倍 [10][11] - 核心观点认为公司收费类业务龙头优势有望持续巩固，经纪与信用业务收入高增，投行业务稳步修复，自营业务高基数影响将逐步淡化，资管业务收入有望筑底修复 [10] 整体财务业绩 - 2025年前三季度公司营业总收入271亿元，公告口径同比增长12.6%，但增速较上半年下降18个百分点 [3] - 2025年前三季度归母净利润127亿元，同比增长1.7%，增速较上半年下降40个百分点 [3] - 2025年第三季度单季归母净利润52亿元，环比增长32.7%，但同比下降28.1%，主要受去年同期出售AssetMark股权导致的高基数影响 [3] - 2025年第三季度末公司总资产规模达1.03万亿元，突破万亿大关，同比增长21.1%；归母净资产2054亿元，同比增长10.7% [9] - 2025年前三季度公司年化加权平均净资产收益率为7.21%，同比下降0.38个百分点；归母净利率为46.9%，业务及管理费率（剔除其他业务）为44.1%，环比下降2个百分点 [9] 分业务表现 - **自营业务**：2025年前三季度收入102亿元，同比下降15%，占比38%；若剔除24Q3出售AssetMark所得63亿元投资净收入，则25Q3自营投资收入同比高增141.4% [4][5] - **经纪业务**：2025年前三季度收入66亿元，同比增长66%，占比24%；25Q3单季经纪业务手续费净收入28亿元，环比增长56.0%，同比增长128.1% [4][6] - **信用业务**：2025年前三季度收入33亿元，同比增长151%，占比12%；25Q3单季利息净收入12亿元，环比增长15.1%，同比增长108.8% [4][7] - **投行业务**：2025年前三季度收入19亿元，同比增长44%，占比7%；25Q3单季收入8亿元，环比增长24.7%，同比增长83.0% [4][8] - **资管业务**：2025年前三季度收入14亿元，同比下降55%，占比5%；25Q3单季资管业务净收入5亿元，同比降幅收窄至43.2% [4][9] 业务运营亮点 - **自营投资**：25Q3末金融投资规模4647亿元，环比增长7.1%，自营杠杆近3个季度稳步提升；25Q3年化自营投资收益率为3.1% [5] - **经纪业务**：25年9月末代买证券款2326亿元，环比增长13.9%，同比增长27.3%；同期APP“涨乐财富通”月活用户数927万人，同比增长24% [6] - **信用业务**：25Q3末融出资金余额1698亿元，同比增长61.2%，市占率保持在7.1%；买入返售余额146亿元，同比增长42.6% [7] - **投行业务**：25Q3公司IPO承销金额42亿元，同比增长372%，再融资承销金额83亿元，同比增长5526%，债券主承销金额4411亿元，同比增长25.1% [8] - **资管业务**：截至25Q3末，南方基金公募AUM规模1.48万亿元，同比增长9.7%；华泰柏瑞基金公募AUM规模8012亿元，同比增长16.4% [9]

行业背景与挑战 - 城商行面临净息差收窄、营收增速放缓及同质化竞争加剧的挑战，区域优势减弱，大型银行持续挤压其生存空间 [1] - 在此背景下，越来越多的银行将AI技术视为实现“弯道超车”的关键路径 [1] - AI在金融行业已从“试试看”走向“必须做”，正从成本中心转变为服务、营销与价值创造的核心 [1] 技术应用与成效 - 蚂蚁数科为银行提供的AI应用已从早期的智能客服、知识问答等单点场景，扩展至覆盖营销、风控、投顾、理赔等核心业务的全栈智能体系统 [1] - 试点银行借助理财经理数字分身，人均服务客户数从200人提升至2000人，有效覆盖中长尾客户，带动收入增长约20% [1] - 上海银行通过AI手机银行实现“对话即服务”，用户可通过自然语言交互办理十余项高频业务，业务转化率提升10% [2] - 浙江一家头部城商行系统性构建“算力-平台-模型-应用”全栈AI能力，落地30多个智能体场景，覆盖客户服务与内部运营 [2] 公司战略与服务覆盖 - 蚂蚁数科致力于支持银行构建自主可控的金融大模型，助力江浙沪地区部分城商行在员工工作效率、营销转化率、营收规模等方面取得显著增长 [1] - 蚂蚁数科的金融数智化服务已覆盖100%的国有股份制银行、超60%的地方性商业银行及数百家金融机构 [3] 差异化实施路径 - 不同金融机构应根据自身资源禀赋与发展阶段选择适合的AI演进路径，例如预算有限的区域性银行可从场景应用入手，按效果付费 [3] - 部分银行优先将原有手机APP/小程序升级为AI手机银行以提升用户体验和活跃度，并分阶段累加智能体应用 [3] - 另有银行将AI作为一把手工程，打造全行知识库和数据集，构建自主“金融大脑”，推动端到端的业务流程重塑和组织升级 [3] - 金融AI升级需要科技与业务的深度融合，经由大规模数据治理、知识工程、模型训练驱动全面变革，实现真正的“AI原生”，而非传统软件开发模式 [3]

论坛背景与意义 - 阿里云作为战略合作伙伴参与2025外滩年会，并承办FinAI金融大模型前沿创新论坛，是年会战略合作伙伴中唯一的AI云公司[1] - 论坛汇聚银行、保险、证券、支付等领域专家，研讨金融AI最新实践与前沿趋势[1] - 论坛为金融业AI发展提供新动能，人工智能正深刻重构金融行业运作范式，推动行业进行系统性变革[2] 金融行业AI应用趋势 - AI正从局部验证走向全流程落地，从智能客服、办公辅助逐步深入至投研分析、信贷决策、合规审查等核心业务环节[2] - 从大型国有银行到新兴金融科技公司，均在智能风控、财务自动化等领域加速推进AI定制化部署[2] - 金融行业因数据密集、专业人才密集的特性，成为大模型落地应用的先行者[2] 阿里云金融AI产品与市场地位 - 阿里云发布金融推理大模型“通义点金”并在近期完成升级，聚合合成-训练-评测-迭代-应用流程，提供五大开箱即用的垂直模型[4] - 目前九成国家银行、政策性银行及大型国有银行已使用通义大模型，12家股份制银行全部接入[4] - 前十财险公司均以通义大模型家族作为主力模型，支撑70%以上业务场景[4] - 金融行业对大模型要求远高于通用场景，需做到内容输出真实可靠、数据计算精确无误、逻辑推导严谨周密[4] 阿里云AI技术实力与基础设施 - 阿里巴巴集团宣布未来三年将投入超过3800亿元用于建设云和AI基础设施[5] - 阿里云已构建从IaaS到MaaS的全栈AI技术，中小金融机构接入后可低成本获取先进AI能力[5] - 公司技术进展深度整合了集团在算力、中台与场景应用等方面的长期积累，实现从底层基础设施到上层业务场景的系统性演进[5] 阿里云金融AI应用场景与生态合作 - 阿里生态内多个业务板块成为金融AI试验田与赋能器，例如财资管理部门依托AI等技术，以不到40人团队推进全球资金调度、投融资等复杂业务的数字化转型[5] - 阿里云金融AI携手蚂蚁数科、太保科技、平安医疗等企业，从智能投顾、保险科技、健康管理等场景切入，打通多个金融+AI关键场景，形成经过落地验证的垂直闭环[6] - 金融大模型有望成为驱动实现自主规划、持续学习、实时动态的AI时代智能化财资管理体系的核心引擎[5]

硬科技赛道投融资动态 - 自动驾驶领域巨额融资频现，九识智能完成1亿美元B4轮融资，B轮累计融资达4亿美元[4][10]，新石器公司完成逾6亿美元D轮融资[4][20][21] - 半导体及芯片领域融资活跃，仁芯科技完成超1亿元A+轮融资，年度累计融资近3亿元[8]，老鹰半导体B+轮融资规模超7亿元，创国内VCSEL领域创业公司单轮融资最高纪录[14]，瀚博半导体完成Pre-IPO轮融资[23] - 高端制造与新材料企业获得资金支持，乐聚机器人完成近15亿元Pre-IPO轮融资[13]，科润新材料再获约1.2亿元C++轮投资[25]，西恩科技完成Pre-A轮及Pre-A+轮合计数亿元融资[12] - 多个早期项目获得过亿元融资，包括吉天星舟（过亿元A轮及A+轮）[7]、聚时科技（数亿元B轮）[9]、凯睿思（过亿元首轮）[11]、安东聚变（近亿元首轮）[17]、巡鹰新能源（超1.5亿元A+轮）[18] 大健康赛道投融资动态 - 生物医药与医疗器械公司融资规模较大，核素同创完成4.3亿元A轮融资[33]，星锐医药完成超3亿元B轮融资[34]，海博为药业完成超2亿元B轮融资[32] - 创新技术平台受资本青睐，中智科仪完成超亿元A轮融资[29][30]，赛纳生物完成超亿元新一轮融资[5][28] - 早期研发企业获得资金支持，知维拓医药完成数千万元种子轮融资[27]，耀视医疗获数千万元A+轮融资[31] 互联网/企业服务赛道投融资动态 - AI应用领域出现大额融资，LiblibAI完成1.3亿美元B轮融资[5][40]，讯兔科技完成超1亿元Pre-A轮融资[5][39] - 具身智能与智能体公司受关注，Manifold AI流形空间获近亿元天使轮融资[38]，元理智能完成800万美元种子轮融资[41] - 产业互联网企业获得投资，达卯科技完成近亿元A+轮融资，由宁德时代旗下溥泉资本领投[36]