工商银行：打造以大模型为核心的新金融模式
“工银智涌”大模型具有出色的金融知识理解和生成能力，推动AI技术在工商银行的规模化应用。文 | 闫佳佳
ID | BMR2004
从2025年DeepSeek问世开始，目前，已有包括工商银行、建设银行、邮储银行在内的数十家金融机构纷纷接入DeepSeek。工商银行首席技术官吕仲涛4月10日在“人工智能与金融未来峰会”上感慨：“DeepSeek模型催生金融行业AI应用爆发式增长。”
2024年上半年，工商银行率先引入DeepSeek系列开源大模型，并于2025年初在同业中率先实现DeepSeek最新开源大模型的私有化部署，并将其接入工商银行自有的“工银智涌”大模型矩阵体系，这一举措使其走在了银行智能化转型的前列。
️01
️千亿级金融大模型“1+X”应用范式
“工银智涌”大模型矩阵体系，是国有大行中首个落地生产级应用的金融大模型。工商银行以此为核心形成了新一代金融业务赋能模式，致力打造“人工智能+金融”行业新质生产力。
中国信通院企业架构推进中心专家、中国计算机学会数字金融委员会执行委员付晓岩向《商学院》杂志表示，工商银行打造的千亿级“工银智涌”大模型在银行业处于领先水平，虽然与主流AI大模型厂商动辄万亿级的参数运行能力相比仍有差距，但随着DeepSeek等低成本、高效率模型技术的突破（如参数压缩和模型蒸馏技术），千亿级参数甚至更低算力级别的平台已经能够满足银行金融场景的人工智能研发需要，使银行在企业内部部署先进模型成为可行之路。而工商银行在自主可控的前提下，实现了大模型技术实用化部署也成为了行业范例。
“工银智涌”大模型具有出色的金融知识理解和生成能力，推动AI技术在工商银行的规模化应用。这一突破性成果在《2024工商银行人工智能大模型白皮书》中得到体现。该白皮书显示，️工商银行聚焦远程银行、对公信贷、运营管理、金融市场等各业务领域，其AI技术已渗透到金融服务的全链条，形成“1+X”应用范式。
其中，“1”指1个全能金融智能中枢应用范式，利用大模型强大的自然语言理解能力实现复杂任务拆解、规划、工具调用能力，可以像人类一样处理更全面、更复杂的任务。另外，为了解决大量规范文档知识查找难、海量咨询信息获取难、数据分析门槛高、文档编写效率低等高频问题，工商银行打造了知识检索、数据分析、文档编写、智能搜索等“X种专业范式”，端到端赋能业务创新应用。
大模型如何重塑金融服务？金融行业大模型是通过金融数据训练而成，其主要用于解决金融行业的各种问题，如风险管理、智能投顾、反欺诈等。目前，工商银行“工银智涌”大模型已对其内部20多个主要业务领域的赋能，落地场景200余个。
️02
️AI助理“工小惠”遇上银行客户经理
随着普惠贷款业务量激增，客户经理的工作压力越来越大，比如，在识客方面，客户分析耗时长；在留客方面，业务门槛高，新客户经理上手开办业务需要掌握“19＋N”项产品制度规范；在鉴客方面，业务办理效率低，撰写尽调报告，平均耗时达6小时；在管客方面，客户维护成本高。
为此，工商银行软件开发中心基于“工银智涌”大模型底座能力，打造具备感知、规划、决策、执行能力的普惠智能体——工小惠，️将具有拟人化、形象化的数字员工与人类员工协同融合，为每一位自然人员工提供贴身服务的“助理+智囊”，可随时随地替代或者辅助人工完成规律性较强、重复性的工作任务，提高业务办理效率。
不过，鉴于目前大模型在生成内容可控性方面的问题，存在各类不及预期或者难以充分预期的风险。付晓岩也提到，工商银行通过私有化部署DeepSeek模型并接入“工银智涌”体系，也同样会面对需重点解决人工智能在金融场景中的精准性与合规性使用问题。当前大模型应用面临的幻觉干扰、工具链融合及人员熟练度等挑战，是应用层面的共性问题，是任何企业在实施过程中都会经历的，即便是在大模型擅长的长文本生成、复杂业务对话中，模型给出的答案还是容易偏离预期，甚至出现合规风险。从大模型的演化来讲，在实现了预训练、推理方面的突破后，注意力机制的突破可能会成为走向通用人工智能，或更加实用的人工智能的关键。这种机制使大模型能够持续保持对任务执行、业务规则的稳定记忆，提升应用过程中的可预期性和风险控制能力。
在付晓岩看来，最佳人机协同模式目前还是AI负责快速检索信息和生成信息，并由人类专家聚焦规则审核及最终决策。这种分工既能发挥大模型的高效信息处理优势，又能通过人类监督确保业务安全，尤其在敏感领域保持人类的主导权。
此外，大模型在AI编程、AI支持的软件工程方面的应用也是银行需要更加关注的。数字化中的大量工作最终会落地到软件应用上，而目前大模型在编程能力上的持续和显著提升，构建了数字化工作的根基，也是各类银行提升数字化效能的关键。
️03
️35亿条风险数据守护企业资金安全
智能风控体系方面，工商银行软件开发中心建设集团风险视图、风险计量、风险监测预警、风险决策等4E企业级智能风控平台，实现对客户的每笔交易、每项数据都进行全流程、多层次的安全防护。
例如，工商银行帮助一家从事国际贸易的大型企业，成功识别并拦截了多起境外黑客试图窃取企业账户资金的攻击行为。同时，工商银行严密的风险监控体系还帮助企业提前预警了汇率波动风险。
此外，基于“工银智涌”大模型的能力，工商银行还自主研发了银行业首个风险大数据服务平台——融安e信。️风险数据是工银“融安e信”的核心竞争力，也是现代商业银行智能风控架构的基础。自2011年起，工商银行持续致力于风险数据库建设，目前，工银“融安e信”已经建成同业领先的风险数据库，风险类型超过200个类别，总量逾35亿条。
在拥有海量数据的基础上，工商银行运用大数据处理技术，在工银“融安e信”实现了风险信息的统一采集、存储，同时依托科学有效的清洗、归类、转码、联动、整合、交叉验证机制等分析技术，实现了对企业和个人账号涉及的风险进行全景一键式综合化展现，帮助企业、同业机构以及个人客户在防控外部欺诈风险领域，发挥了巨大的作用和价值。
在企业客户应用场景，工银“融安e信”服务的企业客户累计超10万家，覆盖互联网、生产制造、贸易销售等19大国民经济行业，有效破解了企业经营中的信息壁垒难题。该项服务适合没有专业风控团队的中型企业，通过利用银行级的风险数据库，比如黑名单、司法记录等帮助企业避开合作方爆雷、员工失信等“隐形坑”，相当于把工商银行的风控能力“打包”给企业用。
除了面向企业提供服务，工银“融安e信”也在赋能同业机构，已向数百家银行、保险、证券等金融机构输出风险防控服务。
️04
️工商银行大模型搭建反诈防线
当前，电信网络诈骗已严重危害社会稳定，从传统的“冒充公检法”到新型的“AI换脸”诈骗，从“刷单返利”到“虚假投资理财”，诈骗分子的犯罪手段日益专业化、技术化。在此背景下，金融账户往往成为犯罪分子转移资金的“最后一公里”，银行机构肩负着守护人民群众“钱袋子”的重要使命。
2024年，工商银行自动拦截可疑电信诈骗汇款近6万笔，为客户避免损失超30亿元。工商银行是如何利用“工银智涌”大模型来做好反欺诈的？
具体来看，在账户端防控方面，工行聚焦账户开立、变更、使用等关键环节，构建完善的“风险特征+监控模型+黑灰名单”涉诈风险监控智能模型体系。
在客户端管控方面，工行创新研发“受害人保护模型”。该模型运作模式分四步：实时拦截—账户保护—风险提醒—人工兜底。当系统检测到异常交易特征（如老年人突然向陌生账户大额转账），会立即阻断交易并冻结账户48小时，同时通过短信、电话双重提醒客户，必要时引导至柜台人工核实。该模型自2024年9月上线后成效显著，成功预警保护超万人，保护总资产超10亿元。
️大模型除了在客户服务、风险防控、反欺诈等领域落地应用，在办公协作、金融市场交易等场景中也发挥着作用。比如，针对金融市场业务，在咨询分析方面，工商银行利用大模型的文本生成能力，实现投研晨报等金融市场各类报告的自动生成，为金融市场交易员构建更加高效的交易研判利器。其中，晨报生成时效从小时级缩短至分钟级，资讯覆盖面从十余篇扩展至全市场数百篇报告，生成采纳率达88.68%。
在金融市场交易领域，工商银行运用“工银智涌”大模型打造了智能对话交易系统（ChatDealing），可实现实时在线多人交易会话，智能模型进行系统自动报价，高效完成多方对客价格磋商和交易处理。目前，工商银行金融市场业务中80%的询价交易已支持通过对话的方式下单，单笔交易效率提升了3倍。
️05
️隐私计算平台重塑金融数据生态
工商银行不仅将大模型技术用于自身业务转型，还积极推动行业共同发展。
在技术输出方面，工商银行立足行业视角，从理论与实践高度体系性总结金融大模型建设思路，提炼知识检索、智能搜索、文档编写、数据分析、智能中枢五种大模型技术的应用范式和工程化解决方案，形成行业应用白皮书，为大模型在行业的规模化应用起到示范引领作用。
与此同时，该行还总结形成一套广泛适用金融机构的行业级AI大模型应用解决方案，并赋能输出部分同业机构。此外，在打造金融数据基础设施方面，工商银行不断深化数据治理，部署数据质量规则超9万条，制定发布信息标准10万余项，形成金融业数据规范参考。
为提升数据要素资源配置效率，工商银行正在探索建立安全可信的银行间数据共享平台，联合国家金融科技风控中心推出金融行业隐私计算平台。
面向银行间交易流水验真场景，联合金融同业开展基于隐私计算技术的银行间协作创新应用，实现跨机构数据的安全融合，创建了各参与方权利对等、安全可靠、合作共赢的数据共享合作新模式。
付晓岩表示，️工商银行探索建立的银行间隐私计算共享平台，有助于打破“数据孤岛”，在保护客户隐私前提下实现跨行数据价值挖掘（如联合风控建模、反欺诈分析等），可以提升中小银行数据风控方面的应用能力，通过共享工商银行的金融数据资源和风控模型，弥补自身的数据短板。从统一数据要素大市场的角度看，也是推动行业数据要素市场化配置，形成“数据可用不可见”合规流通机制的有益探索。
与任何跨机构的金融科技联合应用一样，银行间隐私计算共享平台建设也会面对一些共性的挑战，比如，联盟的治理难题，需协调参与银行间的利益分配、数据权属和合规标准；技术资源的瓶颈问题，共享数据乃至数据驱动的模型能力，会需要一定的算力、网络、硬件资源投入，具有一定的维护成本；商业价值方面，联盟的长期运作需要维持商业平衡，业务价值与投入成本之间的关系需要长期验证、动态调整，很难一步到位，预先设计。
来源 | 2025年5月刊
