FINANCE AI 大模型在金融行业的应用前景及 潜在影响分析 ◎姚泽宇 苏杭 作者简介 ：姚泽宇，中国国际金融股份有限公司研究部执行总经理 ；苏杭，中国国际金融股份有限公司研究部分析师。 摘要：当前，金融机构主要将大模型应用于业 务场景简单的非决策类环节。本文从展业流程角度 和业务场景角度系统梳理 AI 大模型在金融行业的 应用现状，并从应用趋势、赋能空间、产业格局三 个方面对大模型在金融行业应用趋势展开探讨，动 态、辩证分析大模型对金融体系的整体影响。本文 认为，监管机构、金融机构及技术服务商等各方可 通过加强合作、明确监管合规要求、完善风控制度 等降低大模型带来的相关风险；同时，针对未来大 模型广泛应用所带来的潜在风险也需提前讨论、积 极防范。 关键词：AI 大模型；金融行业；大数据；金融 风险 中图分类号：F832 文献标识码：A 一、大模型在金融行业的应用现状 大模型的出现给 传统判别式 AI，大模型具有更强的通用泛化能力， 能够处理复杂多样的信息理解、内容生成、多轮对 话等任务，在金融领域具有较大的价值创造空间。 例如，据麦肯锡测算，大模型有望给全球金融行业 带来每年 2500 亿 ~ 4100 亿美元的增量价值，对应 约 9% ~15% 的营业利润增厚空间；据清华经管联 合度小满等发布的《2024 年金融业生成式 AI 应用 报告》，大模型驱动的新商业模式有望为金融业带

基于大语言模型的AI Agent架构 及金融行业实践 周健 2024.8.17 企业数智化发展趋势 商业化成熟度 时间 2022.1 1 2023.2 2023.8 2023.5 Llama3 GPT 4o GPT4 GPT4 GPT 3.5 Sora Gemini 2023.1 1 2024.2 闭源模型（文本） 开源模型（文本） 多模态模型 实时模型 Llama2 Claude 3 GPT 4o 2024.5 Qwen2 Qwen Qwen VL 大模型的发展趋势：文本、多模态、实时，开源、闭源，商业化成熟度 模型的智能化水平与使用成本的演进趋势 • 数据作为 信息媒介 • 信息获取效率 提升 信 息（感 知）系 统 • 将数据转化成 知识表达 • 大模型带来 推理能力 提升 ？ • 数据与 真实环境交互 • 具备 任务拆解与实现 能力 Agent：基于大语言模型的自治智能体 从人机协同模式角度 从Agent组成结构角度 p 初级形态：把AI嵌入到人的工作中 p 中级形态：AI作为人的辅助工具 p 高级形态：AI作为主要工具，Agent对人 的依赖性在降低，且越来越像真人。人 的大部分用于繁琐日常工作的技能被AI取 代，而人机协同又让个体以前90%的弱技 能被瞬间强化 p Agent具备角色识别，规划及任务拆 解、记忆及知识沉淀、工具/技能使

智启未来 · 险见新机 —— 人保寿险大模型探索及实践 中国人民人寿保险股份有限公司 呼群 01 公司简介 02 大模型 技术探索 大模型 实践应用 目 录 03 2 保险、年金保险、健康保险、意外伤害保险等保险业务及其再保险业务。公司总部设在北京 ，机构网点布局完善， 在全国 31 个省、 自治区、直辖市和 5 个计划单列市设立 36 个省级分公司。 下拥 下拥有人保财险、人保寿险、人保资产、人保健康、 中诚信托、人保养老、人保投控、人保资本、人保再保、人 保 科技、人保香港等 11 家子公司及成员公司 ，业务范围覆盖财产险、人身险、再保险、资产管理、保险科技等 领域。 简称“ 中国人保” ，成立于 1949 年 10 月 20 日 , 为综合性保险金融集团 ，连续 15 年入选《财富》世界 500 强 ，旗 简称“人保寿险” ，成立于 2005 年 网点机构 ，覆盖全国城 乡 公司简介 3 01 公司简介 02 大模型 技术探索 大模型 实践应用 目 录 03 4 人工智能发展历程 5 规模到达临界点之后才会迅速增长 GPT-4 模型参数： 1.8 万亿参数 典型的新技能学习曲线 摘自北京大学 AI 肖睿团队团队作品 大模型参数变化三个阶段 摘自复旦大学大数据教学团队作品 智慧涌现的关键 6

电力人工智能多模态大模型 创新技术与应用 1 、研究背景 2 、关键技术 3 、应用案例 4 、未来展望 目 录 人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科 学；其在历史上经过多个发展时期，形成了不同的技术流派； 深度学习是目前主流。 1950s—1970s 1970s 中期 1980s-2000s 2010s-2018s 2018s- 现在 推理期 知识期 统计学习时期 集成方法时期 早期神经网络时期 大模型时期 人工智能领域迭代迅速、多种技术流派蓬勃发展，在多个领域已有广泛应用。 背景 1—— 人工智能的概念及发 展 依赖统计学和人工 设计特征构造算法； 代表算法： 支持向量机 (SVM) TensorFlow MindScope 训练算法 无监督预训练 强化学习 前沿探索阶段 底层计算库： CUDA 、 CANN( 华为 ) 有监督微调 对比学习 * 互联网爬取、规模大 LLM 预训练 多维并行算法 状态监测、任务调度 语言通用模型： DeepSeek-R1 等 无监督数据

智能体应用现状挑战及建议 中国电子信息产业发展研究院 无线电管理研究所（未来产业研究中心） 二 O 二五年四月 ID CCID CCID CC ID CCID CCID CC CCID CCID CCID CCID CC ID CCID CCID CCID CCID 1 一、智能体概述 二、智能体发展现状 三、智能体发展动向与挑战 四、推动智能体发展的路径 智能体的发展对于深化人工智能研究、实现通用人工智能具有重要意义。 它为复杂任务提供了任务驱动的实验平台， 助力通用人工智能研究。 • 智能体技术不仅推动了其广泛应用， 也是大语言模型技术持续更新迭代的驱动力。 它扩展了大语言模型的任务能力， 提升了其稳定性和实用性， 帮助其实现产业落地。 • 智能体是产业升级的“催化剂”， 推动人工智能赋能新型工业化， 培育新模式新业态。 它催生了新型产业模式，打造了新的经济增长点。 自主学习、 多 模态 交互及任务执行等关键技术。 自主学习和适应 智能体能够通过增强学习和迁移学习等方法从过往经验中学习并调整决策制定和行动过程 ID CCID CCID CC ID CCID CCID CC CCID CCID CCID CCID CC 战 略 意 义 ID CCID CCID CCID CCID 一、智能体 概述 六 大 核 心 能 力 3