财联社6月19日讯 人工智能技术正以前所未有的速度重塑着金融生态。6月16日，陆家嘴金融沙龙2026年第十七期圆满举办。本期沙龙以“AI驱动下的金融范式重构与价值共生”为主题，来自金融界和产业界的专家共聚一堂，就金融业AI最新发展动向和各自观点进行了分享。

系统推动金融AI应用从“能说”向“会做”转变

中国工商银行金融科技部总经理杨龙如表示，随着智能体技术的发展演进，AI正从单纯的内容输出者升级为具备自主决策能力的数字行动者。为更好适配智能体时代企业级规模化应用，银行可从算力供给、知识工程、智能体引擎、安全防护体系等方面，对既有的技术体系进行升级改造，努力满足金融应用高演进性、强合规等要求，推动金融AI应用从“能说”向“会做”转变。

企业级智能体系的构建及应用是复杂的系统工程，需要做好统筹与协同。杨龙如认为，企业级智能体平台的建设主要包括五部分：智能体引擎、智能体网关、智能体观测中心、智能体工厂和智能体资产管理中心。

为推动智能体规模化落地，杨龙如认为，银行应细化业务与技术协同的关键环节，形成覆盖需求挖掘、方案设计、技术研发、上线运营的全生命周期标准化过程，提炼总结一套企业智能体的“管－建－用”方法，加速智能体的开发应用。

企业级智能体的规模化应用仍需不断探索，杨龙如认为，未来应聚焦三项重点工作：一方面，从顶层业务构架自上而下、结合立足场景自下而上，双向驱动开展企业知识本体建设；另一方面，提升智能体工程能力（AI驾驭工程能力），推动智能体实现高确定性、长链路的复杂金融业务协同。此外，完善以Token（词元）为核心的算力运营，建设部门、场景、智能体三层账户体系。

Agentic AI助力金融AI实现规模化价值

华为算力平台先遣队金融综合业务总监程威分享了Agentic AI（代理式人工智能）时代，通过工程能力升级实现金融AI规模化价值的实践经验。

“从去年下半年开始，业界进入了Agentic时代，AI通过智能体的方式实现了任务的自主闭环。”程威表示，随着今年龙虾的出现，智能体从辅助决策进入了自主决策、自主执行、自主迭代演进的新阶段。

随着Agentic AI不断深化，程威认为，金融AI已进入从“可用”到“好用”的质变过程中。以最常见的手机银行APP为例，去年1.0时代已经实现从GUI到LUI的语音交互界面转变，解决了精度、时延、成本三大难题，实现了基础的降本增效。

“现在基于1.0的重要成果和工程能力的升级，已经进入手机银行2.0的时代。”程威表示，手机银行从静态工作流向动态编排升级，实现了功能全覆盖、复杂任务自演进、操作执行安全可控。

程威认为，这源于模型能力和工程化能力的双重提升，尤其是工程化能力，是金融AI释放规模化效应的关键。通过手机银行2.0的实践，实现了AI手机银行面向更广泛的用户，以及更广业务领域。

首先是范式的升级，通过多级Skill的体系动态自主规划和多智能体的矩阵，实现业务全面覆盖，以及多种复杂任务的闭环。其次是工艺升级，通过强化长期记忆和上下文的理解，实现可控和自进化。然后是装备升级，依托Agentic大尺寸模型快速提升能力和超节点高性能的算力，做到高并发、低时延的处理能力，真正为金融业务的高性能和高可用提供了坚实的算力保障。

“只有三位一体的全面升级，才能为金融业务构建既强大、又可控、又可靠的金融AI系统，实现金融的AI规模化应用。”程威表示。

让AI提供“一人一策”的信贷服务

结合小微企业信贷业务的风控实践，网商银行副行长、首席信息官高嵩分享了大模型在金融风控中的应用经验。

小微企业的资产结构较轻，知识产权等无形资产占比较高，抵押物较少。在传统的风险评估框架下，银行很难满足其融资需求。在高嵩看来，问题的实质在于小微企业的信用表现形式和银行的信用评估框架存在不匹配。基于此，AI时代的解题思路应该是“让AI能够比肩信贷专家，提供一企一策个性化服务”。

“我们用大模型重塑银行最核心的信贷流程，覆盖贷前、贷中、贷后全生命周期，包括用一系列的Agent提升整个服务的深度，用AI感知能力重新理解客户，用AI推理能力重新判别客户的风险，用AI执行能力驱动银行决策。” 高嵩表示。

在智能认知助力方面，高嵩认为，可以把大模型的知识力、思考力、执行力三力合一，构建多智能体的协同框架。依托信息的检索、信息的抽取、画像的生成，完成企业经营画像的自动刻画。由于小微企业经营模态多样，尽调智能体构建了AI多模态理解模型，对多模态的数据进行统一的建模、检测、识别、理解，最后自动化生成结构化尽调报告。

“通过认知智能体和尽调智能体，得到客户企业的经营画像，通过企业征信、信贷行为等等，可以刻画信贷的风险画像。”高嵩表示，当经营画像和风险画像判别不一致时，可以用纠偏大模型来给出解决方案；纠偏模型无法解决时，可以用端到端的智能审批大模型来处理边界疑难杂症。

筑牢算力底座，支撑金融业创新

为实现金融业中的多模型解决复杂问题，以及其安全有效的落地，海光信息技术股份有限公司副总裁吴宗友认为，算力必须提供足够支撑。

在实践中，海光信息聚焦芯片、基础设施、基础模型三者的深度融合。芯片领域实践CPU+GPU双芯战略，同时大力推进芯模结合。吴宗友表示：“目前基础大模型研发仅仅做到零适配是不够的，还需做到怎样深度融合。下一代产品研发不能只按照自己的逻辑，而是要根据国产大模型的需求定制。”

此外，智能体在金融机构的落地涉及很多权限问题、数据安全问题。吴宗友指出，过去芯片只提供算力，在芯片以外需通过软件以及外插板卡等方式实现安全保障，两个体系脱节，无论是算力的支撑还是安全体系的保障，都来自于芯片本身，才能使两者兼顾的智能体方案有效落地。

“有金融客户在落地智能体的时候提出要求，希望所有的计算环境是机密的，数据外部设备不可访问；同时保持数据高速传输。过去通过外围软件或者外插板卡的方式解决会损失性能，带来选择难题。通过双芯自主替代的能力可以帮助用户落地相应的解决方案。”吴宗友介绍。

“我们和上下游合作企业共同组建了完全开放的自主算力底座。”吴宗友表示，开放需要所有人共同参与，用户可以根据需要选择适应性的解决方案，底层只做算力支撑。

锚定寿险应用AI的明确价值目标

站在保险公司的视角，中国人民人寿保险股份有限公司信息科技部总经理何东川分享了金融机构智能化转型的经验。

何东川认为，随着以龙虾为代表的智能体出现，驾驭工程已经成为智能体运行中非常重要的框架。寿险公司也在积极应用这个框架，把大模型使用到具体业务场景，但是仅有业务场景是不够的，还需要设计业务场景的整个体系、规则以及执行环境。

“我们不仅要有大脑，同时要通过驾驭工程给大模型手和脚，让他行动起来，这正是人工智能新范式。”何东川指出。

在寿险行业推动人工智能建设过程当中，何东川也提出了几点困惑。在战略层面，虽然行业非常重视人工智能，但是如何把技术与业务场景结合实现彻底的颠覆，需要有极大的决心。面对这样一个高阶设计过程，还缺乏很清晰的明确路径。在能力建设层面，AI发展太快，人员能力、组织能力还没有完全匹配。同时，如何发挥算力效能、如何保证算力的稳定运行、如何开发模型、如何提供AI应用的价值，都为行业提出了挑战。

“AI应用一定要有明确的业务价值目标，这是做大模型的唯一起点。”何东川表示，场景识别要突破相应制度的限定。场景的选择需要考量价值量级、业务成熟度、数据成熟度、技术成熟度、有效运营程度等多维度。

何东川认为，在寿险人工智能方面，销售队伍、智能营销、客户服务、投保、核保、理赔等领域，都可以做到大模型的有效应用。

高性能国产GPU赋能金融算力需求

沐曦集成电路（上海）股份有限公司高级副总裁孙国梁表示，为赋能金融算力需求，国产通用GPU需要成为安全、可信、稳定的数字底座。

孙国梁介绍，沐曦股份坚定选择了通用的GPU芯片架构，从零开始研发GPU核心IP，产品综合性能达到国际同款高端处理器的典型水平。由于所有的核心IP都是自主研发，同时启动了自主可控供应链的管理，已实现相关产品的全部国产化。

“沐曦股份的目标是打造世界一流GPU芯片产品和计算平台，并且依托计算平台，结合优秀的开源模型以及算法，为包括银行、证券、保险在内的各个行业提供场景应用服务。”孙国梁表示。

孙国梁认为，沐曦股份全自研的产品可全面平替国际主流的GPU，具备通用、易用、稳定可靠、规模可扩展等优点。在大模型的各种训练以及推理的场景中，具备非常高的线性度，在全国范围内可做大规模的扩展应用。包括金融在内的所有软件、模型可以一键化部署到沐曦的整机、集群等各类一体机产品里，实现超低成本的软件迁移。

“希望利用沐曦通用计算能力，搭载所有的算力底座、边端一体机等，赋能金融等各个行业。”孙国梁表示，不仅仅有芯片、板卡、整机，当前沐曦在多个典型的行业应用场景形成了整体的解决方案，国产替代率与日俱增。

金融数据中心向AIDC演进

随着AI在金融应用的深入，科华数据股份有限公司数云BG副总裁、金融事业部总经理林建认为，金融数据中心正在向AIDC（人工智能数据中心）演进。

林建介绍，“在通算走向智算之后，数据中心功率会大密度上升，推动液冷技术落地，节能也会转化成算效与能效的协同。”

功率的变化会带来一些挑战。林建指出，一方面“得柜率”降低，当功率超过8千瓦时，辅助载运的面积远远超过IT的面积。另一方面电力、能耗指标受限，需要得到审批。同时，还有建设速率偏低、GPU弹性负载适配的问题。

林建认为，当前金融数据中心单机柜的功率从原先的6—8千瓦增至几十到上百千瓦。未来，建设方式会演化成预制化，电气系统需提升抗负载充电性能。制冷系统方面，未来风液并存，液冷的比例会不断上升。

林建建议，未来金融AIDC建设需要做到规划先行，至少预留50%左右升级智算，承重、电力、制冷等方面也需要规划。机柜功率要适度超前，按50—150千瓦设计。另外，从风冷智算往液冷智算做试点。未来AIDC的协同非常重要，包括算电协同、算冷协同、冷电协同。随着弹性的复杂，冷电协同显得更加重要。

AI重写投资管理的生产函数

站在公募基金业的视角，嘉实基金首席信息官刘伟分享了AI对资产管理投研流程重塑的经验。

刘伟指出，资管行业的工作普遍是认知劳动，认知劳动的生产函数在AI出现前都是依赖人力经验，再加上数据材料，结合整个组织流程来产出认知。在这个过程中，主要的驱动因素是个人经验，它的整合结果是不可复合、不可重现、不可结构化的。

“有了AI之后，整个生产函数被重构，它的要素多了四个，包括模型能力、Skill沉淀、Agent工作流，以及内生约束，最终形成结构化、可复用的认知产出。”刘伟表示，“可以概括为成果模型化、过程委托化、约束内生化。”

刘伟指出，投资管理不是一个简单的AI效率场景，它是在很多约束下的智能生产场景。投资管理必须明确谁来批准、谁来监管、谁来负责，也就是责任边界必须清晰。只有通过这样的约束，AI生产力才能变成公募的认知生产力。

公募AI生产系统未来应该长什么样？刘伟认为，面向未来公募基金需要建设的是一套贯穿业务流程的智能化生产体系，把研究问题、风险事件、组合调整意图、客户诉求和事后复盘等关键工作统一记录、统一流转、统一留痕。

“对公募基金来说，智能化的最终目标，不是让机器替人负责，而是让人的专业判断站在更高质量的信息、更完整的证据、更稳健的流程和更清晰的责任之上。”刘伟强调，技术越强大，责任越不能模糊；系统越智能，边界越要清晰；能力越可委托，人的最终责任越要明确。

陆家嘴金融沙龙系列活动作为与“陆家嘴论坛”相呼应的常态化交流平台，通过机制化、场景化、国际化运作，持续输出金融改革“浦东智慧”，深度赋能浦东经济高质量发展，全力助推上海国际金融中心核心区建设迈向新高度。