大模型，即大规模预训练模型，是指参数量达到亿级甚至千亿规模的深度学习模型。大模型的“大”体现在“大数据+大算力+大参数”——不仅参数量从数十亿到数千亿不等，而且在训练过程中涉及的数据集极为广泛和多样，覆盖文本、图像、语音等多种模态信息。除此以外更重要的是其背后的算力支撑，采用无监督学习或者强化学习的方法，在无标注或弱标注的数据中进行预训练，从而学习到丰富的上下文信息和跨领域的知识表达，展现出强大的泛化能力、丰富的表征能力以及优秀的迁移能力，实现跨领域复杂任务的高效率处理。大模型正引领金融行业迈向更高层次的智能化、个性化和高效化，不仅改变金融服务的供给方式，也深刻影响着整个行业的竞争格局和发展方向。然而，目前大模型在政策性金融领域的应用仍面临场景复杂、需求多样和落地难度大的挑战，如何有效构建适配该领域的技术架构和解决方案，成为亟待研究的关键问题。段盛华凭借其对政策性金融的深刻理解与技术洞察，提出并主导了大模型在农业政策性金融领域的创新应用。这一技术不仅有效整合了人工智能、大数据与金融科技，还为数字金融的全面升级奠定了坚实基础。

出生于1974年的段盛华是金融科技领域的资深专家，他是北京大学和深圳证券交易所应用经济学博士后，中国人民大学企业战略管理专业博士，中国人民大学中国市场营销研究中心研究员，曾先后在中信信息科技（CITIC Information Technology）、上海金浦产业投资基金（GP Capital）、深圳证券交易所（Shenzhen Stock Exchange）、证监会（CSRC）发行部等机构工作。近年来，段盛华在政策性金融领域的探索取得了重要成果，他将金融大模型技术引入全域风险管理的核心实践中，构建更精准、更全面的风险模型，为金融机构在市场风险、信用风险、操作风险等多维度的评估与管理提供了有力支持。

为了解决政策性金融领域场景复杂、需求多样以及技术应用落地难的问题，段盛华及其团队提出了一种新型四层架构，包括基座层、模型层、中间层和应用层。段盛华介绍，这一架构以云原生容器服务为底座，结合分布式计算框架和深度学习技术，显著提升了模型训练与部署的效率，为政策性金融领域的数字化转型提供了高效、灵活的技术解决方案，有效应对了复杂场景下的实际需求。

在谈及其研究的核心思路时，段盛华指出，大模型是数字转型（DT）时代的产物，标志着人工智能技术的一次重大突破，尤其是在自然语言处理（NLP）、图像识别、推荐系统等领域。基于这一技术，段盛华团队在全面推进数字化转型过程中，依托大数据资源，探索大模型技术在农业政策性金融领域应用，充分释放其强大的数据分析能力和知识理解能力，并与小模型、移动端以及数据中台结合，深化对数据资源的挖掘与运用能力，共同构筑起一个多元化部署与互联互通的数智服务新生态，优化政策性金融服务模式，创新金融产品矩阵，提升客户服务体验，在数字服务、数字管理、数字决策、数字运营、数字监督等领域赋能，推动数字金融蓬勃发展。

通过大模型技术，段盛华的研究为政策性金融的五大领域注入了智能化动力。其中，在智能数字服务领域，利用大模型与人工客服的结合，提升了客户互动体验，精准匹配了客户需求曲线。在智能数字决策领域，构建ChatBI工具，以自然语言实现了联农带农等业务的智能化分析与趋势预测。在智能数字管理领域，依托大模型的RAG检索增强生成能力，优化了知识查询与政策解读效率。在智能数字运营领域，通过自动化与智能化流程提升运营质量，释放了人力资源用于创新领域。在智能数字监督领域，将大模型应用于风控与审计中，显著增强了风险预警的敏锐度与合规管理效率。

在数字化、智能化深入推进的背景下，“三农”客户对金融服务的需求日益趋向个性化、特色化及差异化。段盛华敏捷洞察数字时代客户服务需求变化，深度融合大模型技术创新，优化政策性金融服务模式，紧贴客户需求打造个性化数字服务。通过这一创新举措，不仅显著提升“三农”客户体验与忠诚度，还有效推动了金融服务效率与质量的全面提升。段盛华进一步指出，未来行业的重点方向在于如何更好地实现大模型技术与政策性金融需求的深度整合，从而为金融行业的发展开辟更加智能化、个性化的创新路径。（作者：陈凯文）

责任编辑：kj005