我们详细介绍广西麻将教程步骤图，以及如何使用广西麻将科技。虽然使用开挂可以轻松获得胜利，但对于一些有道德底线的玩家，他们更喜欢依靠自己的技巧和耐心来获得胜利，这才是真正体现游戏精神和价值的玩法。因此，我们在游戏中要遵守规则和道德底线，发扬游戏精神，体验游戏的真正快乐。

        一、什么是广西麻将辅助器？

        广西麻将通用辅助器是一款的辅助工具，可以帮助玩家在广西麻将中实现开挂。它的核心功能是透视，可以让使用者清楚地看到所有玩家的牌，同时还可以自动出优质牌，让赢得的胜利更加轻松。

        二、如何使用广西麻将通用辅助器？

        1、首先，需要下载并安装辅助器，安装完成后打开软件。

        2、进入专用辅助器后，在游戏框内点击软件绿色开挂按钮。

        3、这时候，透视功能就已经生效了，所有玩家手中的牌在你的眼中都是透明的。

        4、等待机会，自动出牌进行操作，轻松获得胜利。

        三、关于开挂的几点注意事项

        1、开挂会对其他玩家造成不良的影响，可能会被举报，导致账号被封禁和追查。

        2、开挂容易让玩家失去乐趣和挑战性，可能会厌倦游戏，从而影响游戏体验。

        3、使用广西麻将辅助器仅作为一种辅助工具，应在合适的场合下合理使用，遵守规则和道德底线。

        软件介绍:

        1.99%防封号效果,但本店保证不被封号.2.此款软件使用过程中,放在后台,既有效果.3.软件使用中,软件岀现退岀后台,重新点击启动运行.4遇到以下情况:游/戏漏闹洞修补、服务器维护故障、政/府查封/监/管等原因,导致后期软件无法使用的.

专题：第八届中国金融科技论坛 　　中国国际服务贸易交易会第八届中国金融科技论坛于9月9日在北京举行。北京银行战略发展部总经理丁志勇出席并演讲。 　　以下为演讲实录：   　　各位领导、各位嘉宾，大家下午好！今天我将围绕人工智能新趋势与商业银行数字风控转型展开分享，结合行业发展态势、前沿参会感悟与我行实践，探讨金融数字化风控的全新发展路径。 　　一、洞悉全球AI发展大势，把握产业变革新机遇 　　（一）全球AI产业呈现高速演进态势 　　2022年生成式AI迎来技术突破，推动全球人工智能从技术探索迈入规模化商用阶段。当前全球AI形成多国加速布局的发展格局，各国纷纷出台专项政策抢占智能转型赛道，智能化升级已成为各行各业的发展必然。其中，银行业凭借合规海量的数据积淀、标准化业务流程与成熟算力底座，成为AI落地场景最丰富、落地价值最突出的金融核心赛道。伴随AI智能体、多模态技术持续迭代，AI应用已覆盖业务全流程、管理全维度，人机协同、赋能增效成为金融风控主流发展模式。国内持续强化AI战略布局，密集出台政策推动AI与实体经济深度融合，鼓励金融机构依托人工智能优化风控体系，为银行智能化转型提供了良好的政策环境与产业支撑。 　　（二）金融行业智能化渗透持续加深 　　从行业落地实践来看，AI金融应用早已摆脱早期单纯堆叠算力、扩大模型参数的粗放式发展阶段，脱离了重技术、轻场景、弱落地的低效模式。现阶段行业核心发展逻辑，是以业务痛点为导向、以场景适配为核心、以价值落地为目标，依托大模型自主学习、多维度数据融合、实时动态研判能力，解决传统金融风控的固有难题。经过多年行业实践可以明确，AI的核心定位是赋能工具、辅助载体，而非替代人力，人机共生、智能辅助是金融风控的长期发展趋势。更重要的是，AI技术带来的不只是单一风控工具、业务流程的优化升级，更在深度重构银行传统的组织协作模式、业务运营逻辑、风险管控体系，为商业银行全维度数字化、智能化转型升级提供核心技术动能。 　　二、AI赋能转型，重塑商业银行数字化风控体系 　　（一）传统风控模式存在结构性短板 　　商业银行传统风控模式，长期依托企业历史财务数据与存量交易数据开展信用研判，以静态历史数据复盘经营状况，风险研判存在明显滞后性。该模式难以适配轻资产、高成长性的科创企业，无法有效挖掘企业赛道价值、研发实力等潜在增量信息，难以预判未来经营风险。同时，银行内部业务数据分散割裂、数据孤岛突出，结构化与非结构化数据难以融合，叠加人工经验研判效率低、主观性强、风险预警滞后等问题，传统人防式风控已难以适配当前金融高质量发展与精细化风险管控要求。 　　（二）AI技术引领风控体系革新升级 　　针对传统风控长期存在的各类结构性短板，AI技术为行业风控转型提供了全新解决方案，成为未来金融风控革新升级的核心驱动力。依托人工智能、知识图谱、大模型等前沿技术，行业可重构传统信用评估逻辑，搭建财务数据、交易信用与预期信用相结合的多维研判框架，既立足企业历史经营基本面，又科学预判未来成长潜力与风险走势。长远来看，AI将推动银行业风控模式从传统经验化“人防”，全面转向数据驱动、模型赋能的智能化“智防”，实现数据维度、决策逻辑、管控时效、风险视角、迭代能力的全方位升级，构建覆盖业务全流程、风险全周期的智能风控体系，成为未来商业银行精细化风险管控的主流发展方向。 　　三、深耕AI落地实践，打造“AI+金融”创新标杆 　　（一）搭建专属AI赋能平台筑牢转型底座 　　顺应金融AI智能化发展大势，北京银行紧扣数字化转型战略，立足自身业务特色与风控管控需求，自主搭建AIB人工智能创新平台。整合数据资源、算力资源与技术资源，构建统一的AI赋能基础底座，打破技术壁垒与业务边界，实现AI工具全员可用、业务场景全域适配、智能能力全程赋能，为智能风控落地、业务提质增效提供坚实技术支撑。 　　（二）深耕场景化AI应用实现提质增效 　　AIB平台以“大模型+小模型+场景化工具”的融合架构为基础，构建了覆盖“决策支持-业务赋能-客户服务”全链条的智能化服务体系，搭建基础模型应用平台、重点行业模型平台、知识管理平台、金融场景应用平台、办公智能助理平台，对接DeepSeek、通义千问等行业先进大模型，形成“智能应用矩阵、效率工具集群、创作助手生态”三位一体的功能架构，落地覆盖总行、分行、机构的多元化智能产品矩阵。基于大模型语义理解和泛化能力、Agent智能体技术，连接银行内部业务系统、办公系统、数据系统、操作系统，打通系统间数据、流程、制度壁垒，重塑系统流程和用户体验。通过将AI能力深度嵌入业务全流程，形成多维度协同、全链条联动智能管控体系，多项落地成果斩获行业标杆奖项、21项技术专利，获得市场与行业高度认可。 　　（三）坚持全域AI迭代升级擘画未来布局 　　立足行业智能化发展长远趋势，AIB平台将系统构建涵盖敏捷化产品研发、智慧化知识图谱、自然化人机交互、集约化平台建设、智能化场景应用、极致化用户体验的智能技术体系。通过打造多体智能协同平台、敏捷交付研发平台、全域知识管理平台、业务场景生态平台及AI+金融人才培养平台五大核心载体，推动AIB平台实现从“单点智能”向“多体智能”的全面升级。实现全员增能、业务赋能、成本优化与效率提升的核心价值，为北京银行数字化转型注入持续动能。 　　我的分享到此结束，谢谢大家！

专题：第八届中国金融科技论坛 　　中国国际服务贸易交易会第八届中国金融科技论坛于9月9日在北京举行。威海蓝海银行股份有限公司首席信息官田涵勇，中国出口信用保险公司审计部AI应用负责人孙晨宇，东亚前海证券数字化转型管理办公室总经理朱兆臣与吉林银行智能平台部副总经理马捷围绕“数智浪潮之下金融行业提质转型与生态重构”展开对话。 　　以下为对话实录： 　　主持人/马捷：感谢田总的介绍。各位来宾，大家下午好！我是本场圆桌对话的主持人、吉林银行智能平台部副总经理马捷。 　　当前，人工智能、大数据、云计算等新一代信息技术加速融入金融业务，持续推动金融业数字化、智能化转型。数智化已成为金融机构提升发展质量和服务能力的重要驱动力。今天，我们围绕“数智浪潮之下，金融行业提质转型与生态重构”这一主题，邀请银行、保险、证券领域的嘉宾，共同交流数智化转型中的实践经验、关键挑战与未来方向。下面，有请各位嘉宾上台就座： 　　田涵勇 威海蓝海银行股份有限公司首席信息官 　　孙晨宇 中国出口信用保险公司审计部AI应用负责人 　　朱兆臣   东亚前海证券数字化转型管理办公室总经理 　　让我们再次以热烈的掌声欢迎各位嘉宾！ 　　先请各位嘉宾用1—3分钟做简短自我介绍，并简要谈谈对本场主题的理解。首先有请田总。 　　田涵勇：我还是先做一下自我介绍，简单一点。我是蓝海银行的首席信息官。分管科技部、互金部，还有运营管理部等部门，总体都是偏向中后台的。 　　我们行是一家民营银行，可能和很多的同业不太一样，刚才和新网的詹总介绍的一样，我们是没有网点的，或者是只有一家物理网点的银行，业务只能在线上去做，尤其是对C端的业务。我们大概有8年左右的时间，在过往的这些年，在C端这一块做得还是不错的，包括整体的C端的，比如像消费信贷，整个大数据风控、获客等等，但是这两年会面临一个比较大的压力，C端因为新的政策，另外包括它整体市场环境变化，所以我们也在在对公端和B端的业务去转型，这一块我们之前做得不够多，所以特别希望通过今天的机会来向大家多学习。谢谢大家！ 　　主持人/马捷：感谢田总，下面有请孙总。 　　孙晨宇：感谢主办方的邀请，也感谢马总的主持。我是中国出口信用保险公司审计部 AI 应用负责人孙晨宇，非常荣幸参加本次圆桌对话。结合本次议题《数智浪潮之下金融行业提质转型与生态重构》，站在审计的数字化风控视角，我认为我们更多关注的是AI+审计业务的创新、合规治理以及行业生态稳健运行，提供独立客观的监督鉴证与价值赋能。 　　主持人/马捷：感谢孙总，下面有请朱总。 　　朱兆臣：谢谢马总，感谢主办方的要求，我是来自于东亚前海证券数字化转型管理办公室的朱兆臣。大家可能以为我是科技出身，其实我做了接近18年的财务，这两年才转到数字化转型管理办公室。 　　刚看到这个题目，我看可以类比数字化转型解读为数字化和转型两个动作，一个是先做数字化，然后再是业务的转型，这两件事情同步做，谁来做，这都是我们要讨论的议题，或者说我们要去解决的工作。数智化首先是哪些要做数智化？哪些要做转型？一个是动作，一个是主体。今天我也是想要和大家一起来探讨这个事情，在这个浪潮里面，我们的上下游、我们的生态该如何去改变，或者说我们如何去做这样的一个转变。谢谢。 　　主持人/马捷：感谢朱总，也感谢各位嘉宾的分享。下面进入讨论环节。首先请教田总：相较大型银行，中小银行在资源、数据和业务场景等方面存在差异。请您结合蓝海银行在普惠金融、零售金融方面的实践，分享AI、大数据在智能风控、客户精细化运营、小微金融服务等场景的应用成效。同时，中小银行在数字化转型过程中，容易出现技术堆砌、投入产出不匹配、技术与业务脱节等问题，贵行如何平衡技术创新与业务需求，实现精准提质增效？ 　　田涵勇：马总这个问题还挺长的。说一下过往做的成果，民营银行大部分虽然非常小，但是在交易量上面，比如类似你刚才提到的C端的消费金融，过往的交易量累计都在万亿左右（指放款量），相对于一些小微服务的，我印象中有一个票据秒批的产品，作为一家非常小的银行，我印象中交易量曾经在全国的银行里面都可以排在非常前面，一年可以在万亿左。我在想小银行也可以做创新的产品，因为现在有一个科技平权，当然也提到AI平权，有些场景，就像我刚才所说的票据贴现的它是一个小微的，整体上来说只要真正去发现客户所需要的痛点，你去解决它，过往在技术上来说并不是难点，技术的难点是业务流程的梳理，这个就是有足够的产品经理，这是业务方面。另外最难的是什么？就是所谓容量等方面。但是这么多年在高并发、高性能上面，我觉得对科技团队，我觉得这个不是太大的问题。这是过往的一些事情。 　　刚才马总也提到，比如说小银行和大银行相比，我觉得这个会天然有劣势，尤其是在科技投入上面，小微银行没有那么多的科技投入，过往大家都会提到马太效应等等，我觉得这个是一个客观存在的，尤其是在前几年AI刚出现的时候，这个差异就会非常大，因为当时AI投入是非常巨大的，大银行的投入大家都是看得非常多，小微银行几百万都拿不出来，去做算力的服务器。 　　但是这两年我倒是觉得还会好一点，因为这两年虽然说硬件的费用在上涨，但是因为大模型本身，尤其通用大模型本身这个能力的提升，其实现在我感觉可以做AI平权，包括在我们行也在做AI应用，但是我们没有做到整体的业务流，我们更多的是做人的伙伴，主要是帮员工去解决两类问题，一类就是他觉得繁琐的事情。一类是他的能力达不到需要请顾问的地方，所以我们请AI来帮他，（作为）打杂工，或者帮他做指导顾问。我们看下来对整个算力的消耗，尤其是今年出现几个新的大模型，比如DeepSeek V4 Flash，或者千问3.8 FLlash等等，我们正在对这些模型做测试，目前测试结果这些模型对算力的支持反而要求更低了，我觉得这个是有信心，而且现在整个AI开发的成本，如何只有应用端，其实并没有原来想象的那么高，小银行在这方面有信心，我觉得大家一定要去做。如果不做的话，让普遍的各个部门对这个AI的能力都没有认识，未来一定是非常麻烦的。所以我想我们先去培养这个意识，先做起来，先做点，今天上午很多嘉宾都提到了AI的路径，包括未来到面，包括整个安全的管控。我们作为小微银行如果连点都不做，一定是没有希望的。马总，我就讲这些。 　　主持人/马捷：还有一个问题请教田总：面对数据孤岛、生态协同不足以及创新与合规平衡等挑战，中小银行应如何找准自身定位，联动科技企业、同业和产业各方，共建更加适配中小银行的金融科技生态？ 　　田涵勇：马总的这个问题，目前没有特别好的答案，我们现在在苦苦的摸索现在提到的这些问题，尤其要应对的业务转型，这个是最难的。刚才也提到，要和市场上不同的科技企业、不同的其他的平台，大家互相去取长补短。因为科技企业，它在行业内做过大行的，有些小行的不一定做过，经过大家不同的交流或者适配，也可以给我们带来很多新的启发。虽然现在是没有答案，但是我相信大家一起去互相支持，互相帮助、互相相信，一定是能够一起成长的。 　　主持人/马捷：感谢田总的分享。接下来请教孙总：作为中国出口信用保险公司审计部AI应用负责人，您所在机构具有业务专业性和较高的合规要求。请您分享AI在信保审计、风险监测等场景的应用实践，以及在跨境业务中如何把握AI赋能与审慎风控之间的平衡。 　　孙晨宇：首先感谢马总，接下来我来介绍一下我的一些思考，在审计与风险监测的场景中，AI 的价值在于提升信息处理效率，而非替代人类判断。我始终坚持“AI 辅助、人工决策”的原则，具体实践可分为三个层面： 　　第一，AI 做审计基础工作的“全量初筛”。审计工作中，大量时间耗费在制度的解析、合规问题比对、数据一致性检查等基础性工作上。利用 RAG技术，可以让 AI对接制度库文件，结合大模型和规则校验的文本分析能力，自动完成规则匹配、异常标记等初筛工作。AI先一步完成比对和初步关联，将原本需要数天核对的业务数据分析工作和制度文件整理工作压缩至分钟级，不过该功能输出的仅是“审计线索+证据链”，绝不给出“合规”或“违规”的审计结论。 　　第二，人工做“专业判断与 Skill 沉淀”。AI 完成初筛后，审计业务人员基于专业经验对线索进行复核、定性，并将成熟的判断逻辑提炼成可复用的 Skill。这些 Skill 又反哺 AI 系统，形成“AI 初筛→人工提炼→规则固化→AI 再应用”的闭环。这既发挥了 AI 的分析优势，又确保了专业判断的核心地位。就比如在审计业务人员查证完一个问题后，将独立的查证方式形成可复用的思路，让AI依据该思路持续分析不同分公司的同类问题，实现经验的可复用性。 　　第三，决策权始终保留给业务人员。无论 AI 分析得多么深入，最终的风险定性、承保决策、审计结论，都必须由业务人员基于全面信息最后给出。AI 的角色是“高级参谋”，提供数据支撑和逻辑参考，但绝不越界成为“决策者”。 　　总结来说，AI加审计场景下的平衡之道在于：让 AI 做信息初筛，业务人员提炼专业思路形成 Skill，但风险定性、责任承担、最终拍板，永远属于人。这种人机协同既释放了技术效率，又守住了审慎风控的底线。 　　主持人/马捷：结合刚才的回答，还想请您谈谈：为什么业务人员需要学习AI、理解基本的数字化思维？这对人机协同、提升审计效能有哪些实际帮助？贵司又通过哪些方式让业务人员真正参与AI应用建设？ 　　孙晨宇：关于多源数据环境下的数据治理与AI建设，我的核心观点是：从“AI替代人”转向“AI武装人”，实现“一岗一数字员工，一人一数字团队”。 具体从三个方面汇报： 　　第一，夯实数据治理根基，让数字员工“有数可用”。多源业务数据分散在保单、承保、理赔等系统中。我们探索的是：打破数据壁垒，建立统一的数据资产；将各类隐性知识显性化，形成AI可解析的规则库。这正是数字员工运行的“粮草”。 　　第二，建设懂业务的AI模型，让数字员工“能干会干”。这里的关键是人机边界设计：AI负责初筛和提示，定性决策权始终保留给业务人员，每个岗位配备专属数字员工。 　　第三，推动人机协同落地，让业务人员“驾驭AI”。“一人一数字团队”意味着业务人员不再是“一个人”，而是指挥一个数字团队：规则解析员、数据比对员、风险预警员。人的角色从“执行者”转变为“判断者+训练师”。现在的逻辑大多是要求业务人员理解AI能力边界；精准描述业务需求；但是新一代的AI逻辑则是可以自主分析用户问题，成为一个真正的岗位员工，逐步的将审计人员的经验转化为可复用的Skill，反哺数字员工进化。 　　最后，数智化转型的终点不是“机器换人”，而是“人机共生”—让每位审计人员都拥有专属的数字团队，在数据治理的沃土上，实现真正的审计业务赋能。 　　主持人/马捷：感谢孙总的分享，下面请教朱兆臣总，作为东亚前海证券数字化转型管理总经理，券商类的业务场景丰富，对AI和数字化有很强的现实需求。首先想请您分享，贵司在数字化转型过程当中，AI在投研、运营、风控等业务场景的路径情况，面对业务需求复杂、投入产出权衡的难题，券商如何避免基础建设与业务实际脱节？ 　　朱兆臣：感谢，这个问题还挺全的。今天一天我也听了一下，上午有一家券商，下午有两家券商的分享，他们基本上把我们所投研、投行、自研、资管、财富方面，他们所做的那些事情，或者他们所有的需求，我们和他们是一样的。我们作为小券商，更想要谈的是什么呢？他们有资源，他们有卡，有更多的算力，我们缺的是算力，我们现在只有一台24G显卡的GPU的服务器，在上面去验证一些小模型，我们如何去用AI呢？如何做数智化转型呢？我认为先把数字智能再解释一下。数是数，我们心中要有数，或者我们系统中要有数，或者我们的业务行为要落成数，这都是数。 　　什么叫智呢？前几年我们在谈的智能，可能叫商业智能，叫BI。后面又出了RPA，相对有AI的一种感觉，但也是一种智。现在又出了Agent，也是一种智。这三种智参与到数智化转型，除了这些之外，还有其他更多的“智”参与进来，我们的智会越来越丰富。我们不能说今天AI是主力了，就忘了前面的“智”。 　　我们想推进的一个数字转型是怎么样推进的呢？我们是以文化为引领，为什么要提以文化为引领这件事情？这是我一直比较主张的一件事情。很多公司是提科技引领，我说一定要文化引领。因为我们公司比较小，只有320多人，需要一个切实可行的组织方式推进数字化转型。如果提科技引领，很多业务部门的人可能就认为自身要具备科技的能力才能够干这件事。第二，有些人认为只有科技部门才能干好这件事情，这件事情推到科技部门去了，也就是说，说数字化转型的事是科技部门的事。我为什么说要做文化引领这件事呢？文化引领解决了大家都共同认可的，公司有一个数字文化，做的所有决策都要基于数据，大家基于同样的数据去做这个判断的，是正确的程序化决策。 　　说到这儿之后大家才能理解，那我们公司的数字化该怎么去推呢？我刚才讲的不管是BI也好，RPA也好，我们公司所有的BI数据分析师，或者做看板也好，给领导做驾驶舱也好，全部来自于业务部门，没有一个是技术部门。还有做RPA开发的，也全部是业务部门的，没有技术部门。我们通过培养业务技术性复合型人才，实现了数字化转型，也可以说是数智化转型。 　　现在推广AI，我同样的理念给大家宣传。因为我们现在没有算力，我们只能够借助一些市场免费的工具，或者我们少花一点钱去买一些公有云的算力AP，让大家先去验证。现在的发展速度太快了，拿前年来说，DeepSeek R1出来之后，在R1出来之前，很多券商都做了自有的大模型的调优，那会儿有的已经花了2、3千万了，有的企业投入接近上亿了，结果一个R1出来之后把所有的投资全部都打掉，几乎没有用了。包括现在的大模型还没有达到相对稳定，我们现在在观察、研究、跟进AI发展趋势，或者去思考如何去用。我们怎么用呢？客户的数据是上不了云的，我们没办法用，那么做什么事情呢？比如说投行里面，现在很多的底稿归档，是有PDF的、Word的，又有jpg的、扫描的，各类的文件都有，他需要在这个项目结束之后，归档之后，这是监管机构要求的，必须是存档多少年的数据。以前是人工去归档，一个项目要一两个小时、两三个小时才能归完这些数据，用AI去开发一个小工具，只要这个项目文件夹里面的命名，1、2、3、4、6、7、8命名排序，自动就归档完了。开发的工具也都是业务人员自己开发的，开发这个工具不到半个小时就开发完了。归档这个事情，一个项目归档十分钟就完成了。这种工具，我们只能换一种方式来想，不能够直接用AI的时候，我可以用AI开发一些工具帮助我们提效，这是一种方案。 　　还有一种方案，我们有一些不敏感的数据，脱敏之后的数据，我们做一些投资的绩效归因分析，这个事情就是我脱敏之后，不是敏感数据了。归因分析可能分析去年和今年的对比，去年牛市，今年市场的波动比较大，到底我们钱赚到哪里？到底是从交易赚到的钱？还是我们持有赚到的钱更多一点？这个分析下来之后，大家可以看到，卖的时机好还是买的时机好，也才能够看出来。 　　这样的Skill出来之后，是通用的，给到同事，他们都可以用这个Skill去验证自己的投资逻辑是不是正确的，或者验证自己的操作有哪些是可以改善的，这些是我们可以做的事情。不能做的事情先暂时不做，因为我们没有资源、没有卡，未来会不会有更多卡呢？目前还不清楚，但是希望是越来越好，可能会有一个上下游的资源。刚才讲生态应该给我们做些什么东西。 　　我们上游，我更希望有一些类似专属金融云或者借用银联云，这样一些可信的云。如国家给银行业推可信数字空间，大家把数据都推到同样一个可信数据空间。如果证券行业和其他的行业，或者金融行业，能够有专属云，这些工具和模型都在这个云上，小券商也好、小银行也好，都能够公用，这是我们期待的上游的生态。 　　下游的生态，我们期望是什么样的生态呢？我们做出这么多AI的东西来，我们怎么去服务到客户？金融行业所有的人可能跟我们企业的目标都是相近的，希望自己的客户财富能够更好、更稳健的增长，就是我们这些服务怎样触达客户呢？现在很多是通过AI去问，或者通过服务客户人员推荐，能够实现这样的一个转化。 　　那我们更希望，如果在AI的生态里面，他能够通过连接器、Skill，或者说我们提供的一些电子化的服务，通过AI之间的连接，我们的AI和客户的AI的连接，来实现Agent跨上下游的连接，我觉得会更好一点，这是我的分享。 　　主持人/马捷：感谢朱总的分享。您刚才提到的低成本使用AI、借助AI开发工具等做法，我很有共鸣。对中小金融机构来说，算力资源有限并不意味着要错过AI发展机遇，关键是找到与自身资源禀赋相匹配的应用路径。我们也在关注可信算力等外部资源，希望通过更灵活的方式提升AI应用能力。这些问题具有较强的行业共性，值得同业之间相互借鉴。谢谢。 　　朱兆臣：我要补充一点是？小的公司确实需要这样的一些机会，好用的小模型也是一个路径。如智能问数这件事情，原来的技术路径NL2SQL，会有很多幻觉，或者问的数据会超越权力边界。我们现在也在尝试，尝试通过AI问数据模型这种模式，在问数的准确性上有很大很高了。也许可以用一个30B左右的模型就可以跑起来，我现在只需要再加一张GPU卡就可以把智能问数这件事完成了，换一个思路，可以低成本的形式来用AI。 　　主持人/马捷：好的，感谢朱总。下面我结合城商行实践，谈两个问题。 　　第一个问题，是银行数智化建设过程中如何打通数据壁垒，让算力和数据能力真正赋能业务，避免平台建设与业务脱节。 　　先谈数据基础。我们较早建立了专门的数据管理机制，并持续推进数据中台建设，统一管理数据资源，逐步打通部门间的数据壁垒。我的体会是，没有高质量的“数”，就很难形成可靠的“智”。随着大数据和人工智能技术的发展，数据处理能力大幅提升，但数据质量仍是决定智能化应用效果的基础。我们也在探索用AI辅助数据治理，提升治理效率，让更高质量的数据支撑智能化应用。归根结底，数据治理要先做扎实，智能化建设才有可靠基础。 　　再谈如何避免平台与业务脱节。我们在开展AI研究和实践之初，就坚持从真实场景、真实痛点出发：用AI不是目的，解决问题才是目的。前期我们选择少量业务痛点场景先行验证，在实践中积累经验，再逐步把有效做法工程化、体系化。在此基础上，我们形成了AI应用规划纲要，并启动“吉智工程”专项建设，围绕重点场景逐步完善AI中台、知识平台等基础能力。整体路径可以概括为“从场景出发、由点及面、逐步体系化”。 　　第二个问题，是在行业快速转型、生态重塑背景下，城商行在数智化建设中如何找准定位，联动同业科技机构和本土产业场景，打造轻量化、高适配、高时效的数智服务体系？ 　　我认为一个关键点是把投入产出账算清楚。我们在推进AI项目时，首先同业务部门一起明确需求、预期效益和业务价值，并据此确定优先级。高价值、刚需场景优先推进；价值不清晰的场景则审慎投入。另一个原则是，不为AI而AI。能用RPA等成熟技术高效解决的问题，就不必强行使用大模型。选择最合适的技术解决具体问题，才能真正实现提质增效。 　　再谈轻量化。我们的基本思路是，不盲目追求模型越大越好，而是根据具体场景选择“够用、适配”的模型。了解前沿模型能力很重要，但在真正落地时，更要回到业务需求、成本和效果本身：能够以较小模型、较低成本稳定解决问题，就没有必要一味追求更大参数和更高算力。也就是说，模型选择应以场景效果和成本效率为核心。 　　在生态协同方面，我们也在探索与高校开展联合研究，围绕大模型等方向攻关，同时关注可信算力等外部资源的协同使用。对于中小金融机构来说，很多前沿问题仅靠自身力量难以深入推进，需要借助高校、科技企业和同业的专业能力。我们也期待大型金融机构在合规和风险可控的前提下，加强成熟经验、通用能力和行业知识的共享，帮助中小机构降低试错成本、提升转型效率。 　　主持人/马捷：各位嘉宾，围绕今天的主题，还有哪些观点想补充？ 　　朱兆臣：我就补充一句话，数智讲完了，转型没有讲。我认为所有的转型都是业务转型，业务部门只有承担起了转型的主体责任，你这个公司才有希望，如果只是IT在转型，这个是没有希望的，所以就这一句话，业务部门由业务部门承担，它是主体责任，就可以了，谢谢。 　　主持人/马捷：朱总刚才强调了业务部门在提质转型当中的重要性，我非常认同。无论是AI应用还是传统数字化建设，“业技融合”最终都要落实到业务与科技共同解决问题，只有业务部门深度参与、科技条线协同支持，才能更好地推动金融机构提质转型。朱总刚才的发言点出了关键，给我们很好的启发。 　　所以，真正的业技融合，不是业务或科技单方面推动，而是业务部门主动参与、科技条线协同支持，共同把转型往前推进。朱总刚才的观点点出了关键，也给了我们很好的启发。 　　主持人/马捷：刚才，三位嘉宾分别从银行数字化转型、保险AI风控应用、证券生态协同等角度分享了实践与思考。可以看到，金融行业的数智化转型不仅是技术工具升级，更涉及业务能力、运营模式、风险管理和生态协同的系统性提升。未来，金融机构还需要进一步推动数字技术与业务场景深度融合，在提质增效、风险防控、服务实体经济和开放合作等方面持续探索。感谢各位嘉宾的真知灼见。 　　今天的圆桌对话到此结束。再次感谢各位嘉宾的精彩分享，也感谢各位来宾的聆听。第八届金融科技交流会圆满结束，期待明年再见。谢谢大家！