工行杨龙如：大模型应用面临四大挑战 高质量金融数据集仍稀缺

来源：金融一线

　　12月29日金融一线消息，中国财富管理50人论坛2025年会在京召开，本届年会的主题是“迈向‘十五五’建设金融强国”。中国工商银行金融科技部总经理杨龙如出席并发表演讲。

　　杨龙如指出，当前人工智能已上升为国家战略，国务院发布的《“人工智能+”行动意见》明确了发展目标。工行积极拥抱技术变革，但在推进深度应用过程中，仍需克服基模能力不足、高质量数据稀缺、业务模式变革困难及风险管控体系尚未成形等核心挑战。

　　杨龙如介绍，工商银行自2023年以来，在传统人工智能应用基础上，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，并以此作为全行智能体创新的企业级数智基础。目前，该体系已在金融市场、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。

　　他随后重点剖析了当前大模型在金融行业深度应用面临的四大挑战：

　　一是基模（基础模型）能力发展仍无法满足行业实际需要。 杨龙如表示，基模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，其专业能力往往不足。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。因此，对基模进行领域后训练或采用模型组合应用，仍是需要投入大量精力的重点工作。

　　二是高质量金融数据集依然稀缺。 他指出，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，专家经验与决策逻辑等隐性知识未能系统化沉淀，传统的专业技能知识转化为大模型可用数据的工程化路径尚不清晰。以风险管理领域为例，支撑深度思维链推理的训练数据仍显不足。

　　三是业务模式变革仍是转型难题。杨龙如认为，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。如何激发业务模式变革的内生动力，是企业推动转型的关键难题。

　　四是适配的风险管控体系尚未成形。他警示，大模型应用带来的风险远不止“幻觉”和不可解释性。新的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，当智能助手同时访问多个应用时，可能引发跨应用攻击风险。此外，人工智能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，适配的风险管理体系建设任重道远。

　　针对上述挑战，杨龙如分享了四点对策思考：

　　一是重视模型训练方法，提升适配能力。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。

　　二是探索知识工程化路径，加快知识沉淀转化。高质量知识是模型效能的基石。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。

　　三是拥抱模式变革，积极探索企业超级智能体应用。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。

　　四是强化风险管控，稳慎推动直接对客服务。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。