2025年上半年，銀行依舊以將大模型裝進手機銀行作為要務，六大行率先對其大模型進行了升級優化，例如工商銀行在同業中率先發布企業級千億金融大模型技術體系 「工銀智涌」，累計調用量超 10 億次，賦能 20 多類業務、200 余個場景，較 2024 年在應用場景數量和調用量上有顯著提升，其大模型技術能力在同業中率先輸出至中小銀行，拓展了技術影響力。
農業銀行發布的《「人工智慧 +」 創新實施綱要》推進「ai+」全面建設與深度應用，完成 deepseek 全系列大模型在行內的部署運行，在智慧辦公、智慧營銷等多個領域深入應用，相比 2024 年，大模型的應用領域得到拓展，加入了deepseek 模型的部署。
一些頭部的城商行在2025年也不甘示弱，例如江蘇銀行率先將deepseek應用於智能合同質檢和自動化估值對賬場景，利用deepseek - vl2模型提升合同質檢準確率。相比2024年，在大模型的業務場景應用上有了新的拓展，實現了從無到有的突破，並且通過模型應用提高了業務的準確性和效率。北京銀行發布自主研發的百億級參數「京智」大模型，構建「京智大腦」人工智慧平台。2025年，其持續構建以大模型技術平台為基礎的交付能力和應用體系，通過整合前沿的大語言模型和自動化技術構建了京騎智能體平台，旨在實現大模型應用需求的快速落地與交付，較2024年在大模型的研發和應用方面更加深入和系統，不僅完善了模型本身，還構建了多個平台來支持模型的應用。重慶銀行利用deepseek大模型對智能客服知識庫進行深度解析，實現更精準的語義理解、邏輯推理和多輪對話能力。2025年計劃以全行人工智慧中台服務體系建設為契機，運用大模型打造更多營銷、風控以及內部管理智能體。與2024年相比，在大模型的應用上從單一的智能客服場景向更多業務場景拓展，展現出對大模型應用的進一步規劃和布局。
其中最值得關注的是上海銀行的ai原生大模型，在其2024年度暨2025年第一季度業績說明會上談及ai在銀行的應用，副行長兼首席信息官胡德斌提到，以文字識別、人臉識別為代表的小模型在上海銀行已經全面布局，並且已經在普惠金融、消費金融、提升運行效率等方面得到了廣泛的使用。胡德斌介紹，上海銀行四月份灰度發布了一個基於鴻蒙系統的新的手機銀行，在服務客戶模式上發生了比較大的變化：客戶不再是在現有的菜單中選擇功能，而是直接訴說自己的訴求。他指出，這不僅僅是一種服務模式的改變，更多的是通過客戶對銀行服務訴求的闡述，能夠更加直接和廣泛的收集客戶的訴求，同時通過客戶訴求去不斷豐富和研究新的產品服務形式的變化。
本文對上海銀行的新版手機銀行和江蘇銀行、浦發銀行、平安銀行、招商銀行等多個在金融科技方面領先的銀行的手機銀行app進行對比，發現上海銀行ai原生大模型的優勢主要體現在以下三個方面：
技術架構與場景深度融合，上海銀行大模型突破"服務找人"邊界
上海銀行ai原生大模型突破傳統「功能嫁接」模式，從底層架構到交互界面全面重構。例如，其ai原生手機銀行採用自然語言理解（nlu）和多模態交互技術，用戶通過語音或文字指令即可完成賬戶查詢、轉賬匯款、理財諮詢等操作，實現「對話即服務」，通俗來說，這種設計使金融服務從「人找服務」轉向「服務找人」，顯著降低操作門檻，特別是對於老年人和殘障人士。
ai原生手機銀行以語音/文字指令替代傳統菜單操作，用戶無需記憶功能入口，直接通過對話完成服務請求。根據公測結果顯示，用戶詢問「我適合買什麼理財」時，大模型結合實時市場數據、用戶持倉情況及風險偏好，生成個性化產品列表，並通過多輪對話明確需求（如「希望保本嗎？」、「投資期限偏好」等）。相比之下，其他銀行的手機銀行還止步在僅僅推薦理財排行榜前列的產品，智能客服還無法細探用戶的需求，操作起來更具有選項遞進性。
以上海銀行、平安銀行以及招商銀行為例（下圖依次是：上海銀行、招商銀行、平安銀行），當用戶需要給他人賬戶進行轉賬或者一些銀行卡基礎作用時，只需要輸入或者語音說明「我要給xxx轉賬」，上海銀行以及招商銀行的智能客服就可以在歷史轉賬中定位出這個人的全部賬戶信息，再進一步詢問確認所需轉賬的賬戶信息以及轉賬金額，並進一步生成轉賬服務，而平安銀行並無法識別這種指令。
圖片來源@各銀行手機銀行
針對老年用戶，上海銀行的數字員工「海小慧」通過語音識別技術自動適配大字版界面，並以更緩慢、清晰的語速引導操作，解決「數字鴻溝」問題，這一點在大部分銀行的手機銀行中也可以體現，只不過操作的方式和指令有所區別。老年客戶占上海銀行客群近30%，上海銀行通過「數字人+大模型」構建「陪伴式服務」，例如用戶只需說「查養老金」，系統自動關聯代發賬戶，展示歷史發放明細並推薦養老金理財組合（如國債+定期存款），數字人在交互中也會融入問候語（如「最近天氣轉涼，注意身體」），並根據用戶反饋調整服務節奏，顯著提升老年用戶滿意度，多了這點「人性化」是其他銀行暫時提供不了的服務。
除了適用人群增加外，上海銀行構建的「大模型+微模型」的協同體系包括大模型（如deepseek、qwen）提供通用智能能力，支持複雜任務處理和跨領域知識整合，例如使用通用模型分析宏觀經濟趨勢、市場熱點，識別用戶潛在需求。微模型（如文字識別、人臉識別）聚焦細分場景，在普惠金融、消費金融等領域實現高效應用。這種分層架構既保證了模型的靈活性，也進一步提升針對特定場景的精準度，如反欺詐微模型通過圖計算技術挖掘欺詐團伙，識別率超80%；人臉微模型實現智能櫃員機「刷臉取款」，誤識率低於0.01%。
據公測表現顯示，用戶每次交互後，系統自動更新相關標籤。例如，用戶通過手機銀行購買理財產品後，「風險承受等級」標籤即時調整；每月對用戶資產變動、消費模式等數據進行批量分析，更新「財富健康度」「消費活躍度」等中長期標籤；還基於深度學習模型預測用戶潛在需求，生成「教育金規劃意向」「跨境投資傾向」等預判標籤。
大模型驅動智能風控與精準服務雙升級
上海銀行的大模型技術已深度嵌入風險評估、反欺詐系統和信貸審批流程。據官方數據顯示，通過深度學習優化風險控制模型，顯著提升了風險識別的精準度和反應速度，反欺詐識別率超過80%。此外，大模型還可自動解析金融文本、識別敏感信息，生成風險評估報告，助力合規管理。通過大模型+私域知識庫構建知識問答體系，知識檢索效率提升60%，準確率提升80%，智能客服接通率從86%提升至95%，期間累計部署超400名數字員工，覆蓋營銷、運營等場景，節約人工成本超40人/年。
上海銀行新手機銀行可以通過nps（凈推薦值）模型分析用戶對話滿意度，例如某類產品推薦的拒絕率超過閾值，系統自動調整推薦策略，建議其降低該產品權重或優化。相比之下，其他銀行的對於理財推薦並不能很好進行配比，更多是推薦單一的產品（「單一」是指他們沒辦法做到推薦多款產品並給出對應比例的意見，只能提供推薦或者相關的產品列表）。
例如，當用戶需要進一步體驗智能客服的服務例如理財推薦、財富診斷等，也可以向智能客服輸入「財富診斷」、「資產分析」等需求（上為平安銀行、下為招商銀行）。可以看出每家銀行有不同的資產評分體系，但評估都是從流動資產、固收資產、權益資產、另類資產四個方面著手。在推薦理財產品更多還是傳統的選項模式遞進，這樣做出的推薦就相對「死板」，並且無法給客戶進行產品配比。
圖片來源@各銀行手機銀行
此外，在信貸審批場景中，上海銀行的新手機銀行可以整合「收入穩定性」、「負債比例」、「消費集中度」等標籤，生成類似於「還款能力指數」的數據；在財富管理場景中，結合「持倉偏好」、「市場敏感度」等標籤，推薦個性化產品組合。
全棧智能體平台+靜默感知交互雙引擎，定義城商行數字基建新高度
上海銀行整合螞蟻數科等頭部科技公司的技術生態，構建了從「算力-數據-模型-應用」的全鏈條智能體開發平台，支持多雲、多芯異構算力調度，算力利用率顯著提升。此外，其千卡雲算力集群可支持千億級大模型的訓練與推理，為業務規模化應用提供了堅實基礎。作為首家通過數據管理能力成熟度（dcmm）四級認證的城商行，上海銀行手機銀行實現了動態行為捕捉，即通過ai原生手機銀行的對話交互記錄，實時分析用戶提問關鍵詞、操作頻次等，動態調整風險承受等級標籤。同時，它也實現了跨渠道數據融合，整合線上（手機銀行、微信公眾號）與線下（網點智能櫃員機）交互數據，構建360°用戶視圖，例如，可以允許老年客戶在智能櫃員機的操作軌跡與手機銀行使用數據交叉驗證，優化養老金理財推薦策略。
上海銀行2025年部署的新一代智能櫃員機融合asr（語音識別）、vpr（視覺感知）、nlp（自然語言處理）技術，可通過手勢識別和情緒感知理解用戶意圖，例如靜默服務觸發，客戶凝視理財產品宣傳屏3秒以上，系統自動推送相關產品介紹，並同步調取用戶風險測評結果，生成定製化投資方案。相比之下，大多數銀行的智能客服的vpr（視覺感知）更多是運用在人臉識別方面，暫時還沒有靜默服務等功能。
作為首個ai原生手機銀行，其依託鴻蒙系統端的手機銀行以對話交互為核心，打破傳統功能界面，被業內視為金融服務模式的重大革新。通過與高校、科技企業合作，上海銀行探索「技術+場景+資本」的協同模式。
ai原生手機銀行的橫空出世背後，是「對話即服務」理念的落地。這一模式的核心在於，金融服務不再依賴固定流程，而是通過自然對話動態滿足需求。或許以後使用手機銀行，不需要再自己在眾多菜單和界面中尋找需要的服務，而只需要「交代」智能客服，用戶就會像身處銀行大廳有1對1的大堂經理進行手把手服務。（本文首發於鈦媒體app，作者｜李婧瀅，編輯｜劉洋雪）
更多精彩內容，關注鈦媒體微信號（id：taimeiti），或者下載鈦媒體app
