图片来源：网络
一、金融服务深度和广度亟待提升，智能应用需求将呈爆发式增长
央行副行长范一飞曾提出，金融科技是弥合数字鸿沟、解决发展不平衡不充分问题的重要手段，要不断提升服务深度、广度和温度，让守正向善的科技创新成果更多更公平惠及全体人民。在国家大力发展智能金融、普惠金融的政策引导下，金融机构亟需借助以人工智能为代表的新兴技术不断拓展金融服务的半径和辐射范围，触达长尾客户；同时在“以客户为中心”的新经营观念驱动下，金融机构需要通过金融科技重塑客户旅程、满足客户个性化需求。
提升金融服务广度、深度已然是金融业发展趋势，在政策引导、内生发展需求、技术创新的多方驱动下，金融机构对智能应用的需求将呈爆发式增长。
1.政策陆续出台，智能、普惠是金融科技重点发展方向
近年来，国家宏观政策、行业标准规范陆续出台，推动AI在金融领域的快速发展。
资料来源：根据公开资料整理
《新一代人工智能发展规划》提出要发展智能金融，创新智能金融产品和服务。《金融科技发展规划（-年》将“智慧为民”作为金融科技发展的基本原则，明确提出要全面推进人工智能技术在金融领域深化应用，实现金融服务全生命周期智能化。奠定了未来几年银行金融科技发展的方向。《关于银行业保险业数字化转型的指导意见》提出要推动数据治理、营销、交易、服务、风控、运维等智能化发展，丰富智能场景。
金融作为典型的强政策导向型行业，在政策驱动下未来几年金融机构对智能应用的部署需求将大大提高。
2.内生动力强劲，金融机构借助人工智能等科技手段构建以客户为中心的金融服务体系
随着数字化给金融客户的需求及行为模式带来翻天覆地的变化，金融机构的经营理念已经从“以产品为中心”向“以客户为中心”转变，亟需将AI深度融合金融业务场景，通过自动化业务流程、解决信息不对称，以低成本高效服务广大客户，同时将优质的服务固化下来，以可复制的智能服务满足客户个性化需求，提升客户忠诚度。
自动化业务流程，高效服务海量客户。金融机构可利用AI技术将部分可重复、有规律可循的人工操作流程自动化，提升操作精准度和服务效率，以低人工成本高效服务广大客户。例如在信用卡审批场景，利用RPA技术进行客户信息收集、调查，并根据客户资质的设定参数做出下卡决定，大幅加快信用卡审批的速度。
解决信息不对称，覆盖长尾客户。金融机构可利用AI将大数据、算法、计算能力高度融合，很大程度上解决数据孤岛、大数据分析效率问题，高效开展业务和拓宽客户群体。以智慧信贷为例，利用智能化模型融合多维度信息，解决中小企业融资过程中的信用判断问题，有效打通银企资金融通的痛点堵点，形成规模效应，覆盖广大中小企业和C端客户。
固化优质服务，满足客户个性化需求。金融机构可利用AI强大的算法以及大量的储存数据，从大量的复杂数据中总结和发现经验，并固化下来形成可复制、智能化的优质服务。如智能投顾、智能推荐、智能客服等，为客户提供个性化的投资方案和产品推荐，实现“千人千面”。
3.技术创新发展，支撑智能场景持续落地
当前，AI技术持续创新发展，为越来越多的金融场景落地提供技术支撑。机器学习、计算机视觉、生物特征识别、智能语言、知识图谱、自然语言处理、RPA等技术已在金融领域广泛应用，覆盖智能营销、智能身份识别、智能客服、智能投顾、智能投研、智能理赔、智能风控、智能合规、智能运营九大金融业务场景。
人工智能技术优先级矩阵（资料来源：Gartner）
在十四五期间，复合式AI、计算机视觉、智能决策、深度学习、边缘AI、生成式AI、以人为本的AI、智能应用、机器学习等技术将趋于成熟，并对企业的商业运作模式产生重大影响，带来巨大的潜在收益。未来随着这些技术不断成熟，以及新技术持续创新，将进一步推动AI与金融融合发展，丰富落地场景。
二、智能应用开发面临三大挑战，规模化落地成难题
尽管市场上对智能应用有着海量需求，但Gartner数据显示，只有53%的AI项目能够顺利从原型转化为生产。其原因在于智能应用在开发过程中面临开发周期长、建模门槛高、人才缺口大三大挑战，导致智能应用规模化落地成难题。
1.烟囱式架构下开发周期长，业务敏捷响应度低
在传统的“烟囱式”开发架构下，原有的软硬件资源、已经开发的模型难以复用到相似的场景中，重复开发造成计算资源、模型管理资源和运维管理资源的浪费，同时应用开发迭代缓慢，从试点到投产平均用时长达9个月，难以及时响应客户快速变化的需求，业务敏捷响应度低。
2.AI模型研发门槛高，技术能力不足
AI模型从开发到部署应用，是一个技术门槛高、流程复杂的过程。AI模型的全生命周期包括问题定义、数据接入、数据处理、特征工程、模型训练、模型评估及发布、模型管理等环节，其中特征工程、模型选择、模型评估等环节高度依赖AI专家和数据科学家的经验和算法能力。灼识咨询数据显示，企业平均需要投入高达5亿元用于内部开发企业级AI应用（含持续维护、硬件采购及AI人才工资），使自行搭建AI模型的成本高企，阻碍了AI应用的落地。
AI建模生命周期
3.AI人才缺口大，研发人力成本高
企业的传统信息化中台普遍缺乏智能应用研发与部署的支撑能力，导致现有的AI应用研发模式主要还是依赖人力，而AI人才匮乏及高昂的人力成本，进一步阻碍了智能应用的落地。据工信部人才交流中心的数据，我国AI人才供需比严重失衡，AI各技术方向岗位人才供需比低于0.4，预计有效人才缺口达30万。56.5%的算法研究岗和46.1%的应用开发岗的单月薪酬达35k以上，人力成本高昂。
三、企业级AI中台破解AI规模化难题，助力金融机构实现智能应用规模化落地
智能应用落地难，本质在于AI工程化能力不足。AI项目失败率高且开发周期长，要使AI成为企业生产力，就需要通过AI工程化（DataOps、ModelOps和DevOps等）实践来简化智能应用开发生命周期，面向数据、算法、模型等要素形成完备易用的工具体系、标准化的研发运营和管理体系，实现模型算法的可复用、可解释、可重建，确保AI应用的高效研发和运作。
具体到金融行业，工程化平台管理是推动AI技术场景在金融行业快速落地的手段，是金融人工智能发展的重点方向。
1.AI中台是实现AI技术快速研发、共享复用和高效部署管理的智能化基础底座
AI中台是企业AI能力的生产和集中化管理平台，作为企业的智能中枢，能够沉淀AI资产和能力，实现数据、算法、模型等要素的复用和流程化管理，同时自动化建模流程，解决企业在智能应用开发过程中的数据管控、人员协同、敏捷交付、产品测试、运营迭代等问题，支撑智能应用快速研发和高效部署，真正破解AI规模化难题。
（1）沉淀AI资产，平台部署模式下实现敏捷开发
AI中台是模块化、标准化的平台工具，可整合、沉淀、共享、复用AI模型、样本、算法、能力等核心资产，克服传统“烟囱式”业务架构导致的资源重复建设、数据流通壁垒等瓶颈，依托高效生产、灵活组织、便捷获取的全链条服务能力，提供覆盖研发部署运维等全生命周期一站式解决方案，助力金融机构敏捷开发智能应用。
AI中台打破传统烟囱式业务壁垒
据爱分析数据，AI中台通过沉淀标准化模型，使新场景能够复用已有的模型经验解决80%的业务需求，并将新场景AI应用的开发效率提升30%以上。以某国有银行为例，在搭建机器学习平台后，项目研发落地速度加快了一倍，新场景的开发部署仅需要一个月。
（2）自动化AI建模流程，降低技术门槛和人力消耗
利用机器学习和深度学习技术，AI中台可帮助金融机构将模型构建与训练的研发过程自动化（如图），摆脱以往AI生产需要诸多经验、难以快速落地的约束，让不懂算法的数据工程师也能够基于中台通过托拉拽建模方式建立AI模型，大幅降低建模门槛、节约人力成本；同时有利于金融机构将精力聚焦在应用场景的探索上，加速AI技术与金融行业融合的广度和深度，提升AI应用的价值。
AI中台实现AI建模流程自动化
2.AI中台主要由算力中心、开发中心、资产中心、应用中心、管理中心五大核心模块构成
AI中台覆盖从数据管理、数据标注、模型开发、部署上线到运营管理的AI能力研发与应用全生命周期建设和管理，包括五大核心功能模块（如图）。
AI中台架构图
算力中心：即AI基础设施，包括CPU、GPU、loT、云、FPGA等，为智能应用提供算力支撑。
开发中心：即AI开发平台。AI开发平台作为AI中台的核心能力产出，具备大规模深度学习计算支撑能力，负责资源统筹调度、数据处理、模型生产等，形成企业的创新能力基座。
资产中心：包括数据集、算法、模型、能力等AI核心资产。支持企业自身AI核心资产的共建共享，实现企业内跨组织/跨平台的资产共享和交易。
应用中心：包括能力整合中心及应用平台。提供服务编排能力，加速企业智能化应用实施，通过将基础AI能力封装为通用场景服务，不同业务系统可以实现快速集成。
管理中心：负责角色权限管理、资源统一管理、运维管理等功能。满足平台建设内部管理要求，支持外部系统协同对接等IT管理诉求。
四、银行积极打造企业级AI中台，合作共建模式备受青睐
据麦肯锡估计，AI技术每年可为全球银行业创造高达1万亿美元的增量价值。目前越来越多的银行业领军者开始把智能、智慧作为金融科技发展的重要方向，并通过打造全行级AI中台以系统性方法部署智能应用。
1.“智慧”、“智能”是银行金融科技战略高频词汇，打造AI中台已成为共识
从工商银行的ECOS工程（S代表智慧智能）、农业银行的iABC战略（i代表智能化），到邮储银行的SPEED信息化战略（S代表智慧）、交通银行的POWER发展愿景（W代表智能），智慧、智能已然是金融科技战略的高频词汇，也是银行金融科技发展的重要方向。
目前，六大国有行及部分全国股份行纷纷打造并推广AI中台/平台（如表），支撑智能应用的快速孵化，或将带来一轮建设潮。
如工行的工银图灵平台集算力、数据、开发、智能算法、智能服务、智能应用于一体，推动余个场景的智能化建设。建行的人工智能平台累计支撑个应用场景，并已升级至云原生架构。中行的中银大脑广泛应用于智能运营、智能营销、智能投资、智能风控等业务领域。
此外还有邮储银行的邮储大脑，农行的金融大脑（雅典娜AI平台），交行、民生、平安的AI中台等，遍地开花。
金融机构AI中台建设情况
来源：根据公开资料整理
2.产业侧与行业侧合作共建是银行业打造企业级AI中台的主流模式
数字化时代的金融竞争是平台与生态之间的竞争，银行要快速落地以及全面提升新技术平台的能力需要突破一系列技术与标准障碍，目前极少有银行能够独立构建应对数字化的AI能力和生态，借助外力成为必然。
实际案例中，合作共建也确实是打造AI中台的主流模式。根据公开数据，工行、邮储、农行、交行、华夏、民生、上海银行、江苏银行等机构均与外部厂商合作，在外部厂商已有的平台产品上进行定制化开发。如工行、交通银行、华夏银行、民生银行、上海银行、江苏银行等多家银行与第四范式进行战略合作，基于其人工智能平台“先知”从底层打造企业级AI平台；邮储银行通过引入百度飞桨企业版BML以及AI中台解决方案打造邮储大脑；农业银行与百度签署合作协议，以联合实验室方式面向人工智能、大数据、云计算和区块链等技术，共建农行“金融大脑”的技术支撑平台。
五、AI中台市场参与者众多，AI垂直厂商、互联网大厂在银行业优势明显
各类厂商积极进军AI中台领域，意在抢占市场高地。其中AI垂直厂商（第四范式）、互联网大厂（百度智能云）在金融领域竞争优势明显，AI技术领先、服务优质、自主可控是其解决方案的共同优势。
1.四类厂商纷纷推出AI中台解决方案，银行主流IT厂商加速布局
目前，AI垂直厂商、互联网大厂、银行科技子公司、银行主流IT厂商积极布局AI中台解决方案市场。
AI垂直厂商：以第四范式为代表。第四范式于年7月发布AI领域首个面向应用者的开发平台——先知。“先知”是全流程、低门槛AI应用开发与上线平台，通过建模功能强大、标准化、模块化的全栈AI开发与上线能力，帮助客户快速实现AI应用规模化落地。
互联网大厂：包括百度智能云、阿里云、华为云、腾讯云等。百度智能云的AI中台是企业级AI基础设施，可实现AI资产的共建共享、敏捷的智能应用开发；阿里云机器学习平台PAI、腾讯云Ti平台、华为ModelArts则属于开放式AI平台，面向开发者和企业提供一站式AI应用开发服务，广泛应用于金融、工业、教育、制造等行业场景。
银行系科技子公司：兴业数金推出了针对金融行业的可视化AI开发平台；金融壹账通年5月发布GammaO平台，为金融行业提供集数据一体化平台、技术中台、AI中台为基座,业务中台框架和规范为支撑的开放平台体系。
银行主流IT厂商：目前还处于起步阶段，但近年来呈加速态势。神州信息年8月发布企业级金融AI中台解决方案——金融超脑Sm
rtFSB，并通过研发投入持续打磨，宇信科技斥资5.79亿打造基于人工智能技术的智能分析及应用平台项目，润和软件的IoTAI人工智能能力平台正处于在研阶段，目前研发进度已达50%。四类厂商推出的AI中台/平台解决方案
来源：根据公开资料整理
2.第四范式、百度智能云AI中台解决方案成熟度高，在银行业已形成多个标杆案例
以第四范式为代表的AI垂直厂商和以百度智能云为代表的互联网大厂在解决方案成熟度方面优势明显，特别是在银行业处于行业领先地位。
第四范式和百度智能云布局AI领域较早，也是AI中台领域的先行者，AI中台相关解决方案在金融和能源领域已形成标杆案例，客户覆盖行业头部机构，且场景优势明显，在市场竞争中已形成一定的护城河。尤其是第四范式，是Gartner年《新兴技术与趋势影响力雷达：人工智能》报告中在组合式AI与AI中台技术领域唯一来自中国的代表厂商，其AI应用开发平台“先知”获得IDCMarketScape中国机器学习平台市场份额第一，是市场领导者。
银行科技子公司、银行IT厂商深耕银行业多年，AI中台/平台布局较晚，产品不太成熟或正处于在研阶段，在市场竞争中暂时处于劣势。
各类厂商AI中台/平台解决方案对比
来源：根据公开资料整理
3.领先厂商的AI中台解决方案均具备AI技术领先、服务优质、自主可控等核心优势
对比领先厂商第四范式的“先知”平台、百度智能云的AI中台，可以发现这些备受银行客户青睐的AI中台解决方案具有很多相似之处，具体包括：
AI技术领先：解决方案覆盖语音、文本、视觉、决策等全栈场景；建模方式多元，适用不同人群；建模流程自动化且处于行业领先水平；模型丰富且性能出色，运营能力突出；解决方案高度模块化，可灵活搭建；解决方案开放度高，覆盖市场主流开源框架。
服务优质：拥有AI中台+上层应用等系列产品和解决方案，提供咨询+建设+运营+培训等一站式服务。
自主可控：支持软硬件自主创新方案，与国内主流软硬件产品兼容适配，支持信创工程。
第四范式、百度智能云AI中台/平台解决方案的核心优势
来源：根据公开资料整理