由北京市通州区人民政府指导，《财经》杂志、财经网、《财经智库》主办的“《财经》年会2026：预测与战略·年度对话暨2025全球财富管理论坛”于12月18日至20日在北京举行，主题为“变局中的中国定力”。

12月20日，阿里云智能新金融行业副总经理、资深研发总监陈风在论坛上表示，大模型不是一种工具而是一种新型生产关系。我们在大模型时代正在经历一场堪比工业革命的范式转移。

阿里云智能新金融行业副总经理、资深研发总监  陈风

陈风围绕“数智转型赋能财富管理新生态”主题，分享了对大模型技术驱动财富管理变革的核心观点。他从大模型技术发展的阶段和进展角度，清晰地阐述了三个核心判断。

第一，大模型并非单纯工具，而是一种新型生产关系，其影响体现在三个核心层面：其一，大模型将重构人机协同的整体模式；其二，它不仅带来技术变革，更催生了“碳硅共生”的新型组织形式，未来将由人类负责判断决策，AI承担执行工作；其三，大模型时代下CIO的职责将从传统的运维保障，全面升级为智能架构师。他强调，当下我们正经历一场堪比工业革命的范式转移。

第二，当前金融AI已迈入生产场景应用阶段，这一转变体现在两个方面：一方面，过去十年金融科技的重心集中在平台搭建与系统建设上，多数金融机构坐拥成百上千套系统，却面临高昂的运维成本与模糊的投资回报率，而AI时代的到来，让行业得以跳出重复的系统建设工作，转向聚焦AI驱动业务增长的核心命题；另一方面，AI对金融领域而言，不只是一种新型生产力，更代表了一种全新的协同方式，从2023年至今，客户的需求已发生明显转变，关注点从“要不要用AI”转变为“如何用AI提升ROI”。

第三，金融机构在挑选科技金融或金融科技合作伙伴时，本质上是选择一套可行的方法论，因为金融机构并不缺乏算力与模型，真正的短板在于AI技术落地的具体路径。他指出，金融机构要做好AI科技金融相关布局，核心需把握三个关键成功要素：一是是否具备成型的方法论，二是是否拥有可复刻的场景模板，三是AI生产应用上线后能否依托持续优化的运营机制提供保障。同时他强调，优质的金融科技服务商最核心的能力并非技术本身，而是将复杂问题简单化的能力输出，这类服务商不会只提供零散的技术“零件”，而是助力金融机构组装出能够真正落地运转的完整“车辆”。

陈风在回应财富管理数智化转型最核心的落地痛点及技术落地成本与业务效益平衡问题时，从四个方面展开了阐述：一，大模型技术实际应用效果‌参差不齐需要认真挑选和甄别最合适的；二，C端投资者的接受度呈现“冰火两重天”；三，基础设施中数据与接口未标准化导致打通困难；四，高成本投入与ROI验证的决策压力。

他建议机构采取“小步快跑”策略，通过调用公有云算力并搭配Agent形式控制成本，先完成业务起步阶段的验证，在控制ROI的前提下，快速在企业内部推广大模型在投资策略制定或C端服务中的应用，从而更顺畅地跑通商业逻辑。

针对科技公司与金融机构的协同问题，陈风提出“四层架构”分工模型：最底层是AI infra 层，包含云基础设施、算力芯片、集成一体机等通用基础组件。该层由科技公司主导建设，持牌金融机构应避免直接研发投入，因为这并非其擅长领域，且ROI较低。

第二层为模型层，类似DeepSeek、千问、文心的基础模型由科技公司研发并开放；金融机构可结合行业数据、业务SOP及偏好，通过微调、后训练等打造专属定制模型。该层由金融机构与科技机构共建共享。

第三层工具能力层，涵盖行业数据、基于数据提炼的MCP工具能力及行业通用Agent，由金融机构与科技机构共建。分工上，基于公开数据和服务接口的MCP、Agent由科技公司主导研发；基于机构私域数据和服务的相关能力，则由金融机构主导搭建。

最顶层的应用解决方案层，完全依据持牌金融机构的实际需求、基础设施条件、业务偏好及投资者产品要求定制化开发，由金融机构主导完成。基于这四层架构，金融机构与科技机构可实现合理分工，发挥各自优势，达成价值共赢。

以下为部分发言实录：

《财经》杂志金融主管编辑张威：各位来宾大家好，欢迎来到《财经》，我是张威，接下来圆桌论坛主题是数智转型赋能财富管理新生态。科技的发展越来越快，手机理财智能投顾早就走进了我们的生活，数智化也正在悄悄改变人们理财管钱的方式，让财富管理变得更为方便，贴合每个人的需求。作为连接金融和民生的核心领域，财富管理确实也正在经历着从模式到生态的全方位变革。今天我们就来聊一聊这场变革背后的逻辑以及未来的发展，下面有请本场圆桌论坛的嘉宾：

杨涛，国家金融与发展实验室副主任

徐启昌，神州信息副总裁、新动力数字金融研究院院长

陈风，阿里云智能新金融行业副总经理、资深研发总监

金科，德勤中国创新及数字化服务主管合伙人

按照本场论坛的流程，每位嘉宾有七到八分钟围绕主题的发言。

陈风：大家好，我是来自阿里云的陈风。我简单介绍一下，我过去三年一直在做一件事情，就是用大模型帮助金融机构解决实际生产场景中的问题，我做了一个产品叫通义点金，在财富管理领域，我不是专家，我擅长的是偏科技方面的东西，通义点金本质上是想做金融行业级大模型，用技术的方式帮助金融机构实现业务的增长和科技赋能的ROI的一些提升。

我们通义点金是2023年就做了，我大概回顾了一下，过去一年多我们在财富管理领域跟非常多客户展开了合作，比如中金、进门财经、易方达，过去都是我们的客户。我昨天看了一下最近一年服务的客户，大概有180多家，到目前为止已经交付完成的，生产上线的有30多家。

我试着从大模型技术发展的阶段和进展角度阐述一下几个核心的判断：第一，大模型不是一种工具而是一种新型生产关系，这里面有三点：一是大模型会重构整个人机协同的模式。二是大模型不仅仅给我们带来的是技术，同时给我们带来新的组织形式，我们判断未来的组织形式一定是碳硅共生，人类负责判断决策，AI负责执行。三是未来的CIO的职责将从运维保障全面升级到智能架构师。我们在大模型时代正在经历一场堪比工业革命的范式转移。

第二，目前金融AI已经进入生产场景时刻，这里面有两点：一是过去10年金融科技一直在做的事情是搭平台，建系统，做了非常多系统建设期的工作，包括我们接触到的每一家金融机构，至少300家甚至上千个不同的系统，这些系统运维保障成本非常高，ROI很难说清楚。进入AI时代后，我们可以从频繁的系统平台建设工作中脱离出来，真正思考怎么用AI驱动业务增长这个命题。

二是AI对我们来说不仅仅代表一种新型的生产力，更多的是一种新的协同方式。从2023年到现在，客户侧一个显著的变化是客户不再问要不要用AI，而是问怎么用AI提升ROI。

第三，作为科技金融和金融科技，金融机构在选择金融合作伙伴时本质上是选择方法论，金融机构不缺算力，也不缺模型，缺的是落地的路径。另外，金融机构要把AI科技金融这篇文章做好，核心要看三个关键的成功点：一是有没有成型的方法论。二是有没有可以复刻的场景模板。三是AI生产应用上线之后有没有可以持续进化的运营机制去保障。对于一个好的金融服务商来说，最擅长的可能并不是技术，而是帮助我们怎么把复杂问题简单化的这种能力的输出。所以我们判断，一个好的金融科技服务商不是只给一堆零件，而是帮助你组装好一辆能跑的车。

这是我作为一个科技从业者在财富管理领域看到的三个核心方向的变化以及我自己的判断。谢谢！

张威：感谢陈总。我们今天的圆桌论坛主题是数智转型赋能财富管理新生态，换一种说法就是财富管理的数字化转型，听陈总讲完之后，我终于理解为什么数智化要放在前面。陈总提到几个非常亮的亮点，大模型不是工具是生产关系，金融AI进入了生产的场景，还有就是技术伙伴的选择，相当于方法论。

张威：第一个问题是财富管理的数智化转型最核心的落地痛点是什么？怎样去平衡技术落地成本和业务提质增效的实际效果？

陈风：谢谢主持人，我从几个方面阐述一下我的观点。首先是大模型技术的落地程度，我不知道大家有没有这个记忆，国外有一个网站，用几款市面上主流的大模型做了一个为期一个月的投资大赛，用大模型去炒股，排在第一和第二的是千问和DeepSeek，在这个过程中表现得非常专业，收益率和投资的逻辑非常清晰，实现了非常不错的收益的曲线成绩。反观国际顶尖的大模型，比如Gemini、ChatGPT，他们投资的业绩惨不忍睹，一个月就亏损了40%多。从大模型的技术应用在财富管理领域的技术ready程度来说，会有一些存疑，也是大家比较担忧的地方。

第二个点，C端投资者的接受程度，我看了几组很有意思的数据，大概63.8%的投资者已经尝试用大模型指导自己投资的行为和策略，其中又有78%的投资者看不懂K线，也不懂夏普波动率这种非常专业的指标，呈现冰火两重天的情况，很不可思议。大模型应用在财富管理领域还是方兴未艾的阶段，还需要我们继续实践和推进。

第三，可以从基础财富管理的基建设施上面看，我过去三四年一直在跟金融客户做深度的合作，过程中我发现财富管理这个领域的基础设施有非常大的问题，很多数据是公开和私有化并存，数据之间没有完全打通，你要把数据灌到大模型里面被大模型所用的话，要把它MCP化，但是很多数据或者API的接口并没有被MCP化，我们跟同花顺在合作to C端的产品，这里面海量的几百个接口都没有包装成MCP的服务对外开放。过程中我们财富管理的数据、服务接口在应对海量的互联网用户访问的时候，它的性能和稳定性都没有ready，这是我们遇到的第三个难点。

第四，从成本ROI来看，现在还存在着非常多的大家的担忧。比如我们去线下部署一个算力集群，这个投资很轻松过亿，没有验证出大模型真正的价值之前，我们就拿上亿的预算去投资的话，这个在决策层是很难做出这样的判断，如果用公共云的算力的话，可以把整体的ROI成本降低100倍。痛点就是以上我说的这四点，如果要我给一个建议的话，我建议还是大家尽量用小步快跑的方式，直接调用大模型自己加一些Agent的形式尝试做出业务起步的验证阶段，在控制ROI的前提下快速地在企业内部做大模型做投资策略或者C端服务的推广，这样的话会更加容易在商业逻辑上跑通，谢谢主持人。

张威：我想问一下陈总，科技公司和财富管理核心机构怎么相互协同避免同质化竞争实现共赢？

陈风：我简单回答这个问题，在金融AI这件事情上，我们把整个解决方案分为四层。最底下一层，AI infra层，包括云的基础设施、算力芯片、集成一体机，更多偏向通用基础。在AI infra这层主要是由科技公司主导完成，作为持牌的金融机构，尽量避免在通用技术的AI infra领域直接投入，这块对于持牌的金融机构来说ROI并不高，也不是它最擅长的能力所在。

第二层叫模型层，我们简单分为基础模型层，类似于DeepSeek、千问、文心这些基础模型，基础模型由科技公司掌控并且研发出来给所有的客户去使用，金融机构可以在模型层做什么事情呢，我们可以专注做一些模型对于特定的业务领域的微调、后训练等等，把行业的数据、业务流程的SOP、业务上的偏好通过一些后训练的方式内化到模型里面去，把模型变成我们金融机构专属的一个定制的模型。在第二层模型层，是金融机构和科技机构一起共建的，大家共同参与共同受益。

第三层叫工具能力层，有行业的数据以及基于这些行业数据提炼出的MCP工具的能力，还有行业通用的Agent，这些工具或者偏解决方案的能力，是由金融机构和科技机构一起共建的，双方的分工在什么地方呢，我认为基于公开的数据以及公开的服务接口研发出来的MCP和Agent是由科技公司主导然后去完成。基于机构内部私域的数据和私域的服务，由金融机构主导完成。在工具和解决方案层，我理解也是由金融机构和科技机构一起去共建。

第四层也是最上面一层属于应用解决方案层，完全基于持牌金融机构的需要，结合自己实际的基础设施的程度、我们自己的偏好、面向投资者产品的要求，自己去定制化，所以这一层由金融机构主导完成。如果基于四层架构实现金融机构和科技机构合理的分工，大家都能够找到自己擅长的点，在这个中间找到价值共赢的平衡点，我的观点大概就这样。

张威：本场讨论到此结束，感谢各位嘉宾的精彩发言，也感谢各位的聆听。