2025 年 1 月 8 日，毕马威正式发布《2025 年中国银行业展望报告》（以下简称 “《报告》”）。此次报告的发布备受瞩目，它基于对国内各类商业银行展开的全面调研，深入回顾了银行业过往的发展态势，并对未来的发展主题进行了前瞻性展望。同时，毕马威还邀请了来自不同业务领域的资深专家，从多个维度深入探讨中国银行业未来的发展趋势。

《报告》中部分内容紧密围绕银行数字化转型与金融科技展开。在第一章节 “问卷调查分析” 中，一个显著的结论是，数字化转型已成为大多数受访银行重点关注的业务策略，占比高达 71.0% 。值得注意的是，万亿元及以上规模的银行对 “数字化转型” 尤为重视，可见大型银行在推动行业数字化变革方面的决心和引领作用。

在如今数字化浪潮席卷金融业的大背景下，银行业数字化转型的重要性愈发凸显。一方面，随着金融科技的飞速发展，如人工智能、大数据、云计算等技术不断成熟，为银行数字化转型提供了有力的技术支撑。另一方面，市场竞争日益激烈，客户需求也越发多样化和个性化，银行只有通过数字化转型，才能提升服务效率、优化客户体验，增强自身的市场竞争力。

《报告》的发布，为银行业从业者和关注金融领域发展的人士提供了极具价值的参考，有助于各方更好地把握中国银行业在数字化转型道路上的方向和趋势。后续，我们也将持续关注银行业在数字化转型进程中的新动态和新发展，以及《报告》中提及的金融科技相关内容将如何在银行业务中落地实践。

在第三章节 “热点话题” 中，毕马威邀请的多位专家聚焦于算力智能硬件、金融算法要素、数字金融等与金融科技强相关的领域展开深入探讨。这些要素紧密关联，共同勾勒出中国银行业金融科技发展的新蓝图。

《报告》显示，近年来银行业积极探索利用算力赋能前沿科技应用，旨在打破传统作业模式的局限，进而提升业务运营水平。随着科技的迅猛发展，2025 年银行业有望更深度地融入前沿科技，其中算力智能硬件领域成为关注焦点。从构建算力智能硬件的 “新基建” 来看，银行加大在相关基础设施方面的投入，就如同搭建高楼大厦的基石，为后续一系列数字化业务的开展筑牢根基，包括构建更高效的云计算平台，以满足日益增长的业务数据处理需求。同时，算力从单纯追求 “量的扩张” 转变为注重 “质的提高”，这意味着银行不再仅仅满足于算力的数量增加，而是更强调算力的质量与效率，以应对复杂多变的业务场景，如在实时风险评估、高频交易处理等场景中提供更快速、精准的计算支持 。

在算力硬件不断完善的基础上，大模型技术迎来加速发展期。在《报告》的 “金融算法要素” 部分，专家们围绕金融大模型的市场趋势展开讨论。金融大模型凭借其强大的数据处理与分析能力，能够深度挖掘金融数据价值，为银行业务创新提供更多可能，例如在智能投顾、精准营销等领域的应用，能显著提升服务效率与客户体验。然而，其发展也面临诸多挑战。一方面，数据安全与隐私保护问题突出，金融数据包含大量客户敏感信息，如何在大模型训练与应用过程中确保数据不被泄露与滥用是关键；另一方面，模型的可解释性也是难题，复杂的大模型决策过程难以直观理解，这在一定程度上影响其在金融监管严格环境下的广泛应用 。

而数字金融作为金融科技发展的重要体现，涵盖互联网支付、移动支付、网上银行等多种金融服务形式，改变了传统金融服务的方式与渠道。随着数字化转型加速，银行业需要不断优化数字金融服务，提升用户体验，以适应市场竞争与客户需求变化 。

总的来说，这些金融科技强相关领域的发展，将深刻影响中国银行业未来走向，银行需要在技术创新、风险管控、合规运营等多方面协同发力，才能在金融科技浪潮中稳健前行。

目前金融大模型应用在于4大领域，同时面临4个挑战

《报告》提到，以高算力驱动的智能场景正在银行业中不断尝试、演进、迭代、试点与推广，战略驱动与价值驱动成为银行业布局新兴AI场景的核心要素。银行业经过近一年半的试验与投入，已初步形成大模型应用能力全景视图，将逐渐同质化大模型建设路径与部署方式，并加强组织保障与协同运营。

当前，金融业大模型应用场景主要分为通用工具、前台业务提升、中台精益管理、后台经营决策 4 大领域。相较 2024 年初，各领域应用进一步细分与完善。通用工具类一般为机构首个建成并推广的大模型应用场景，出于审慎原则，此类工具更多聚焦于内部工作流程的嵌入；前台业务提升类、中台精益管理类是当前的聚焦领域，由于可解释性与 ROI（投资回报率）的问题，大多处于实验室场景，只有少部分试点以传统 AI 为主，采用人机协同的形态进行部署；大模型深度融入后台开发能力，全面提升了数据治理、代码管理等领域的能力，在部分头部机构，代码类应用已成为首个颠覆式创新场景。

知识图谱 / 知识库 + 大模型的方式是当前主要的投产技术路线，单 Agent 已有小规模试点，基于流程编排类的多 Agent 协同仍处于实验阶段，Agentic AI 将成为下一代 AI 应用的主体承载形式，而音频、视频生成和任意模态转换成为新兴领域，预计 2025 年多模态协同场景将逐步涌现。轻量化模型的推出表明模型向移动端和资源受限设备优化的趋势，大模型在多模态、轻量化等方面持续创新，展现出深远的潜力和应用前景。受新兴 AI 的影响，以传统小模型为主的场景蓬勃发展，复杂场景下的大小模型融合成为主流解决方案，人工智能全要素再一次被提到战略地位。由于相关技术仍处于高速发展期，短周期内的代际变革仍可能出现，建设方式与路径将随其变化，部署方式将始终坚持核心系统及其数据不出域的基本原则，按需调整策略。

经过近一年半的试验与投入，银行业已初步构建起大模型应用能力的全景视图。在此过程中，银行将逐步统一大模型的建设路径与部署方式，这有助于提高大模型的通用性和稳定性，降低开发和维护成本。同时，银行还将强化组织保障与协同运营，整合各部门资源，打破部门之间的壁垒，形成合力，确保大模型在实际应用中能够高效运行，充分发挥其优势。

在算力硬件不断完善的背景下，大模型技术迎来了加速发展的契机。在《报告》的 “金融算法要素” 部分，专家们围绕金融大模型的市场趋势展开了深入讨论。金融大模型凭借其强大的数据处理与分析能力，能够深度挖掘金融数据的价值，为银行业务创新带来更多可能性，比如在智能投顾、精准营销等领域的应用，能够显著提升服务效率和客户体验。然而，银行应用大模型也必然面临诸多挑战。《报告》总结了 4 个主要挑战：

一是银行的数据困境。大模型预训练需要庞大的高质量数据集。但很多银行缺乏足够的有效数据资产来支持这种需求，面向指令微调的标注数据集更是稀缺。此外，银行内的数据垂直整合问题突出，因为银行考虑到数据隐私及安全性，不愿将私有数据直接提供给大模型企业用于预训练与微调。而银行自身重新训练模型，在数据规模和数据质量方面难以找到合适的平衡点。

二是复合人才瓶颈。发展和应用大模型技术需要具备跨学科知识的复合型人才。这类人才不仅需要具备一定的技术背景，还需要深入理解金融业务场景，成为技术与业务之间的重要桥梁。然而，目前行业内面向大模型技术的复合型人才极为短缺，导致需求挖掘、产品设计与项目推动困难重重。

三是建设路径与 ROI。在大模型场景建设策略上，银行业存在明显的 “马太效应” 现象。头部机构通常与科技公司、科研院所合作，进行探索性、前瞻性的端到端全栈投入。然而，由于经历技术论证期，往往呈现单点多头建设态势，扎根于技术视野过深，缺乏基于全盘数据资产、业务价值的全局化、系统化的路径设计，缺乏配套流程组织的协同。而部分中小机构仍处于 “期望膨胀期”，审慎观望与大愿景口号并存，主要依赖 “拿来主义”，且难以辨析市场上的方案优劣，陷入 “信息茧房” 困境。另外，银行在投入资源开发和应用大模型技术时，需要准确评估 ROI。若 ROI 不能准确评估和证明，模型的可解释性难以验证，将难以说服决策者，成为大模型投入与推广的关键瓶颈。

四是数据使用及生成的合规性问题。众所周知，金融监管趋严。大模型在数据采集、处理和生成过程中，往往会面临合规性挑战。例如，模型训练过程中涉及到的客户数据如何保证隐私保护，模型生成的合成数据是否符合监管要求等。而这些问题若处理不当，不仅可能导致法律风险，也可能影响客户对机构的信任度。

专家对此提出建议：提升数据治理与安全管理，包括完善数据治理体系、推动数据共享机制、提升数据标注效率、完善数据合规与管理机制等；明晰 ROI 评估机制，合理规划建设路径；加强人才培养与团队建设，包括跨学科培训、引进复合型人才、跨部门协作等。

《报告》还提到，银行基于自身丰富的数据语料，训练和调教适合自身业务和管理价值释放的 “智能体”，将 AI 应用从单纯的对话机器人模式升级至 Agent 并逐步融入一线习惯使用的业务应用系统，才是业务前线具体感知 AI 能力并推动业务智能化转型的关键。

总体而言，这些与金融科技紧密相关领域的发展，将深刻影响中国银行业的未来走向。银行需要在技术创新、风险管控、合规运营等多个方面协同发力，才能在金融科技的浪潮中稳步前行。

银行数字资产的高效运营至关重要，同样面临一些挑战

在《报告》中，专家分别讨论了“五篇大文章”。其中，在数字金融部分，专家提到，数字化转型进入深水区，数据资产的高效运营促使银行服务模式升级。当前，多家银行纷纷加强数据管理部门的职能，在数据治理、数据平台、监管报送的传统职能上，加以牵头全行数字化转型、数据应用以及数据产品创新等牵动业务的职能。但是，银行数据资产深度运营面临一些挑战，包括：中小银行数据平台与工具的差距较为明显，新一代的湖仓建设、AI平台的建设尚处于初级阶段，面临着短期的高投入与无法规模化产出的矛盾；在数据治理工作中，大多数银行仍以监管报送的事后质量提升为治理的唯一目标，缺少全生命周期的数据治理机制，数据质量成为客户服务、洞察分析、业务创新的掣肘；数据资产的定位、数据对业务经营和管理以及价值创造方面的公允评价仍是难以彻底解决的问题。专家对此提出建议：夯实数据底座，拥抱AI技术革新；治理体系融合，提升数据质量；搭建人才体系，提升数据价值挖掘效能。