2025年计算机行业“AI+金融”系列专题研究：行业拐点已至，金融是AI应用落地的绝佳“试验田”

1. 投资分析

我们认为，当前通用大模型技术已渐成熟，大模型在垂直领域的规模化应用 落地已箭在弦上，将逐渐进入加速期。金融行业作为典型的数据、信息、决 策密集型产业，其数智化转型需求与大模型技术特性高度契合，随着人工智 能相关政策在金融领域的持续落地，金融机构有望由“数智化”进一步向“人 工智能化”转型。 从产业内部来看，2024 年以来金融大模型相关招投标已开始加速。2025 年 DeepSeek R1 的发布助推通用模型推理能力跃迁和成本锐减，并实现模型开 源，成为金融机构本地化部署 AI 的行业拐点。目前，AI 应用已在各类金融 机构的核心业务领域以及中后台场景中加速渗透，未来 AI 有望重构金融业 务流程和组织架构，为金融数智化打开新纪元。

2. 行业内驱+政策外驱，金融 AI 落地加速已是必然

2.1. 外驱：产业趋势与政策共振，金融机构 AI 转型动力强劲

2.1.1. 大模型技术特性与金融行业数智化转型需求高度匹配

通用大模型技术已渐成熟，AI 应用在垂直领域落地已箭在弦上。2017 年， 谷歌发布 Transformer 架构，为后续 LLM、GPT 的建设提供基础的框架支 持，随后在 2018 年，OpenAI 推出了第一个版本的 GPT 模型 GPT-1，引领 了大语言模型技术迭代和发展的狂潮。经过多年的发展，通用大模型技术已 渐成熟，这也推动了新一轮行业生产力变革，凭借大模型在场景泛化、技术 涌现、强计算能力等方面的优势，大模型为多个行业的发展带来了工业革命 级生产能力的提升。 但随着大模型能力的普及，通用大模型技术已跨越 “技术验证” 向 “产业适 配” 的关键拐点，单纯提供基础模型 API 的商业模式面临着日益激烈的同 质化竞争和价格压力。自 2023 年起，国内外多家科技企业开始推出针对特 定专业领域应用的产业大模型产品，依托自身专业领域特征及通用大模型 建设基础，推动大模型技术实现产业落地应用的最后一环。我们认为，当前 AI 大模型在垂直领域的规模化应用落地已箭在弦上，将逐渐进入加速期。

大模型技术特性与金融行业数智化转型需求高度匹配. 金融行业属于数据、 信息密集型产业，对于多渠道信息汇总及数据处理能力有较高要求，业务场 景中面临的海量数据分析交易决策制定、个性化投资建议等环节对于金融 从业者的专业知识储备与经验判断提出了较高要求，而大模型在自然语言 的处理、计算机视觉应用、知识图谱问答等环节具有强大的数据处理与分析 能力，能够优化数据处理模式，降低人力错误，并在关键决策的判断上给予 金融从业者系统性支持。

2.1.2. 顶层设计驱动金融机构向“人工智能化”转型

金融行业属于政策导向型产业，顶层设计和政策指引对金融行业的发展方 向具有决定性作用。近年来，在金融科技发展规划与金融机构数字化转型一 系列政策的指导之下，国内金融行业的数智化转型颇具成效。我们认为，人 工智能相关政策在金融领域的持续落地，为金融机构由“数智化”进一步向 “人工智能化”转型提供强劲外部驱动。 2025 年 8 月，国务院印发《关于深入实施“人工智能+”行动的意见》，明 确提出到 2027 年，率先实现人工智能与 6 大重点领域广泛深度融合，新一 代智能终端、智能体等应用普及率超 70%，智能经济核心产业规模快速增 长，人工智能在公共治理中的作用明显增强，人工智能开放合作体系不断完 善。到 2030 年，我国人工智能全面赋能高质量发展，新一代智能终端、智 能体等应用普及率超 90%，智能经济成为我国经济发展的重要增长极，推 动技术普惠和成果共享。此外，该政策还强调要推动新一代智能终端、智能 体在金融等服务业的广泛应用。 2024 年 11 月，中国人民银行等七部门联合印发《推动数字金融高质量发展 行动方案》，强调要加强数字金融相关新型基础设施建设，布局先进高效的 算力体系，加快云计算、人工智能等技术规范应用，探索运用边缘计算和量 子技术突破现有算力瓶颈，为金融数字化转型提供精准高效的算力支持。 2025 年 3 月，国家金融监督管理总局办公厅等三部门联合印发《银行业保 险业科技金融高质量发展实施方案》，鼓励金融机构加大数字化转型投入， 运用云计算、大数据、人工智能、机器学习、隐私计算等技术，研发数字化 经营工具。 2025 年 5 月，人民银行科技司司长李伟在《中国金融杂志》发表署名文章 《稳妥有序推进金融领域人工智能大模型应用》，文章提出“要把握历史机 遇、迎接现实挑战，稳妥有序推进人工智能大模型应用，加快金融数字化、 智能化转型，为做好金融“五篇大文章”和推进金融高质量发展注入智慧动 能。”

2.2. 内驱：金融机构 IT 支出持续扩张，大模型相关招投标明显 加速

金融机构 IT 支出随数智化转型而持续扩张。随着智能化和数字化转型进程 的推进，国内金融机构对客产品和服务科技水平逐步提升，内部的数智化平 台建设与信创系统切换也在稳步推进，另外以金融大模型为代表的新兴生 产力的崛起进一步推动了金融市场的科技需求，这些因素均驱动我国金融 机构科技投入规模持续扩张。 根据艾瑞咨询统计数据，2023 年，我国金融机构科技投入总规模达到 3598 亿元，同比增长 9.8%，2024-2028 年预计市场整体将以约 13.3%的复合增长 率高速增长，2028 年国内金融机构的科技投入规模或将突破 6500 亿元。 金融机构在 AI 领域的直接投入也在增加。根据 IDC 数据，2024 年中国金 融行业 Al and Generative Al 投资规模达到 196.94 亿元，到 2027 年将达到 415.48 亿元，增幅达到 111%。

金融机构积极推进 AI 落地，大模型项目招投标 2024 年开始加速。根据智 能超参数统计，2024 年全年金融行业共有 133 个大模型中标项目，其中 90 个项目披露中标金额，中标金额总额为 23961 万元。中标项目所覆盖金融 机构类型包括银行、证券、保险、金科公司、交易所、消金、监管机构等。 从数量上看，银行类机构发起的大模型相关采购项目数量最多（71 个），占 比达到 53%，其次是证券机构（20 个），保险（16 个），其他金融机构（26 个）。从披露的中标金额占比上来看，银行、证券稳居前两名，尤其银行机 构的金额占比也超过 50%。 从项目类型来看，应用类项目数量最多（82 个），占比 62%；算力类项目次 之，数量（27 个）占比 20%；大模型类项目（23 个）数量占比 17%，数据 类项目占比最少。从金额分布来看，应用类项目披露的金额占比排名第一， 算力类项目金额占比排名第二，大模型类项目金额占比排名第三，数据类项 目的金额占比最低。应用类项目数量和金额占比最多，表明金融机构比较关 注大模型技术在具体业务场景中的落地。

根据智能超参数统计数据，按照大模型中标项目的项目数量和披露项目金 额占比来计算，金融行业是 2024 年大模型中标的突出行业之一，项目数量 位列全行业第五，仅次于通信、教科、政务、能源行业。从季度统计数据来 看，2024 年 Q1 至 Q4 金融行业大模型中标项目数量和披露中标金额逐季度 环比均实现迅猛增长，证明大模型在金融行业的落地在持续加速。

3. 技术侧：模型能力持续迭代，DeepSeek 成为金融机 构 AI 部署拐点

当前 AI 与金融的结合主要有两条技术路径：1）通用模型+金融语料训练金 融大模型；2）金融垂类大模型。由于设计和训练目的不同，通用语言大模 型与金融垂类模型在优劣上具有相对性。通用语言大模型在泛用性、灵活性、 数据利用率、迁移性上相比金融垂类更有优势，而在专业性、针对性、高精 度和合规性上，金融垂类模型更胜一筹。

3.1. 通用模型+金融语料：以 DeepSeek 为代表的推理大模型加速 渗透

3.1.1. 推理大模型增强了 AI 解决复杂金融问题的能力

自 2024 年 9 月 OpenAI 发布 o1 推理模型以来，推理大模型正在各行业加速 渗透。我们认为，OpenAI o1 引领了推理大模型的训练和迭代趋势， DeepSeek-R1 则将推理大模型性能和成本显著优化，为推理大模型在金融领 域的落地创造了条件，也显著加速了金融领域大模型落地应用的步伐。相比 基础的大语言模型，推理大模型在金融核心业务领域的落地适用性和应用 效果显著更优。 其一，推理大模型具备长思维链，解决复杂金融问题的能力更强。与基础大 语言模型不同，推理大模型能够构建长逻辑推理链条，还能在推理过程中， 利用 RAG 引入外部资料，实现推理效果的整体性提升。 其二，推理大模型可实现推理过程显性化。推理大模型可实现推理过程信 息整合以及推理过程审查，更能满足金融业务算法审查要求。推理大模型实 现了模型推理逻辑的实时可视化输出与完整性记录，其推理过程动态生成 推理思维链，能够根据规则显式标注每一步决策的输入数据源、逻辑转化规 则及推理可信度数值。这一机制使金融机构能够完整回溯推理路径，从而判 断大模型生产结果的可靠性。 在真实金融业务场景中，推理大模型的业务处理智能化水平更高。根据 CAICT 金融科技的研究，在智能投研领域，推理大模型的逻辑推理能力、 可审查性设计，弥补了传统短思考大模型在数值推演、投资决策及监管透明 性等环节的短板；在智能合规领域，推理大模型能够突破识别精度、跨场景 适配与非结构化处理瓶颈，构建动态风控体系；在智能客户服务领域，通过 深度推理与多模态交互优化，推理大模型能实现个性化解决方案生成与终 端轻量化部署，推动金融客服交互从标准化响应向专业级顾问升级；在智能运营场景中，推理大模型的强化学习架构与全链路思维链输出，能有效解决 决策黑箱化问题，提升自动化水平。

3.1.2. DeepSeek R1 成为金融机构本地化部署 AI 的行业拐点

DeepSeek R1 助推通用模型能力跃迁和成本锐减，并实现模型开源，成为加 速金融机构本地化部署 AI 的拐点。2025 年 1 月 20 日，深度求索正式发布 DeepSeek-R1，并同步开源，在性能比肩 OpenAI o1 的同时，大幅降低了算 力成本，瞬间引发了 B/C 端用户部署和试用的热潮。DeepSeek-R1 在后训练 阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升 了模型推理能力，在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。

DeepSeek 推理模型仍在迭代，深度思考性能持续优化。2025 年 5 月， DeepSeek R1 模型完成小版本升级，升级后的版本为 DeepSeek-R1-0528。 相较于旧版 R1，新版模型在复杂推理任务中的表现有了显著提升，例如在 AIME 2025 测试中，新版模型准确率由旧版的 70% 提升至 87.5%，这一 进步得益于模型在推理过程中的思维深度增强。而在幻觉问题上，新版 DeepSeek R1 也进行了优化，与旧版相比，更新后的模型在改写润色、总结 摘要、阅读理解等场景中，幻觉率降低了 45～50% 左右，能够有效地提供 更为准确、可靠的结果。

我们认为，DeepSeek 一方面通过开源架构打破传统大模型商业模型的封闭 性壁垒，另一方面还能够基于自主可控的技术栈构建 AI 应用，有效规避了 对国外技术生态的过度依赖。在金融场景中，DeepSeek 大模型展现出三大 突破性优势：高开放性、高性能、高性价比。 高开放性：在金融行业，数据安全性至关重要。为满足严格的监管要求，许 多金融机构选择将数据存储和处理部署在本地，以确保数据的安全性和合 规性。DeepSeek 采用开源策略，支持金融机构私有化部署，能够充分满足 金融机构的应用需求。 高性能：DeepSeek 基于 MoE 架构，具备强大的逻辑理解和推理能力，在文 字、数字和逻辑密集处理的金融应用场景中，能取得良好效果。 高性价比：DeepSeek 相比其他同等性能的大模型而言，显著降低了算力需 求门槛，减少了部署成本。并且，依托模型压缩和蒸馏技术，其本地部署资 源消耗大幅降低。 我们认为，DeepSeek 带来的成本与效能的突破，正推动 AI 技术从头部机 构向中小金融机构等长尾市场加速渗透，打破了头部机构的“算力壁垒”， 有望重构金融行业的智能化竞争格局。

根据中电金信研究院统计，在 DeepSeek-R1 正式发布后，银行、券商、保 险等领域各大金融机构快速跟进了 DeepSeek 大模型的部署和应用。例如， 工商银行基于自研的“工银智涌”平台引入 DeepSeek 开源模型，构建财报 分析助手、AI 财富管家等 10 余个场景，提升复杂数据处理能力；邮储银行 依托自有大模型“邮智”，本地部署并集成 DeepSeek-V3 模型和 DeepSeekR1 推理模型，应用于智能客服“小邮助手”后，新增逻辑推理功能，可精 准识别用户需求，提供个性化和场景化的服务方案，加快响应速度和任务处 理效率。

券商方面，广发证券已将 DeepSeek 广泛应用于投行 AI 文曲星系统、投顾 知识问答、研报审核、代码辅助撰写等多个关键业务场景；国信完成了 DeepSeek-R1 模型的本地部署，在智能问答、投资顾问、个股分析等多个领 域表现出色。保险方面，人寿财险通过自主研发的“小财大模型”成功接入 满血版DeepSeek大模型，成功构建了多领域专业知识体系，并在保险营销、 理赔、客服等场景中实现了深度应用；太平人寿在内网完成 DeepSeek 本地 化部署，快速打造了太平人寿 AI 助手，该助手具备深度理解对话、文档及 图片的能力，能够为内勤人员解决复杂问题提供高质量的方案，从而大幅提 升工作效率。

3.2. 金融垂类大模型：更专注更懂金融的行业原生大模型

相比基于金融语料训练的通用大模型，金融垂类大模型在金融领域具有专 业的理解能力，更精熟于金融术语和概念，往往更适合解决金融行业的具体 问题，与行业需求和合规性要求相匹配。因此互联网大厂、金融机构以及金 融科技企业等也投入了大量资源进行金融垂类模型的研发。

3.2.1. 度小满开源金融行业推理大模型——轩辕-FinX1

2024 年 12 月，度小满开源业内首个金融行业推理大模型——轩辕-FinX1。 轩辕-FinX1 采用创新的“思维链+过程奖励+强化学习”训练范式，显著提 升逻辑推理能力，并可展示完整思考过程，为金融决策提供更深入的洞察。 此外，轩辕-FinX1 还针对金融场景中的分析、决策和数据处理任务进行了 深度优化。 在金融评测基准 FinanceIQ 上，初代轩辕-FinX1 表现明显优于一流通用大 模型，在 CPA、银行从业资格、证券从业资格等 10 大类金融权威资格认证 中，均超越了 GPT-4o 和开源模型 Qwen2.5-72B。

3.2.2. 蚂蚁数科推出原生金融推理大模型

2025 年 7 月 28 日，蚂蚁数科发布金融推理大模型 Agentar-Fin-R1，基于金 融实际应用场景原生，具备高度专业的金融知识、复杂的业务逻辑推理能力 以及严格的金融级安全合规。

数据层面：蚂蚁数科构建了全面专业的金融任务分类体系，包括 6 大 类、66 小类场景，覆盖银行、证券、保险、基金、信托等金融全场景。 基于千亿级金融专业数据语料，通过可信数据合成技术以及结合专家标注的金融长思维链（CoT）构造机制，提升模型处理复杂任务的能力， 让 Agentar-Fin-R1 “天生懂金融，出厂即专家”。

训练层面：创新的加权训练算法，提高了 Agentar-Fin-R1 对复杂金融任 务学习效率与性能。在后续业务应用中，可显著减少二次微调的数据 需求与算力消耗，有效降低大模型在企业落地的门槛与成本。

模型迭代层面：Agentar-Fin-R1 能不断更新迭代，吸收最新的金融政策、 市场动态等关键信息，并通过配套评测工具进行针对性优化，让模型 能力在真实业务场景中不断进化。 从评测结果来看，Agentar-Fin-R1 在 FinEval1.0、FinanceIQ 以及 Finova 等 金融大模型评测基准上均超越 Deepseek-R1 等同尺寸开源通用大模型以及 金融大模型，显示出更强的金融专业性、推理能力以及安全合规能力。

3.2.3. 东方财富自研妙想金融大模型

2024 年，东方财富妙想金融大模型正式开启内测，该模型使用 Decoder-only 的 Transformer 网络结构，支持 32K 的上下文长度，通过自建的数据治理 和数据实验流程，结合效果预估算法、高效预训练框架、SFT、RLHF 训练 等技术，致力于满足各类金融场景下的需求。 依托东方财富互联网券商综合运营平台，妙想大模型在金融数据供给、语 料专业度、场景支撑等方面具备优势。在数据供给方面，得益于多年深耕和 沉淀，东方财富构建了完备的金融数据、产业数据等行业通用数据集，股吧、 财富号等平台优质内容数据持续涌现，持续丰富平台的独家特色数据集。在 语料供给方面，截止 2024 年 1 月，妙想大模型储备的金融语料达 1.2 万亿， 涵盖行情、财务、资金、百科、资讯、公告、研报、问董秘等数十个维度、 上万种数据品类，且每月高质量数据几千亿 token 稳定增长。在场景支撑方 面，东方财富平台聚集了海量用户资源，积淀了多元的金融业务场景，使得 妙想大模型除了具备文本生成、语义理解、知识问答、逻辑推理、数学计算、代码能力等通用能力，更加具备金融场景的垂直能力。

重视投研场景，推出妙想投研助理。东方财富将投研场景作为妙想金融大模 型为金融行业赋能的第一个重点落地场景，致力于将妙想投研助理打造成 为深入了解行业 Know-How，真正理解各行业研究逻辑的“AI 研究员”。

3.3. 金融 AI Agent：多智能体协作正在成为趋势

智能体（AI Agent）是指具有自主性或半自主性的智能实体，能够利用人工 智能技术在数字或物理环境中感知、决策、采取行动并实现目标。智能体与 传统 AI 解决方案核心区别在于，智能体的设计和行动是以实现特定目标为 导向的，而不是遵循预先定义的规则完成单一或具体任务。通过感知环境并 与之互动，智能体表现出一定程序的适应性和学习能力。 根据 CAICT 金融科技的研究，目前在金融领域，大模型普遍应用在理解、 问答、信息提取等“短思考”场景，主要使用的是大模型的信息理解和生成 能力，并不要求大模型去自主承担具有长流程的工作任务，而这类任务需要 依赖金融 Agent。当前由于基座模型能力限制、思维链技术待成熟、Agent 平台不完善、算力成本高、金融业务建模难等原因，金融 Agent 尚不成熟， 我们认为，模型推理能力的提升加速了金融 Agent 时代的到来。 金融机构对智能体的应用正在加速。根据沙丘智库调研数据，总的来看，银 行在大模型和智能体技术方面的探索最为领先，证券和保险紧随其后。沙丘 智库截止 2025 年 8 月的调研数据显示，25.0%的银行、22.2%的证券公司、 13.6%的保险公司正在采用智能体技术，此外，37.5%的银行、40.7%的证券 公司、31.8%的保险公司计划在未来一年内采用智能体技术。

根据 CAICT 金融科技的研究，从智能体在具体业务场景中的应用能力上来 看，主要存在着两种应用方式：1）单智能体以较强的业务规划、自主操作 行为解决业务场景问题，执行具有单一成熟工作链路的任务。2）多智能体 借助分工协作的范式，形成多智能体协同工作的集群，执行适合分工协作的 复杂性任务。 相较于单智能体来说，多智能体存在着多方面的优势，包括：1）能够适用 于复杂、动态的金融环境，多个智能体之间通过协调合作，能够更好地应对 复杂和不断变化的市场条件。2）多智能体系统通过智能体间的协作和冗余 设计，提高了整体输出稳定性能。3）多智能体系统相较于能够充分借助各 个智能体之间的相互作用与影响，在复杂任务处理、资源分配等方面展现出 更高的效率与适应性。通过运用多智能体强化学习技术，各智能体能够根据 自身所处环境以及其他智能体的行为，不断调整自身策略以获取最大奖励， 从而提升整体性能。4）多智能体系统提供了更强的灵活性和扩展能力，能 够根据实际需求，结合不同的协同工作范式，灵活组合不同的智能体，以适 应特定场景。

出于金融业务处理场景的复杂性，多智能体协作正在成为金融领域 AI 应用 的重要趋势。根据蚂蚁技术 AntTech 的研究，金融行业是高密集度信息处理 和任务处理的行业：1）信息密集，金融业务强依赖高频更新的资讯，导致 严谨的时效性处理必不可少，另外，这些信息中大量属于相关但无因果关系 的噪声信息，需要有效屏蔽噪声才能做出正确决策。2）知识密集：金融中 的知识，不仅高密度，还是彼此高度对立的，在金融市场中，围绕各类资产 有各种不同的理论和分析，而基于这些理论分析必然生发出许多互相冲突 的观点，这些冲突构成了市场交易的基础。3）决策密集：金融领域的决策 有非常强的特殊性，其一是不确定性，金融决策面对的是开放环境，其他市场主体的参与和博弈带来了无穷变数，金融决策从头到尾都需要和不确定 性信息共舞；其二，金融决策是高度不对称的，往往在大量决策中只有个别 决策处于关键位置，带来关键收益（或避免风险）。我们认为，基于金融业 务处理场景的复杂性和特殊性，基础的大模型和单智能体往往无法通过标 准解法来处理金融领域的复杂决策问题，需要依托多智能体装载的相关过 程性 Knowhow 来保障金融的严谨和专业。 多智能体协作的主要突破方向，是量化金融与投资分析、金融异常检测、复 杂金融决策任务、代码项目自主开发等具有高规划要求场景。多智能体面 向这些场景，能够根据业务人员的需要，通过对话的方式生成业务框架和基 础，为业务快速完成提供信息、报告或代码基础，以及为业务人员提供信息、 建议等辅助作用。

（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。）