杨龙如指出，当前人工智能已上升为国家战略，国务院发布的《“人工智能+”行动意见》明确了发展目标。工行积极拥抱技术变革，但在推进深度应用过程中，仍需克服基模能力不足、高质量数据稀缺、业务模式变革困难及风险管控体系尚未成形等核心挑战。

　　杨龙如介绍，工商银行自2023年以来，在传统人工智能应用基础上，围绕算力、算法、知识、应用范式与模型安全等核心要素，构建了“工银智涌”大模型技术体系，并以此作为全行智能体创新的企业级数智基础。目前，该体系已在金融市场、市场营销、客户服务、风险管控等20多个领域落地超过400个应用场景。

　　一是基模（基础模型）能力发展仍无法满足行业实际需要。杨龙如表示，基模在通用任务上表现良好，但在面对高度复杂的特定金融场景时，其专业能力往往不足。例如，直接使用基模预测小微企业违约风险，其结果的拟合程度通常不如专业模型。因此，对基模进行领域后训练或采用模型组合应用，仍是需要投入大量精力的重点工作。

　　二是高质量金融数据集依然稀缺。他指出，尽管银行数据丰富，但能为大模型训练所用的行业高质量数据集仍然短缺。银行内部数据分散、口径不一，专家经验与决策逻辑等隐性知识未能系统化沉淀，传统的专业技能知识转化为大模型可用数据的工程化路径尚不清晰。以风险管理领域为例，支撑深度思维链推理的训练数据仍显不足。

　　三是业务模式变革仍是转型难题。杨龙如认为，从“+AI”到“AI+”的业务模式转型挑战巨大。当前许多AI应用场景仍带有“部门银行”痕迹，功能相对独立分散，未能有效贯穿客户服务或员工工作全链条，限制了AI价值的最大化释放。如何激发业务模式变革的内生动力，是企业推动转型的关键难题。

　　四是适配的风险管控体系尚未成形。他警示，大模型应用带来的风险远不止“幻觉”和不可解释性。新的模式创新催生了新型风险，例如为实现高度个性化服务，用户需让渡敏感数据，当智能助手同时访问多个应用时，可能引发跨应用攻击风险。此外，人工智能规模化应用对岗位定义、责任归属及应急处置机制提出了全新挑战，适配的风险管理体系建设任重道远。

　　二是探索知识工程化路径，加快知识沉淀转化。高质量知识是模型效能的基石。需建立统一的企业级知识标准与技术平台，明确组织职能与管理机制，将内部专业知识与外部信息有效结合，形成场景化、任务导向的知识资源。

　　九游会J9网址 J9九游会真人

　　三是拥抱模式变革，积极探索企业超级智能体应用。构建面向人机协同的超级智能体已成为重要趋势。这种能够一站式解决用户需求、实现跨业务多任务协同的模式，在技术上打破了部门墙，也是推动组织变革的重要抓手。

　　四是强化风险管控，稳慎推动直接对客服务。金融业需投入更多资源加强风险体系建设，在为已知风险建立安全护栏的同时，识别应对模式创新带来的传统与非传统安全挑战，注重完善业务监测与应急处置机制，在充分评估基础上稳慎推进直接对客的AI服务。