证券AI进入规模化应用，国泰海通为何先建一座“算力工厂”？

对客服务、智能投研、智能投顾、业务运营、风险识别……大模型在证券行业的应用，几乎渗透到了每一个业务环节。

早期的探索大多是单一场景。

或是把内部知识库接入大模型，让AI回答员工问题；或是把几十页研报交给AI，让它提炼关键信息；或是在客服系统中加入智能问答功能，提高常见问题的处理效率。

打通的场景越来越多，渐渐从量变走向质变。

AI的服务对象变成了数千万客户、上万名内部员工，进入到投顾、投研、投行、风控、研发运维等核心环节，从效率提升走向价值转化。面对算力的挑战，问题不再是“能不能上线部署一个模型”，而是大量用户同时发起请求时，系统能不能及时响应？财富、投行、风控等多个部门同时调用模型时，算力如何分配？

2026世界人工智能大会前夕，国泰海通联合华为打造的金融行业首个自主创新AI液冷超节点正式上线，实现了大规模的算力协同，补齐了AI在证券行业规模化落地的一块重要拼图。

01 从“部署大模型”到“建设AI生态系统”

国泰海通的AI布局并非始于大模型热潮。

早在2017年，国泰海通就前瞻提出了“AI in ALL”的人工智能应用策略，并在2024年创新提出“ALL in AI”的全新策略，坚定长期、持续、深入推进AI在各领域场景应用和赋能。

2025年4月，国泰海通行业首家获监管同意在APP上线大模型面客服务，并在同年7月发布了行业首个全AI智能App“灵犀”。

截止到目前，国泰海通大模型的典型应用已经覆盖财富管理、机构服务、投资银行、合规风控、数字职场、研发运维等多个领域，实现了全业务、全链条、全岗位的全场景创新实践。

原因并不难解释。走在行业最前沿的国泰海通，在人工智能建设的过程中落地了三大举措。

一是构筑行业首创的“1+N”大模型应用架构。以1个通用大模型“君弘灵犀大模型”为基础，辅以N个场景模型，构建了1+N的模型矩阵，实现开闭源模型、大小模型的融合应用、能力协同和灵活组合，并通过模型能力原子化、组件化复用，落地到了财富管理、机构交易、投资银行、合规风控、数字职场、研发运维在内的260多个核心场景。

二是打造“自主创新+产业协同”的算力创新合作模式。随着AI场景的规模化落地应用，智能面客、智能投研投顾、智能风控、智能办公协作、智能科技等核心业务场景的算力需求大规模爆发，国泰海通通过异构算力融合、软硬件协同适配、应用生态搭建等，以及自研的算力动态调度能力，赋能上层“1+N”大模型应用架构能级提升。

三是强化AI-Ready数据平台建设、全模态数据治理与可信可控机制搭建。在“ALL in AI”策略的牵引下，国泰海通围绕AI-Ready数据平台构建金融AI可信可控基础设施，面向金融AI落地中“不敢用、不好用、不可控”的核心挑战，形成了从绿色算力、可信数据、模型矩阵、治理闭环到智能体应用的端到端技术体系，支撑金融AI规模化、生态化落地。

不难发现，国泰海通没有止步于“部署大模型”，通过深化和华为等头部企业的产业协同，对客服务与对内赋能双轮驱动，打造了一套可调度、可复用、可治理、可规模化落地的“AI生态系统”。

02 用超节点集群建一座“算力工厂”

譬如在算力层面与华为的深度技术协同。

传统的风冷AI服务器面临着算力密度不足、散热瓶颈突出、能耗偏高、通信延迟高等痛点，制约了AI应用的深度落地。基于昇腾A3液冷超节点架构，国泰海通联合华为实现了三大行业突破。

第一，打破算力密度与散热瓶颈。

有别于传统的算力集群，超节点通过统一内存编址、超大带宽、超低时延等能力，实现了计算卡一体化协同调度，在逻辑上像一台计算机一样运行，打破了传统单服务器的互联带宽桎梏，资源利用率大幅提升。

由于采用了全液冷散热架构，散热效率比传统风冷提升了40%以上，显著降低数据中心的PUE和运维成本，避免了硬件高温降频引发的业务中断风险，可满足核心业务7×24小时零宕机的严苛标准。

第二，承接不断增长的推理需求。

证券业务对AI实时性、稳定性、并发能力要求极高，不仅仅是对客场景，对内场景应用中的AI Coding、投顾问答、智能风控预警、研报解读、智能问数等，也普遍存在大模型推理序列长、算力开销大的特点。

具备大算力吞吐量、低推理时延、高业务并发三大核心能力的超节点，能够从容承接长序列推理任务，大幅压缩长文本分析、深度风险研判的处理时长；同时可支撑海量业务请求的瞬时并发调度，响应速度显著提升。

第三，把数据和模型留在可控环境。

证券行业的特殊性在于，对数据安全的需求极为敏感，客户资产、交易行为、沟通记录、投行材料和内部业务数据，不能像互联网信息一样随意流转，需要通过私有化部署，杜绝敏感数据离开内部系统的风险。

超节点集群实现了“鱼和熊掌的兼得”：既能通过私有化部署将敏感数据和模型留在机构内部，保障数据安全与业务可控，还能统一调度能力支撑大模型规模化训练与推理，避免安全要求成为AI应用效率的掣肘。

打个比方的话，国泰海通的液冷超节点像是一座“算力工厂”：财富、投行、风控等业务不用各建算力，可以共享统一的“生产线”，根据任务优先级和实时需求调配算力，为AI规模化落地持续提供稳定产能。

03 让算力在业务一线释放新生产力

业务一线是检验价值能否兑现的晴雨表。

无论是算力、模型，还是数据、智能体，最终都要回到真实业务中，转化为客户体验、员工效率和风险管理能力。证券行业拥抱AI的价值在哪里呢？我们在WAIC的国泰海通展台，找到了问题的答案。

在客户服务上，让“全能AI投资助手”人人可用。

普通投资者需要专业的市场解读、资产分析和风险提示，但人工投顾的时间和精力有限，无法服务数千万的客户。

国泰海通交出的答卷是灵犀APP，全面覆盖选股、盯盘、交易、智能问答、持仓陪伴等五大核心场景，并通过“灵犀App+智能体+灵犀Skills”多层次数智化服务平台，完成了从“AI伴随服务”向“全能AI投资助手”的越级。截止到2026年6月末，灵犀智能化服务8300万人次。

在内部提效上，用AI重构了数字化客户服务。

投研、投顾、投行、风控等岗位，工作人员日常需要阅读大量材料进行分析判断，占据了大量的时间和精力。

国泰海通将大模型和业务流程深度融合，实现了工作范式的重塑：在智能投研领域，构筑了覆盖“搜、读、思、写、审”五大关键环节的投研新范式，研报解读效率从小时级缩到了分钟级；在智能投顾领域，基于客户全生命周期服务链路，主动识别服务交互中的关键信息与潜在线索，当前已100%覆盖分支机构，问题解决率均超过90%；在智能科技领域，依托自研的代码助手和智能运维体系，效率提升超过30%。

在风险防控上，AI让风险识别走向过程管控。

过去风险防控主要依赖人工抽查和事后复盘，随着客户沟通、智能服务的持续升级，仅靠人工已经很难做到实时覆盖。

围绕安全合规要求，国泰海通构建了一整套“可信内容可靠输出”的体系，将AI-Ready数据平台、可信数据集、大小模型协同、Agent工程、实时接口和内容合规审查机制结合起来，形成了从输入拦截、生成管控和输出审核的全流程防线，让风险识别发生在内容生成、业务沟通和服务过程中，而非等问题发生后再进行追溯、补救。

按照国泰海通的计划，将持续夯实大模型、平台工具、高质量数据集和可信AI体系建设，推进自主创新算力与模型适配、性能优化及生态协同，丰富智能体应用，深挖金融核心业务场景，推动金融AI规模化、生态化落地，加快技术成果向业务价值转化。

04 写在最后

两年前，证券行业对AI的讨论主要集中在模型和应用层：谁率先推出大模型，谁把AI接入客户端。

国泰海通让我们看到了证券AI落地的升维：不再满足于上线几个模型、打造几个场景，开始为规模化应用建设统一的AI生态系统，加速形成持续创新、不断复用的新质生产力。