系统推进的关键阶段。2024 年 11 月，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》， 明确提出以数字化转型为战略引擎，通过“技术驱动 + 数据赋能”双轮联动，全方位推进金融机构在战略布局、 技术应用、数据治理等核心领域的系统性变革，进一步明确了到 2027 年建成“数字金融强国”的路线图—— 以数据要素为关键生产资料，以算法算力为核心生产力，重构金融服务模式。 在数 为促进金融创新的科技驱动与数据赋能，激发数字化转型新动能，探寻金融机构数智化发展的新路径、 新方法，金科创新社连续 6 年举办“金融机构数字化转型优秀案例评选”活动，在 2025 年的评选中，共计 收到 132 家金融机构 386 个参选案例。 《数字金融专刊暨鑫智奖·第六届金融机构数智化转型优秀案例集》依托“金融机构数字化转型优秀案例 评选”活动，深度聚焦金融业数智化转型的创新理念与 提供可借鉴的实践范式，助力金融企业探索数字金融的创新应用场景，构建以技术创新为引擎、数据要素为 核心的双轮驱动新格局，推动金融科技赋能业务高质量发展。 专题 目录 评选概况 “鑫智奖·第六届金融机构数智化转型优秀案例评选”榜单 “鑫智奖·第六届金融机构数智化转型优秀案例评选”Top10 获奖案例 量子技术加固金融信息安全防线——量子通信在金融领域的应用研究 拥抱智能体，赢得好未来 中小城商行数字化转型实践中的若干思考

用而形成的知识之间和人之间的联络。这些研究前沿 的数据连续记载了分散的研究领域的发生、汇聚、发 展（或者是萎缩、消散），以及分化和自组织成更新 的研究活动节点。在演进的过程中，每组核心论文的 基本情况，如主要的论文、作者、研究机构等，都可 以被查明和跟踪。同时，通过对该研究前沿的施引论 文 ①的分析，可以发现该领域的最新进展和发展方向。 2013 年科睿唯安发布了《2013 研究前沿⸺自然 科学和社会科学的前 100 研究前沿由一组共同高被引的核心论文和一组引 用核心论文的施引论文组成。核心论文来自于 ESI 数 据库中的高被引论文，即在同学科同年度中根据被引 频次排在前 1% 的论文。这些有影响力的核心论文的 作者、机构、国家在该领域做出了不可磨灭的贡献 , 本报告对其进行了深入分析和解读。同时，引用研究 前沿核心论文的施引论文可以反映出核心论文所提出 的技术、数据、理论等在核心论文发表之后是如何被 进一 的研究内容、价值、影响。每个重点热点前沿的第一 张表对该热点前沿的核心论文的产出国家 / 地区、机 构活跃状况进行了统计分析，有助于揭示出哪些国家 / 地区、机构在该热点前沿中有较大贡献。第二张表 则对该热点前沿的施引论文的产出国家 / 地区和机构 进行了统计分析，有助于探讨哪些国家 / 地区、机构 在该热点前沿的发展中发挥作用。 （2）新兴前沿分析及重点新兴前沿的解读 新兴前沿的核心论文及其施引论文数量较少，数 据

用而形成的知识之间和人之间的联络。这些研究前沿 的数据连续记载了分散的研究领域的发生、汇聚、发 展（或者是萎缩、消散），以及分化和自组织成更新 的研究活动节点。在演进的过程中，每组核心论文的 基本情况，如主要的论文、作者、研究机构等，都可 以被查明和跟踪。同时，通过对该研究前沿的施引论 文 ①的分析，可以发现该领域的最新进展和发展方向。 2013 年科睿唯安发布了《2013 研究前沿⸺自然 科学和社会科学的前 100 研究前沿由一组共同高被引的核心论文和一组引 用核心论文的施引论文组成。核心论文来自于 ESI 数 据库中的高被引论文，即在同学科同年度中根据被引 频次排在前 1% 的论文。这些有影响力的核心论文的 作者、机构、国家在该领域做出了不可磨灭的贡献 , 本报告对其进行了深入分析和解读。同时，引用研究 前沿核心论文的施引论文可以反映出核心论文所提出 的技术、数据、理论等在核心论文发表之后是如何被 进一 的研究内容、价值、影响。每个重点热点前沿的第一 张表对该热点前沿的核心论文的产出国家 / 地区、机 构活跃状况进行了统计分析，有助于揭示出哪些国家 / 地区、机构在该热点前沿中有较大贡献。第二张表 则对该热点前沿的施引论文的产出国家 / 地区和机构 进行了统计分析，有助于探讨哪些国家 / 地区、机构 在该热点前沿的发展中发挥作用。 （2）新兴前沿分析及重点新兴前沿的解读 新兴前沿的核心论文及其施引论文数量较少，数 据

下，同时开源、本地化部署特性和蒸馏技术使金融机构无需重资本投入底层模型研发，降低试错成本和二次开发难度，对创新 更加友好。 二、适配国产 GPU 。为金融机构基础设施信创改造提供了可落地的 AI 改造路径。 三、推动生态重构。通过技术普惠加速 AI 落地，将竞争焦点从技术壁垒转向金融数据价值挖掘，推动 AI 能力与金融场景深 度融合， 以数据闭环体系巩固金融领域的场景化优势。 金融机构如何应用好大模型 金融机构如何应用好大模型 ? 不断动态沉淀的本地数据及业务逻辑是金融机构利用大模型加速数字化转型的核心胜负手 ; “AI+ 金融”竞争力将取决于能否持续积累吸收高质量业务数据、深化垂直场景认知，并通过迭代形成“数据 - 模型 - 业务”的正向 循 环，不断提升金融服务水平。 围绕金融五篇大文章，大模型本身即是数字金融的工具，而科技金融、养老金融、普惠金融、绿色金融恰是应用场景。 中信建投非银金融 来展望等维度进一步展开。 本文作为第一篇综述，第一部分从金融机构数字化转型的核心痛点出发，第二、三部分以数字营销、海外投顾及保险数字化 三个场 景为例探讨大模型赋能金融业务的模式，第四部分归纳总结 DeepSeek 推动金融机构数字化转型的核心逻辑，最后一部分对券 商、保险、 信贷、供应链金融及其他金融科技机构业务逻辑的痛点和数字化价值进行深入探讨，以期对金融行业的智能化和数字化转型

分析案件的地域、时间、类型等趋势，为 法律机构制定业务策略、优化资源配置提 供依据，助力行业宏观规划。 案件趋势分析 案件预测与分析 AI 智能能够快速识别合同中的关键条款，检查是否存在风险 条款、遗漏条款等，确保合同的合法性和合理性，降低合同 纠纷风险。 合同条款审核 01 实现合同的自动化归档、到期提醒、履行跟踪等功能，提高 合同管理效率，保障企业或机构的合同权益。 合同生命周期管理 智能能够准确识别和适用相关法律法规， 避免因法律理解偏差或适用错误导致的法律 问题，确保法律服务的规范性。 法律适用准确性 在企业合规管理、金融监管等领域， AI 智能 实时监测和预警合规风险，确保企业和机构 的运营符合法律法规要求，维护市场秩序。 合规性保障 法律规范性增强 服务流程标准化 通过 AI 智能制定标准化的法律服务流程和规范， 确保不同法律服务提供者在服务过程中遵循统一标 准，提高法律服务的稳定性和一致性。 力的服务，如更高效、更精准、更低成本的法律服务，加剧 了法律服务市场的竞争。 新进入者挑战传统格局 02. 一些科技公司凭借其在 AI 智能技术方面的优势，跨界进入 法律服务领域，对传统法律机构构成挑战，改变法律行业的 竞争格局。 市场竞争加剧 法律机构合并与整合 为了应对 AI 智能带来的竞争压力，一些小型法律机 构选择合并或整合，实现资源共享、优势互补，提 升整体竞争力。 跨行业合作与协同 法律行业与科技、金融等行业加强合作与协同，共

产业链数字化协同的现状及痛点 产业链数字化协同是数字经济时代产业发展的重要趋势。产业链数字化协同核心在于借 助数字技术，将产业链上的各个环节，包括上游供应商、中游制造商、下游销售商以及与之 相关的金融机构、物流企业等关联方紧密连接起来。通过这种连接，实现全链条数据贯通， 使得信息能够在整个产业链中高效、准确地流动，以实现智能决策共享，最终有助于实现资 源高效配置。产业链数字化协同的核心特征主要体现在数字技术驱动、数据链路贯通、生态 同行业之间的资金流动和业务协同。数字人民币构建的不仅是支付工具，更是数字经济时代 的金融操作系统。依托流程环节从订单、物流、仓储、发票到付款等全生产过程数字化协同（图 4）产生的多维数据，金融机构能够更精准地评估企业的信用状况，为上下游企业提供更便捷、 高效的融资服务，缓解中小企业的融资难题。数字金融生态将最终实现了产业数字化的价值。 未来数字人民币有望与更多产业深度融合，形成涵盖支付结算、融资服务、供应链管理等环 广州、海南等重点城市及区域，并逐步向广东省、江苏省等全省范围推进。应用领域方面，B 端场景已从工资代发、税费缴纳等基础功能，向供应链金融、跨境结算等深度场景延伸。此外， 债券市场成为创新热点，兴业银行、宁波银行等机构落地数字人民币债券发行，应用于科创、 绿色金融等领域。 2.1.2 核心应用场景持续突破 （1）能源互联网结算：助力绿色能源，推动产业升级 数字人民币在电力交易、链接碳资产、绿色金融等场景，展现了技术赋能能源金融的突

主要发现与结论................................................................................104 8.2 对金融机构的建议............................................................................105 8.3 对技术开发的建议... AI 平台， 凭借其强大的数据处理能力和智能算法，为金融贷款评估提供了全 新的解决路径。通过 DeepSeek，金融机构可以实现对借款人信用 状况的实时动态监控，提升风险评估的精准度和效率。DeepSeek 的应用不仅能够有效降低贷款违约风险，还能优化客户体验，增强 金融机构的市场竞争力。具体而言，DeepSeek 在金融贷款评估中 的应用主要体现在以下几个方面：首先，通过深度学习技术， 全面性：整合多源数据，覆盖更多维度的风险因素。  高效性：自动化流程大幅缩短贷款审批时间，提升运营效率。 通过引入 DeepSeek，金融机构能够在控制风险的同时，提供 更高效的金融服务，从而在激烈的市场竞争中占据优势地位。这一 方案不仅切实可行，且已在多家金融机构中成功落地，取得了显著 的业务提升效果。 1.1 金融贷款评估的背景与挑战 近年来，随着金融科技的快速发展，金融贷款评估行业面临着

战。因此， 了解并有效控制数字化和智能化带来的风险已成为当前组织管理者的重要任务。作为企业风 险控制的重要环节，开展数智化审计（即数字化和智能化审计）已成为企业和各类组织的审 计团队及相关审计机构迫切需要开展的工作。 在数字化审计方面，随着各类组织数据量的急剧增加，传统的审计方法已经无法满足对 海量数据高效处理和深度挖掘业务风险的需求。因此，采用云计算、大数据、数据分析工具 等数字技术 自动分析数据，还能从中识别模式、进行预测，为审计决策提供智能建议。 当前开展数智化审计虽然势在必行，但由于存在数据利用不足、技术手段欠缺、人才匮 乏等原因，当前企业及各类机构开展数智化审计仍处于初步探索、浅尝则止的状态。为了能 够对国内的企业及各类机构的数智化审计现状有一个全面准确的了解，同时也是为行业协会、 政府部门在进行国内审计领域宏观规划时提供有价值的决策支持信息，中国内部审计协会联 合北京谷安天下科技有限公司于 调查是通过网上渠道自愿报名方式参加，一共收到 191 名受访者（受访机构）的反馈，涉及 金融、制造、教育、医疗卫生、商业服务业等行业。本调研报告就是在本次调查问卷的统计 分析基础上，结合编者多年的行业经验而编写完成的。 希望本研究报告能够及时准确地反映国内数智化审计的现状，为行业主管部门提供宏观 决策依据，同时也为企业和各类机构在审计业务的数字化转型方面提供可行的实施思路与方 法建议。 6

请务必阅读正文之后的免责条款部分 4 of 9 1. 盈利预测与估值 1.1. 公司业务拆分 基本假设： 1）软件业务：公司在银行 IT 深耕多年，积累了一批以银行为主的优质金融 机构客户，随着 AI 应用在金融领域逐步推广，有望带动传统银行 IT 需求 增长。因此，我们假设 2025-2027 年公司软件业务收入增速分别为 10.0%/8.0%/5.0%。 2）系统集成业 图1：公司面向银行为主的金融机构提供完整 IT 解决方案 数据来源：高伟达招股说明书 在数字化转型和生成式人工智能催化下，银行 IT 解决方案市场持续扩张。 近年来，金融机构全面拥抱金融科技加快数字化转型，并伴随生成式人工智 能技术的迅猛发展及在 TOB 端应用的逐步落地，使得金融机构不断增加对 科技研发的投入，根据中国银行保险报数据，金融机构科技投入规模由 2019 年的 2252 2252.60 亿元增长至 2023 年的 3558.15 亿元，年均增长 14.48%。其中 银行是金融科技投入的主力机构，根据 Wind 数据，2019-2023 年我国银行 IT 投资规模及银行 IT 解决方案市场规模 CAGR 分别达到 11%和 8%。 图2：我国金融机构科技投入规模逐年增长 图3：我国银行 IT 解决方案市场规模持续扩张 数据来源：中国银行保险报，易观千帆，国泰海通证券研究

的设备通常处理能力较弱，而全部通过远端数据中心或云端 进行处理，又容易受到网络因素的影响。为应对这些问题， 智慧教育系统的系统架构正由简单走向复杂。 挑战往往伴随着机遇。面对以上挑战，各教育行业解决方案厂 商在为各级教育机构打造新一代 “人工智能 + 教育” 系统时， 选择与英特尔携手，大胆引入更多、性能更强劲的软硬件设备 和更全面、更前沿的系统架构设计。事实上，采用一系列英 特尔先进产品与技术的解决方案已在诸多教育场景中获得了验 的内容得到大幅扩展，评测结果也能更加精准和科学，并 帮助学生依据评测结果制定和优化后续学习过程。目前， 诸如口语测评等测评类人工智能应用已在各级教育机构获 得广泛欢迎。 • 教学管理场景：数据驱动的智慧教育场景更注重数据的快 速处理、分析与反馈。得益于 5G、边缘计算等技术的成熟， 教育机构得以在校园部署更多的人工智能应用，进而能够 通过更为快捷的数据交互和处理方式来对教学过程实施灵 活的调度和管理。例如，通过智能教学辅助能力，学校管 “人工智能 + 教育” 转型带来的挑战 与机遇 由新技术、新模式驱动的行业转型，在提升效率与优化产品或 服务质量的同时，势必也会对行业既有基础设施能力带来挑战， 在教育领域也同样如此。随着更多教育机构变道切向新的智能 化方向，其 IT 基础设施也面临着严峻挑战。如图 1-1-3 所示， 这些挑战包括： • 人工智能应用对算力的高要求：与学校已有的校园网、电子 白板、平板电脑等信息化设备相比，人工智能应用因其数据