专题：服贸会第七届中国金融科技论坛
中国国际服务贸易交易会-第七届中国金融科技论坛于2025年9月10日-11日在北京举行。主题为“科技赋能—金融业数字化转型与应用”。百融云创高级副总裁陈立宇出席并演讲。
以下为演讲实录：
各位嘉宾，下午好，我们是站在金融科技公司的角度，跟各位嘉宾汇报一下，我们在银行智能化转型方面的实践。我们在做银行智能化转型的时候，可能想搞清楚一个问题，大模型的核心能力到底是什么？它的能力边界在哪里？它适合什么场景？它不太适合什么场景？
当前行业普遍关注大模型与通用人工智能（AGI）的关联，若从人类智能的形成逻辑类比，可更清晰理解其核心路径。人类通过视觉（眼睛）、听觉（耳朵）等感知器官，能够获取文本、视频及现实世界中的各类信息 —— 这一过程如同大模型对多模态数据的采集与输入。
而人类智能的深化，离不开 “信息 - 知识 - 智慧” 的递进转化：一方面需通过 “读万卷书” 式的海量信息积累，构建基础数据储备；另一方面需结合 “行万里路” 的实践场景，将零散信息提炼为结构化知识；最终通过持续的理解、学习与实践验证，让知识与现实需求深度融合，形成具备决策价值的智慧。这一从信息输入到智慧输出的闭环，本质上与大模型追求的智能化演进方向高度契合，也是通用人工智能发展需遵循的核心逻辑之一。
那么，大模型的核心能力具体体现在哪些方面？结合实践观察，可归纳为以下四点：
其一，是业界广泛认可的强大生成能力，这是大模型在内容创作、方案输出等场景中发挥价值的基础。
其二，是泛化性语言理解能力。这种理解并非局限于训练数据中的固定表述，而是能够突破既有文本的约束，精准捕捉未直接出现过的表述背后的核心问题与逻辑，从而实现对复杂语言场景的灵活适配。
其三，是高效的少样本学习与上下文学习能力。这一能力在实际业务中体现尤为显著：传统自然语言处理（NLP）技术在完成任务拆解、信息提取等工作时，往往需要 1000 条以上的样本数据进行初始化训练；而依托大模型技术，仅需不足 100 条样本，即可训练出在业务场景中准确率达 80 分以上的 NLP 模型，且能通过后续持续的数据标注与迭代，不断优化模型的理解精度。
其四，是知识关联与推理能力，但需客观认识其与人类推理的本质差异：人类推理以逻辑理解为前提，基于对事物内在关联的认知形成判断；而大模型的 “推理”，本质上仍是基于海量数据的统计概率预测 —— 它通过学习训练数据中隐含的逻辑模式，实现对知识关联的模仿与呈现，并非真正具备人类式的逻辑认知能力。
此前，思维链（Chain of Thought， CoT）技术曾受到行业广泛关注。从技术本质来看，思维链隶属于提示词工程的范畴，其核心逻辑是通过对复杂问题进行结构化拆解，将推理过程拆解为清晰的中间步骤，进而引导模型更精准地理解问题逻辑、梳理分析路径，最终提升语言模型对复杂任务的理解与处理能力。
这种技术路径的价值在于，它能有效弥补模型在直接应对多步推理问题时的局限性 —— 通过显式呈现推理环节，让模型的分析过程更具逻辑性与可追溯性，而非依赖单一输入直接生成结果，这也使其在需要深度逻辑推导的场景中，能更好地适配实际需求。
刚才讲的是一些题外话，今天的主题是大模型如何在业务场景当中产生价值，就提到一个很关键的，刚才很多嘉宾都强调，我们这种智能化是需要有大量的成本投入的，这样的成本投入，怎么样去衡量它的价值？所以我们提出来AI，我们所谓的AI Agent，也要像人一样去完成KPI。在我看来，银行的智能化转型需聚焦三个核心流程，构建从业务升级到价值落地的完整路径：
第一，推动业务流程 AI 化。银行的业务体系由多类专业化流程构成，不同流程对应不同部门设置，各部门又围绕具体岗位 KPI 开展工作 —— 而每一项业务流程，本质上都是由一系列连贯的业务活动组成。以信贷业务为例，从前端客户获取、中期反欺诈核查，到授信审批与贷后催收，每个环节均需特定岗位人员承接执行。业务流程 AI 化的核心，就是通过人工智能技术替代或辅助人工完成这些标准化、重复性的业务活动，实现流程效率的提升。
第二，实现业务流程 Knowhow（专业经验）AI 化。银行在长期运营中积累的业务规则、风险判断逻辑、客户服务经验等隐性 Know how，是其核心竞争力的重要组成部分。将这些专业经验转化为可被 AI 模型学习的结构化知识，让模型能像资深从业者一样理解业务逻辑、做出决策判断，是智能化转型深化的关键 —— 这不仅需要技术层面的算法优化，更需打通 “业务经验提取 - 知识图谱构建 - 模型训练迭代” 的全链路。
第三，建立AI 价值交付的标准化评估体系。AI 技术的应用效果，不能仅以技术参数衡量，核心要看是否能 “规模化交付价值”—— 即 AI 方案能否在大规模业务场景中稳定落地，持续为银行降本、增效、控险。
例如，我们当前正为多家金融机构提供 AI 驱动的贷后催收解决方案，这一需求的背景与当前银行业面临的 “三低一高” 挑战密切相关：在市场利率下行、息差收窄、整体收益承压的同时，不良资产风险受宏观环境影响呈现一定上升趋势。
站在行业领导的角度，我们怎么去控制不良？现在银行的做法，银行的不良从M1就要开始委外，M1我们要交给外面的坐席，你的不良生成的多了之后，你是不是要加人？加人就要加预算，加人就是预算的问题。现在我们息差又收窄了，收益又下降了，收益下降对银行来说就是预算少了，在这种情况下我们怎么解决这个问题？
只能用硅基人军团，硅基人要具备什么能力呢？
第一，像人的智能，精准识别人类的情绪，理解客户的意图，规划下一步策略。催收是非常难的，要给客户做施压，会根据客户的情绪做出相应的反馈，他要记录和每一个客户交流的关键的节点，要为他的下一通电话做指引，所以对智能的要求是非常高。
第二就是要有端到端的交互，你不能让你的硅基人听上去跟人不一样，一定要有拟人度，而且延迟要控制在500毫秒以内，还要把催收专家的能力放进去，我们现在知道这个催收，全员、全市场，我们现在大概有200万的催员在作业，一个人的工资1年大概15万，这事个3千亿元的成本市场，其中大量的就是在M1阶段。
百融首先事项了业务流程的AI化，做了9大智能体，9大智能体精细化分工，协同作业。
前台是催收Agent，直接面客。这是一个劳动密集型的岗位；中台是智慧大脑，对于下一次跟客户沟通的策略要做指引，这里有个声纹识别Agent，这个主要是判断是否是反催收黑产代理，如果一条声纹与几个手机号都匹配，那大概率是黑产代理；后台质检Agent也会像质检专员一样作业。
催收Agent是怎么打造出来的？
首先我们训练了催收专属大模型。我们拿了大概Top Sales 15万的有效样本去做训练，我们做了大量的语料的标注，包括还有情感的标注，快速的去学习它整个的学习流程；另外还有Builder去保障速度、抑制幻觉，我们还设计了一拖四的智能体架构，支持前线催收Agent作业。
我觉得这种业务Knowhow的AI化其实是推动了银行业务能力的平权。它提升了银行业务能力的天花板，它就是把我们行业最佳的实践变成了Agent的作业流程和专项能力，这样的话我们就可以实现第三个目标就是规模化的交付价值，以催收为例，我们可以一次性解决3大痛点，在今年预算不变的情况下，产能可以提高3倍，投诉能够降低95%。这是我们在一个银行信用卡的例子，在 M1 阶段（逾期 1-30 天）的运营实践中，已显现出显著的降本成效：依托该方案，合作机构在承接 9000 万件催收案件的场景下，成功减少了 10 名人工坐席的配置。这一数据背后，可进一步看到 AI 技术在成本优化上的规模化潜力 —— 若案件量提升至 9 亿件、甚至 90 亿件，会节约多少成本？
接下来简单介绍一下信贷报告，今天很多领导都讲到这个产品，信贷报告最难的是什么？人类专家经验的AI化，科技部不懂业务，业务部门不愿意参与大模型智能体的生产，怎么办呢？我觉得和第三方的科技公司合作是一个比较好的选择。
信贷报告Agent复制了人类专家的思考和工作逻辑，知道要看什么数据，从哪里找，从哪些维度来进行分析，最后形成一个什么样的模版，这是人类专家要干的事情。信贷报告最难的事情并不是做出一个报告来，最难的是要有深度，要有关联，要有助于下一步的决策。
信贷报告也要做行业分析，要分析哪些行业的特征，对一些技术密集型的企业和资金密集型企业行业特征是不一样的。我们要拿到它行业周期的数据，了解行业的指标，这个指标对未来信贷的决策是至关重要的。
尽调报告生成产品，我们实现了多个智能体协作，从前端的数据OCR的录入，到财务报表之间的交叉核对，这个其实对小微的尽调报告是最关键的。上午农行的领导也讲到，我们有一些无人机的数据，有一些卫星遥感监测的数据，还有客户经理实际调查的数据，那怎么做数据之间的交叉核验，报告之间的配平。这个是要多个智能体一起去协作，来完成一个具有深度的尽调报告。
我再介绍一下百融云创，百融云创是一家在香港上市的一站式AI科技领航者，我们服务了大概7000多家金融机构，深耕金融行业大概十多年。今年5月，摩根士丹利发布《中国AI：沉睡的巨人觉醒》蓝皮书，将目光投向了中国AI产业的核心——中国AI 60强企业。百融云创是唯一纳入摩根士丹利“China AI 60-Finance AI”名单的企业。
这就是我今天分享的内容，谢谢大家，也希望有机会与在做的各位有进一步的交流。
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
责任编辑：王翔