作 者 | 百融云創(chuàng)研究院

來 源 | 九卦金融圈

一、AGI的9年之約

最近的紅衫資本AI峰會廣受關(guān)注，會上OpenAI研究員丹·羅伯茨 (Dan Roberts)為了更直觀地展示當(dāng)前模型的推理水平，設(shè)計(jì)了一個巧妙的思想實(shí)驗(yàn)：讓1907年（廣義相對論提出前）的阿爾伯特·愛因斯坦嘗試解答一道關(guān)于廣義相對論的期末考試題。

結(jié)果顯示，O3模型已經(jīng)能夠在一分鐘內(nèi)解決復(fù)雜的教科書級物理計(jì)算。而愛因斯坦本人，則需要大約8年的時間才能“發(fā)現(xiàn)這個問題”。愛因斯坦的思想實(shí)驗(yàn)可以作為衡量當(dāng)前AI推理能力的標(biāo)尺。

紅杉資本的合伙人康斯坦丁提到“人工智能可以完成的任務(wù)長度每7個月翻一番，呈指數(shù)增長”。基于此，丹進(jìn)行了一個大膽的推斷：從當(dāng)前模型能處理約1小時任務(wù)的水平，到達(dá)到愛因斯坦思考廣義相對論所需的8年時間（大約需要16個翻倍周期），這意味著“在9年內(nèi)，人類將擁有一個能夠發(fā)現(xiàn)廣義相對論的模型?！?/p>

雖然人類去預(yù)測AI的發(fā)展從來沒準(zhǔn)確過，但業(yè)內(nèi)認(rèn)為AGI面臨前所未有的可能，因?yàn)?strong>關(guān)鍵的要素條件已經(jīng)具備：計(jì)算能力、網(wǎng)絡(luò)、數(shù)據(jù)、分發(fā)渠道、人才等。

二、AI微笑曲線的演化：

從技術(shù)主導(dǎo)到場景驅(qū)動

主要趨勢為：

技術(shù)輕量級：模型壓縮、邊緣計(jì)算、MoE架構(gòu)等技術(shù)突破，使千億參數(shù)模型可部署至普通服務(wù)器

場景深化：通用大模型向垂直領(lǐng)域滲透，通過全量微調(diào)、RAG檢索增強(qiáng)等注入行業(yè)知識，形成“開發(fā)-場景化-營銷”新曲線

我們從今年第一季度大模型中標(biāo)項(xiàng)目分布也可以看出，算力類項(xiàng)目披露金額為160565萬元，金額占比65.1%，應(yīng)用類項(xiàng)披露金額為61540.8萬元，占比為24.9%，兩者合計(jì)占大模型產(chǎn)業(yè)價(jià)值的90%。

“智能體經(jīng)濟(jì)”成資本新寵兒。紅衫資本的合伙人康斯坦丁說，“智能體不僅僅交流信息的經(jīng)濟(jì)形態(tài)。它們轉(zhuǎn)移資源，可以進(jìn)行交易，跟蹤彼此，理解信任和可靠性，并且它們實(shí)際上擁有自己的經(jīng)濟(jì)體系。”康斯坦丁強(qiáng)調(diào)，這個經(jīng)濟(jì)體系“并沒有排除人類，它完全是為了人類”，是一個人與代理深度協(xié)作的新生態(tài)。全球客戶的關(guān)注點(diǎn)從“能用的工具”轉(zhuǎn)向“能寫入利潤表的實(shí)際結(jié)果。

另外AI和大模型已經(jīng)被普遍接受，逐步形成用戶行為的演變：AI從嘗鮮到依賴，融入日常工作流。越來越多的行業(yè)，越來越多的人正在從人工智能中獲得價(jià)值。

三、銀行的AI場景深化難度不在技術(shù)

AI場景深化往往面臨從概念到機(jī)制到監(jiān)管各維度的問題，障礙很多，但障礙中唯獨(dú)沒有技術(shù)。

概念：基礎(chǔ)大模型如何為我所用？大模型和大模型平臺有啥關(guān)系？

財(cái)務(wù)測算：我為AI花的錢，怎么賺回來，如何衡量AI產(chǎn)品的ROI？

崗位人才：場景建設(shè)與測試本身也是強(qiáng)化學(xué)習(xí)一部分，不是簡單工作流可以實(shí)現(xiàn)，誰來做這件事？ 業(yè)務(wù)人員還是科技人員，如何形成合力？

監(jiān)管：監(jiān)管是否進(jìn)入AI時代？大模型的應(yīng)用是否有容錯機(jī)制？誰能保證大模型不出幻覺？

針對上述問題，我們有一些觀點(diǎn)供參考：

1、只有基礎(chǔ)大模型難以滿足場景化需求

我們可以看下面這張圖，大模型應(yīng)用場景Agent建設(shè)需要精密的工程化集成。紅字部分是大模型，但是只占整個建構(gòu)非常小的一部分。除了大模型，還需要各類專家模型的輔助，才能提高智能體響應(yīng)的準(zhǔn)確程度。

表：各類專家模型輔助大模型

圖：Agent建設(shè)需要精密工程化集成

2、沒有一個模型適用于所有場景

Agentic AI 如DeepSeek:

優(yōu)勢：推理和規(guī)劃能力強(qiáng)，擅長代碼生成、數(shù)學(xué)計(jì)算、結(jié)構(gòu)化思考、長文寫作

不足：耗時長、原有prompt無法復(fù)用、長Prompt容易被干擾

適用場景：代碼助手、策劃/寫作、規(guī)劃/推理、數(shù)據(jù)合成/標(biāo)注等

Conversational AI

優(yōu)勢：響應(yīng)快、對話方式自然、任務(wù)的覆蓋豐富度更高、對RAG任務(wù)的支持更好

不足：推理能力不足、計(jì)算和邏輯不可靠

適用場景：對客溝通、基于知識庫的問答

我們比較了各類模型在國內(nèi)外知名金融考試中的表現(xiàn)，DeepSeek在準(zhǔn)確度上表現(xiàn)最優(yōu)。

但是在智能語音交互場景，DeepSeek由于高延時和非口語交互風(fēng)格，表現(xiàn)比百融主動營銷大模型BR-LLM-ProActive遜色很多。

注：500個營銷對話生成記錄由業(yè)務(wù)人員按照回復(fù)效果進(jìn)行打分， 0分代表答案不好；1分代表答案普通；2分代表答案優(yōu)秀。

3、投入產(chǎn)出比，換個角度去思考

在評估 AI 價(jià)值的過程中，若單純以工具思維考量，投入產(chǎn)出的測算往往充滿復(fù)雜性與不確定性。工具思維下，AI 常被視作一種輔助手段，其價(jià)值融入整體業(yè)務(wù)流程，難以精準(zhǔn)剝離與量化。例如在一些傳統(tǒng)制造業(yè)引入AI 進(jìn)行生產(chǎn)流程優(yōu)化時，很難確切分辨最終效益提升中，多少是 AI 帶來的直接貢獻(xiàn)，多少是其他環(huán)節(jié)改進(jìn)的結(jié)果。

然而，將 AI Agent 視為數(shù)字員工，為價(jià)值創(chuàng)造評估開辟了新視角，使其變得更具可衡量性。

以營銷或催收這類垂直業(yè)務(wù)場景為例，從成本維度深入剖析，百融云創(chuàng)所提供的 AI 坐席，成本不到人工坐席的 10%。在營銷場景中，人工坐席每天需投入大量時間篩選潛在客戶，而 AI 坐席能夠憑借高效算法，瞬間完成海量客戶數(shù)據(jù)篩選，精準(zhǔn)定位高意向客戶，大大節(jié)省了時間成本。

從產(chǎn)能層面來看，AI 坐席產(chǎn)能出眾，能夠達(dá)到人工銷冠產(chǎn)能的 80%。在催收場景中，AI 坐席可依據(jù)欠款客戶還款歷史、消費(fèi)習(xí)慣等多維度數(shù)據(jù)，制定個性化催收策略，在合規(guī)框架內(nèi)高頻次、高效率觸達(dá)客戶，其每月成功催收款項(xiàng)金額接近人工銷冠水平，甚至在某些月份，超越人工坐席平均產(chǎn)能。

這不僅體現(xiàn)了 AI Agent 在特定業(yè)務(wù)場景中的高效能，更直觀呈現(xiàn)出清晰可辨的價(jià)值創(chuàng)造能力，讓企業(yè)在評估 AI 投入時，能夠依據(jù)成本與產(chǎn)能的直觀數(shù)據(jù)對比，做出更具針對性與科學(xué)性的決策 。

結(jié)語：

銀行要實(shí)現(xiàn)智能化，實(shí)現(xiàn)大模型的深度場景化，其實(shí)功夫在詩外，其順序應(yīng)該是文化 - 人才 - 流程 - 數(shù)據(jù) - 智能。

文化是銀行智能化轉(zhuǎn)型的基石，它塑造著銀行的價(jià)值觀與行事風(fēng)格，深刻影響著轉(zhuǎn)型的方向與成效。一個鼓勵創(chuàng)新、勇于嘗試的銀行文化，能夠讓員工積極接納新觀念、新技術(shù)，為智能化轉(zhuǎn)型營造良好氛圍。反之，若銀行文化保守、抗拒改變，即便引入先進(jìn)技術(shù)，也難以充分發(fā)揮其價(jià)值。

人才是推動銀行智能化轉(zhuǎn)型的核心動力。大模型的深度場景化需要多領(lǐng)域?qū)I(yè)人才協(xié)同合作，既要有深諳金融業(yè)務(wù)的專家，又要有精通人工智能技術(shù)的工程師，還要有能夠?qū)I(yè)務(wù)與技術(shù)緊密結(jié)合的復(fù)合型人才。

流程的優(yōu)化是銀行智能化轉(zhuǎn)型的關(guān)鍵環(huán)節(jié)。傳統(tǒng)銀行的業(yè)務(wù)流程往往繁瑣復(fù)雜，存在諸多手工操作與重復(fù)勞動，這嚴(yán)重制約了智能化技術(shù)的應(yīng)用效能。通過對業(yè)務(wù)流程的梳理與再造，利用智能科技簡化操作環(huán)節(jié)、提升處理效率，能夠?yàn)榇竽Ｐ偷纳疃葓鼍盎峁┯辛χ巍?/p>

數(shù)據(jù)是銀行智能化的 “燃料”。優(yōu)質(zhì)、豐富的數(shù)據(jù)是大模型發(fā)揮作用的基礎(chǔ)。銀行需要建立完善的數(shù)據(jù)管理體系，對海量的客戶信息、交易記錄等數(shù)據(jù)進(jìn)行收集、整合與分析。只有數(shù)據(jù)質(zhì)量高、覆蓋范圍廣，大模型才能學(xué)習(xí)到更準(zhǔn)確、全面的知識，從而在風(fēng)險(xiǎn)防控、客戶服務(wù)、產(chǎn)品創(chuàng)新等場景中提供更具價(jià)值的服務(wù)。

當(dāng)文化、人才、流程、數(shù)據(jù)等基礎(chǔ)工作扎實(shí)推進(jìn)后，智能的實(shí)現(xiàn)將水到渠成。