党的二十大报告强调，要加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。金融业的高质量可持续发展，对构建新发展格局，提高金融供给质量，服务实体经济、满足人民群众美好生活需要具有重要作用。2024年11月，人民银行、证监会等七部门联合印发《推动数字金融高质量发展行动方案》，明确提出加快数字金融创新，引导金融机构将金融服务嵌入“人工智能+产业”等数字化场景。金融机构该如何将金融服务与AI技术深度融合，重塑服务生态，推动行业向智能化、普惠化方向发展成为业内关注的热点。

　　天弘基金以其多年积累的技术开发能力和丰富的行业经验，在大模型方面持续进行自主研发和创新。《金融电子化》新媒体记者专访了天弘基金人工智能部负责人平野和阿里云新金融行业线首席技术官郑淼，一同深入探讨金融行业AI有哪些“弘”思“里”想。

　　问题1：最近AI话题再度引起全民热议，金融业历来走在科技应用前沿，请平野先生分享一下，目前，天弘基金已经在AI领域开展了哪些规划与探索呢？

　　天弘基金平野：作为国内领先的资产管理机构，天弘基金始终以国家“十四五”数字经济发展规划为指引，将AI技术深度赋能金融核心领域。2023年，公司自主研发的“弘思”（原弘小助）金融大模型正式上线，其市场分析、行业研究、热点解读等十余项金融能力表现卓越，荣获2023年度“金融科技发展奖”。该模型通过高性能解析工具实时解析组织财报、研报及产业链数据，并结合宏观经济预测模型进行深度加工，最终衍生出研报生成辅助工具，覆盖长尾个股研究，显著缓解投研信息过载问题。

　　2024年，公司推出“弘研智策”智能投研平台，其中“智搜”系统基于自研智能算法，针对金融投研场景进行深度优化，在金融分词、内容相关性等维度实现秒级高效检索。该平台还通过非结构化数据降噪技术，将万字研报压缩为精炼观点，并联动大模型实时追踪舆情，自动推送行业动态，推动智能投研、智能投顾新升级。在营销领域，我们基于“弘思”模型打造智能客服、策略生成及物料撰写机器人，已累计生成数千篇热点解读稿件，并实现在多家金融机构自动化推送数百篇研报，释放大量人力资源。在风控领域，合规Bot提供法条级细粒度检索与问答服务，精准识别风险，筑牢合规防线。

　　展望未来，天弘基金将持续深化“AI+金融”创新，重点突破Agent规划执行、智能体自主决策等前沿技术，致力于构建更智能、普惠的资管服务体系。

　　问题2：随着AI、大数据、云计算等技术的飞速发展，金融与AI的结合已成为不可逆转的趋势。两位嘉宾都深耕金融科技领域多年，请两位谈谈AI在金融机构的深度应用与普及，如今还面临着哪些挑战？

　　天弘基金平野：在投资领域，AI技术的应用已经取得了显著进展，尤其是在大模型的帮助下，我们能够从海量的非结构化数据中挖掘出包括外部舆情、盈利预测和事件驱动等有效信息，在一定程度上弥补了传统结构化数据的不足。然而，AI在投资决策中的应用仍面临一些挑战。一是市场情绪理解不足，大模型虽能处理数据，但对突发新闻等复杂事件的市场情绪传导机制缺乏深刻认知，例如政策变动对行业估值的连锁反应难以精准量化。二是关键信息捕捉局限，在供应链金融、跨境并购等高壁垒场景中，AI对隐性关系网络的识别能力仍待提升，需结合专家经验构建动态知识图谱。三是模型可解释性存短板，当前算法对投资决策的逻辑推导过程缺乏透明度，导致风控部门难以建立信任机制，基于因果推理的可解释AI框架有待进一步发展。

　　在营销方面，AI技术同样展现出巨大潜力，通过结合RAG和Agent技术，大模型可以帮助销售人员生成热点解读、市场收评和行业点评等营销物料，极大地提升了工作效率。然而，AI模型在处理未获取到的信息或数值数据时，仍然存在“幻觉”现象，这不仅增加了运营团队的核对和校验工作量，还可能影响营销效果。因此，如何进一步提升AI的智能化水平，保证其生成内容准确性，仍是我们面临的重要挑战。

　　阿里云郑淼：金融机构发展AI有三大优势，一是技术积累深厚，金融机构数十年的发展积累了海量高价值数据资源与成熟IT基础设施，在金融大数据处理、风控模型构建等领域形成独特优势。二是科技转型意识领先，金融机构将发展数字金融上升至战略层面，通过自研与开源生态结合，探索AI在投研、客服等核心场景的应用，推动业务模式从“工具辅助”向“智能体协同”演进。三是资金保障充足，金融行业充沛的资金优势与高比例的IT投入为AI技术落地提供了坚实基础。

　　但我们也应该认识到，其AI发展同样面临三大挑战。一是业务敏感性限制，金融业务直接关联资金安全，AI应用需经历“内部赋能”→“客服交互”→“投研投顾”渐进式落地，且需通过监管沙盒等严格测试，场景拓展速度受限。二是投入与周期压力大，尽管以通义点金为代表的部分金融大模型应用服务资费逐步降低，但金融行业对数据安全与合规的严苛要求，仍迫使其需要构建专有云、金融云或自建数据中心，中小机构面临较大的资金压力。三是人才结构仍有调优空间，传统金融机构在AI算法、多模态交互等领域仍存在人才缺口，兼具金融与AI背景的复合型人才更是稀缺，这在一定程度上制约了金融机构内部技术深度整合与创新。

　　问题3：尽管AI之路充满挑战，天弘基金也已经取得较大的进展。例如弘小助金融智能助手，就是一款涵盖行业研究、市场分析、金融知识问答等多个场景，整合多个Agent技术的应用。请问平野先生，在“弘小助”的研发与应用过程中，天弘基金做了哪些准备与技术创新？

　　天弘基金平野：在技术实现层面，我们围绕金融场景需求，从系统架构到场景应用进行了整套体系化建设。一是，分层架构设计：多Agent协同与高效检索。基于改进型3R框架实现多Agent协同任务拆解，通过自研“时效分级+多级召回”混合检索引擎整合实时流式数据并即时构建索引、长文本动态分块及稀疏稠密向量检索技术，响应效率提升40%；同时依托GPU/CPU混部集群与Pod弹性扩缩机制，保障交易时段高并发场景的实时性需求。二是，金融数据处理体系：全市场行业高精准知识库构建。通过整合10亿+条多源异构数据构建行业领先的全维度金融知识库，采用首创Chain-of-Mind动态路由技术实现数据库查询与语义检索模式的智能切换，结合“流式+定时”双通道更新机制确保市场异动与政策变动的分钟级同步。三是，安全合规保障：严守金融安全合规底线。通过输入输出端多层审核防护拦截违法内容（阻断率99.9%），结合Prompt检测模型防御恶意指令，实现内容安全与交互安全双重保障。四是，智能体进化能力：从简单工具到智能体业务伙伴。通过Chain-of-Mind等模块实现政策、市场等多维分析，并链接高级丰富金融工具箱，最终高质量辅助投资决策。

　　天弘基金联合阿里云共建AI体系，依托阿里云弹性算力支撑高并发低延迟服务，通过成熟中间件与开放API实现流畅衔接；采用多层次加密及等保三级金融云方案保障数据安全；结合弹性资源调度与按需付费模式，在智能化转型中平衡效率与安全。

　　基于技术架构升级，系统实现PC端、移动端全覆盖，投研、销售、运营等六大场景全贯通。截至2025年2月，已完成50+部门接入，累计处理员工问题9800+项，API调用超万次，效率提升显著。业务层面，除基础问答外，更深度赋能信息收集与报告生成场景，支撑千余篇市场解读稿件产出，覆盖银行、互金、券商全渠道服务。未来将通过多模态交互与决策强化，加速智能体从“辅助”向“协同”演进。

　　问题4：随着模型技术的日益成熟，金融行业正面临着从基于数据集的开发向基于预训练模型的应用工程体系的转型。请问郑淼先生，您认为面对不同应用场景对于模型的选择应当如何考量？

　　阿里云郑淼：在AI技术加速迭代的今天，金融行业正迎来前所未有的变革机遇。过去，业内普遍认为金融机构应聚焦模型应用层面的工程化能力，而模型预训练并非核心发力点。但伴随DeepSeek等开源大模型的崛起，我们观察到行业认知正在发生深刻转变，并基于阿里云的技术实践总结出三大关键趋势。第一，金融机构可通过强化学习实现推理大模型自主化训练。尤其对于大中型金融机构而言，在通义等基础大模型的基础上，通过强化学习进行针对性训练，能够快速构建具备高推理能力的垂直领域模型，并依托持续迭代形成差异化竞争优势，这为行业数字化转型和业务创新开辟了重要机遇。第二，小参数规模大模型的推理Kaiyun平台官方能力突破应用边界。在金融行业数字化转型进程中，小参数规模大模型（32B及以下参数量级）正成为关键技术变量。基于算法创新与工程优化的双重突破，这类模型已突破传统认知中“参数量决定能力上限”的限制，在金融场景中展现出独特的适配优势，其技术价值主要体现在轻量化架构实现核心场景全覆盖、多模态融合能力突破场景边界、合规化演进路径构建行业适配壁垒这三个维度。第三，企业级模型架构从“单点应用”走向“架构化融合”。阿里云提出的“通义MAX+垂类模型”双引擎体系，正是这一趋势的典型实践。以某金融机构为例，其以通义MAX为基础构建企业级AI中台，叠加Kaiyun平台官方客服、信贷、投研等场景专有模型，通过知识蒸馏实现垂类能力反哺基础模型，形成“应用优化-架构迭代”的闭环。这种架构不仅降低了对单一供应商的依赖，更使模型迭代周期从月级缩短至周级。

　　问题5：人工智能之路漫漫，请问平野先生，贵机构下一步的AI应用以及与其匹配的技术架构是怎样的？请问郑淼先生，您认为未来的AI基础设施发展趋势是什么？

　　天弘基金平野：面对人工智能与金融深度融合的大趋势，我们正在构建“本地化部署+云端协同”的全栈金融AI基础设施体系，重点围绕算力整合、安全合规、业务赋能三个维度展开布局。在底层算力层面，我们正在打造新一代算法工程平台，构建分布式算力资源池。通过容器化编排和智能调度系统，实现CPU、GPU等异构算力的动态分配，弹性调度和统一管理。在数据安全与合规方面，我们正在构建完全自主可控的本地化AI技术底座，部署我国自主研发的AI芯片及存储系统，并深入探索训练推理全过程“数据可用不可见”，以满足金融行业严苛的安全与合规要求。我们将云端资源作为动态补充，重点承担批量计算任务以及非敏感数据相关的任务。在应用服务方面，我们不断推进服务化升级，通过API封装、服务接口开放及算力资源虚拟化，构建了低门槛、高灵活性的AI技术平台，使各部门能够便捷调用算法能力并嵌入业务流程。应用场景深度聚焦金融核心领域，助力智能投研，依托大模型实现深度行业报告辅助生成、多模态因子挖掘及实时市场解读和行业跟踪；强化风控合规，联合合规部门部署智能检索系统，强化文档审阅与风险语义分析能力；赋能智能营销，通过客户陪伴机器人、个性化投教内容生成等场景，提升服务响应效率与用户粘性。在技术先进性方面：一是坚持创新与自研为主，围绕弘思大模型基座开展了系列创新技术并赋能业务。二是定期开展AI领域前沿技术跟踪，积极与同业进行技术交流，保持公司金融业AI的领先地位，并不断探索日新月异的AI大模型技术带来的业务革新机会。

　　阿里云郑淼：立足我国实践，首先，在计算架构层面，我们倡导金融机构采用“线下私有化+金融云”混合架构路线。这一模式既能通过金融级云原生架构实现弹性算力调度与分布式部署，满足交易强一致性、单元化多活等核心需求，又能通过私有云设施实现安全可控。其次，在数据体系建设方面，我们强调“采-建-管-用”全链路闭环管理。通过阿里云数据中台构建全域数据资产，运用云原生多引擎计算融合技术，将每天PB级数据清洗为高质量训练集。以天弘基金为例，其通过智能数据治理平台将数据使用效率提升40%，为大模型训练提供坚实基础。当前金融机构需重点解决“指标多资产少”的痛点，通过指标中台实现业务语义与数据资产的动态映射。最后，在应用创新层面，我们正推动AI Agent架构与数据中台的深度协同。以通义点金平台为例，其支持分钟级构建营销多智体、信贷审批Agent等专业化应用。未来金融机构需构建“数据-模型-Agent”三位一体架构，实现个性化服务与风险控制的动态平衡。