数智深耕,智赋券商--AI 平台落地与行业趋势解析

3月26日有幸受上海市证券同业公会信息技术专业委员会邀请，在以“智启未来，数智赋能证券”为主题的大模型应用分享会上代表公司分享了公司在人工智能相关的建设经验。

｜一个平台

智眸平台是面向智能化转型打造的一站式 AI 服务体系，核心以 “智眸门户 + 智眸基建” 为两大支柱，为员工、客户及数字化系统提供分层级的 AI 能力支撑。目标是构建覆盖全场景的普惠 AI 服务，让 AI 从技术概念落地为业务可触达的生产力工具，持续驱动业务创新、客户服务与运营管理的全方位升级。

智眸门户是平台面向用户的统一入口，以 “开箱即用” 为核心定位，针对三类用户群体打造差异化能力：面向全员的通用 AI 助手 “智语”，提供安全可控的对话、文档解读等基础服务；面向业务人员的 “智用” 应用集市，覆盖办公、财富、投研、合规等垂直场景；面向非技术人员的低代码 “智构” 平台，支持可视化搭建 AI 应用与智能体。同时配套 “智学” 成长体系，形成从入门到深度应用的全路径赋能，让不同技术背景的用户都能便捷使用 AI 能力。

智眸基建为平台提供底层支撑，构建了 “本地 + 云端混合部署” 的大模型纳管体系，通过 AI 网关实现统一鉴权、模型、应用与 API 管理，兼容 Qwen、ds等主流模型及 Embedding、Rerank 等能力。算力层面采用 “自建 + 租赁” 模式，以国产算力满足合规需求、以租赁算力降低成本，逐步构建弹性算力池；数据层面依托数据中台整合经营管理、金融咨询、非结构化等多类数据，形成金融级数据服务体系，为 AI 应用提供安全、稳定、可扩展的算力与数据保障。

｜ N个场景

场景建设前通过一系列的培训提升AI意识。通过系统化的培训运营，达成全员 AI 知识普惠的目标，推动 AI 能力在公司内部的快速孵化与业务场景落地，为公司智能化战略转型奠定人才与实践基础。

陕西证券期货业协会成功举办“AI赋能，智创未来”主题培训

AI 场景落地的过程中，参考信通院和国金证券的方法论，同时从公司实际业务出发，综合考虑场景覆盖度、业务价值度、技术复杂度等方面，提炼核心需求，实现从 “试点切入” 到 “深度创新” 的有序落地。

场景涉及证券公司的泛办公--开箱即用的AI普惠实践、泛办公--有“意图识别”的本地通用对话助手、运营助手--效率与质量双提升、风险综合智能体--践行穿透式管理、投研智能化--“红海”中求“蓝海”、债券交易助手--投资智能化的起点等多个方面，此处就不展开具体内容了。

｜三个思考

应用层面“微笑曲线”特征显著，大模型在证券行业应用呈现“两端快、中间慢”的微笑曲线：科技研发（代码生成、数据处理）、运营服务（智能客服、营销助手）落地快，门槛低、试错风险小；投研、交易、风控等核心业务场景，因强监管、高风险、数据要求高，推进相对滞后，这是行业属性与技术成熟度的阶段性矛盾。

Token与算力作为大模型运行的核心支撑，直接决定了证券行业AI应用的能力边界与落地成效，更是券商AI转型的核心竞争力。

Token作为AI模型的“原材料”，指适配证券行业的高质量金融数据，涵盖上市公司财报文本、行业深度研报、监管政策文件、市场行情数据等核心内容，其数量的充足性与质量的权威性，直接决定了模型训练的精准度和专业度。

算力则是驱动模型运转的“引擎”，证券行业复杂模型的训练精调、高频交易策略的回测、实时风控的快速推理，都离不开算力支撑。

对于券商而言，谁能率先掌握优质的金融Token资源、搭建高效的算力体系，谁就能在模型优化、场景落地中占据主动，构建起难以被超越的技术壁垒，为后续AI在核心业务场景的深度应用奠定坚实基础。

AI转型成功，绝大部分取决于人员与流程。核心是培养复合型AI人才（具备工具使用、任务重构、人机协作能力），同时推进组织变革，打破部门墙、优化考核机制、构建容错文化，避免“先进模型沦为摆设”。

｜四个趋势

“通用基座+行业场景微调”成主流。当前大模型发展不再单纯追求参数规模的扩大，而是呈现两条并行路径：一方面，通用基座模型持续向万亿参数、万卡集群训练方向升级，夯实基础能力，为复杂业务场景提供支撑；另一方面，证券行业聚焦垂直领域，在固定参数范围内结合金融专属数据进行极致优化。

对于券商而言，无需盲目追求大参数模型，通过通用基座模型结合行业数据微调，既能降低研发成本，又能提升模型适配性，成为AI落地的最优路径，如华泰在AI涨乐APP中在诸多场景中为了提升意图识别的精准性和推理的性能采用了很多的模型微调。

从“大模型”、“工具”向“AI智能体”升级，成为证券业务“数字员工”。证券AI正实现代际跃迁，从被动响应的问答工具，升级为具备记忆、推理、规划与协作能力的AI智能体。

这类智能体可自主调用外部工具、数据和API，独立完成复杂任务，比如在投研领域自主完成数据收集、清洗、分析并生成深度报告，在交易领域构建自主决策、实时风控的量化系统，在财富管理领域提供全生命周期资产配置服务，逐步成为不可或缺的“数字员工”。

向“行业原生AI”深耕，绑定行业知识，聚焦细分场景。脱离证券行业场景的通用AI难以发挥核心价值，未来AI发展将深度绑定行业知识、业务规则和监管要求，打造真正的行业专家型模型。

同时，针对固定收益、权益研究、量化交易、财富管理等细分场景，将涌现专用大模型，精准解决通用模型专业度不足、适配性不强的痛点，实现AI与业务的深度融合。

AI安全与合规成生命线，需构建全流程防护体系。随着AI在证券行业应用不断深入，模型安全、数据隐私、算法公平性和可解释性成为监管和券商关注的核心。

券商需搭建覆盖模型训练、部署、推理全生命周期的安全评估与防护体系，采用联邦学习、隐私计算等技术保护数据隐私，发展可解释AI技术确保决策透明可追溯，同时防范恶意攻击风险，筑牢AI应用的安全合规防线。

｜一个热点

从 “被动问答” 到 “主动执行”

维度	传统 AI 形态（对话机器人）	新一代 AI 智能体
交互模式	被动响应式问答	主动规划 + 闭环执行，支持多模态指令
能力边界	仅提供信息 / 建议	可直接操作电脑、调用工具、执行任务（如写代码、跑数据、处理文件）
运行逻辑	单次对话无记忆	具备长期记忆、子智能体协同、持续学习能力
部署形态	云端集中式服务	支持本地 / 私有化部署，兼顾性能与数据安全
角色定位	“聊天助手”	“数字员工 / 个人助理”，替代复杂工作流

对证券行业产品形态的变革

新一代AI智能体正在重构证券行业的产品逻辑，从 “工具化” 向 “主动服务化” 跃迁：

投研端：从 “辅助分析” 到 “全流程自动化”。传统投研依赖人工处理数据、撰写报告，而智能体可实现 7×24 小时全流程闭环：自动抓取财报 / 行情 / 舆情、跑量化回测、生成投研报告、监控标的异动，甚至触发交易提醒，大幅压缩投研周期。
服务端：从 “标准化产品” 到 “千人千面主动服务”。传统券商 APP 多为用户被动操作，而基于智能体的个人助理可主动感知用户需求：如持仓异动提醒、组合优化建议、风险预警，甚至根据用户风险偏好自动筛选标的、生成策略，实现 “对话即服务”。
合规与安全：从 “事后审计” 到 “架构级防护”。针对金融行业强监管要求，NemoClaw 集成的安全沙箱、隐私路由机制，可在智能体运行时实现权限隔离与数据脱敏，解决 “AI 操作不合规、数据泄露” 等痛点，让 AI 落地更可控。
用户体验：从 “多端割裂” 到 “一体化交互入口”。未来用户无需切换多个 APP，通过一个智能体入口即可完成行情查询、交易下单、投研咨询、账户管理等所有操作，交互效率大幅提升。

AI 形态的变化本质是从 “信息交互” 向 “任务执行” 的跃迁，而证券行业的产品也将随之从 “功能工具” 进化为 “主动服务的数字员工”。以 openClaw 为代表的技术，正在让 “AI + 金融” 从概念落地为可规模化的生产力工具，推动行业效率与服务模式的双重变革。

点关注、共进步