金融行业算力进化史：从「别宕机」到「缺GPU」

随着算力成为数字时代的“水电煤”，如今在金融行业，高性能计算已从后台的成本中心，快速跃升为前台竞争的核心引擎，更被银行、保险、券商等机构视为关乎生存的“必答题”。

当下，英伟达限售、国产卡产能吃紧、智算中心建设周期漫长……一家中小银行的CTO焦虑的可能是“抢不到GPU算力”——大模型风控、智能客服、实时反诈，哪一样都离不开AI芯片。

而在三十年前，他的前辈担忧的则是另一件事：大型机别宕机。

那时候，IT部门最怕的是“批处理”跑到一半主机崩溃，全行网点等着轧账，柜台前排队的人群能堵到马路上。

从“别宕机”到“缺算力”，金融行业对计算的渴望，四十年间到底发生了什么？

01 集中式计算时代：算力是“奢侈品”

上世纪八九十年代，算力之于金融行业，是真正的“奢侈品”。

一台IBM大型机动辄上千万美元，只有财大气粗的国有大行买得起。操作手册写满几十页，机房要恒温恒湿，运维人员穿白大褂，守护算力设备像守护核反应堆一样严肃、庄重。

彼时的金融业务也很简单：存款、取款、转账，每天日终做一次“批处理”，所有网点停止营业等轧账。算力只服务于核心账务系统，目标是“不出错”。

变化始于90年代末。ATM机大规模铺开，柜面终端从“哑终端”变成智能PC，算力开始从总行下放到网点。

2002年，银联成立，标志着跨行交易成为现实，算力第一次需要联网工作。

后续几年，国有大行和区域银行，先后启动上收数据工作，算力从分散又重新走向集中。

2005年9月25日，中国建设银行历时三年的数据集中工程（DCC）正式上线，以吉林省分行柜面系统成功上挂总行数据中心为标志，实现全行38家一级分行及总行营业部的业务与数据集中。同年，农业银行跟进推动数据上收，目标是形成“一个法人、一个版本、一个网络、一个中心”的系统优势。

这场算力变革，不是把服务器简单堆在一起，而是逻辑上的统一调度。用时任建设银行行长常振明的话说，核心是“总行对实时交易风险的监控能力”。

与此同时，为给数据集中奠基厚土，以工商银行启动跨世纪的“9991工程”，在上海外高桥和北京西三旗征地建设两大超大规模数据中心为标志，并被其他国有大行和股份行效仿，拉开了中国银行业自建数据中心的序幕。

但银监会敏锐地意识到，数据集中之后，信息资产的风险管理将成为新课题。2005年初，《银行业信息资产风险监管暂行办法》进入第八轮修改，监管层开始用“管法人、管风险”的思路，审视这场算力革命。

02 云计算时代：算力从“自建”到“租赁”

进入21世纪的第二个十年，事情又起了变化。

手机银行、移动支付、线上信贷、实时风控……金融业务场景的井喷，对算力的需求不再是“平稳的批处理”，而是“波动的实时计算”。双十一的峰值流量，是平时的几十倍；只要季末冲刺营销活动，IT部门就要临时加服务器。

央行报告显示，2013年—2016年，我国移动支付笔数从16.74亿笔狂飙到257.1亿笔，三年增长15倍，也基本完成了从“小众尝鲜”到“全民标配”的跨越。

到2017年底，工信部总工程师张峰在国新办发布会上宣布：我国移动支付交易规模近150万亿元，居全球首位。

汹涌而至的移动支付浪潮，在一定程度上冲击了金融机构以往依赖的自建数据中心模式。

更大的掣肘则来自成本。服务器要买、机房要建、电费要交，但算力利用率较低。

据浪潮人工智能研究院测算，我国智算中心平均算力使用率仅为30%。邮储银行总工程师徐朝辉曾在行业会议上坦言，“高峰期算力集群利用率达60%已属优秀”。

“养不起、用不好”，成了金融机构的新烦恼。解决方案是上云。

银监会在2016出台了《中国银行业信息科技“十三五”发展规划监管指导意见》，云计算是重点提及的内容之一，表示“探索构建私有云平台，形成资源弹性供给、灵活调度和动态计量的私有云平台”“联合开展面向银行业的公共云平台规划和建设，形成公共基础设施、公共接口、公共应用等一批技术公共服务。”

政策驱动+现实瓶颈，从私有云到行业云，再到混合云，金融机构开始尝试“算力即服务”模式，即不自己养算力，而是按需租用。

宇信科技是这轮变革的典型代表。其依托自建的“宇信金融云”，推出了智算租赁+场景服务解决方案，专门针对银行在智算领域的GPU资源短缺、算力协同困难、利用率偏低等痛点。

相关行业报告显示，到2025年，金融机构办公系统上云率达85%，外围业务系统上云率达90%。

但不同类型银行的上云率存在差异，具体为股份行最高，中位数95.73%；国有大行与民营银行次之，上云率中位数超过85%。

03 AI大模型时代：算力成为“稀缺资产”

2022年底，ChatGPT引爆全球大模型热潮。金融行业很快意识到：新的革命，来了。

数字客服、实时风控、个性化推荐、智能投顾……大模型几乎可以重构每一个金融场景。

2025年12月26日，国家金融监督管理总局发布《银行业保险业数字金融高质量发展实施方案》，共提出33项工作任务，涵盖数字金融治理、数字金融服务、数字技术应用、数据要素开发、风险管理等六大领域，支持有条件的金融机构构建企业级人工智能平台。

2026年3月11日，央行召开2026年科技工作会议，明确提出“深化业技融合，积极稳妥、安全有序推进金融领域人工智能应用，释放数字化、智能化发展动能。”

这一表态确立了央行对金融AI应用的总体基调：“积极稳妥”意味着鼓励探索，“安全有序”则划定了合规底线。

但对金融机构来说，部署大模型等人工智能技术，前提是要有足够的算力来训练和推理。

但摆在面前的难题是，训练一个金融大模型，需要数千张GPU卡，单次成本千万级。而英伟达高端芯片被限售，国产卡产能又跟不上。

金融业第一次尝到了“缺芯”的焦虑。

某股份行IT负责人私下感叹：“以前我们担心的是系统稳不稳定，现在我们担心的是想买卡买不到，想租卡没资源。”

此外，实时风控、智能网点等场景又要求低延迟、数据不出域……不能什么都往云端传。

怎么办？答案是算力下沉，并逐步演化出两条路径。

一条路径是国产算力底座。以东华软件为例，其与华为昇腾/鲲鹏生态深度绑定，2025年中标算力相关项目近40亿元，在北京、武汉、沈阳等地落地多个智算/超算中心，直接嵌入了金融机构的骨血里。

2025年底，东华软件中标华夏银行交易型数据库项目。更早之前，它的反洗钱产品已服务40余家银行。

另一条路径是端侧算力，让ATM、网点柜面、POS机等金融终端，自带AI能力，数据在本地处理，不依赖云端。

恒银科技正是这个方向的“排头兵”。

2025年底，恒银科技与国产GPU厂商沐曦股份签署战略合作，共同开发面向金融、政务等场景的AI服务器和训推一体机。

这意味着，未来的银行网点，每一台设备都可能是一个“智能节点”：客户刷脸的瞬间，活体检测和身份核验在本地完成，无需等待云端响应。

浪潮信息则从基础设施层面推动变革。该公司提出，金融领域已经从以CPU为中心，进入“一云多芯、一机多芯”的新阶段——ARM、C86、GPU等多种算力芯片混部，通过统一的云操作系统进行调度。

这种“云+边+端”协同的算力架构，逐渐成为新一代金融基础设施的标准形态。

但不容忽视的是，算力下沉带来的不只是效率革命，还有新的合规挑战。

最棘手的是算法“黑箱”。大模型的决策过程难以追溯和审计，当AI系统做出错误授信或误判风险时，责任该由谁承担？金融机构、模型服务商还是数据供应商？责任若不能穿透，AI就可能成为规避监管的工具。

数据隐私是另一道红线。AI训练需要海量金融数据，但客户信息的使用边界尚未完全厘清。最新出台的《金融法（草案）》明确要求：数据收集必须履行充分告知义务，杜绝超范围收集个人金融信息。

以及金融信息污染风险。生成式AI可以高速、高频输出财经评论、投资观点，与一般谣言不同，AI信息污染更“专业”——不直接编造事实，而是通过片面选择材料、错误归因，制造貌似合理但实际误导的市场叙事。

监管已开始行动。2026年5月，国家网信办等三部门联合印发《智能体规范应用与创新发展实施意见》，首次要求厘清“仅限用户决策”“用户授权决策”“智能体自主决策”三类权限边界，确保用户享有知情权和最终决策权。

从“可用”到“可控”，这恐怕是金融AI化进程中，最难啃的骨头。

04 结语

从大型机到GPU集群，从“能跑批处理就行”到“毫秒级响应是底线”，金融行业对算力的追逐从未停歇。

每一次算力跃迁，都伴随着金融业态的重构和效率的大幅提升。集中式计算时代，我们有了全国统一的支付清算系统；云计算时代，移动支付和线上信贷成为可能；AI大模型时代，我们持续见证智能投顾、实时风控、个性化服务的全面落地。

今天，当银行CTO为“缺芯”焦虑时，真正的考验或许是：有了更强的算力，我们能做出怎样不一样的金融服务？

这个问题的答案，不在GPU里，而在对金融本质的理解中。算力越强，越要回归业务本身：服务实体经济、防范金融风险、满足人民群众日益增长的金融需求。

这才是算力进化的终点，也是金融科技不变的初心。