由北京市通州区人民政府指导，《财经》杂志、财经网、《财经智库》主办的“《财经》年会2025：预测与战略暨2024全球财富管理论坛”12月13日至15日在北京举行。

12月14日，阿里云金融大模型首席技术专家陈风在论坛上表示，无论是对于大型的金融机构还是普通的散户来说，AI智能化工具都能够显著提高他们投资研究的成功率。

阿里云金融大模型首席技术专家 陈风

谈到数字财富，陈风认为，不可避免会遇到二八定律的问题，个性化服务是当前AI应用于财富管理的一个亮点。不过，AI应用于财富管理不可避免的还会遇到一些问题，如人对服务关系处理的问题，甚至很多客户对AI服务自己有一些抵触情况。

另外，陈风建议，在新的AI浪潮下，无论是人才，还是资产建设方面都采用“买手模式”。基于成熟的大模型进行应用，只专注于自己应用的ROI。以前在信息时代，更多是Inside-outside的模式，碰到一个东西先内化，然后对外服务。在AI时代，更推荐Outside-Inside的模式，先把应用场景拿出来，去尝试看到成效、效果，达到预期之后再把应用拿过来在场景里进行推广。

以下为部分发言实录：

袁雪：下面请陈风总对于新技术在金融领域的应用进行分享。

陈风：谢谢主持人。近年来，随着科技的发展，特别是人工智能技术的进步，为各行各业带来了非常多变革，在财富管理这个特定的领域内，AI，尤其是大模型更加展现了前所未有的潜力。我负责的是阿里云金融行业大模型产品的研发，我们从2021年左右进入大语言模型的开发，2022年之后，随着通义千问的发布，我们基于这个做了一个专门金融行业的产品，叫通义点金，目前已经服务了100+客户，也有非常多头部金融机构跟我们在数字财富领域进行合作。

针对这个话题，从以下三个方面探讨这个问题：

在投资决策方面，AI通过强大的数据分析能力和先进的算法模型，可以帮助投资者做出更多科学合理的判断。无论是对于大型的金融机构还是普通的散户来说，AI智能化工具都能够显著提高他们投资研究的成功率。比如高盛等国际知名的机构，已经非常广泛的采用AI技术，进行投资市场的预测和资产的配置。

在风险管理层面，大模型也发挥了重要作用，它可以帮助准确识别出潜在的风险点，并且提出非常有效的应对策略，这对于保护投资者的利益和维护整个金融市场的稳定具有非常重要的意义。

基于自然语言这些先进技术的支持，现在越来越多的金融机构推出了自己的智能客服系统，不仅可以大大降低人工客服的压力，最重要的是它能全天候7×24小时为用户提供高质量的服务体验。

谈到数字财富，不可避免会遇到二八定律的问题，个性化服务也是当前AI应用于财富管理的一个亮点。比如通过对海量用户数据进行数据挖掘，能够精准识别和把握每个客户独特的财富管理需求，为他量身打造最合适的投资计划。

当然，AI应用于财富管理不可避免的还会遇到一些问题，比如人的服务的关系处理的问题，甚至很多客户对AI服务自己具有一些抵触情况。任何新生事物的成长都不是一帆风顺的。

目前来看，AI在财富管理方面的普及还存在着数据安全的隐私保护和法律合规的问题等，但随着时间的推移和技术成熟度的提高，以及监管政策的与时俱进，这些问题未来都可以得到有效解决。

AI目前正在以前所未有的速度重塑整个财富管理行业，不仅仅可以大大提升我们的工作效率和服务水平，同时也可以为广大投资者带来更多便利。

展望未来，我们很有信心和很有理由相信，在大家的共同努力下，AI将在财富管理领域取得更加辉煌的成绩。

我的发言就到这里，谢谢主持人。

袁雪：有准确的数据以及明确的要求，陈总是技术方面的专家，也希望你讲讲痛点这个问题。

陈风：我讲一下，在做大模型应用时候的一些实践经验，刚刚各位嘉宾讲了很多业务上的选择，我们更多从技术上解决一些问题。如前面讲过机器人替代人工对客户进行服务的时候，现在大部分客户对智能化的服务形式存在一些抵触，他们更多希望享受尊贵的人工服务。

在这个过程中，我们想到用一些技术的方式解决用户的困扰，很多时候机器人表现的不那么智能，甚至出现智障，是因为它的技术参数达不到。

第一个问题就是时延，之前与一家大型保险公司做保险产品推荐销售时就遇到了这个问题，因为机器人服务客户的时候是第一轮，所以要对很多用户的情况进行判断，比如判断他的资产情况、风险的承受能力、产品的购买意愿，包括目前的一些偏好度。在做一些意图识别时计算量是非常大的，我们当时做POC测试的时候，测试下来客户的意图分类大概有两万多个。可能用户的一句话你就要从两万多个意图的分支树里马上给出判断，并且给出相应的回应。这时候推理的速度非常重要，如果推理速度达到秒级，显然让用户的感受不那么好。我们用大模型做了很多推理加速和软硬件结合方面的处理，最终让时延可以减少到500毫秒以内。机器人跟用户对话之间的时延如果达到600毫秒以上，会有明显的停顿感觉，用户的感受是非常不好的，如果压缩到600毫秒以内，用户会感觉这个对话是非常流畅和自然的，就不会有那么多抵触情绪。

第二是机器人在服务客户的时候，相比人工服务对话有一个很重要的感受区别，就是人工服务有瑕疵感，而机器人没有。比如人在说话的时候头会摇动，会有抑扬顿挫，会有很自然的停顿，这样客户感受就会比较舒适自然。我们在处理大模型的时候，就会很注重加入瑕疵感，让机器人跟用户的对话更加偏向人跟人对话的感觉，让客户感受更加有温度，更加有亲近感，这些瑕疵感需要大量的数据学习和优化的技术操作才能达成。像这些，我们做了大量工作，尽量贴近人跟人之间的感觉。

另外，在具体的大模型对话应用层面，会有很多to C服务的合规性问题，包括用户的接受度问题，这时候我们会分两步走：第一步，像李总提到的，第一个阶段会采用AI辅助话务员，提高他的服务水平和知识know how帮助他打造超级话务员阶段，让人辅助话务员提升他的服务能力，让他能更好服务客户，提升他服务的深度。第二个阶段，我们会在一些合适的阶段由机器人主导，对客户进行直接服务，解决一般人力的问题和合规性问题、扩大服务面的问题。按两步走的方式，让AI应用过程中更加顺滑，让整体的ROI更高。

袁雪：团队化和流程化非常重要。陈总还有什么要补充的？

陈风：在大模型时代，人才建设的方向，不仅仅是人才，包括资产的建设方向，也要跟以前IOE或者信息时代有所区别。以前服务的金融机构，因为IT能力本身比较强都会把能力和资产在本地搭建起来，但在大模型AI时代，无论是投入的成本，还是ROI收益等方面，这样做都是不划算的。我建议，无论是人才还是资产建设方面采用“买手”模式，像大模型的应用，按照以往的习惯是在本地建自己算力化的资产，买机器、买卡，还要去建设自己的基础大模型，在这个基础上再建大模型的开发应用平台等一系列事情。如果全套体系都自己本地化建设投入是非常巨大，而且整个维护成本和后面升级迭代的成本是非常高，这反倒会阻碍对新技术的应用，在整个AI大潮里会落在后头。很多金融机构在走一些弯路，就是什么东西保持自建的习惯，在本地买很多卡，投入非常巨大，用自己的数据训练自己的基础大模型，然后叠加应用。所有的东西都自己建，周期和投入是过于巨大的，所以在新的AI浪潮下，更推荐用“买手”的模式。比如买算力，不用自己买卡，基于成熟的大模型进行应用就可以了，只专注于自己应用的ROI，不用什么东西都自己做一套，完成内化。

用一个比喻，以前在信息时代，更多是Inside-outside的模式，碰到一个东西先内化，然后对外服务。在AI时代，更推荐outside-Inside的模式，先把应用场景拿出来，去尝试看到成效、效果，达到预期之后再把应用拿过来在场景里进行推广，所以在人才和资产建设的模式上，都要在AI新时代采用新的思路。

（本文根据现场速记整理）