华安基金AI创新平台：推动基金场景垂直落地

一、项目简介

华安基金AI创新平台立足基金垂直方向，借助大模型技术为投研风控、市场营销、合规运营等关键环节提供支撑，同时延伸并优化智能办公应用。平台整体采用五层架构：最底层为数据基座，汇聚多源数据与语料，形成数据集合，为上层能力提供稳定的数据来源；第二层为算力层，通过搭建算力服务器集群，引入异构化算力芯片，并配套建设AI算力网络等基础设施；第三层为模型层，以“大模型本地部署升级”为主线，并以“专业小模型”为补充，围绕四大模态形成基础模型能力矩阵；第四层为管理平台层，负责资源高效调度与实时监控，确保平台运行稳健；第五层为业务融合层，在业务范围持续孵化创新产品，让AI技术与实际业务形成更深度的耦合，协同推动公司智能化升级。

目前平台已在华安基金内部广泛落地并持续应用，覆盖债券及可转债报告的智能生成、投研数据的自动采集、定期报告的智能质检等场景，实现相关业务的自动化处理；智能办公模块也支持智能问答、绘图与文档生成，人工参与大幅降低60%，数据处理效率提升3倍，决策的准确性得到明显强化。该平台为基金行业AI垂直落地提供了新的实施路径，并为金融机构的数字化转型提供了可复制的示范价值。

二、建设背景与需求

行业和技术发展现状

当前，人工智能（AI）尤其是大模型技术正以快速的节奏演进，在自然语言处理、图像识别等方向不断取得突破。面向金融领域，AI的落地覆盖面持续扩大，但整体仍以试点探索与局部应用为主。就技术而言，大模型能够展现出强大的语言理解、复杂数据分析与推理能力，为金融行业的调整与升级带来更多可能。然而从行业实践看，部分金融机构对AI的使用仍停留在表层，缺少面向基金等细分垂直行业的深度整合与定制化方案；与此同时，多业务模型并行也容易导致算力资源分散，难以做到统一纳管与动态调度，从而引发算力浪费。

项目背景及必要性

在基金行业竞争加剧、数字化转型要求不断提升的背景下，华安基金需要在投研风控、市场营销、合规运营等核心业务环节上同时提升效率与精准度。为应对上述挑战，AI创新平台正式启动，通过引入大模型能力，为基金行业量身设计专属AI解决方案，促进数字化转型落地，并进一步巩固华安基金在市场中的竞争优势。

行业痛点与市场需求

目前行业面临的痛点主要体现在以下几个方面。其一，业务流程较为繁琐，大量人工操作占用时间与精力，导致运营效率偏低；其二，数据处理与分析能力不足，难以有效应对市场环境的复杂变化；其三，大模型启动与调用可能耗时较长，且易出现请求拥堵等现象；其四，多类型模型分散管理，缺少企业级监控与运营体系，进而导致运维成本居高不下。

基于上述痛点，行业迫切需要一种能够深度嵌入业务流程、显著提升效率与分析质量，并在技术层面实现算力与模型的集中管理的AI方案。华安基金AI创新平台正是为满足这一需求而设计。通过建设AI基础设施、打造AI中台、开发智能办公工具，并持续推动AI与业务场景的深度融合，该平台不仅开辟了AI模型在证券基金行业垂直领域落地与深化探索的新路径，也为其他金融机构的数字化转型提供了经验参考。

三、项目成果

项目方案

A.设计思路

AI创新平台综合应用多种前沿技术：使用自然语言处理能力完成文本识别、理解与推理；通过决策树等算法实现决策能力；并从识别、理解、推理到决策构建全链路智能化能力。同时依托自主研发的AI核心技术中台提供智能化解决方案，最终实现AI与业务场景的融合，提升整体数字化与智能化水平。

在技术选型上，平台主要依托以下四大技术模块：

1.传统规则引擎：采用基于文本正则的预处理技术，为后续数据处理夯实基础。

2.经验NLP+CV算法：融合以BERT为代表的自然语言理解能力，以及以模式识别为核心的经典CV方法，充分发挥传统深度学习技术的优势。

3.大语言/多模态/全模态模型的简单应用：通过改进提示词策略、结合大模型Function Call能力，并运用多模态模型的图片理解技术，实现大模型的快速、高效初步使用。

4.大语言/多模态/全模态模型的复杂应用：借助RAG、智能体、MCP等前沿技术，对复杂场景中的问题给出更深入的解决方案。

平台聚焦解决传统业务流程中人工重复操作、流程衔接不畅与效率低下的核心问题。其技术价值主要体现在：

1.突破能力边界：AI赋能带来能力跃迁，打破既有应用设计模式的限制，使其能够融入攻克传统开发难以解决的任务，例如语义理解与图片识别等。

2.提升准确度与泛化能力：依托AI的强泛化特性，减少对特定数据格式与模板的依赖，从而提升识别准确性与服务稳定性，例如营销物料的泛化质检。

3.推动敏捷开发：大模型应用可显著压缩传统NLP从数据收集到上线的周期；同时，其优秀的指令遵循能力不仅能直接服务生产环节，还能辅助传统NLP模型进行数据标注，从而大幅提升模型开发效率。

B.功能框架

AI创新平台覆盖基建、管理、监控、应用等多个关键维度。架构从底层到顶层依次包含五个层次：AI数据基座、AI算力建设、AI模型能力、AI管理平台以及AI业务融合。通过层次化的架构设计，可更高效地开展AI创新工作，并推动业务智能化升级。

1.AI数据基座：沉淀并完善AI语料资产，对文本、图片、语音、视频四类非结构化数据进行梳理与完善，并接入交易、产品、营销、投研等多种数据来源，形成高质量的AI数据基座。

2.AI算力建设：建设算力服务器集群，引入异构化算力芯片（如GPU或信创NPU）以满足不同类型的需求；同时配套建设AI算力网络、大容量存储与高密度算力机柜等设施，支撑模型的存储与部署。

3.AI模型能力：以“大模型本地部署升级”为核心，以“专业小模型”为补充，围绕文本、图片、语音、视频四大维度构建基础模型能力矩阵。在大模型部署方面，本地部署Qwen2.5、Qwen3以及DeepSeek蒸馏版，并计划年内部署DeepSeek满血版，全面增强AI模型服务能力。在多模态/全模态方向，部署Qwen2.5-VL等多模态模型，提供图片理解与视频理解能力。专业小模型方面，持续部署并迭代升级ASR、OCR、TTS、数字人模型，为AI工具及AI与业务的深度融合提供可靠支撑与强劲动力。

4.AI管理平台：AI管理平台包含多个板块，重点面向算力管理、模型部署、服务监控、智能体平台等管理工具。

1)算力管理：通过GPU池化、远程调用等功能模块，实现对GPU资源的精细化管理与调度，显著提升算力使用效率与资源利用水平；同时借助算力资源大盘展示功能，让用户能够直观看到硬件资源的使用情况与运行状态。

2)模型部署：利用可视化模型部署工具降低部署门槛。支持主流深度学习框架TensorFlow、PyTorch、MindSpore，并兼容vLLM、SGlang等推理加速框架，提升大模型推理速度与并发处理能力，保障上层AI应用的稳定性与可靠性。

3)服务监控：服务监控实现对算力基础资源的全方位观测，包含首字时延、请求排队、调用频次、使用人数、输入输出token数等核心指标的实时监测。同时具备AI服务的实时监控与告警机制，确保各类AI应用保持稳定运行与高可用。

4)智能体平台：引入低代码智能体应用与管理平台，支持创建AI聊天助手、智能体应用、工作流等能力，帮助实现从“AI定制开发”到“智能体工作流”的高效迁移。该平台进一步降低AI建设门槛，推动业务人员共同参与AI建设，为业务发展注入持续动力。

5.AI业务融合：在投研、营销、风控、运营、办公等领域，持续深度结合AI技术与业务场景应用，孵化创新产品，提升业务效率与分析精准度，带动各领域智能化发展。

C.应用场景

平台覆盖投研、营销、合规、运营、办公等多个板块。

1.投研：债券周报报告/可转债报告的生成依托AI大模型，导入每周债市数据(