来源：金融电子化
随着生成式AI掀起新一轮科技浪潮，数字金融生产工具与生产关系将迎来全新变化，围绕AI开展的整合、重构与创新不断在发生，应用形态加速向以AI为核心的原生设计发展，悄然驱动着数字业务、科技架构、人才技能与组织模式的演化。在此背景下，民生银行坚持贯彻中央金融工作会议精神，全力推进数字金融建设，构建“大模型+智慧X”应用生态，围绕8个领域推进覆盖近100个细分场景的30余项大模型应用落地，积极推动业务数智化发展。根据金融AI原生化趋势，本文面向科技与业务的管理者、金融从业人员提供AI应用进阶发展的理论与实践的参考。
中国民生银行信息科技部
副总经理 李晓东
中国民生银行信息科技部
创新研究团队处长 林冠峰
理念升维：从大模型到AI原生
1. 洞察新变化
随着大模型技术的不断发展，模型能力持续稳定提升，智能体能力逐渐清晰，工具集成能力趋于标准，大模型商业化应用的实现路径初见端倪。当前，商业银行的数字化产品与服务大多面向流程开展系统设计与研制。以流程为核心的思维模式下，大模型技术的运用仍以AI工具嵌入为主流形态。随着商业银行运用大模型在各领域广泛实践，基于LUI（语言交互，Language User Interface）交互模式的数字化应用逐渐走上舞台，形成了一种以模型与知识为驱动的应用模式。AI应用逐渐从初级AI工具形态蜕变，呈现出AI原生应用形态。
2. 把握新趋势
在金融行业的云原生实践中，我们认为云原生本质是高效容错、弹性伸缩，而面向金融AI原生探索，本研究基于业界研究、领跑者企业观点与行内技术实践，提出AI原生的核心思想。一是目标驱动的执行模式能力；二是持续学习能力，以及经验积累和知识沉淀、融会贯通能力；三是流程、工具使用和执行能力；四是价值判断和行为约束能力。基于上述核心思想，结合金融行业高知识密度与高合规性的特点，金融级AI原生将有如下核心技术支撑。
● 自然语言交互。以拟人化交互形态重构AI产品。
● AI内置/深度集成。通过智能体、AI Workflow框架等编排能力，连接数字化能力，为AI提供行动“插件”。
● 数据驱动与基于知识服务的基础设施。对知识、经验等信息存储、加工、服务，形成高质量数据供给。
● 自适应与自主决策。围绕任务目标对作业进行推理思考、步骤拆解与决策执行。
● 持续与自主学习。经反馈采集形成AI数据反哺，并通过离线或在线学习等方式让模型迭代。
● AI安全。不断完善AI安全风险治理体系，形成对模型、数据、应用等全方位的评估、监督与管控。
图1 金融云原生与金融AI原生的技术特征
技术演进：金融AI原生发展思考
1. AI应用进阶发展
在金融行业，传统应用向AI原生的进阶，实质上是AI思维的一场革新。商业银行需要重新审视其业务功能，思考如何将AI技术深度赋能数字化业务，并配置相应的风险控制手段，即金融业务数智化。AI原生应用通常需围绕AI优势去开展业务设计与研发。结合金融研发对安全、效率、可控的严谨要求，走向AI原生的数智化道路需循序渐进、层层递进，借鉴业界研究可将这个过程分为“+AI”与“AI+”两个发展阶段。
图2 金融AI原生进阶两大阶段四种形态
（1）“+AI”阶段
AI增强型应用占据主流，本研究认为会出现插件式（AI-bySide）、内嵌化（AI-Inside）两种应用形态。插件式形态下，AI是主应用的附加功能，即便没有这个智能化插件，也不会对用户使用产生颠覆性影响。而内嵌化形态下AI的作用会更加显著，主应用个别功能对AI产生依赖，没有AI能力加持，用户体验会大打折扣。
（2）“AI+”阶段
全面进入AI原生时期，代理型AI、自主AI等应用浮现。此阶段将出现合作式（AI-Symbiotic）和自主化（AI-Driven）两种应用形态。合作式AI即人类与AI协同作业，人类在协同过程中会不断监督、调整与评价AI执行结果；自主化AI则是由AI自主完成任务，由人类或明确的监管规则验收最终执行结果，建立在对AI行为的自动化评价与监督体系的基础之上。
2. 架构演化思考
顺应AI原生化发展，金融IT架构演进的实践也需循序渐进、变中求稳。商业银行在营销、运营、风控等领域的大规模AI实践，驱使IT架构在各层次适应AI应用原生化带来的改变，应用构建方式将从“流程驱动”转向“目标与知识驱动”。
图3 架构演进路线
（1）AI增强云原生架构
在“+AI”阶段，随着银行AI大规模应用，基于云原生的金融科技架构中各层次的AI“成分”将越来越多。在DevOps实践中，生成式AI率先面向研发全流程提质增效，形成AI增强软件工程体系。同时，以模型生命周期管理为指引，基于企业级AI基础平台形成AI能力供给，并不断在应用层完善包括智能体、MCP、LUI框架等基础技术支撑，大力支持业务智能化发展。
（2）AI原生架构
随着基础模型能力的显著提升，任务规划、工具链接、反馈记忆、多智能体协同等方面高速发展，AI应用的自主化水平得以进一步提高。通过AI增强云原生架构的充分实践，商业银行逐步积累了丰富的AI应用资产，包括任务智能体、工具、模型服务等，未来软件开发将围绕多智能体系统（Multi-agent System）设计模式展开，支持目标驱动的企业级AI任务共享与协同，建立面向场景的快迭代能力（AI受教育），构建AI评价监督或治理体系（AI健康）。
进阶探索：AI原生理念指导大模型实践
1. 工程支撑技术探索
未来的金融科技架构要迎接从“流程驱动”向“目标驱动”的转变，需支持自主规划、细分专业的智能体应用生态及智能体间层级合作模式。民生银行稳妥推进总体技术架构向“AI原生”演进，在以下三个方面开展技术实践。
专业研发方面，规模化支持应用系统向原生化智能形态迁移。构建LUI前端标准框架支持，降低前端研发门槛；在行内标准Tesla后端Java框架基础上，研制MCP（应用市场、MCP交互框架等）、AI Workflow套件。
低代码方面，面向长尾智能化应用需求搭建内部开放平台。构建统一Agent平台，面向开发人员、BA（业务分析师）人员、业务人员提供AI Agent的自助配置、发布与应用的门户。
AI基础建设方面，夯实智能共享中台与模型能力供给。通过AI中台纳管大模型生成服务、RAG服务等，强化AI能力编排；构建大模型集约管理设施、公共大模型实验环境；加强大模型公共安全能力。
2. AI原生项目探索
（1）价值思考
银行数字化转型未来向智能化跃迁，需将智能技术融合至数字化重点应用场景中，对工作效率、客户体验带来更大的提升。构建AI原生应用是银行业务智能化的进阶探索，具备四点核心价值：一是提升标准化工具的执行效率，二是提高标准化工具应用水平，三是加强人员专业化技能，四是增强人员专业化知识。
（2）应用实践
各银行都在积极运用大模型解决业务问题，而当下的落地实践仍普遍以局部化应用为主流，卓越AI案例仍不多。构建AI原生应用是业务智能化重塑的AI产品进阶方法之一，需要明晰指导设计的工作框架，以实战培育参与者AI素养，拥抱研发模式变化。而当下的技术焦点，是让大模型产品设计从单一的工具视角转向具有一定适应性的代理视角（Agentic AI）。
财富管理智能体应用探索。民生银行面向财富领域研发了财富管理AI助手。在设计方面，通过总分支机构业技融合，采用价值链分析方法，开展端到端作业AI重塑设计、能力差距分析，形成AI原生产品设计的关键输入。在研制方面，以知识为核心构建涵盖财富类产品、经营策略、运营等领域的财富知识库，依托模型评估、安全护栏等AI安全机制，基于自然语言交互模式打造贯穿需求识别、产品推荐、产品解读与比对、推荐话术、信息触达等环节的人机协同形态，深度集成财富管理数字化能力，提升人员作业工具执行效率。同时，该应用也逐步向总体零售营销数智化体系延展。
图4 财富管理AI原生产品探索
AI4SE（智能化软件工程）实践。作为信通院AIIA（人工智能产业发展联盟）成员、2024年度AI4SE优秀单位，民生银行积极承担软件工程大模型应用的行业课题，以理论研究带动AI4SE（智能化软件工程）实践，通过研发全流程价值链分析，针对规模化重点应用开展落地。一是总体搭建涵盖科技产品、研发规范、流程、安全等科技知识库，赋能科技知识运营。二是基于自然语言交互模式以插件形态构建代码生成研发辅助工具，有力支撑敏捷研发。三是研发智能体，通过AI与DevOps工具、科技系统的深度集成，支持技术分析、质量管理、运维保障、知识运营等场景。此外，开展“大模型安全风险管理及应用评估能力体系建设”项目研究，并率先在AI4SE场景中落地实践。
图5 AI4SE技术探索
未来展望
在AI技术加速渗透金融业务各环节的当下，推动AI有效落地成为金融数字化转型的关键命题之一。从价值锚定到困难突破，应构建清晰行动框架，精准应对潜在挑战。AI落地的行动体系，需围绕价值、组织、人员等维度有序展开，通过工程、治理与数据体系的构建，打造创新试错的技术文化，积极培育员工AI素养，让AI应用从“技术尝试”转为“全员共识”。
AI落地并非坦途，我们仍需清晰认识关键梗阻。流程适配难、拓展性不足、逃避集成等类似RPA的陷阱需警惕；易被忽视的就绪数据获取也是另一难题；构建负责任AI并非一蹴而就，仍要在算法公平性、决策可解释性等方面持续投入；成本管理更是贯穿始终，高昂技术资源集约化管理迫在眉睫，而同时也需紧跟技术迭代，避免技术滞后带来的应用竞争力下滑的困境。
面向数字金融新征程，民生银行始终坚持以业务为导向，探索金融科技发展新路径，聚焦未来智能化能力布局，运用AI原生理念进一步促进我行IT架构向BioFaaS（仿生金融服务）愿景迈进，推动金融科技架构演进、研发模式转变与AI人才培养，促进新的数字化生产力和生产关系的发展。
参考文献：
1. 《AI原生云建设与加速指南》-腾讯、Gartner-2024年7月
2. 《大模型安全实践(2024)》-清华大学、中关村实验室、蚂蚁集团-2024年7月
3. 《MaaS框架与应用研究报告(2024年)》-中国信息通信研究院人工智能研究所，中国人工智能产业发展联盟-2024年6月
4. 《探索未来产品形态-AI Native 产品设计思考》-Yeutz Chen YeutzDesign 公众号-2024年06月
5. 《AI Native技术重构软件产品白皮书》-亚信科技、清华大学智能产业研究院、Intel-2024年5月
6. 《向AI而行共筑新质生产力-行业大模型调研报告》-腾讯-2024年5月
7. 《2024-AI原生应用生态白皮书》-百度、IDC-2024年4月
8. 《White Paper-Cloud Native Artificial Intelligence》-CNCF-2024年3月
9. 《2024年金融业生成式AI应用报告》-清华大学、百度-2024年1月
10. 《中国金融科技生态白皮书(2023年)》-中国信息通信研究院-2023年11月
11. 《银行业生成式AI应用报告》-BCG-2023年8月
12. 《从云原生视角看AI原生应用架构的实践》-阿里云-2024年6月
13. 《White Paper-Cloud Native Artificial Intelligence》-CNCF-2024.03
14. Chan, A, C Ezell, M Kaufmann, K Wei, L Hammond, H Bradley,E Bluemke, N Rajkumar, D Krueger, N Kolt et al.,《Visibility into AI Agents》arXiv preprint arXiv:2401.13138, 2024.
15. Z. Durante, Q. Huang, N. Wake, R. Gong, J. S. Park, B. Sarkar, R. Taori, Y. Noda, D. Terzopoulos, Y. Choi, K. Ikeuchi, H. Vo, L. FeiFei, and J. Gao,《Agent ai: Surveying the horizons of multimodal interaction》arXiv preprint arXiv:2401.03568, 2024.
16. Ericsson, 《Defining AI native: A Key enabler for advanced intelligent telecom networks》 Feb,2023
17. Yao Lu, Song Bian, Lequn Chen, Yongjun He, Yulong Hui, Matthew Lentz, Beibin Li, Fei Liu, Jialin Li, Qi Liu, Rui Liu, Xiaoxuan Liu, Lin Ma, Kexin Rong, Jianguo Wang, Yingjun Wu, Yongji Wu, Huanchen Zhang, Minjia Zhang, Qizhen Zhang, Tianyi Zhou, Danyang Zhuo,《Computing in the Era of Large Generative Models:From cloud-native to AI-native》arXiv:2401.12230, 2024
