2025年金融信创AI生态实践白皮书-合合信息_48页_17mb

总结内容

1. 金融信创发展现状

• 发展背景：金融信创是中国科技自立自强与金融安全的核心战略，涵盖全栈国产化替代与生态建设，并覆盖从基础软硬件到安全体系的全链条国产化。
• 发展阶段：
  • 萌芽探索期（2014~2020）：政策驱动，大行试点，受限于国产产品性能。
  • 高速发展期（2020~2023）：头部金融机构完成OA替换，金融业信创投入加码。
  • 全面推广期（2023至今）：政策加强，银行证券保险等全行业推进，技术栈向国产扩展。
• 核心挑战：
  • 技术成熟度与性能瓶颈（尤其核心交易场景）
  • 生态兼容性与适配复杂度
  • 人才缺乏、迁移风险、标准体系不完善。

2. 金融信创实施路径与技术选型

• 实施路径：
  • 首先进行全面评估（资产盘点、业务影响、技术路线适配性）。
  • 建立国产化基础设施夯实基础。
  • 应用迁移/重构策略：平移替换、云化重构、原生开发。
  • 小范围试点→稳健推广。
• 技术选型策略：
  • 支持多元化与聚焦策略，联合生态评估矩阵，用性能+兼容性等指标选型。
  • 倾向主流国产技术路线，同时兼顾如CUDA生态对接。
  • 拥抱云原生、分布式架构，实现技术松耦合。

3. AI与金融信创融合实践：全国性股份制银行案例

• 案例背景：某全国性股份制银行采用海光DCU + 合合信息OCR应用联合方案，应对AI算力不足与国产化代替代难题。
• 方案亮点与价值：
  • 国产算力与NVIDIA协同时调度，实现多种AI应用统一资源管理。
  • 提升GPU资源复用率，统一管理和调度，满足多模型对资源弹性要求。
• 适配测试：
  • 14846页文档样本测试，OCR平均处理时间0.643秒，识别准确率96%。
  • 弹性调度降低管理成本，统一平台支持政策支持国产化设施替代。

4. OCR适配与性能测试案例（城商行应用）

• 背景：某西北地区上市城商行使用海光DCU + 合合信息技术联合方案，完成OCR应用全栈适配。
• 测试数据：
  • 识别率：身份证、票据类文档OCR字符识别率96.65%，与英伟达持平。
  • 响应时间： OCR全文识别平均耗时最高800毫秒。
• 性能结论：国产算力在OCR等AI场景中达到商业化部署标准，迁移成本较低。

5. 自研AI平台支持多媒体场景（龙头企业实践）

• 案例背景：某头部城商行自主构建大语言模型平台，支持文本、图像、语音等多模态处理。
• 技术架构：
  • 五层体系（基础设施、工具层、模型层、服务层、应用层）保障自主可控。
  • 引入DeepSeek模型，有效节约算力成本，提升对中文金融文本的理解能力。
• AI应用：合合信息TextIn合同比对工具：
  • 支持多格式文档对比，精准定位差异。
  • 适配国产DCU芯片，性能与英伟达相近。

6. 国金融信创芯片核心路线：海光C86与DCU

• 海光CPU：兼容x86生态，适用于金融核心系统；拥有安全机制与算力支持，发挥生态迁移优势。
• 海光DCU（GPGPU架构）：支持主流AI框架，提供原生低精度训练加速和多模态处理，在OCR、合合同比对等场景中识别率96%。
• 金融信创软件栈与生态：
  • 提供工具链（如海光DTK、光源社区）支持业务迁移与生态发展。
  • 适配主流AI框架（TensorFlow、PyTorch、PaddlePaddle）和芯片平台统一调度。

7. 文档结构化解析与AI治理实际案例

• 合合信息TextIn文本智能云平台：
  • TextIn DocFlow：实现合同比对、自动审查和文档分类，提升非结构化数据处理效率。
  • TextIn文档解析工具：支持多格式文档结构化，解决跨页表格、合并单元格等难题，为协同办公、影像管理提供基础。

以上内容均通过数据验证，展示了金融信创在国内核心金融机构中的实施路径、技术成熟度与国产AI应用的部署实践。