农业银行发布的《" 人工智能 +" 创新实施纲要》推进 "AI+" 全面建设与深度应用，完成 DeepSeek 全系列大模型在行内的部署运行，在智慧办公、智慧营销等多个领域深入应用，相比 2024 年，大模型的应用领域得到拓展，加入了 DeepSeek 模型的部署。
一些头部的城商行在 2025 年也不甘示弱，例如江苏银行率先将 DeepSeek 应用于智能合同质检和自动化估值对账场景，利用 DeepSeek - VL2 模型提升合同质检准确率。相比 2024 年，在大模型的业务场景应用上有了新的拓展，实现了从无到有的突破，并且通过模型应用提高了业务的准确性和效率。北京银行发布自主研发的百亿级参数 " 京智 " 大模型，构建 " 京智大脑 " 人工智能平台。2025 年，其持续构建以大模型技术平台为基础的交付能力和应用体系，通过整合前沿的大语言模型和自动化技术构建了京骑智能体平台，旨在实现大模型应用需求的快速落地与交付，较 2024 年在大模型的研发和应用方面更加深入和系统，不仅完善了模型本身，还构建了多个平台来支持模型的应用。重庆银行利用 Deepseek 大模型对智能客服知识库进行深度解析，实现更精准的语义理解、逻辑推理和多轮对话能力。2025 年计划以全行人工智能中台服务体系建设为契机，运用大模型打造更多营销、风控以及内部管理智能体。与 2024 年相比，在大模型的应用上从单一的智能客服场景向更多业务场景拓展，展现出对大模型应用的进一步规划和布局。
其中最值得关注的是上海银行的 AI 原生大模型，在其 2024 年度暨 2025 年第一季度业绩说明会上谈及 AI 在银行的应用，副行长兼首席信息官胡德斌提到，以文字识别、人脸识别为代表的小模型在上海银行已经全面布局，并且已经在普惠金融、消费金融、提升运行效率等方面得到了广泛的使用。胡德斌介绍，上海银行四月份灰度发布了一个基于鸿蒙系统的新的手机银行，在服务客户模式上发生了比较大的变化：客户不再是在现有的菜单中选择功能，而是直接诉说自己的诉求。他指出，这不仅仅是一种服务模式的改变，更多的是通过客户对银行服务诉求的阐述，能够更加直接和广泛的收集客户的诉求，同时通过客户诉求去不断丰富和研究新的产品服务形式的变化。
本文对上海银行的新版手机银行和江苏银行、浦发银行、平安银行、招商银行等多个在金融科技方面领先的银行的手机银行 APP 进行对比，发现上海银行 AI 原生大模型的优势主要体现在以下三个方面：
技术架构与场景深度融合，上海银行大模型突破 " 服务找人 " 边界
上海银行 AI 原生大模型突破传统 " 功能嫁接 " 模式，从底层架构到交互界面全面重构。例如，其 AI 原生手机银行采用自然语言理解（NLU）和多模态交互技术，用户通过语音或文字指令即可完成账户查询、转账汇款、理财咨询等操作，实现 " 对话即服务 "，通俗来说，这种设计使金融服务从 " 人找服务 " 转向 " 服务找人 "，显著降低操作门槛，特别是对于老年人和残障人士。
AI 原生手机银行以语音 / 文字指令替代传统菜单操作，用户无需记忆功能入口，直接通过对话完成服务请求。根据公测结果显示，用户询问 " 我适合买什么理财 " 时，大模型结合实时市场数据、用户持仓情况及风险偏好，生成个性化产品列表，并通过多轮对话明确需求（如 " 希望保本吗？"、" 投资期限偏好 " 等）。相比之下，其他银行的手机银行还止步在仅仅推荐理财排行榜前列的产品，智能客服还无法细探用户的需求，操作起来更具有选项递进性。
以上海银行、平安银行以及招商银行为例（下图依次是：上海银行、招商银行、平安银行），当用户需要给他人账户进行转账或者一些银行卡基础作用时，只需要输入或者语音说明 " 我要给 XXX 转账 "，上海银行以及招商银行的智能客服就可以在历史转账中定位出这个人的全部账户信息，再进一步询问确认所需转账的账户信息以及转账金额，并进一步生成转账服务，而平安银行并无法识别这种指令。
针对老年用户，上海银行的数字员工 " 海小慧 " 通过语音识别技术自动适配大字版界面，并以更缓慢、清晰的语速引导操作，解决 " 数字鸿沟 " 问题，这一点在大部分银行的手机银行中也可以体现，只不过操作的方式和指令有所区别。老年客户占上海银行客群近 30%，上海银行通过 " 数字人 + 大模型 " 构建 " 陪伴式服务 "，例如用户只需说 " 查养老金 "，系统自动关联代发账户，展示历史发放明细并推荐养老金理财组合（如国债 + 定期存款），数字人在交互中也会融入问候语（如 " 最近天气转凉，注意身体 "），并根据用户反馈调整服务节奏，显著提升老年用户满意度，多了这点 " 人性化 " 是其他银行暂时提供不了的服务。
除了适用人群增加外，上海银行构建的 " 大模型 + 微模型 " 的协同体系包括大模型（如 DeepSeek、Qwen）提供通用智能能力，支持复杂任务处理和跨领域知识整合，例如使用通用模型分析宏观经济趋势、市场热点，识别用户潜在需求。微模型（如文字识别、人脸识别）聚焦细分场景，在普惠金融、消费金融等领域实现高效应用。这种分层架构既保证了模型的灵活性，也进一步提升针对特定场景的精准度，如反欺诈微模型通过图计算技术挖掘欺诈团伙，识别率超 80%；人脸微模型实现智能柜员机 " 刷脸取款 "，误识率低于 0.01%。
据公测表现显示，用户每次交互后，系统自动更新相关标签。例如，用户通过手机银行购买理财产品后，" 风险承受等级 " 标签即时调整；每月对用户资产变动、消费模式等数据进行批量分析，更新 " 财富健康度 "" 消费活跃度 " 等中长期标签；还基于深度学习模型预测用户潜在需求，生成 " 教育金规划意向 "" 跨境投资倾向 " 等预判标签。
大模型驱动智能风控与精准服务双升级
上海银行的大模型技术已深度嵌入风险评估、反欺诈系统和信贷审批流程。据官方数据显示，通过深度学习优化风险控制模型，显著提升了风险识别的精准度和反应速度，反欺诈识别率超过 80%。此外，大模型还可自动解析金融文本、识别敏感信息，生成风险评估报告，助力合规管理。通过大模型 + 私域知识库构建知识问答体系，知识检索效率提升 60%，准确率提升 80%，智能客服接通率从 86% 提升至 95%，期间累计部署超 400 名数字员工，覆盖营销、运营等场景，节约人工成本超 40 人 / 年。
上海银行新手机银行可以通过 NPS（净推荐值）模型分析用户对话满意度，例如某类产品推荐的拒绝率超过阈值，系统自动调整推荐策略，建议其降低该产品权重或优化。相比之下，其他银行的对于理财推荐并不能很好进行配比，更多是推荐单一的产品（" 单一 " 是指他们没办法做到推荐多款产品并给出对应比例的意见，只能提供推荐或者相关的产品列表）。
例如，当用户需要进一步体验智能客服的服务例如理财推荐、财富诊断等，也可以向智能客服输入 " 财富诊断 "、" 资产分析 " 等需求（上为平安银行、下为招商银行）。可以看出每家银行有不同的资产评分体系，但评估都是从流动资产、固收资产、权益资产、另类资产四个方面着手。在推荐理财产品更多还是传统的选项模式递进，这样做出的推荐就相对 " 死板 "，并且无法给客户进行产品配比。
全栈智能体平台 + 静默感知交互双引擎，定义城商行数字基建新高度
上海银行整合蚂蚁数科等头部科技公司的技术生态，构建了从 " 算力 - 数据 - 模型 - 应用 " 的全链条智能体开发平台，支持多云、多芯异构算力调度，算力利用率显著提升。此外，其千卡云算力集群可支持千亿级大模型的训练与推理，为业务规模化应用提供了坚实基础。作为首家通过数据管理能力成熟度（DCMM）四级认证的城商行，上海银行手机银行实现了动态行为捕捉，即通过 AI 原生手机银行的对话交互记录，实时分析用户提问关键词、操作频次等，动态调整风险承受等级标签。同时，它也实现了跨渠道数据融合，整合线上（手机银行、微信公众号）与线下（网点智能柜员机）交互数据，构建 360 ° 用户视图，例如，可以允许老年客户在智能柜员机的操作轨迹与手机银行使用数据交叉验证，优化养老金理财推荐策略。
上海银行 2025 年部署的新一代智能柜员机融合 ASR（语音识别）、VPR（视觉感知）、NLP（自然语言处理）技术，可通过手势识别和情绪感知理解用户意图，例如静默服务触发，客户凝视理财产品宣传屏 3 秒以上，系统自动推送相关产品介绍，并同步调取用户风险测评结果，生成定制化投资方案。相比之下，大多数银行的智能客服的 VPR（视觉感知）更多是运用在人脸识别方面，暂时还没有静默服务等功能。
作为首个 AI 原生手机银行，其依托鸿蒙系统端的手机银行以对话交互为核心，打破传统功能界面，被业内视为金融服务模式的重大革新。通过与高校、科技企业合作，上海银行探索 " 技术 + 场景 + 资本 " 的协同模式。
AI 原生手机银行的横空出世背后，是 " 对话即服务 " 理念的落地。这一模式的核心在于，金融服务不再依赖固定流程，而是通过自然对话动态满足需求。或许以后使用手机银行，不需要再自己在众多菜单和界面中寻找需要的服务，而只需要 " 交代 " 智能客服，用户就会像身处银行大厅有 1 对 1 的大堂经理进行手把手服务。（本文首发于钛媒体 APP，作者｜李婧滢，编辑｜刘洋雪）
