技术推动AI商业化发展，金融率先渗透
思瀚产业研究院    2025-02-18

一、技术进步驱动AI商业化发展

AI技术发展开启新一轮周期，商业化前景广阔。2022年底ChatGPT发布掀起了全球AI训练的浪潮，近年来全球大模型数量激增，模型参数量、各项能力持续增强，技术快速突破。随着模型能力及准确性的逐步提高，以及如DeepSeek等开源模型的发展，厂商开始逐步探索为特定行业定制的垂直领域模型，以满足不同行业及场景的个性化需求，2025年或将为各行业领域AI应用爆发之年，主要基于以下原因：

模型可用性提升：2024年后，大模型全面转向MOE、思维连等技术，从基于文本向图片、视频、音频等多模态加速迭代，模型类型不断丰富，性能快速提升。随着模型多模态能力持续提升，人与模型的交互方式不再局限于文本交互，用户可实现通过上传图片或视频来询问内容相关问题、通过语音指令与模型进行交流等能力，极大的扩展了AI使用的场景，AI从单一任务执行者逐步向智能体进化，准确度及使用体验逐步改善。

例如，OpenAI已将ChatGPT深度整合至Apple Intelligence中，可通过相机调用视觉智能分析信息、调用写作助手对现有文档档进行分析、总结，还可以基于文档直接生成图像，并可通过最新版搜索功能调用地图等应用程序，实现从搜索商店到直接导航的无缝体验；

模型调用价格下滑：随着大模型行业发展逐步成熟，厂商之间开始出现明显的价格竞争与市场份额抢占。同时，DeepSeek等开源模型的性能快速提升，开源与闭源模型之间差距逐步缩小，进一步刺激了各模型调用价格的下降。根据OpenAI和谷歌官网API调用价格数据，24年10月双方主力模型API调用价格均出现大幅下降，其中GPT-4o输入API调用价格为2.5美元/百万Tokens（下降50%），输出API调用价格为10美元/百万Tokens（下降33%）；谷歌Gemini1.5 Pro输入API调用价格为2.5美元/百万Tokens（下降64%，超过128k），Gemini 1.5 Pro输出API调用价格为10美元/百万Tokens（下降52%，超过128k），大模型API调用价格下降使AI应用厂商成本逐步下降，进而传导至终端AI应用消费者费用的下降；

微调方式快速发展：通用大模型基于公开文献和网络信息训练，缺乏专业知识和行业数据的积累，在行业针对性和精准度方面存在不足，阻碍在垂类行业领域应用的进程。随着模型在垂类行业应用的需求不断提升，模型的微调技术正在经历从传统的监督微调向强化微调和偏好微调等方向发展。

强化微调（RFT）：不同于监督微调让模型模仿它在输入文本或图像中找到的特征，强化微调不仅会教模型模仿其输入，更是会让其学会在特定领域以新的方式进行推理。强化微调允许开发者仅通过数十个高质量任务的数据集来实现领域专家模型的定制，较之前需要大量数据的微调方法有了极大提高，为领域垂直模型开辟了极大的空间。

偏好微调（PFT）：偏好微调允许开发者通过提供成对的响应来训练模型，其中一个响应比另一个响应更受欢迎，模型可自行学习，并减少不受欢迎的输出结果。偏好微调使模型在金融等专业领域能够更准确的响应，达到远超监督微调的效果。

二、海外AI金融发展回顾

美国AI发展较中国起步较早，金融领域切入较中国相对领先。复盘美国的AI金融发展，大致可分为以下阶段：

1）2000-2010年：AI技术开始探索在金融领域应用，主要集中在自动化交易和数据挖掘领域。最初主要基于算法帮助投资银行和基金进行高频交易和市场预测；

2）2010-2022年：深度学习和强化学习等技术逐渐成熟，金融科技公司开始利用这些技术改善交易、量化投资和客户服务；

3）22年后，ChatGPT等大语言模型快速发展，AI应用渗透到所有金融服务领域，优化如财富管理、保险、贷款等服务环节。

AI应用水平与ROI正相关。据KPMG数据，当前AI在美国金融公司中的应用尤其迅速：已有88%的公司开始使用AI。随着AI使用的增加，投资回报率（ROI）也随之提高，深度应用AI的机构约有61%的获得了超出预期的ROI，而初步接入AI的机构中这一比例仅为23%。据Grand View Research数据，2030年美国金融AI市场规模有望达93.62亿美元。

三、北美AI金融典型案例

当前美国头部金融机构纷纷在业务流程中嵌入AI，应用主要集中在数据分析、提升运营效率、优化客户服务、营销等领域。

摩根大通：2024年8月，公司披露已向数万名员工推出基于ChatGPT的人工智能助手，这项名为LLMSuite的AI助手已经帮助60000多名员工完成撰写电子邮件、报告等工作任务。公司将LLM Suite设计为接入门户，允许用户接入ChatGPT等外部大型语言模型，并与OpenAI共同推出。同时，公司正使用生成式AI为社交媒体渠道创建营销内容。

高盛：2024年6月，向全公司开发人员推出首款用于代码生成的生成式AI工具。公司的生成式AI平台称为GSAIPlatform，基于公司现有的机器学习平台开发。公司与Microsoft取得合作，通过AI平台可接入使用GPT-3.5和GPT-4等模型，并与谷歌合作开发其Gemini模型。同时，公司的AI平台也提供Llama等开源模型的接入，支持构建投行业务Copilot Assistant等专业化AI工具。

 彭博：2023年3月，公司发布专为金融领域设计的大语言模型BloombergGPT，具有500亿参数，用于帮助彭博改进现有的金融服务，如市场情绪分析、新闻分类和问题回答等；2024年1月，公司宣布在彭博终端中提供AI驱动的财报电话会议摘要应用，使用户能够解读复杂的财务信息，并快速提取涉及公司管理团队所关切主题的重要见解，例如业绩指引、资本配置、招聘和人力计划、宏观环境、新产品、供应链问题和消费需求等。

摩根士丹利：2023年3月，公司与OpenAI合作，通过将GPT-4嵌入到公司的工作流程中，公司增强了财富管理业务的财务顾问访问公司知识库和响应客户需求的效率。据OpenAI数据，双方合作开发的Assistant等AI工具在财富管理中的采用率超过98%，公司对文档的访问率从20%跃升至80%，大幅缩短了搜索时间并提高了文档检索效率。

四、中国AI市场快速提升

中国大模型数量及规模快速增长，日活迅速提升。据信通院《全球数字经济白皮书（2024）》数据，全球AI大模型数量达1328个，美国占比44%，中国占比36%，位居全球第二，预计到2028年全球大模型市场规模将达1095亿美元，中国大模型市场将达1179亿元。据AI产品榜数据，2025年1月豆包APP月活已达7861万，为仅次于ChatGPT的全球第二大AI应用，DeepSeek APP月活达3370万，上线20天日活达2000万，为全球增速最快AI应用，国产大模型与海外顶尖大模型的差距逐步缩小。

国产大模型加速迈向行业纵深，赋能应用场景。国内大模型技术正在快速进入工业、医疗和金融等行业，推动自动化和智能化的发展。各行业对高效智能技术的需求不断上升，加速了大模型市场的扩展。据沙利文预期，受行业AI落地推动，2023年中国行业大模型市场规模达105亿元，预计在2028年将达到624亿元，期间CAGR达42.82%。

五、金融行业率先渗透

从行业来看，金融行业是AI渗透率领先行业。AI+金融应用目前已覆盖产品设计、市场营销、风险控制、客户服务等环节，形成覆盖全生命周期的解决方案。从需求端来看：

1）金融行业产生和依赖大量数据，其决策过程高度依赖于数据的获取及高效利用，通过将AI嵌入运营的各阶段，金融机构可利用AI数据汇总、分析等能力，大幅提升数据运营效率；

2）金融风险涉及面广泛且具备传染性，需要快速识别并响应。AI通过实时数据处理，可实现帮助机构发现日常运营、交易等活动中的潜在风险点、对可疑活动发出警报等功能，从而加强风险防控能力；

3）随着AI应用逐步向Agent方向发展，AI接入支持金融机构实现部分业务流程的自动化，能够大幅提升运营效率，降低人力成本等；

4）生成式AI可以提供个性化财务计划和投资建议、理解自然语言查询的虚拟助理，以及通过语音识别和生物特征身份验证提高访问帐户的安全性，从而改善客户体验等等。在多种需求推动下，金融机构积极接入AI，根据英伟达数据，截至2024年，国内已有接近1/3的金融机构接入AI。

六、金融行业具备AI部署优势

从AI部署层面来看，金融行业有着较大优势。主要体现在以下层面：

1）数据优势：数据是AI应用的原材料，数据质量和处理方式直接影响AI模型的性能和输出结果。金融是数据生成量最大的行业之一，在日常经营活动中，金融机构可在交易活动、用户互动、市场变化等领域积累大量数据基础，且多为结构化数据，数据质量较高，为行业模型的训练、调优提供了丰富的数据基础。据中研网数据，2023年中国金融大数据市场达29.7亿美元，预计将在2027年增长至64.6亿美元；

2）IT投资大，数字化程度高：在《金融科技（FinTech）发展规划（2022—2025年）》、《关于银行业保险业数字化转型的指导意见》等政策指引下，中国金融行业加速了数字化转型步伐，许多大型金融机构已经建立了完备的IT基础设施，并且在云计算、大数据处理等方面进行了大量投资。据Wind数据，2023年券商IT投资达430.3亿元，IT投资占收入比重显著提升，由2016年的3.16%提升至2023年的10.6%。

七 、AI在银行信贷领域广泛运用

中国金融IT企业深度参与银行信贷领域，覆盖信贷全生命周期。技术趋势呈现三大特点：

大数据运用：整合征信、交易、行为等多维数据；

场景垂直化：从通用模型向细分领域专用模型演进；

云平台与监管科技：支撑高并发实时审批，压缩时间，保障业务合规性。

国外银行业在生成式AI的探索中，以技术外采与二次开发（如与OpenAI、微软合作）为核心路径，并通过私有化部署保障数据安全。应用场景聚焦智能办公、智能研发、投行展业（投研/投顾）及客户服务等领域。

智能办公：摩根大通推出生成式AI工具加速文档处理，如Robo-Fedwatchers分析美联储政策；黑石集团利用AI产品Cody调阅代码库；

智能研发：花旗银行运用生成式AI测试软件漏洞并改造系统，推动开发效率提升；

投行展业：摩根大通利用AI自动生成研报摘要及财务预测；汇丰AI Markets整合跨市场数据辅助机构客户决策；

客户服务与风控创新：花旗用AI解析千页监管文件，提取合规要点；华侨银行OCBC GPT强化反洗钱监控，识别可疑交易。

八、DeepSeek推动金融行业AI本地化部署

金融机构上云存在限制，机构导入AI依赖本地化部署。对金融行业而言，考虑到安全性相关隐患，目前监管机关不允许金融业机构将核心系统及对应数据存储在公有云上，仅可通过私有云或团体云的形式进行部署。而大规模本地部署服务器、存储等资源需要进行大量的前期投入，对金融机构现金流产生较大压力。如何高效利用本地IT资源，提高私有云投入的回报率，成为限制金融领域导入AI的难点。

DeepSeek开源技术降低本地部署AI成本。2024年12月，DeepSeek上线并同步开源DeepSeek-V3模型，多项评测成绩与顶尖闭源模型相当，并通过以下技术大幅降低成本：

1）使用MLA架构，帮助模型在维持性能的同时减少计算资源消耗；

2）通过MTP提升数据利用效率；

3）使用DualPipe算法，以实现高效的管道并行，优化内存占用；

4）使用FP8数据格式提升训练效率。

目前R1与V3模型全部开源，金融机构可快速下载并部署相关模型，降低了本地部署模型的成本。同时R1与V3模型具有与顶尖闭源模型相当的表现，推动金融领域AI可用性极大提高，从而加速整个行业的AI部署。

九、国内金融AI发展仍处于早期

当前中国金融AI部署仍处于早期。据IDC数据，当前中国已经应用AI技术的金融机构大多在通用运营类场景和边缘业务类场景进行探索与应用，对于核心业务类场景的应用相对较少。针对每个场景的AI功能实现层面来看，当前金融机构除了在智能客服场景中AI应用较为深入且功能实现较为成熟之外，在其他场景的应用还有望持续加深。据英伟达数据，随着行业AI的导入，当前国内金融机构对AI的看法十分积极。截至2024年底，约有84%的受访机构认为AI正在增加收入并降低成本，用户对AI创造新运营效率能力的支持率达68%，行业整体对AI表现出较强的部署意愿。

 AI推动金融科技市场扩张。据InfoQ研究中心统计，目前市场中已有超百家企业探索和落地AI在金融行业的实践应用。这些企业涵盖了传统金融机构、互联网金融服务企业、技术服务企业以及金融数科公司等多个领域。目前行业模型的部署呈现出以本地部署为主导的格局，据头豹研究院数据，私有化部署占市场份额的72%，MaaS占28%。随着AI金融行业进一步成熟，行业规模有望快速发展，据艾瑞咨询数据，2027年中国金融科技市场有望突破5000亿元。

更多行业研究分析请参考思瀚产业研究院官网，同时思瀚产业研究院亦提供行研报告、可研报告（立项审批备案、银行贷款、投资决策、集团上会）、产业规划、园区规划、商业计划书（股权融资、招商合资、内部决策）、专项调研、建筑设计、境外投资报告等相关咨询服务方案。