恒生电子董事长刘曙峰：AI平权时代，“智能体”成为金融大模型战略性赛道

财联社4月11日讯（记者 闫军）DeepSeek将AI推至推理阶段，未来沿着推理、多模态再到AGI时代已经不再遥远。随着门槛的降低，AI可用性、易用性、普惠性都已经到了一个搭建应用的阶段，这也标志着AI进入平权时代。

在AI平权时代的金融行业大模型有哪些应用可期？在近日举行的中国财富管理50人论坛上，恒生电子董事长刘曙峰带来他的思考。

刘曙峰从技术演进、场景落地和平台构建三个维度，深入剖析了当前AI技术在金融领域的发展现状与未来趋势。他用“三个转变”概括了金融AI的发展趋势：从技术探索转向业务深耕，从单点应用转向系统重构，从成本中心转向价值创造。

“AI平权不是终点，而是新竞赛的起点。那些能率先完成数据资产化、业务智能化的机构，将赢得下一个十年的发展主动权。”刘曙峰指出，随着AI技术门槛的降低和可用性的提升，今年将成为金融行业AI应用爆发元年，而“智能体”平台的竞争将成为决定金融机构未来地位的战略性赛道。

AI平权时代：技术普惠推动产业应用大发展

AI技术发展已进入“平权阶段”。刘曙峰表示，基础模型经过多年演进，如今在推理能力和多模态处理上取得显著突破，正沿着规模定律（Scaling Law）持续发展。今年最显著的变化是应用门槛的大幅降低，在绝大多数不涉及训练的场景下，AI的运营成本已降至可接受范围，这使得产业应用迎来了真正的普惠时代。

他特别强调，当前AI技术的易用性和普惠性已达到新高度。以DeepSeek等国产大模型为例，其“满血版”部署门槛显著降低，甚至可以通过蒸馏版进一步减少资源消耗。这种技术平权使得金融机构无论规模大小，都能以较低成本接入AI能力。

“我们预计今年金融行业在AI应用上的投入将实现数量级增长，从目前不足IT预算1%的比例快速提升。”刘曙峰预测道。

刘曙峰也坦言，大模型在金融领域的全面落地仍面临两大核心挑战：一是精准计算能力的不足，二是难以完全消除的“幻觉”问题。

他举例说明，虽然当前模型已能解决“9.11和9.9谁大”这类基础问题，但面对复杂金融计算时仍会出错；而基于概率生成的“幻觉”响应，在要求零容错的交易场景中尤为致命。

金融场景破局，三类应用场景的实践与展望

回到金融场景，基于恒生电子的实践观察，刘曙峰将金融AI应用归纳为知识驱动型、流程驱动型以及混合型三大类型。

具体来看，第一类是知识驱动型，从单点问答到复杂任务代理。刘曙峰指出，这是大模型最擅长的领域，典型场景包括股票分析、公司比较报告生成等原本由研究员、投资顾问完成的知识密集型工作。他特别提到“代理体”技术的突破性进展，通过任务分解，AI已能完成复杂的研究分析工作，比如Manus尝试的通用代理体，但在金融领域，垂直行业的专业代理体更具可行性。

第二类是流程驱动型，嵌入式AI提升运营效率。刘曙峰将此类应用比喻为“流程中的AI插件”，典型场景包括投行文件自动化校验、代码生成等。

他分享了一组实验数据，在编码环节，AI辅助可提升效率40%以上，但在系统架构设计等复杂环节仍需人工主导。这类应用虽然技术含量相对较低，但降本增效效果立竿见影，是金融机构AI化的优先切入点。

第三类是混合型场景，传统模型与大模型的协同创新。这是最具想象力的领域，刘曙峰举例说明，在复杂交易定价场景中，大模型可先完成数据筛选，再由传统定价模型进行精准计算，二者协同显著提升效率。

智能体平台落地，数据、资源与“代理体”构建成关键

在个人代理体上，恒生电子已在该领域取得实质性进展，刘曙峰透露，公司正在为百万大V“牛得林奇”开发个性智能体，能精准复现其语言风格和思维模式。

这种代理体不仅能替代基础助理工作，未来可能实质性参与研究分析，关键在于如何通过数据准备和后训练降低幻觉率。

据介绍，区别于传统财经AI工具，智能体引入人格化交互设计，通过模拟财经大V的思维模式和表达特点，在专业服务中构建情感联接。用户可通过文字交互获取股票行情、基金表现、投资策略等实时解读。

“牛得林奇”的主理人是原恒泰证券总裁牛壮，具有20年金融从业经历，清华大学五道口金融学院EMBA硕士、中国人民大学硕士，上海金融与发展实验室研究员。目前全网250w粉丝，是国内顶流财经大V。

刘曙峰特别指出，当前金融AI应用呈现“冰火两重天”态势：一方面基础技术已趋成熟，另一方面实际投入仍不足IT预算的1%。这种反差恰恰预示着巨大的增长空间，预计未来三年金融AI应用市场将保持三位数年增长率。

面向AI应用的规模化落地，刘曙峰提出了智能体平台构建的“三步走”策略：

第一步是模型选择与适配。刘曙峰表示，当前市场提供从千亿参数大模型到轻量蒸馏版的完整谱系，金融机构可根据场景需求灵活选择。恒生电子的实践表明，在大多数金融场景中，70亿参数级别的精调模型已能平衡性能与成本。整体而言，技术已不是瓶颈。

第二步是数据资产与API资源的系统梳理。金融业不缺数据，但90%的数据尚未转化为AI可用的资产。刘曙峰认为，通过对数据、应用、API的梳理，让大模型与代理体可调用。

第三步是场景化代理体的设计与运营。当下大模型已经不是门槛，数据、资源才是门槛，通过场景分析，去构建代理体，以足够的数据积累，最终才能构建起应用的护城河。