2025年海内外资管机构AI大模型应用探索

AI大模型赋能金融资管行业

技术供给端：AI大语言模型的技术爆发

大语言模型是信息时代AI技术发展的产物。大语言模型（LLM）是基于人工智能（AI）系统构建的复杂算法模型,核心特点是规模庞 大，体现在参数规模大、训练数据量大和计算资源消耗高，能够处理、理解和生成自然语言（如人类使用的文字或语音）。能够应 用于社会生产生活的各个领域当中。

AI大语言模型在近几年开始了大规模的集中发布。从2017年发布的Transformer到2025年的DeepSeekR1,诸如OpenAI、Google、 Microsoft等全球知名科技公司和国内幻方量化公司，都发布了自研的大语言模型。其演变掀开了人工智能技术爆发的序章，尤其是 在大语言模型领域，其崛起由三个里程碑式的成就凸显：（1）Transformer：该模型为构建精确灵活处理复杂任务的大规模高效模 型奠定基础；（2）ChatGPT：通过对话式AI，连接了高级AI与普通用户的桥梁，增强大语言模型的互动性和可访问性，产生广泛的 社会影响；（3）DeepSeek-R1：大幅降低算法成本，且开源性质加速了顶尖AI的普及应用，在对AI发展方向产生深远影响。

业务需求端：大语言模型对资管行业的适配性

全球财富市场与资管行业的需求与压力并在。根据BCG公司的《2024年全球资产管理报告》，2023年全球资产管理规模同比增长 12%，达到118.7万亿美元，各地区管理资产规模均实现正增长,资管行业在呈现乐观发展趋势的同时，也面临着利润下降等多重压 力。全球资产管理行业面临着全球资产规模增长的需求和自身利润下降的压力，能寻求能实现降本增效、提高服务质量的方案。

依托AI大语言模型的自然语言处理能力，能高效解决资产管理中的数据困境。在资产管理活动中会面临着繁多复杂的数据信息，包 括市场数据、公司数据、客户数据等，AI大语言模型能够在庞大的信息网络当中展开搜集、整理、分析、预测等工作，进行覆盖全 过程的精细化的数据处理。与其比较，通过纯人工的方式去应对海量数据的效率十分低，在搜寻和整理所需要的信息时容易陷入 “信息迷宫”，在分析和预测环节又容易因为信息掌握不完全或失真而降低产出质量。

供需结合：资管机构对 AI 的重视程度

随着大模型及生成式AI的快速发展，资管机构纷纷将AI视为战略重点。根据 BCG 的调查，多数资管机构认为 GenAI 将对业务产生 显著影响，并积极投入资源进行应用探索。调查数据显示，54%的资管机构预期GenAI在未来三至五年内将对业务产生重大影响， 仅有2%的机构认为其影响微乎其微。这表明大多数资管机构已经认识到GenAI在提升投资决策效率、优化风险管理以及改善客户服 务体验等方面的巨大潜力。同时，55%的资管机构已将GenAI视为战略优先级，并开始试点应用，显示出其在行业战略规划中的重 要地位。

国内方面，金融行业在AI领域的投资规模正以惊人的速度增长。根据中电金信与IDC联合发布的《中国金融大模型发展白皮书》， 2024年，中国金融行业AI和生成式AI投资规模达到196.94亿元，预计到2027年将飙升至415.48亿元，增幅高达111%。而资管机构 作为金融市场的核心参与者，也正积极拥抱这一技术变革，大力投资AI和大模型研发与应用。

国外资管机构的AI大模型应用案例

国外：国外资管机构迅速推进AI大语言模型应用

国外资管机构依托“技术先发+基建完善+数据成熟”三大优势，加速推动AI大模型的应用：第一，成熟的金融市场与数据生态。美 国上市公司信息披露的制度较为完善，信息披露的标准化程度高，为大模型训练提供了高质量、低噪声的数据训练集，而国内机构 常受数据碎片化与标注成本制约。第二，金融科技基础设施建设的早期建设与未来扩建。早期的金融科技基建（如标准化API接口、 云原生架构）能大幅降低模型部署门槛，避免重复造轮子，而基建投资规模还在扩大，贝莱德投资研究院估计到 2030 年数据中心 和 AI 芯片的投资每年可能超过 7000 亿美元，相当于美国 GDP 的 2% 以上。第三，技术先发优势。国外头部资管机构早在AI大模型 爆发式发布前就已构建了专属AI平台与系统，如贝莱德（BlackRock）的Aladdin平台，不断迭代和集成AI，天然适配AI大模型，而 2024年初该公司称正在开发Aladdin AI Copilot（“副驾驶”） ，将大模型进一步应用到Aladdin平台，加速AI创新迭代。

贝莱德：阿拉丁智能投资平台与AI Copilot

贝莱德阿拉丁平台 (Aladdin) 是由全球最大的资产管理公司贝莱德 (BlackRock) 开发的一体化投资管理和风险管理技术平台。 Aladdin 的命名取自 “Asset, Liability, and Debt and Derivative Investment Network” 几个单词的首字母缩写，体现了其整合所有业务线， 为客户提供综合解决方案的目标。

通过引入大模型技术和生成式AI，阿拉丁平台进一步提升了其AI智能化水平。贝莱德已经利用生成式AI为阿拉丁平台构建 Aladdin AI Copilot。 Aladdin AI Copilot有助于加强整个阿拉丁平台的连接组织，立即提供答案以支持关键业务决策，从而提高效率并更快地 发现可操作的信息。其让客户能够使用贝莱德的大型语言模型技术从阿拉丁中提取信息。

贝莱德：SAE策略与主题机器人

贝莱德推出的“主题机器人”是一种结合了大型语言模型优势和专有数据的创新工具，旨在快速、灵活地构建股票篮子，以应对市 场关注的议题。凭借这一快速、灵活构建股票篮子的流程，能够更加高效透明地构建长仓/短仓或仅长仓股票篮子，而传统方法(机 器耗时的人工构建或利用现有券商篮子)可能存在缺乏透明度和覆盖范围有限的局限性。

重要的是，投资组合经理的专业知识贯穿整个流程：确定具体主题或情景、利用人为确定的先验知识自定义分析、在大型语言模型 的逻辑中完全透明地迭代输出、精炼投资组合所表达的见解。虽然需要最少的人为干预就能帮助识别出主题交易中不太容易被识别 的内容，但在某些情况下，投资组合经理的见解对于纠正大型语言模型所犯的错误或提供更多背景以提高输出质量至关重要。

摩根资管：LLM Suite

摩根大通（J.P. Morgan）为资产和财富管理部门的员工提供了一款名为LLM Suite的生成式人工智能平台，其旨在通过人工智能 技术提升业务生产力和决策效率。该平台被称为“研究分析师”，具备三项关键功能：生成和完善书面文件、提供创造性解决方案、 总结大量文档。LLM Suite协助约5万名员工（占总员工数的15%）完成各种任务，简化公司内部的信息流，节省流程时间，提高输 出质量。

摩根资管开发LLM Suite的动机之一是数据安全问题。 2023年，摩根大通限制员工使用OpenAI的ChatGPT，原因是担心数据安全 问题。这促使他们开发了类似于ChatGPT的内部AI软件。与消费级 AI 聊天机器人（如 Anthropic 的 Claude、OpenAI 的 GPT 或 Google 的 Gemini）不同，LLM Suite 为满足监管要求而开发，确保客户数据留在银行的安全服务器上。

Vanguard：MoA——大模型应用的创新解决方案

Vanguard IMFS（投资管理金融科技战略）团队提出的“Mixture of Agents”（MoA）框架，是一种先进的多代理检索增强生成 （RAG）系统。该系统通过多个小型专业语言模型的协同工作，提高了金融领域内大型语言模型（LLMs）研究的效率和质量。 MoA 不仅保持了低成本运营，还能提供高质量的响应，适用于 Vanguard 的核心金融业务，展现了其在实际业务约束下的巨大潜力。 

MoA 系统由多个专门的代理组成，每个代理都充当具有特定关注点的“初级研究员”，例如情绪分析、财务指标或数学计算。每个 代理都可以访问不同的数据源，包括数据库、API 和外部文档，从而可以快速有效地处理高度具体的信息。这种专业化使 MoA 框 架在速度和准确性方面优于传统的单模型系统，同时保持较低的运营成本。

MoA 的成本效益使其非常适合大规模金融应用。Vanguard 的 MoA 系统每月总成本低于 8,000 美元，却能高效处理来自研究团队的 复杂查询。这与单模型系统相当，后者的每月成本在 5,000 美元到 8,000 美元之间，但性能却要低得多。其模块化设计允许根据预 算和需求灵活扩展，随着系统规模扩大，效率进一步提升，节省更多时间和计算资源。

国内资管机构的AI大模型应用案例

国内：资管机构集中迅速部署DeepSeek

DeepSeek于2024年底横空出世，国内资管机构大规模迅速开展合作部署。国内大型资管机构，诸如汇添富、富国、国泰、中欧等基 金机构，完成了完成DeepSeek-R1版本的私有化部署 应用于多个核心业务场景。以汇添富基金为例，其在2月7日率先宣布，已经完 成DeepSeek系列开源模型的私有化部署，模型将全面覆盖投资研究、产品销售、风控合规和客户服务等各场景。富国基金也表示完 成了包括Deepseek在内的多款开源模型，经实践检验，在内部数据加工、企业级RAG、研报解读等应用方向上达到了可用方向。

DeepSeek精准契合了资管机构对降本增效、安全合规及自主迭代的核心诉求，助推快速落地应用：（1）模型算法优化，显著降低 成本和提升效率。Deepseek能在保持高性能的同时大幅减少算力消耗，使资管机构能够以更低成本实现高频交易分析、风险预测等 复杂任务；（2）国产属性强化数据安全壁垒。DeepSeek完全基于国内技术生态构建，支持私有化部署和本地化数据存储，避免跨 境传输引发的合规风险；（3）开源特性赋予灵活内嵌能力。DeepSeek的开源性质使资管机构可深度定制功能模块，无缝集成至现 有投研系统或风控平台。相比于通义千问、豆包、Kimi等闭源模型，开源模型的优势在于数据的本地化和私有化带来的安全性和标 准性。

盈米基金：多元技术底座驱动投研效能全方位提升

盈米基金持续加码AI基础设施建设，从三个方面推进大模型应用：（1）构建多元混合大模型技术底座。盈米基金打造多元混合模 型技术底座，已完成与DeepSeek、通义千问、KIMI及豆包等主流大模型对接，通过技术生态多元化满足复杂金融业务和个性化客户 需求；（2）数据资产与知识沉淀反哺AI。盈米基金体系化梳理数据资产与知识沉淀，转化为AI可调用的API及知识库，并组建数据 标注团队，构建六大核心业务场景专业数据集群，通过自有评测体系反哺AI应用；（3）打造AI智能体开发平台，降低门槛。盈米 基金搭建模块化AI智能体开发平台，提供丰富API工具与插件，使一线业务人员可快速构建智能化服务流程，推动AI技术在全业务 场景加速渗透。

AI驱动盈米基金全方位效能提升：（1）研发效能实现跨越式提升。盈米基金通过AI研发方法论与代码生成工具，将IT人员效能提 升40%；多Agent协同，AI+内容中台打造智能创作新模式。“盈米图书馆”借助DeepSeek-R1模型实现10秒精准内容检索与5分钟专 业内容生成，20+Agent流程使创作自动化率达80%，服务内外机构内容运营提效；AI赋能投研初见成效，DeepSeek加成再创新篇。 Coral投研平台通过AI实现基金经理观点摘要与买方情绪分析，计划将AI融入50%标准投研流程。

资管领域应用AI大模型的场景

客户服务：个性化、智能化与数据驱动的变革

在资管机构应用大模型的客户服务场景中，有如下三个方面优化业务活动： 个性化服务提升客户体验。AI大模型通过分析客户行为和财务状况，提供个性化的金融建议和产品推荐，显著提升客户满意度并增 加机构收入。智能客服优化服务效率。AI智能客服系统能够自动化处理常规查询、投诉和纠纷，提高响应速度并降低人力成本。同 时，多渠道集成（如电话、邮件、社交媒体）确保客户体验的一致性，显著提升服务效率。数据驱动精准营销与服务优化。AI工具 通过分析公共数据和客户互动信息，帮助销售团队精准定位潜在客户，并持续优化服务流程和产品设计。

投资研究：数据驱动、智能分析与人机协作的新范式

在资管机构应用AI大模型的投资研究场景，大模型主要在如下三方面赋能业务活动： 数据整合与知识管理，提升研究效率。AI大模型能够快速收集、整合和分析海量结构化与非结构化数据（如财报、新闻、社交媒体 等），帮助投资团队高效完成初步数据收集和知识管理。智能分析与报告生成，赋能投资决策。AI工具能够根据分析师的请求，快 速提取关键信息并生成定制化投资报告。人机协作，重塑投资研究未来。生成式AI并非取代人类，而是与分析师形成互补。AI自动 化处理日常任务（如数据整理、情绪分析），而人类专注于战略规划和决策制定。这种人机协作模式正在重新定义资产管理的未来， 推动投资研究向更高效、更智能的方向发展。

挑战与启示总结

挑战与启示：资管行业的人机协同进化

在技术上，AI大模型有时会生成虚假或误导性的输出，造成”信息幻觉“。因为模型是通过概率最大化来生成内容，而不是 逻辑关系，这可能导致错误信息的传播，严重则造成失败的投资决策或客户建议。所以需要确保AI大模型在高质量数据上进 行训练，同时需要对其输出内容与投资决策进行把关。 在Vectara HHEM人工智能幻觉测试（行业权威测试，通过检测语言模型生成的内容是否与原始证据一致，从而评估 模型的幻觉率，帮助优化和选择模型）中，DeepSeek-R1显示出14.3%的幻觉率。

“AI+HI”的人机协同模式是资管机构应用 AI大模型的趋势。由于AI大模型存在着“信 息幻觉”的技术挑战及局限性，资管机构需 要凭HI（Human Intelligence）对AI大模型的 输出内容进行人工筛选和检验，尤其是与投 资决策相关的数据与信息,。 要明确资管主体与AI大模型的关系。结合AI 和HI（Human Intelligence），是让AI坐 在“副驾驶”，让HI坐在“主驾驶”位置， 明确工具与主体的关系，才能够更好地减少 因技术问题带来的重大投资决策失误，管理 技术与投资风险。

报告节选：

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）