人工智能作为新一轮科技革命与产业变革的核心驱动力，正加速融入千行百业，对数字金融的发展具有重大战略意义。在数字化时代，它已成为推动科技与产业深刻变革的关键力量，全面重塑着人们的生产与生活方式。

2024年中央经济工作会议强调，开展“人工智能+”行动，培育未来产业。过去数十年，计算机、移动互联网、云计算和AI等技术促进了金融业从信息化迈向数字化阶段。在这一阶段，移动互联网使金融服务实现了线上化和场景化，从而让更多用户享受到便捷和多样化的金融服务。

金融行业与人工智能之间具有天然的契合性。AI大模型技术能够深入挖掘银行业的海量数据，银行作为数据密集型行业，其数据质量相对较高，已成为金融竞争与发展的核心要素。AI大模型技术显著缩短了数据连接与计算的时间，广泛应用于银行产品和流程中，将有助于释放数据的潜在价值。与此同时，银行业拥有丰富的场景来应用AI大模型技术。技术的持续迭代是实现创新的重要途径，而市场需求则是推动技术更新和极致产品开发的关键动力。AI大模型技术的有效运用，将深刻改变银行的业务流程和服务模式，持续赋能银行业转型升级。近期，火爆全球的DeepSeek大模型也被多家银行积极部署。展望未来，人工智能将推动数字金融的跨越式发展，以金融高质量发展助力金融强国建设。

银行业息差收窄，盈利能力承压。2024年四季度末，商业银行净息差1.52%，较前三季度下降1bp；商业银行净利润2.32万亿元，同比下降2.27%，增速较三季度末下降2.76个百分点，其中，大型商业银行、股份制商业银行、城市商业银行、农村商业银行四季度盈利增速分别为-0.5%、2.4%、-13.1%、-9.7%。未来，随着资产规模效应推动的利息净收入增长在减弱，业务结构（如零售/对公结构、中收业务结构）将成为影响净息差、营收变化的关键变量，这对中小银行挑战更大。

中小银行面临资本补充较大压力，内源性资本补充成为可行补充来源。2024年四季度末，大型商业银行、股份制商业银行、城市商业银行、农村商业银行资本充足率分别为18.33%、13.98%、12.97%、13.48%，城市商业银行、农村商业银行资本充足率显著低于大型商业银行，面临的资本压力大。银行资本补充主要有外部融资和利润留存两种方式。当前，上市银行市净率普遍较低，估值处于低位，同时市场对中小银行风险存在担忧，导致外部融资难度增大。在此情况下，中小银行只能靠自身提质增效增加利润留存，以此实现资本补充。

智能鸿沟可能加速银行业分化。近年来，金融机构高度重视人工智能应用，但由于资源禀赋不同，人工智能应用逐渐呈现出分化态势。部分中小银行借助科技力量推进数字化转型，降低金融服务成本，显著提升了运营效率和服务能力，但大型银行凭借资金技术投入优势、海量金融数据和丰富的应用场景，有能力利用生成式人工智能提升综合金融服务能力，形成强者恒强的市场格局。例如，某国有大行每年金融科技投入超过200亿元，金融科技人员超过3万人，有能力实现全栈自主可控（即从底层算力到上层应用，均可以实现技术体系的自主控制和管理）的千亿级AI大模型技术体系，并将其广泛应用于知识检索、数据分析、智能中枢等六大场景。

值得注意的是，DeepSeek的出现在一定程度上降低了AI大模型的研发门槛，为中小银行运用AI大模型带来了新机遇，但在实际应用过程中仍存在诸多挑战。比如，银行数据量级大、样式多甚至存在部分数据缺失等情况，会对DeepSeek模型训练效果造成影响，对银行的数据治理能力提出了更高要求。此外，模型的维护与优化需要专业技术人才的支持，并需要高质量的数据作为基础。中小银行受限于算力、数据、技术、人才短缺等因素，在人工智能应用的道路上可能面临“技术掉队”，进一步拉大其与大型银行之间的差距。

算力、数据和算法是驱动大模型的“三驾马车”。当前，中小银行陷入“智能鸿沟”的主要成因是数字化基础设施构建成本高、高质量数据缺乏以及技术和人才不足，特别是由于在数据、算力、算法等资源方面相对不足，难以自主建设大模型。综合考虑应用产出和投入成本，参考成熟技术以及海外金融机构实践，中小银行可探索如下路径落实大模型应用。

算力方面，中小银行可共享高性能计算平台，使中小银行能够“按需调用”大模型计算资源。参考海外金融机构的实践，采用公有云或混合云已经成为一种成熟且广泛运用的模式。这种云端部署的模式，进一步为中小银行快速落地大模型应用奠定了基础。在该模式下，银行无需自行承担高昂的硬件投资费用，有效减轻了前期硬件投资压力。同时，模型厂商可为中小银行提供常用开源模型库和开发工具集，方便其依据自身业务需求使用和定制，可以满足模型快速部署和高并发调用需求。值得注意的是，行业算力平台建设也符合资源集约化应用的趋势，不仅能提高资源利用效率，还能缓解电力、水等资源对AI发展的制约影响。

数据方面，建立高质量的金融行业数据集。金融数据具有更高的敏感性、隐私性和商业机密性，在数据流转方面面临更加严格的监管合规要求，这导致金融机构缺乏数据共享的动力，数据割裂现象严重，且专业语料的整合难度较大。因此，训练针对金融垂直领域的大模型受到明显的金融数据资源限制，需要建立跨金融细分领域、时效性强且符合价值对齐要求（即确保人工智能系统的行为、决策和目标与人类社会的价值观、制度规范、道德伦理和期望目标保持一致）的专业数据集。为此，有必要搭建数据平台，促进银行间非敏感数据流通，以及通过密态计算（即利用安全环境和加密技术保护数据实现数据可信共享和安全计算）实现核心、高质量数据共享，实现数据“增量”。同时，通过数据去毒、数据标注“提质”，满足模型训练、微调和价值对齐需要。从国际实践来看，OpenAI训练数据60%来源于开源数据集，大大降低了模型训练门槛。

场景应用方面，中小银行可以运用符合业务需求、“开箱即用”的应用。中小银行技术能力相对薄弱，难以直接使用通用基础模型。因此，降低AI使用门槛，开发场景适配度高、能够“开箱即用”的AI应用尤为重要。目前，中小银行对AI的应用主要集中于内部运营“降本”，如知识检索、代码生成、工单助手等。未来，对于中小银行而言，借助AI助力业务稳健增长更是刚需，比如，中小银行普遍面临业务增长和资产质量痛点，开发适合营销风控场景的智能应用将带来更高的业务价值。相应地，需要构建丰富的技术服务生态和智能产品组合，以提高技术可得性和普惠性。

在风险化解与智能化转型两项时代任务叠加下，中小银行亟需把握机遇，兼顾短期与长远，提早筹划包括硬件、软件、数据与场景的金融基础设施建设工作，跨越“智能鸿沟”。

顶层设计，加强行业共享的技术基础设施建设。建议加快云计算、人工智能等技术规范应用，为金融数字化转型提供精准高效的算力支持。同时，进一步明确牵头部门，论证金融行业云的建设模式，在此方面，可以考虑联合科技公司及大型银行，实现资源集中规划建设、迭代升级，探索中小银行多种模式下的智能云平台，避免行业内“重复造轮子”导致资源浪费。

制度先行，推动大模型的金融行业技术标准和业务规范建设。在大模型技术风险管理方面，需要监管机构和市场主体共同建立技术标准及评测体系，引导大模型在金融业务中规范应用。建议相关部门组织各类银行开展交流调研，组建标准规范制定专项工作小组，做好标准制定支持。技术标准方面，制定行业标准确保不同银行之间的AI技术可以互通，维护整体行业生态。应用规范方面，制定大模型应用的规范和最佳实践指南，明确模型在实际应用中‌可追溯性要求、法规伦理要求，保障合规应用。数据安全方面，制定数据安全和隐私保护标准，确保在大模型应用中的数据安全和客户隐私。

夯实基础，建设金融领域专业数据集。一方面，推动公共数据的开放。与企业数据相比，公共数据在体量和质量上更具优势，授权链路更为清晰且不涉及商业机密，因此更适合作为训练语料。公共数据的开放将丰富大模型的通用语料库，为其语言能力和推理能力的提升奠定基础。另一方面，需在金融领域构建专业数据集，建立跨主体的数据归集、共享机制和商业模式，以缓解数据割裂，避免资源的重复收集和处理。建议指定部分权威机构，对市场交易数据、研究报告、上市公司公告等行业数据进行归集，推动金融公共语料库建设，并建立跨主体数据共享机制，避免因数据重复收集和处理所造成的资源浪费。同时，推动智算一体、密态计算等前沿技术与AI大模型融合应用，实现将高质量数据用于模型训练和精调。

强化示范，做好大模型应用场景引导。一是构建多样化的金融场景应用技术生态，包括大模型的微调和大小模型的交互。通过提供内容标注、提示词工程和对抗测试等模型服务，以及与大模型配合的判别式小模型技术服务，各类金融机构可以以较低成本采购所需的服务，同时，通过多样化的大模型应用方案降低输出一致性的问题，有效防止模型共振引发的羊群效应，从而维护金融稳定。二是加强银行间的合作与共享。建议由指定机构汇集银行的大模型场景和应用成果，以业务价值优先为指导原则，引导各银行进行大模型研发场景选择，建设时择优选取场景，先点后面，逐步推进。三是建立人工智能跨国监管互通生态。大模型的开发、训练和应用日益依赖跨国合作，需达成相应的国际共识与监管协同。