1月8日，畢馬威發布《2025年中國銀行業展望報告》（以下簡稱“《報告》”）。據悉，其對國內多類型商業銀行進行調研，回顧了過去發展態勢并展望了未來發展主題，并邀請不同業務領域的專家，從多個方向討論了中國銀行業的未來發展趨勢。

據《銀行科技研究社》了解，《報告》中有部分內容涉及銀行數字化轉型與金融科技。

《報告》第一章節“問卷調查分析”顯示，數字化轉型是大多數受訪銀行重點關注的業務策略，占比達到71.0%。其中，萬億元及以上規模的銀行對“數字化轉型”更為重視。

在第三章節“熱點話題”中，多位專家提到的算力智能硬件、金融算法要素、數字金融等，與金融科技強相關。

《報告》顯示，銀行業近年一直尋求通過利用算力賦能前沿科技應用，改善傳統作業模式，提升業務運營水平。2025年，銀行業或將更深入地融入前沿科技，尤其是在算力智能硬件領域。具體包括2方面：積極構建算力智能硬件的“新基建”；算力從“量的擴張”轉向“質的提高”。

而在算力硬件的完善下，大模型技術加速發展。在《報告》“金融算法要素”部分，專家討論了金融大模型市場趨勢以及面臨的挑戰等。

目前金融大模型應用在于4大領域，同時面臨4個挑戰

《報告》提到，以高算力驅動的智能場景正在銀行業中不斷嘗試、演進、迭代、試點與推廣，戰略驅動與價值驅動成為銀行業布局新興AI場景的核心要素。銀行業經過近一年半的試驗與投入，已初步形成大模型應用能力全景視圖，將逐漸同質化大模型建設路徑與部署方式，并加強組織保障與協同運營。

圖片

當前，金融業大模型應用場景主要分為通用工具、前臺業務提升、中臺精益管理、后臺經營決策4大領域。相較2024年初，各領域應用進一步細分與完善。具體分析如下：

其中，通用工具類一般為機構首個建成并推廣的大模型應用場景，由于審慎原則，此類工具更多聚焦內部工作流程的嵌入；

前臺業務提升類、中臺精益管理類為當前聚焦領域，由于可解釋性與ROI（投資回報率），多為實驗室場景，少部分試點以傳統AI為主、人機協同形態部署；

大模型深度融入后臺開發能力，全面提升數據治理、代碼管理等領域能力，在部分頭部機構，代碼類應用成為首個顛覆式創新場景；

知識圖譜/知識庫+大模型的方式為當前主要投產技術路線，單Agent已有小規模試點，基于流程編排類的多Agent協同仍處于實驗階段，Agentic AI將成為下一代AI應用的主體承載形式，而音頻、視頻生成和任意模態轉換成為新興領域，預計2025年多模態協同場景將逐步涌現；

輕量化模型的推出表明模型向移動端和資源受限設備優化的趨勢，大模型在多模態、輕量化等方面持續創新，展現出深遠的潛力和應用前景；

受新興AI的影響，以傳統小模型為主的場景蓬勃發展，復雜場景下的大小模型融合成為主流解決方案，人工智能全要素再一次提到戰略地位；

由于相關技術仍處于高速發展期，短周期內的代際變革仍可能會出現，建設方式與路徑將隨其變化，部署方式將始終堅持核心系統及其數據不出域的基本原則，按需調整策略。

銀行應用大模型，也必然面臨挑戰?！秷蟾妗房偨Y了4個主要挑戰：

一是銀行的數據困境。大模型預訓練需要龐大的高質量數據集。但很多銀行缺乏足夠的有效數據資產來支持這種需求。面向指令微調的標注數據集更是稀缺。此外，銀行內的數據垂直整合問題突出，因為銀行考慮到數據隱私及安全性，不愿將私有數據直接提供給大模型企業用于預訓練與微調。而銀行自身重新訓練模型，在數據規模和數據質量方面難以找到合適的平衡點。

二是復合人才瓶頸。發展和應用大模型技術需要具備跨學科知識的復合型人才。這類人才不僅需要具備一定的技術背景，還需要深入理解金融業務場景，成為技術與業務之間的重要橋梁。然而，目前行業內面向大模型技術的復合型人才極為短缺，導致需求挖掘、產品設計與項目推動困難重重。

三是建設路徑與ROI。在大模型場景建設策略上，銀行業存在明顯的“馬太效應”現象。頭部機構通常與科技公司、科研院所合作，進行探索性、前瞻性的端到端全棧投入。然而，由于經歷技術論證期，往往呈現單點多頭建設態勢，扎根于技術視野過深，缺乏基于全盤數據資產、業務價值的全局化、系統化的路徑設計，缺乏配套流程組織的協同。而部分中小機構仍處于“期望膨脹期”，審慎觀望與大愿景口號并存，主要依賴“拿來主義”，且難以辨析市場上的方案優劣，陷入“信息繭房”困境。

另外，銀行在投入資源開發和應用大模型技術時，需要準確評估ROI。若ROI不能準確評估和證明，模型的可解釋性難以驗證，將難以說服決策者，成為大模型投入與推廣的關鍵瓶頸。

四是數據使用及生成的合規性問題。眾所周知，金融監管趨嚴。大模型在數據采集、處理和生成過程中，往往會面臨合規性挑戰。例如，模型訓練過程中涉及到的客戶數據如何保證隱私保護，模型生成的合成數據是否符合監管要求等。而這些問題若處理不當，不僅可能導致法律風險，也可能影響客戶對機構的信任度。

專家對此提出建議：提升數據治理與安全管理，包括完善數據治理體系、推動數據共享機制、提升數據標注效率、完善數據合規與管理機制等；明晰ROI評估機制，合理規劃建設路徑；加強人才培養與團隊建設，包括跨學科培訓、引進復合型人才、跨部門協作等。

《報告》還提到，銀行基于自身豐富的數據語料，訓練和調教適合自身業務和管理價值釋放的“智能體”，將AI應用從單純的對話機器人模式升級至Agent并逐步融入一線習慣使用的業務應用系統，才是業務前線具體感知AI能力并推動業務智能化轉型的關鍵。

銀行數字資產的高效運營至關重要，同樣面臨一些挑戰

在《報告》中，專家分別討論了“五篇大文章”。其中，在數字金融部分，專家提到，數字化轉型進入深水區，數據資產的高效運營促使銀行服務模式升級。當前，多家銀行紛紛加強數據管理部門的職能，在數據治理、數據平臺、監管報送的傳統職能上，加以牽頭全行數字化轉型、數據應用以及數據產品創新等牽動業務的職能。

但是，銀行數據資產深度運營面臨一些挑戰，包括：

中小銀行數據平臺與工具的差距較為明顯，新一代的湖倉建設、AI平臺的建設尚處于初級階段，面臨著短期的高投入與無法規?；a出的矛盾；

在數據治理工作中，大多數銀行仍以監管報送的事后質量提升為治理的唯一目標，缺少全生命周期的數據治理機制，數據質量成為客戶服務、洞察分析、業務創新的掣肘；

數據資產的定位、數據對業務經營和管理以及價值創造方面的公允評價仍是難以徹底解決的問題。

專家對此提出建議：夯實數據底座，擁抱AI技術革新；治理體系融合，提升數據質量；搭建人才體系，提升數據價值挖掘效能。

責任編輯：陳愛