9月20日，香江科技论坛暨中国计算机学会（CCF）香港两周年交流活动在香港成功举办。本次活动以“共建香港人工智能协同创新高地”为主题，汇聚了来自CCF、高校、企业及科研机构的百余位专家代表。中国电子首席科学家、中电金信研究院院长况文川受邀出席并发表演讲，从行业实践角度深入剖析了生成式AI在金融领域的应用现状与未来路径。
大模型从“通”到“专”，应用落地面临多重挑战
近年来，金融行业对人工智能尤其是大模型技术的期待持续升温。Gartner预计，到2030年，50%以上的模型将不再是通用模型，而需结合行业场景进行深度定制。尽管前景广阔，生成式AI在金融领域的应用仍处于早期阶段，尚未出现重塑行业的杀手级应用。根据招标数据分析，当前40%的AI项目集中于算力建设，20%聚焦平台搭建。从投入金额看，2025年仍有85%的资金投向算力采购，应用层投入占比较低，反映出行业仍处于智能化转型的初始期。
对此，况文川认为，生成式AI在金融领域的发展路径与云计算类似，正经历从底层基础设施到上层应用的价值迁移过程。行业正逐步意识到，必须推动大模型从“通用”走向“专用”，通过深度融合行业知识实现真正落地。然而在大模型落地的过程中，面临多重挑战：
首先，模型适用性是一个关键问题。大模型并非万能，必须根据具体场景的特性选择合适的规格。例如，短文本违规检测仅需1B参数模型，意图识别则7B-8B模型即可满足需求，而复杂推理任务才需要更大规模的模型。其次，知识工程的实施复杂度不容忽视。构建企业级知识库涉及多部门的协同合作，目前国内尚无金融机构能够全面动员业务部门完成这一艰巨工程。此外，幻觉控制、权限管理、流程变革等非技术因素也在一定程度上制约着AI应用的深度发展。
破解工程化难题，建设高质量的“AI弹药”
针对上述挑战，况文川提出金融机构应重点从以下几个方向突破：第一，行业需要构建兼容数字化与智能化的融合型基础设施；第二，应针对行业场景构建智能体矩阵和高质量数据集；第三，需进行大模型的适用性测评；第四，提升IT行业自身的软件工程技术实力。
在提升软件工程技术方面，金融机构需推进工业化AI实现路径，涵盖从算力调度、多模型管理，到训练部署、智能体平台集成及基础组件开发的全流程；并需要融合已有数字化成果，建设数智融合的基础设施。此外，实现过程需体系化，金融机构应建立覆盖需求、建模、设计、开发、测试的全链路AI工程体系，同时强化数据治理、模型评测与安全合规能力。
高质量行业数据集作为模型能力的关键决定因素，必须投入海量数据，并结合强化学习进行优化，这一过程需要长期的投入和持续的迭代更新。作为国家数据局金融服务领域行业高质量数据集建设链主单位，中电金信正携手多家金融机构共同推进数据生态建设，通过开放数据集、构建数据资源池、深化模型训练等多种方式，积极促进产业链的协同创新。针对当前金融数据领域存在的重复建设、评估标准不统一、复合型人才短缺等痛点，中电金信倡议设立“数据质量联盟”，构建沙盒创新机制，推行“业务专家×数据工程师×合规官”的π型人才培养模式，希望与产业链各方携手构建协同、高效、安全的金融数据新生态，加速推动大模型从“通用”走向“专用”，实现生成式AI在金融行业的深度融合与规模化落地。