蜂窝配资中关村科金喻友平：平台+应用+服务是大模型前端落地的清晰路径

专题：服贸会第七届中国金融科技论坛蜂窝配资

　　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”。北京中关村科金技术有限公司总裁喻友平出席并演讲。

　　以下为演讲实录：

　　非常高兴在这里和大家分享一下中关村科金在人工智能+行动上的思考和进展。其实前面的几位，包括银行的领导，还有其他厂商，对金融行业大模型应用的情况都做了较多介绍。

　　我们能看到，金融行业在各个方向上，包括提升客户体验、营销、企业内部应用场景，以及银行的核心场景如风控、增长等环节，都已开展各类应用。但目前仍存在不少问题，比如前面提到的数据应用、合规压力，特别是“幻觉”处理等，还有很多挑战和难点。

　　中关村科金是一家成立十年、专注大模型技术与应用的公司，我们主要聚焦垂类大模型——本质上就是将大模型在垂直行业中落地应用。过去十年间，我们已在多个行业实现落地，金融行业是我们的重点方向之一。这段时间，我们也获得了不少认可，比如最近首次登榜2025年《财富》中国科技50强。

　　我们如何看待大模型的前端落地？从去年开始，我们就发现一条清晰路径：平台+应用+服务。在当前大模型技术背景下，大数据包括传统大数据和日益受重视的非结构化数据，已成为企业大模型落地的核心资源。过去，我们缺少对非结构化数据进行深度加工的工具；如今，有了认知智能能力，过往的非结构化数据得以被更充分地重视和应用。因此，几乎所有有规模的企业都应搭建自己的私有化大模型平台，也会对大数据的安全性和合规性要求越来越高。

　　在这样的（大模型）平台上，我们先对数据进行充分处理，再在各应用领域落地。同时，大模型落地远非传统软件工程那么简单：传统程序的确定性很高，但在大模型阶段，随着业务场景和数据的扩展，初期上线时内部知识查询的准确度可能达95%，一个月后可能下降3个百分点，若半年不持续优化，准确率可能降至80%——这很常见。因为业务场景扩展后，数据不断涌入，需要持续的运营和服务支持。

　　回顾人工智能近十年的发展蜂窝配资，我们经历了从大数据智能到感知智能（包括OCR、人脸识别、语音等技术），再到当前认知智能兴起的完整过程。认知智能对企业的最大价值是什么？我认为是服务的智能化和规模化——这是大模型的核心意义。本质上，大模型具备对话与生成能力，这类能力的主要应用场景正是服务场景。企业无论是服务员工，还是服务客户，包括前面很多人提到的场景都属于服务环节。而金融行业是服务属性、数据属性最集中的行业，因此我认为它也应是大模型落地最重要的行业之一。

　　要落地大模型，需要一个优质的垂类大模型平台。我们自研了得助大模型平台（“得助”取“得道多助”之意），在算力、数据、模型和智能体四个方向提供完整工具链。我们所说的“垂类大模型”，重点在两个维度：场景垂类和行业垂类。场景垂类方面，我们聚焦如何实现企业服务的智能化与规模化。

　　做好企业服务，主要涉及三件事：第一，要有“服务的高速公路”。当前服务依赖电子渠道，包括电话、互联网、音视频等，因此需要一个完整的全媒体、全渠道联络中心，就像高速公路一样。

　　这条“高速公路”上有两类服务：一类是机器人服务，以语音和文本机器人为主；更重要的是机器人辅助人的服务——这一趋势日益明显。在人工服务的前、中、后三个环节，由机器人或AI调用企业内部知识，在服务前提供陪练、服务中提供辅助助手、服务后提供质检的“三件套”形态已越来越清晰。因此，“1（全渠道联络中心）+2（语言和文本机器人）+3（服务前陪练、服务中助手、服务后质检）”，我认为是当前大模型在各行业服务环节落地的通用范式，也是大模型在企业中落地的通用场景。至于行业应用，尤其金融行业，前面已多有提及，这里不再赘述。

　　金融行业有其特殊性，如前面同事提到的，核心是解决信息不对称问题：消费者对金融产品信息不对称，金融企业对消费者信息也不对称——我们不完全了解消费者，消费者也不完全了解产品。要解决这一问题，洞察平台至关重要。因此，如何基于大模型能力，对企业内部各类数据进行洞察，从中找到业务动力和方向，是大模型在金融行业有效应用的根本。

　　有了洞察平台后，还需结合企业基础智能平台。这里要强调的是，如前面同事所说，大模型落地绝非孤立的大模型平台或“一体机”能搞定，而是需要大小模型结合。尤其在语音机器人领域，要做到“听得懂”且“说得拟人化”并不容易。举例来说，ASR（自动语音识别）技术发展多年，但能将用户用各种方言说出的地址识别准确率做到99%的很少——地址多为不常用名词，识别难度极大；即便让ASR准确识别数字，在方言环境下也不容易。这就需要深度的ASR、深度的TTS（文本转语音）以及OCR技术——如今的OCR需大量结合领域知识；同时，大语言模型对传统感知智能有显著提升，再加上认知智能在思考和推理能力上的增强，才能实现突破。

　　洞察能力+传统深度AI能力+大模型，最终会形成人机协作服务平台。在这个基础平台上，可拓展出营销增长、安全合规、运营优化、企业智能等多个应用场景。我们认为，大模型在银行业的落地不是简单的工具问题，也不是单纯的软件工程问题，本质上是将业务、业务know-how与当前AI能力（包括传统AI和大模型能力）结合，解决业务问题的过程。这个过程远比过去的软件工程更复杂，也更灵活。

　　如何在这些方面实现效果？比如在营销增长领域，我们要打造营销智能体矩阵。以智能体外呼为例，它需要“听得懂”“说得拟人”“有边界感”“反应快”，要满足这些要求，需在智能体及传统外呼系统的流式改造上做大量工程与算法优化。我们做了很多工作，效果显著。在风控合规方面，金融行业面临不小挑战，企业从被动防御到主动制胜，也需要大数据、AI、大模型的综合应用。

　　运营优化是银行内部应用的集中领域。很多企业做大模型，首先想到的是内部知识管理。我们发现一个趋势：大量企业在第一轮尝试（包括利用开源工具、与高校合作或内部探索）后，能达到60分的效果，但要做到80分甚至90分，往往需要专业机构支持。此外，企业内部员工服务也很重要，要从“人工救火”转向“智能护航”，其价值显著——比如文档萃取、制度问答、校验等。

　　这些都依赖于完整的训推一体、智能体开发及应用管理平台——这与市面上开源的大模型平台有很大不同。企业未来需要的是在安全管理、服务、账号、权限等方面全面覆盖的企业级平台，这也是我们着力打造的垂类大模型开发平台。同时，全渠道、全媒体的智能联络中心，是大模型时代实现服务智能化与规模化的“高速公路”。

　　最核心的是，数据、模型、算法需整体优化，最终形成飞轮效应，在大模型时代铸就企业核心竞争力。我们有一些落地案例：比如与某大型国有银行合作，基于自研RTC平台提供全场景统一视频银行，完善了银行对外服务的“高速公路”；多模态生物防伪大模型在头部商业银行应用，保障了资金安全；为城商行打造的大模型应用平台，以及为某头部银行开发的智能审单平台，都取得了显著效果。

　　此外，我们还为头部券商开发了大模型财富助手；智能陪练在员工培训中效果显著——它能模拟各类客户，让员工在实践中学习，而非枯燥地学习理论。智能辅助的形态也很多样：一个人可管理6-7台机器人服务，或由机器人实时辅导员工，将过去需十几分钟查资料的工作，简化为机器人直接输出结果。

　　以上是我们在金融行业的解决方案全景。目前，我们已服务超过500家金融行业客户。中关村科金聚焦大模型落地的“供应链”，希望通过传统大数据、传统人工智能及新型大模型技术，与企业的实践know-how紧密结合，推动大模型在金融行业真正落地，为银行在增收、降本、提效、创新等方面创造价值。

　　我今天的汇报就到这里，谢谢大家！

　　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。