近年来，AI大模型技术快速发展。作为应用侧机构，银行正对此进行大力布局。AI大模型对于银行来说，既是机遇，也存在挑战。事非经过不知难，要应对这些挑战，实现大模型规模化落地，这是一项复杂的工程。

邮储银行推进AI大模型应用面临3大难题

近期，《金融电子化》采访邮储银行金融科技部副总经理呙亚南，呙亚南借此介绍了邮储银行金融科技领域的建设。其中提到了AI大模型进展，以及面临的相关挑战。

呙亚南表示，在邮储银行金融科技领域，该行总体上关注智能技术应用驱动差异化竞争力建设。

其中，在智能化技术能力方面，邮储银行建成千卡规模的信创算力集群；具备万亿Tokens高质量数据集，支撑模型训练、微调及推理；通过整合“智能体（Agent）开发平台、模型开发工具平台、应用服务平台”三大智能系统，搭建“基础—行业—企业—领域—场景”五级数据集架构，打造AI算力管理平台等。

关于邮储银行需要攻关的技术难题，呙亚南提到了3大难题，均与大模型有关。

其一在于全程研发管控能力。由于在数据准备、模型研发、业务应用等环节均可能存在大模型技术应用的挑战与风险，为实现有效管控，需覆盖从需求分析、设计、实现、投产前验证、审批、实施部署、上线、监控到退出归档的全生命周期，采取建立健全模型管理制度、搭建专业化模型管理系统、规范开展模型服务管理等举措。

其二在于布局全局数据整合能力。如何深度挖掘并释放数据要素价值，为大模型训练提供持续稳定、高质量的“数据养料”，同时依托数据沉淀企业核心知识，并建立覆盖数据全生命周期的一体化运营机制，是目前银行在数据整合能力建设上面临的挑战。

其三在于提高全面智能赋能能力。大模型应用在由点到面推进的过程中，面临的挑战主要有3点：场景差异大，难以形成统一范式；资源成本高，规模化推广使算力需求指数级增长，缺乏统筹调度易引发资源浪费或缺口，同时隐性维护成本上升；三是业务技术融合深度不足，对场景挖掘不足，复合型人才稀缺，导致技术难以发挥深层价值。

据《银行科技研究社》了解，从大行到中小银行，均在开展大模型应用探索。虽然看起来“好不热闹”，但其中的难处不少。邮储银行面临的上述3大难题，也是银行业普遍存在的问题。

北京金融科技产业联盟近日发布的《面向银行业务场景赋能的大模型应用落地方法论》中就指出，当前银行业在推动大模型应用时，面临产品规划与场景落地的双重挑战。其中，在场景落地阶段，“高价值场景”的优选标准模糊，易陷入技术驱动而非价值驱动的误区；示范场景的成功经验因依赖特定数据环境而难以横向推广；量化评估体系不完善，无法准确衡量业务贡献；更重要的是，由于缺乏标准化的原子能力底座，每个新场景都需要大量定制开发，使“可复用解决方案”的目标难以实现。其中一些挑战恰恰就是邮储银行提到的。

多方提出对策，但“知易行难”

那么，面对AI大模型应用时的挑战，银行该如何做？

针对模型层面，建设银行广州电子银行研发中心人员曾提到，可通过引入向量数据库、RAG（检索增强生成）、知识蒸馏等技术精炼模型逻辑，建设可持续发展的大模型研发范式，研发高可靠、低幻觉、轻量化和专业化的金融大模型，提高模型透明度，增强生成结果的可信性和可追溯性。

毕马威则从更多方面提出了相关对策。

例如，针对“高价值数据资源的碎片化与模型训练所需的规模化、高质量语料供给不足之间存在的失衡”，可规划建设“湖仓一体”平台整合账户、交易等多模态数据，推行主动数据治理；利用专家经验生成合成数据，为智能投研、反欺诈等领域建“场景化语料工厂”；采用联邦学习等隐私计算技术，在满足相关合规要求前提下，实现客户信用评估、风险联防联控等场景的“可用不可见”数据协作。

针对“银行业务对低幻觉、强可控AI的严苛要求”，在技术层面，采用RAG引入最新市场数据与监管政策；通过偏好对齐技术确保AI生成的内容符合金融法规；引入模型反思与协同策略提升分析准确性。同时以管理机制兜底，建立针对AI输出结果的多层次安全检查与人工审核机制，特别是在核心交易、大额授信等关键环节，形成“AI+人工”决策闭环。

此外，科技能力较弱、科技人才不足的中小银行在AI大模型领域面临的难题或更多。

徽商银行金融科技部周劲松曾针对性地分享了区域银行AI大模型应用思考。他指出，区域银行应用大模型的挑战与风险主要包括数据瓶颈（数据量有限、数据碎片化、数据安全与隐私风险）；技术壁垒（算力投资成本高、算大迭代能力薄弱、复合型人才短缺）；合规风险（模型可解释性不足、监管政策滞后）；落地难题（业务与技术融合不足、用户信任度较低、成本控制失当）。

周劲松也提出了一些破局建议，如数据补充，联合地方政府、行业协会等，引入“非金融数据”（如特色产业产值、农户社保记录等），补充模型训练样本，提升模型的针对性；轻量化部署，采用“云端大模型+边缘端轻量化应用”模式，以减轻本地算力负担；建立迭代机制，采用“试点—反馈—优化”的模式，先行试点，通过实际效果（如客户满意度、审批效率）验证技术应用，推动持续优化，并在技术成熟后逐步推广等。

总体观察以来，银行在大模型应用落地时面临的挑战，有些还未找到有效的对策，或者有些对策“说来简单，实施很难”。因此，银行要规模化落地，还有较长的路要走。