-->

【导读】公募基金AI部署走到哪一步了？20家头部公募AI部署全景调研

　　“公司给员工安装了WorkBuddy，全员正在疯狂学习中。”华南某头部基金公司向中国基金报记者表示，在“龙虾”热之后，AI智能体平台已经逐渐融入基金公司的日常工作中。也有基金公司人士表示，除了WorkBuddy，日常工作还会用Manus、Claude、Kimi等不同AI智能助手协助。

　　自2025年以来，以DeepSeek为代表的开源大模型在金融行业的落地速度显著加快，头部机构已跨越概念验证阶段，进入规模化应用和平台化供给的新周期。

　　比如，针对投资者等客群，易方达基金、景顺长城基金等与腾讯ima平台推出不同领域的“Skill+知识库”，围绕基金投教、持仓陪伴、市场解读、投研观点等构建系统化的知识矩阵。

　　围绕AI大模型、智能体等在投研体系中的部署现状、合规安全与未来突破等问题，中国基金报记者向20家头部基金公司展开深度调研。调研显示，基金公司对AI的态度，已经从“增加AI功能”走向“以AI重新审视业务逻辑”。多家基金公司预判，2026年或成为“投研智能体元年”。

AI部署进展调研：

　　从“大模型”走向“企业级AI能力平台”

　　头部基金公司均已启动AI大模型在投研领域的部署工作，但在推进深度和覆盖广度方面差异明显。总体呈现三个梯队格局：易方达基金、汇添富基金、南方基金、嘉实基金等头部公司已建成企业级AI能力平台，投研全流程基本实现AI渗透；工银瑞信基金、招商基金、国泰基金、富国基金等公司在养老金运营、固收交易、智能问答等场景中形成深度应用；也有基金公司处于场景探索和局部试点阶段。

　　在基础模型选型上，绝大多数公司选择以开源大模型为本地化部署核心。汇添富基金已部署DeepSeek、千问等主流开源大模型，并建立企业级AI能力体系，涵盖知识库管理、模型接入与评测、智能体开发等基础能力。南方基金采取“统一建设、分层应用”思路，推动模型能力与内部知识库、业务数据及现有投研系统逐步衔接。工银瑞信基金自2023年起坚定推进私有化部署，已上线通用生成、编程智能体、多模态及OCR等多元化服务，算力规模达到7PFLOPS（FP16精度）。

　　景顺长城基金也表示，公司已部署LLM、OCR、Embedding、Rerank及语音模型等多种AI模型，构建起坚实的大模型基础能力，同时，为智能体提供统一的公共Skill与提效工具，并以高质量的MCP服务与知识库提供数据支撑，持续增强智能体的综合能力。

　　在部署架构上，混合模式成为主流选择。汇添富基金采取“私有化部署+公有云服务”相结合的方式，涉及内部业务数据和核心敏感信息的场景在私有化环境中处理，公开数据和非敏感信息处理则按需调用公有云模型。南方基金同样强调“数据不出域、权限可控、过程可追溯”的原则，涉及投研数据和内部知识的场景确保在公司安全受控环境中运行。鹏华基金在具体部署上采用了“商用+开源”大模型矩阵的整合策略，开发AI插件库支持各业务场景，着力提升业务与管理的数字化、自动化、智能化水平。中银基金也表示，从技术路线看，公司目前正在逐步构建本地大模型、投研知识库和智能体等基础能力，同时合理利用外部成熟模型和专业金融数据服务，形成内外部AI能力协同的建设模式。

　　部分公司在AI能力建设上已形成差异化优势。博时基金今年4月上线企业级“龙虾BSBox”，是目前业内最具代表性的智能体平台实践，投研人员可以自主将AI能力应用到所有投研环节。这一模式的关键突破在于，AI能力不再是IT部门“交付”给业务的功能模块，而是业务人员可按需调用的基础设施。国泰基金则采取“外部SaaS能力+内部私有化知识基座”的混合架构，对外获取商用模型与专业投研SaaS能力，对内将数据和知识基座落地在公司自有环境。

　　外资公募摩根资产管理打造了“摩力”AI内部专属平台，接入国内头部AI模型对内服务，采取“私有化部署优先”原则，核心模型与敏感数据均在内部安全环境中运行，确保客户数据与投资策略不外泄。

　　从落地场景看，研究环节是当前AI应用最密集的领域，覆盖信息检索、研报摘要生成、知识问答、研究观点跟踪对比、研报辅助撰写等多方需求。

　　富国基金利用大模型实现海量研报自动解析和市场观点聚合分析，基于RAG技术构建企业级投研知识库，支持自然语言交互问答。广发基金在研报摘要生成、信息搜集整理、知识库智能问答等场景已规模化应用，同时利用大模型挖掘非结构化数据中的另类因子，辅助策略研发。大成基金在投研决策和指数研究领域开展实践，基于DeepSeek-R1模型进行增强推理，运用思维链、横向对比、反事实测试三层机制进行三角验证。

　　在投资环节，AI应用正从信息查询向组合分析延伸。汇添富基金上线了问答机器人和组合智能洞察应用，支持对组合持仓、头寸等信息查询及组合分析。招商基金则已落地个股AI洞察、智能财报点评、指数成份股预测等应用，权益、固收、ETF方向分别探索研究观点汇总与复盘、舆情聚合与利率研究辅助、策略研究与回测等方向。业务团队自主创建了40多个智能工作流，17个文档要素抽取模型带动运营效能提升约15%。中欧基金最新开发的投研Agent已集成超过100个Skills，覆盖数据抓取、行业分析、财务建模、报告撰写等场景，研究员信息检索效率提升60%以上。

　　同时，交易和运营环节是部分公司实现量化收益突破的领域。汇添富基金已投产验券机器人、存款/存单/回购实时行情语料解析汇集、智能询报价、交易文件识别和异常交易监控提醒等功能，显著改善了交易信息分散、报价获取滞后等问题。作为固收强军，中银基金在固收业务押券机器人等场景已投入生产，后续将进一步研究大模型与现有业务系统的结合路径。

　　值得特别关注的是，工银瑞信基金、天弘基金等公司都将养老金业务作为智能化运营的垂类场景。养老金业务同时受人社部门和证监会双重监管，存在久期匹配、收益测算、投资比例管控等多重刚性约束。工银瑞信搭建的一站式养老金智能管理平台，将AI能力贯通年金投资的投前、投中、投后全流程，自动校验两套监管体系规则、开展多情景久期和收益测算、联动RPA自动处置运营异常。

　　天弘基金则将平台化、智能化投研能力视为服务养老金融的战略支点，致力于将投研各环节转化为可追溯、可复制、可预期的过程，为养老金长期权益投资保驾护航。

　　AI已从“问答工具”进化为“投研助理”

　　在基础部署之上，一批基金公司已在AI与投研深度融合的方向上形成了具有行业借鉴价值的特色实践。

　　国泰基金强调Skill生态建设。公司已发布一批覆盖数据获取、行业分析和个股分析的标准化Skill，将资深研究员的方法论、行业框架与合规红线沉淀为可复用、可评估的数字资产。其核心逻辑是“一个人会，平台就会”，把个体经验转化为组织级知识资产。为保障这一生态的持续运转，国泰基金引入了FDE（前向部署工程师）机制，将工程师直接嵌入投研一线，与行业研究员结对共建，把研究员日常使用的隐性方法论工程化为Skill并持续打磨。

　　汇添富基金提出AI智能体与投研一体化平台深度融合的方向，强调AI的价值将不再局限于问答或生成功能，而是将知识检索、数据分析、组合洞察和风险提示等能力有机衔接，面向不同场景提供连续、专业的辅助支持。

　　嘉实基金认为，AI重写的不是单点工具，而是投资管理的“生产函数”，即一个组织如何把人、数据、模型、工具、流程和制度约束组合起来，稳定地进行认知产出。在这一视角下，认知劳动从个人经验驱动走向成果标准化、过程可委托化、约束内生化。人类负责判断、设定边界、承担责任；模型、Agent、Skill承担生成、执行与沉淀。

　　平安基金投研系统投入逐步向数字化、智能化和AI化方向延伸，在最终综合能力上实现三类结果：一是业绩质量，即更稳定、可持续、风险调整后更优的投资表现；二是规模质量，即客户认可带来的净申购和长期留存；三是组织质量，包括业绩可归因、策略可复制、人才可持续。

　　大成基金在固收投研风控领域构建了AI舆情与风险预警系统，实现舆情数据抓取和流转的闭环管理，协助投资端及时调整策略、避免投资损失，发挥了事前风险预警和事后风险把控的双重辅助效能。

　　算力储备不追求大规模集群强调与需求匹配

　　算力储备方面，各家公司普遍采取与实际应用需求相匹配的稳健策略，而非盲目追求大参数模型和大规模集群。

　　汇添富基金持续建设和优化AI算力基础设施，根据业务场景、数据敏感程度和模型能力需求动态调整资源。南方基金已形成与现阶段应用需求相匹配的算力支撑能力，并表示随着应用规模提升将动态扩充资源。永赢基金自2025年以来投入大量本地化部署算力，内部应用均使用本地算力，仅少量公共数据清洗工作调用外部API。公司也在积极规划和部署算力的扩容，以满足未来更大规模AI应用的需求。

　　工银瑞信采取“采购+租赁”双轨策略，积极评估扩容方案以应对万亿参数模型普及和Agent长上下文场景带来的算力激增需求。富国基金搭建了独立私有机房的分布式GPU算力集群，创新划分大模型推理与量化回测两大算力池，实现资源动态弹性调度。

　　中银基金的态度在行业中颇具代表性，其指出，金融机构不能简单以算力规模作为AI能力建设的主要衡量标准，更重要的是根据实际业务需求合理选择模型和技术路线，提高算力资源使用效率。

　　如何应对合规挑战？ 责任边界比技术能力更关键

　　AI大模型在资管行业深度渗透后，合规与安全挑战日益凸显。公募行业调研显示，基金公司关注的焦点已从数据安全拓展至模型可信度、责任归属和监管适配等更深层次的问题。

　　首先，在数据安全方面，私有化部署已成为行业共识，而非可选项。所有受访公司均明确表示涉及投研数据、组合信息、交易记录等敏感业务的核心场景必须依托内部算力和本地化模型运行。

　　富国基金坚持核心投研数据、模型及运算均在内网闭环运行，“全面满足金融数据本地化存储监管要求”；招商基金对涉及敏感数据的场景配套数据分级、访问控制和审计留痕等管控措施；南方基金强调“数据不出域、权限可控、过程可追溯”；中银基金采取“本地能力为基础、内外能力协同、敏感数据严格管控”的架构；汇添富基金按照数据分类分级结果划定模型使用边界，并通过权限控制、日志留存等措施保障数据安全和过程可追溯。

　　值得关注的是，随着AI应用从单点功能向业务流程纵深渗透，数据安全的关注点正从“数据存在哪里”扩展到“数据如何被模型使用”“模型的中间输出如何管理”等更细致的维度。国泰基金“敏感数据不出域”的约束，本质上是为AI系统的数据流转划定了明确的边界。

　　金融场景对信息准确性的要求远高于通用场景。一个错误的摘要或虚构的数据，可能导致投资决策偏差和合规风险。在AI“幻觉”防控与可追溯性方面，多家公司在实践中形成了具有操作性的应对方案。

　　国泰基金的策略较为系统，在“需要精确与合规的地方用确定性程序”兜底，财务计算、业绩归因等环节保留规则引擎，不依赖大模型生成。同时，对外部SaaS能力的引入也持审慎态度，仅在数据不涉及内部敏感信息的场景中使用。

　　嘉实基金提出了一个更深层的观点，AI生成的不是结论，而是“候选假设、证据链、变量清单和复盘材料”。这种定位将大模型的输出从“答案”降维为“素材”，人类的判断仍处于最终决策的核心位置，从而在制度设计层面规避了模型幻觉被直接传导至投资决策的风险。

　　易方达基金在规模化应用中强调了算力底座与AI能力底座的统一调度能力，这种平台化架构使得模型调用过程可实现全链路日志记录，为事后追溯和审计提供了技术前提。

　　当AI介入研究分析、组合建议甚至交易执行，一旦出现失误或损失，责任如何界定？这一问题尚无明确监管指引，但行业已在探索前置性的治理框架。

　　招商基金明确提出建设重点“不是增加对话入口，而是让大模型连接专业数据、知识和工具，进入真实任务流程，并建立评测、复核和持续运营机制”。背后逻辑是AI进入核心业务流程的前提，是存在一套完整的质量评估和责任追溯体系。

　　2026年或成为“投研智能体元年”

　　关于AI部署未来在基金公司的应用程度，“AI智能体与投研流程的深度融合”是20家基金公司出现频率最高的关键词。

　　汇添富基金指出，未来AI将从单点辅助工具向贯穿投研流程的智能助手演进，“AI主要承担信息处理和辅助分析，投资决策仍由专业人员做”。华泰柏瑞基金更直白地表述为从“工具”到“同事”的转变，AI Agent将具备自主规划、工具调用、多步推理能力，能够独立完成“收集数据→分析研究→生成报告→推送结论”的完整任务链。广发基金认为智能体技术将让AI从被动的问答工具进化到“具备自主规划任务、调用多种工具和接口、多步骤并行执行的能力”，投研系统将从个体操作平台进化为智能协作体。

　　南方基金从“模型、工程、数据”三个维度展开分析：模型能力将持续提升（复杂推理、长文本、多模态）、工程化应用将更成熟（模型嵌入投研流程并与专业工具结合）、高质量投研数据和知识体系的重要性将更加突出。“真正的竞争力不会来自某一个模型或某一项单点技术，而是模型能力、工程化应用和投研数据三者协同形成的整体能力”。

　　中银基金进一步描绘了交互方式变革的前景，未来投研人员不再需要通过层层菜单寻找功能，而是通过自然语言表达需求，由AI理解意图并自动查找资料和数据，“人找功能、人找数据”逐步转变为“AI理解需求并组织信息和服务”。同时，随着智能体技术成熟，AI有望在权限和风控机制的约束下调用不同的数据和业务服务，从“回答问题”发展为“协助完成任务”。

　　在基金公司看来，2026年或成为“投研智能体元年”，从“AI+系统”走向“AI即系统”的架构演进正在发生。

　　易方达基金已明确其投研平台处于“AI驱动的规模化应用阶段”，形成了覆盖全场景的智能化投研体系，底层统一的数据底座、算力底座和AI能力底座已支撑起“研究—投资—交易—运作—风控”的完整业务闭环。工银瑞信基金也表示，公司已完成第一阶段的AI基础能力建设与场景验证，AI正从“工具赋能”迈入“价值创造”的深水区。

（文章来源：中国基金报）