春穿绿衣秋黄袍?特定对象调研 ?分析师会议 ?媒体采访 ?业绩说明会 ?新闻发布会 ?路演活动 ?现场参观 ?其他（请文字说明其他活动内容）

　　申万菱信：梁国柱 华安基金：胡哲、栾超、熊哲颖国信证券：云梦泽 中邮证券：孙业亮 和谐汇一：凌晨

　　财务总监兼董事会秘书 周旭红女士 战略规划部总经理 杨利强先生 数字智能产品部负责人 徐兴先生

　　一、介绍环节 科蓝公司成立于1999 年，深耕中国金融科技领域二十多年。作 为国内数字渠道和移动银行领域规模最大的解决方案供应商，我们 已服务超过 500 家经营机构。可以说，国内银行的电子渠道、线上 渠道以及如今的移动渠道，很大程度上是由科蓝公司开创并推动发 展的。从服务用户数来看，国内近半数人口都在使用科蓝开发的相关 系统。 站在商业银行金融科技与包括AI在内的新技术应用的视角，银 行业有其显著行业特点,考虑到风险与监管合规，银行业在新技术应 用方面相对保守。以人工智能为例，自 2015年AI技术兴起，银行业 在应用时，优先选择对整体运营风险管理影响最小的领域，主要是客 户服务领域进行落地实践。科蓝公司也从 2015 - 2016 年开始接触 并整合人工智能解决方案。尽管当时人工智能技术尚不成熟，发挥作 用有限，但随着 ChatGPT 在 2022 年问世，引发了新一轮人工智能 热潮。2023 年，科蓝公司进行了重大战略调整，从专注数字渠道解 决方案全面向 AI 技术转型，明确了 “3A” 战略目标，即围绕 AI 相关基础设施 ——AIDB（人工智能数据库）、AI机器人与AI应用以 及 AI 算力中心提前展开战略布局。 在 AIDB 领域，科蓝公司正在建设国内领先的 AI 时代数据库 技术平台。与传统数据库相比，我们具有两大亮点：其一，我们是国 内最早支持向量计算的数据库；其二，无论是向量支持方面，还是传 统关系型数据库领域，我们的数据库均为全内存数据库。随着 AI 应 用的不断拓展，对高性能、全内存数据库的需求也日益增长。 在 AI机器人方面，科蓝自 2020 年启动 “小蓝智能机器人” 研发。基于商业银行渠道需链接银行业务人员、外部客户的特性，“小 蓝机器人” 主要围绕银行超级员工和智能客户两个领域进行拓展。 第一代 “小蓝机器人” 推出了两个成熟解决方案：一是小蓝智能高

　　柜机器人，旨在助力银行网点智能化转型，提升柜员劳动生产效率 目前，该机器人已在邮储银行和国有大行试点应用，未来有望大幅提 升传统网点的人员效能。二是小蓝企业网银机器人，我们在服务金融 机构的基础上，逐步向金融机构的客户直接提供服务，通过小蓝企业 网银机器人帮助银行的企业客户自动管理与金融机构的交易，降低 企业财务运营成本，提升流动资金运营效率。同时，在 AI 应用层 面，我们正在推进全渠道 AI 应用转型，将大模型（LLM）基座接入 现有手机银行、网上银行等相关解决方案，同时利用AI技术提升运营 交付质量。 在 AI 算力中心方面，我们正在苏州建设AI算力中心。在金融 大模型时代，普及性是关键，大型金融机构主要自建 AI 算力，但众 多中小金融机构，如城市商业银行、农商行等，因算力中心建设投入 巨大，难以承担。基于此，我们将结合公司AI行业解决方案通过AI 算 力中心为中小银行等金融机构提供算力服务与AI应用赋能，助力其 发展。通过自有算力中心的建设过程，我们还形成了了 AI 算力中 心基础设施解决方案，若有银行希望独立建设 AI 算力中心，我们 也能提供全套解决方案及产品合作。目前，我们已与华为等国内众多 基础设施厂商在 AI 基础设施领域达成广泛联盟合作。 公司在大模型(LLM)的对接和发展历程中逐步形成了一套较为 完整的基础产品能力和体系。 第一块：大模型对接与发展历程 从具体进程来看，大模型的发展大体分为三个阶段： 第一阶段（2022年之前） 在ChatGPT发布之前，我们主要采用机器学习、深度学习等AI技 术，解决移动银行、移动APP运营、客户服务等领域的问题。

　　第二阶段（2022年底至2023年） ChatGPT的发布标志着大模型时代的开启。2023年，各大厂商陆 续推出大模型，如谷歌的Gemini、Meta的LLAMA、百度的文心大模型 等。科蓝作为百度文心一言的首批合作伙伴，开启了对大语言模型的 探索。2023年4月，LLAMA3的发布和开源成为重要转折点，我们正式 启动了大模型应用的研发工作。这一阶段的技术突破包括多模态处 理、算力支撑、深层式和推理式能力，以及RAT技术的快速发展，为 未来带来了巨大的想象空间。 2023年，阿里、科大讯飞、华为、腾讯等公司推出了通义、星火 盘古、混元等模型。我们积极集成这些模型，并在2024年中进一步完 善了模型的基础能力和聚合能力，推出了“模型聚合平台”产品。 第三阶段（2024年至今） 2024年，我们集中精力进行模型集成和对接，并基于这些模型研 发AI智能体，支持多模型聚合调用，以满足金融场景的复杂需求。同 时，我们推出了数据精炼工厂和模型监控产品，解决大模型的二次训 练、微调、AI绩效、AI幻觉和伦理问题，形成了一套完整的大模型基 础能力体系。 2024年12月，deep seek V3 的推出为我们带来了新的机遇，它 能以更小的资源代价完成模型的具象化升级和训练。春节前其 R1 推理模型推出后，我们加班加点完成集成，进一步提升了平台能力 第二块：基础产品能力体系的形成 在集成大模型和应用升级的过程中，我们逐步形成了基于大模 型基础的产品体系，包括： 魔聚平台（大模型聚合应用平台）：实现不同大模型的连接、聚

　　合、配置和管理，并对相应的 AI agent 进行调配，确保在复杂多变 的业务场景中能够灵活调用最合适的模型能力。 魔界平台（大模型数据精炼工厂）：负责为大模型的二次训练和 微调提供标准化的数据治理和加工服务，保障输入数据的高质量和 一致性，进而提升大模型的性能和应用效果。 魔瞳平台（大模型运行监控系统）：实时监测模型的运行状态和 性能表现，对模型的绩效、评分、准确度进行评估，并尝试抑制 AI 幻觉等问题，确保模型稳定可靠运行。 第三块：实践探索与场景化应用 在实践探索中，我们重点关注以下几个场景： 1、移动银行私域营销运营 作为移动银行市场的领先者，已经有多家银行落地应用我们的 聚合应用平台连接大模型，通过对话交互实现营销运营策划、运营分 析和归因分析，有效提升了运营效率和精准度。 2、场景金融营销与运营 我们正在探索连接具体场景（如车生活、物流、银发经济、萌宠 经济等），获取更多生活数据和行为数据，结合银行交易数据，进一 步完善模型能力。预计这一实践将在2025年上半年落地。 3、产业金融 - 小微企业融资助手 我们与几家银行合作，探索通过对话式交互方式帮助小微企业 主找到融资诉求并进行风控诊断。这一探索与国家近期发布的供应 链金融政策密切相关。 4、模拟经营与财务规划

　　受马斯克近日发布Grok3大模型的启发，我们正在构想未来银行 如何利用大模型进行模拟经营、模拟现实和财务规划。例如，帮助银 行推出新产品或成立新事业部时，基于行业数据进行沙盘模拟，测算 未来收益和ROE。 二、提问环节 问题1: AI加C端的 APP 营销跟过去没有AI互联网时代下做的 银行营销相比，有什么不同点？使得这些业务在AI时代下能够落 地？科蓝公司链接银行跟大模型的一些能力来做变现，商业模式上 面有没有升级？ 回答：当前AI技术尤其是大模型，对于银行渠道究竟是起到加法 作用，还是会在业务模式及运营模式层面带来颠覆性变革，这两者存 在显著差异。银行在渠道端对 AI 的应用由来已久，早在 2016 - 2017 年，部分银行便已基于深度学习等技术展开探索。从银行渠道 建设角度，渠道的核心价值在于连接银行与客户。因此，未来我们在 AI 及渠道端的整体产品研发与解决方案策略将围绕 “超级员工” 与 “智能客户” 两大业务主题展开。 DeepSeek R1 推理模型出现后，将思维链（COT）从传统大模型 中剥离出来，这对我们打造渠道具有重大价值。它能够使银行 APP 从过去被动执行客户指令，转变为随时随地洞察客户当下业务意图 并预测客户下一步行为，实现从 “读懂客户” 到 “知晓客户所想 的跨越。这一转变不仅对银行业，对众多服务行业的线上渠道都将产 生巨大冲击，促使现有线上渠道系统从被动接受操作转变为基于大 模型的预测式交互系统，在客户服务与营销领域带来颠覆性改造。 自去年下半年起，我们已启动新一代手机银行的研发工作。严格 来说，我们更倾向于将其定义为智能客户系统，因为它并非仅代表银 行提供的服务，而是能够全方位反映客户业务需求与当下意图。在此

　　过程中，银行在客户服务个性化及产品营销转化率方面将得到大幅 提升。然而，这场变革也带来新的挑战，即银行应如何运营这样一套 智能化线上服务及智能客户系统。过去，国内商业银行虽倡导以客户 为中心，但实际上还是以产品为中心。在 AI 时代，如何借助AI技术 将银行从以产品为中心真正转变为以客户为中心，在运营策略等方 面面临诸多新挑战。例如，线上运营策略需重新规划，甚至在未来 客户或许能够自主选择行业投资策略，那么现行理财产品是否只能 由第三方理财机构提供？客户能否通过自选策略管理自身资产？这 种策略模型又该如何定价与收费？这些都为未来商业模式创新提供 了广阔想象空间。 在 AI 领域，我们不仅重视数据、算力与算法的构建，更关注行 业策略。在此过程中，我们充分发挥科蓝在金融行业 20 多年来在 渠道服务与客户营销领域积累的丰富经验。同时，我们也提前布局了 AI 研发工作。在 AI机器人领域，我们早在 5 年前就开始发力， 围绕银行 “超级员工” 业务主题，于 2021 年正式发布智能高柜机 器人 “小蓝”。今年 1 月，“小蓝” 已接入 DeepSeek 平台。目 前，“小蓝” 在银行传统柜面业务中，对传统柜员的替代比可达 1:3 帮助银行降本增效。未来，客户前往银行网点时，将明显感受到原本 坐在柜台后的服务人员大多转变为厅堂营销与服务人员，这无疑是 银行运营模式的一大变革。 此外，在智能客户与超级员工业务拓展方面，我们将商业模式从 仅服务银行，延伸至服务银行的客户。我们研发了 AI 小蓝智能企 业网银机器人，直接为银行企业客户赋能，将银行的数字员工智能化 服务延伸至企业生产与运营场景，助力企业财务人员提高财务处理 效率，降低企业流动资金成本，这也是我们今年重点推广的方向之 一。 关于第二个问题，也非常具有探讨价值。在我们提出的 3A 战

　　略中，最后 “A” 围绕 AI 算力中心展开。科蓝建设算力中心并非 仅为满足自身需求，更多是考虑到大模型训练及推理对硬件资源的 巨大消耗，以及未来渠道营销服务模式的重大变革。我们期望未来针 对中小型金融机构，不仅作为建设商，更作为运营服务商，与其携手 共同应对AI时代客户服务与营销模式的变革。 问题2：算力中心预期投资及何时建成。 回答：算力中心预期今年逐步建设，预期投资是6个亿。 问题3:公司什么时候能落地一些AI业务？落地案例我们什么时 候能看得到？ 回答：我们的一系列落地案例已陆续推向市场。2022年，我们的 小蓝智能高柜机器人在邮储银行新一代智能网点建设中得到应用。 目前，我们不仅与邮储银行保持合作，还与工商银行等金融机构开展 了前期合作工作。 从市场层面来看，过去两年国内金融机构在AI应用领域呈现出 “雷声大、雨点小”的局面。这主要是因为当时缺乏真正的国产大模 型。因此，过去两年很多金融机构虽有运用大模型的意愿，却大多处 于观望状态。在此期间，相关大模型应用更多停留在尝试性与研发性 阶段，这也是我们此前多为试用及初期应用案例的原因。 问题4：科蓝公司有没有四大行或者优先客户、重点客户他们具 体的 AI 变现场景？具体的变现场景才开始探索，还是已经找科蓝 公司做前期研发了？ 回答：实际上，我们很早就开始了相关工作。目前银行在渠道端 的应用主要在客户服务、精准营销、运营优化等领域，例如智能客服 智能助手、智能推荐等方面。自 2021 年起，科蓝承接的渠道类项目 都运用了这些相关技术，并达成了相应的业务与服务目标。不过，我 们不将其称为真正意义上的 AI渠道应用，原因在于它们更多地只是 起到辅助作用，尚未能给银行的业务带来实质性的重大变革。

　　而对于 DeepSeek 为代表的大语言模型，特别是R1推理模型， 能够实现传统渠道系统的重大变革，即从过去的被动服务模式转变 为预测式的主动服务模式，从单纯被动执行客户指令转变为主动理 解客户意图，并引导客户完成银行的服务与营销目标。 就目前情况来看，这是所有银行今年最为重要的研发方向之一 这样的变革对于银行而言，意味着现存的渠道系统都需要进行颠覆 性的重构，当然，这一过程的实现需要一定的时间。 问题5：目前公司对 AI 产品市场这块有什么看法 回答：此前，我们已经对相关概念做出了清晰的界定。我们认为 这一轮大模型技术的发展，对于科蓝原有的主营业务而言，绝非简单 做加法叠加新产品的问题。当前银行传统的被动式线上服务模式，未 来将会被 AI 驱动的主动式、预测式服务渠道全面重构。这意味着 我们正面临全新的市场机遇，而且新市场是在科蓝公司原有市场基 础上发展而来的。 对于商业银行而言，大模型的应用需要从不同的业务板块逐步 推进。银行的业务涵盖运营、客户服务、营销、风险管理以及经营管 理等多个方面，各有其独特的业务需求。 当我们探讨金融机构的 AI 应用时，有关键因素不容忽视，那 就是监管。在当前的监管环境以及银行对风险的容忍度下，我们认为 AI 的落地将首先集中在客户服务与营销领域。这是因为从这两个角 度出发，对于商业银行来说，落地的风险最小，效果最佳。从市场竞 争格局来看，这也最有利于银行对存量客户市场的经营管理。 科蓝在移动银行、场景金融等方面有所探索。近期我们团队工作 繁忙，客户交流邀约不断。从目前情况看，与去年上半年相比，大家 对大模型的预期要高很多。我认为未来大模型相关业务增长是必然

　　趋势。 另外，我们一直致力于构建银行连接具体场景的模式。随着推理 大模型的出现，我们发现银行自身数据有一定局限性，大量数据源自 外部衣食住行等场景。银行若想在大模型领域取得进一步发展，就需 要借助这些外部场景，从而更好地服务零售客户和产业客户。基于此 趋势，银行连接场景的动力愈发强劲。为此，我们计划连接车生活 物流、银发经济、针对年轻客群的萌宠经济等场景，并在智能化落地 模式上进行创新。基于大模型的诉求，这种连接需求会更强烈，连接 进程也会加速。从行内私域角度完成大模型基础能力建设，以及加速 连接外部场景这两个维度来看，我对未来趋势和预期极为看好。此前 我们也做了很多准备工作，情况大致如此。 问题6：银行新出的 AI 需求与2023年有什么不一样？请大概总 结一下这一轮 AI 的银行需求，落地在哪几个方向，比如超级员工 智能营销等。 回答：首先在这一轮交流中客户变得更加理性。上一轮交流时 大家似乎隐约觉得有那么一件事要做，但具体怎么做并不明确。经过 之前的经验积累，加上持续的市场宣传，以及信息差的不断缩小，如 今我们接触到的客户，其具体诉求和思考要点变得更理性、更贴合实 际。客户会充分考量诸多因素，比如 AI 的幻觉问题、涉及自身的风 险，以及引入相关技术对降本增效能带来哪些具体提升。这与银行当 下的经营环境密切相关，所以他们不会盲目尝试，而是理性分析。在 构建 AI 及对应场景后，客户更关注对自身业务有哪些提升，哪些 真正可以落实，而非花费大量费用和成本去盲目探索。 其次，从具体落地角度来看，客户会分步骤推进。以我们对接的 几个客户为例，首先借助我们构建基于 DS 的模型基础，再思考如 何搭建、怎样提供相应服务，并且服务范围会逐步由内向外延伸。目 前，银行应用最多的是内部办公场景，提供一些基础办公分析内容 另具体场景与我们相关，银行大量工作集中在后台运营管理和营销

　　运营，包括运营策划、复盘、报告产出以及分析预测等，这些都是可 以落地的点。 此外，大家更多处于探索阶段的是对外客户服务领域。由于在模 型训练和使用过程中，常出现 AI 幻觉及其带来的负面影响，且监 管日益严格，消费者权益保护意识不断增强，所以在这方面大家格外 谨慎，目前多处于尝试阶段。 总结来说，AI 应用分为三个层次：一是在内部办公体系中充当 助理角色，这已经可以直接落地；二是为运营管理和营销管理等客户 运营工作提供支持，目前正在具体实施；三是面向客户服务，这与上 一轮相比差异明显，现在推进得非常谨慎。例如，客户会重点关注如 何预防和解决 AI 在服务过程中出现回答不当或欺骗性内容，以及 业务兜底问题。整个应用推进处于逐步探索的过程。 问题7：从银行的预算角度、AI的账户角度，今年的预算比2023 年、2024年要高不少？ 回答：很明显能感觉到其实已经在规划这样的预算，因为已经有 几家银行让我们帮他们去规划这样的一块内容。除此之外，跟之前不 一样的就是大家对于大模型的认知，比起之前的这种像深度学习、机 器学习这种 AI 它最大的差异，是它对算力的要求。所以银行除了 在应用层面，可能在硬件的支撑层面也会有更大的预算和考虑。其实 也是科蓝去规划，算力以及包括机器人的相关的一些产品的提前的 布局。 问题8：在这一轮的 deep seek起来之后是否能更利好银行的IT 外包？银行是否更愿意去把预算投到这方面？ 回答：对于众多中小金融机构，大模型的技术发展与应用充分表 明，在 IT 板块投入过多自有人员并非可行之举。唯有与外部厂商 第三方开展合作，才能够切实推动大模型与金融业务的深度融合与 落地转化。 如今，业界已达成共识：与以往可自行训练、行方拥有训练数据 的小模型不同，大语言模型的二次训练效果欠佳，更多依赖大模型自

　　身的能力。通过与大模型厂商在行业解决方案方面的深度全面合作 发挥公司行业解决方案的优势市场地位，是我们当前的显著优势所 在。目前，我们正与多家大模型厂商就战略合作事宜展开谈判，相关 合作成果也将于近期正式公布。 问题9：主业金融银行的投入其实已经在持平，有些项目高峰期 已经过去了，我们在这方面是什么看法？ 回答：第一个问题是银行在整体 IT 技术建设方面，预算增长 呈现放缓趋势；第二个问题则聚焦于人工智能（AI）领域的新技术 探讨其未来是否具备新的增长潜力。 从IT信息化建设的角度，银行的投资建设确实已过高峰期，整体 费用增长逐渐放缓。然而，值得注意的是，在银行 IT 整体费用中 各部分的分配比例正在发生显著变化。过去，银行的 IT 系统建设 高度重视运营后台系统，尤其是核心业务系统和运营类系统。曾几何 时，银行 IT 预算中运营相关系统的建设成本投入占比高达九成， 而渠道及其他辅助决策系统仅占一成。但自 2016 年起，这种情况 已发生明显转变。截至目前，在市场营销和客户服务方面表现较为出 色的银行，其前台渠道，即客户服务和营销侧的 IT 相关系统建设 预算占比已超过银行总预算的五成。这一变化意义重大，反映出银行 已意识到不能再依赖传统的盈利模式，而是要通过提升客户服务和 营销能力来增强竞争力。 就科蓝所处的赛道而言，我们观察到，与客户服务和营销侧相关 的 IT 预算正处于不断增长的阶段。过去十年间，银行在 IT 方面 虽有大量投入，但主要集中在核心业务系统，此类投入从市场经营价 值的角度来看，对银行的直接贡献相对有限。 在 AI 领域，若不是去年年底 DeepSeek 的出现，银行在 AI 方 面的 IT 投资热情可能仍难以被充分激发。可以说，在 DeepSeek 出 现之前，过去两年银行在 AI 方面的投入呈现出 “雷声大、雨点小 的局面。 国内银行面临的最大挑战在于，新技术的应用必须满足安全可

　　靠、自主可控的先决条件。ChatGPT 带来的市场机遇，国内银行在前 两年未能充分把握，主要原因在于缺乏自主可控的大模型技术。尽管 此前我们也与一些大模型厂商开展了合作，但实际能为银行带来的 价值较为有限。 DeepSeek 的出现为国内大模型市场和金融行业带来了新的变 革。DeepSeek 拥有两套模型，分别是大语言模型 V3 和推理模型 R1。对于银行而言，R1 模型的重要性不仅体现在其强大的推理能力 能为银行解决诸多实际问题，更关键的是，它解决了长期以来困扰银 行使用大模型的面临的监管透明性问题。以往的大模型对于输入和 输出之间的逻辑难以解释，而 R1 模型的推理内容能够为监管提供 重要依据，使得银行在应用大模型时能够清晰地说明决策逻辑，从而 有效降低监管风险。 自今年开年以来，我们明显感受到了市场的巨大变化。与 AI 相 关的业务人员与客户的交流变得异常频繁，几乎按小时进行安排。此 前，在 ChatGPT 出现时，我们需要主动向客户推广 AI 技术和相关 产品，客户的意愿度普遍不高。而 DeepSeek 出现后，局面发生了逆 转，银行纷纷主动寻求与厂商合作，迫切希望将 DeepSeek 应用于 自身的各类业务场景中。 今年，银行在 DeepSeek 应用方面将呈现出百花齐放、百家争 鸣的态势，但目前仍处于初步探索阶段。银行主要是在对风险影响相 对较小的场景中大规模应用 DeepSeek，以尽快了解和掌握这项技 术。虽然当前市场需求旺盛，但从 IT 投入的角度来看，今年可能不 会立即出现大幅增长。不过，我们预计到今年年底，银行在人工智能 相关的预算将大幅提升，尽管银行的总体预算仍会受到控制。 在当前中国经济进入相对平稳增长周期的背景下，银行面临的 是存量客户市场的激烈竞争，而竞争的关键在于服务和营销能力的 提升。因此，无论是从技术发展趋势，还是从银行当前的商业竞争环 境来看，未来银行在客户服务和营销侧的 AI 相关投入增长速度， 将远高于其他领域的 AI 投入增长速度。

　　在客户服务和营销侧，随着业务全面线上化，银行面临着如何将 过去依靠网点和客户经理的优势转移到线上的挑战。DeepSeek 大模 型的出现为解决这一问题提供了契机，它使得线上渠道从过去的被 动自助服务模式，转变为既有温度又具智能的主动服务模式，可以是 金融服务实现全面线上化的升级。 基于以上分析，我们预测，明年银行在 AI 方面的预算在整体 IT 预算中的占比有望超过两成甚至三成。在这两成到三成的预算 中，预计将有五成投资于包括渠道建设在内的客户服务与营销领域 问题10：我们现在接入 deep seek 之后，整体是否会有产品落 地，请举一些例子。在客户服务营销这边有什么形式的产品？接入了 新的 deep seek 模型，未来是否可能会形成订单？ 回答：从产品角度，我们可以分为两个层次：AI模型的基础能力 层次和AI应用层次。这两个层次是相辅相成的。 一、AI模型的基础能力层次 在AI基础能力层次，我们已经构建了一个完整的产品体系，主要 包括以下几个核心产品： 大模型聚合平台（魔聚平台） 该平台的核心能力是聚合不同的大模型，构建AI智能体 （Agent），并管理这些智能体以支持上层应用。它的核心作用是作 为大模型与应用层之间的连接枢纽，提供底层能力支持。 数据精炼工厂（魔界平台） 该平台主要用于大模型的数据精炼。例如，当我们选择某个参数 版本的大模型（如R1版本）用于特定业务领域（如汽车金融或贷款领 域）时，虽然模型本身具备一定的推理能力，但仍需进行二次训练和 微调。数据精炼工厂可以结合行内业务数据，按照大模型的参数和标 准，生成高质量的数据输出，帮助模型进行训练和优化。 模型监控平台（魔瞳平台） 该平台主要用于大模型应用过程中的监控，包括AI能力的绩效 评估、AI幻觉的检测与评分，以及AI治理过程中的预警机制。它能够

　　对AI服务的质量和效果进行实时监控和评估，确保AI应用的可靠性 和合规性。 与华为共创的一体机 我们与华为合作，将我们的软件应用预装到华为的一体机中，形 成“魔方训推一体机”产品。该产品结合了华为的基础硬件能力和我 们的软件能力，为客户提供一体化的解决方案。 二、AI应用层次 在AI基础能力的基础上，科蓝的全线产品已经在应用层进行了 全面的升级和改造。这些产品包括： 智能小蓝机器人：智能小蓝机器人的升级版本，基于大模型能 力，提供智能化的交互和服务，是我们在AI应用层次的重要产品之一 渠道产品：如网银、手机银行等。 业务系统：如账户系统、支付系统、财资系统等。 开发工具：如低代码开发平台等。 这些产品通过接入底层的大模型能力，实现了智能化升级，能够 更好地满足客户需求。目前，我们在交流、售前和推广过程中，主要 围绕这两个层次的产品展开工作。 我们在推广的过程中，一般是基于客户情况提供升级或定制方 案，比如说原有是科蓝建设的手机银行或者其他移动APP，我们会帮 客户怎么去基于deep seek 的具备更智能化的场景设计，目前已经 有具象化的方案在推给客户了，不是说仅仅是我们内部在实验室自 研的。整个的推广过程就是今年春节之后才进行的，是突然这么一个 爆发式的增长。客户会主动找我们来提供升级的解决方案，因为自主 可控，而且自带了实际的效果。 问题11：需求爆发的话，是银行的行领导要求还是只是IT部门？ 回答：是银行业全体从业者！如今，不仅是我们，甚至银行内部 员工都在自发使用 DeepSeek。支行的柜员现在上班时都会借助 DeepSeek 探讨如何解答客户问题。毕竟现在银行推出的产品众多， 柜员需要思考如何针对不同客户的情况，结合各类产品来回答客户

　　咨询。同样是产品咨询，不同客户的需求和背景千差万别，有了 DeepSeek 的辅助，解答起来更加得心应手。。DeepSeek 的出现，使 得几乎所有人都想要了解它能为自己的工作带来哪些助力，大家都 在积极尝试。 今年的市场表现较为分散，但覆盖面极广。我们更关注的是， DeepSeek 的应用绝非只是今年的一时之热，明年就无人问津或者热 度骤减。我一直在强调，DeepSeek 对于银行业来说，带来的变革具 有深远意义。一方面，它满足了中国银行业自主可控的关键需求；另 一方面，从全球监管层面来看，监管机构对于银行使用大语言模型等 技术，首要要求就是具备可监管性。若模型无法被监管，即便其性能 再优越，银行也不敢轻易采用，这也是过去两年的真实写照。如今 DeepSeek 解决了这一难题。 我们更应深入思考的是，DeepSeek 将给整个金融行业带来怎样 的颠覆性变化？这些变化在未来一年、两年甚至五年、十年之后，又 会产生何种影响？投资的核心在于对行业未来五到十年发展趋势的 研判，绝非仅仅着眼于当下。今年，所有厂商都在与 DeepSeek 相关 联，但明年，银行和整个社会将会回归理性，大家会更加关注哪些应 用能够真正创造价值、带来收益，以及这些应用能否为银行带来长远 变革。 目前，我们在渠道端的应用，如智能助手、运营分析、客户行为 预测等，今年这些应用会带来一些订单增长，不过大多是在已有订单 基础上的增量，这种 “AI+” 模式的市场价值相对有限。例如，在 原有系统中嵌入智能助手，很难带来巨大的商业价值。我们关注的是 未来整个 AI 时代的全面变革。 我们与清华大学合作，早在前年就成立了 “清华科蓝先进智能 数据库研究院”，这是清华大学在人工智能领域与外部合作设立的唯 一联合机构。我们与智朴、百川等头部AI公司保持着深度合作，借助 研究院的专业力量，与相关专家共同研发新一代渠道服务类系统，这 是一套完全智能化的服务系统。其最大的特点在于，从过去被动执行

　　客户操作，转变为能够主动思考客户每一步操作意图，主动预测客户 下一步操作。这将打造出一个更懂客户的银行，甚至能洞悉客户内心 的想法。 预计今年我们将完成这套系统 1.0 版本的研发，这对于明年来 说意义重大，它意味着对银行现有渠道类 IT 信息化建设成果的全 方位颠覆。前两年，很多银行都向我们提出，能否将手机银行改造成 能够精准把握客户的所思所想。这不仅是银行业，也是所有服务行业 共同关注的核心问题。从博弈论的角度来看，若能预判客户的行为意 图，企业必然能成为最大的获益者。 当然，这种变革也可能引发一系列问题，比如通过预测引导客户 投资理财观念，是否会带来一定风险，这涉及到未来的伦理道德层 面。但从金融机构服务角度来看，它将实现真正的千人千面服务，线 上渠道服务不再千篇一律，而是根据客户信息和行为轨迹进行动态 调整。在营销方面，以往的群发短信等粗放式营销方式将被淘汰，取 而代之的是在预测客户意图后，将银行产品营销巧妙融入客户下一 步行为链中，在客户不知不觉间完成营销转化，这种方式的成功率无 疑是最高的。许多人在使用 DeepSeek 时都能明显感受到，它会主 动迎合用户需求，从商业角度而言，这具有巨大的价值。 这并非是在现有渠道或客户服务营销类系统上做简单加法，而 是要彻底颠覆现有所有渠道。这意味着在客户每一步操作时，渠道服 务类系统都要深度思考客户操作意图，以及如何将营销和运营策略 融入其中。很多人谈及 AI 类应用，就认为只是通过语音或文字与 DeepSeek 交流，将其当作文字助手，这是完全错误的认知。大语言 模型的本质是拥有海量知识图谱和强大的推理能力，客户在手机银 行的每一次点击操作，即便没有文字交流，将这些操作轨迹数据发送 给 DeepSeek，它也能精准分析出客户的操作意图以及下一步可能的 操作。 以 DeepSeek 为代表的技术，将成为银行在客户服务和营销侧 的决策中心，构建全新的渠道交互架构。但这并非一蹴而就，今年在

　　市场上还难以完全显现。银行还需要在算力中心进行投入建设。因 此，我们预测今年银行在 AI 领域的主要投资热点仍集中在基础建 设方面。首先是算力，这是支撑 AI 应用的关键；其次，在各个业务 细分领域的也会初步投入进行探索。 问题12：业务线比如数据库、机器人，还有算力中心，这三个是 不是可能跟刚刚讲到的现有产品的升级相比其实是独立开来的？ 回答：不能简单地认为其是完全独立的。就 AIDB而言，它代表 了我们在 AI 基础设施、数据基础要素以及基础平台方面的布局。 从当前商业银行的情况来看，若要搭建一套新的 AI 类系统，完善 的基础设施是首要条件。其次在AI 算力中心，众多国内的中小金融 机构在国内 AI 相关的 IT 市场中占据着相当大的比重。然而，这 些中小银行往往缺乏自建算力的能力，却又存在对算力的迫切需求 为了满足这些客户的需求，我们正在苏州投资建设 AI 算力中心。