几年前，我采访一位产业专家，他提到了一个高科技到产业落地的主要困惑：两层皮。

一些特别牛的技术成果在论文上发表了，这是一层皮。企业的技术人员，将这些成果产品化、商品化的时候，可能出于工程化的原因，会做一些简化，这是另一层皮。

两层皮之间，是有gap的，就像卖家秀和买家秀一样，并不是融合且一致的。

而往往是那些有技术人才、研发能力、转化意愿的企业，会先碰到“两层皮”的问题，产生对技术有效性、ROI回报率不明确的疑虑。

在冲入大模型热潮的各路人马中，金融机构可能是率先遭遇“两层皮”挑战的。

我们知道，金融产业一贯是新技术的早期采用者，在AI方面的尝试很早就开始了，可以说是产业AI化的“优等生”，更是有着良好的信息化、数字化基础。金融机构的前中后台各个场景中，都有被大模型降本增效的空间。因此，金融也被认为是大模型落地的首选场景。

作为大模型落地的先行者，金融领域如果解决不了“两层皮”的问题，意味着大模型在实际应用中还是存在卖家秀和买家秀的差距。

本文希望说清楚，究竟是哪些问题拉开了金融和大模型之间的gap？

问题一：以谁为主？

既然是做大模型，当然是由OpenAI/BAT这样的科技企业和技术公司为主导了，而这也是金融机构不想看到的事。

有个金融领域的专家告诉我们，这波大模型的热度起来之后，金融机构都特别焦虑，有一种FOMO（Fear of Missing Out害怕错过）情绪。

因为上一波技术浪潮，智能手机和移动互联网崛起，导致传统银行、券商的很多业务，被互联网金融公司分走了。在业内人看来，这种“史诗级的悲剧”绝不能重演。

在技术焦虑的驱动下，金融机构非常积极想跟上大模型的风口，几乎不需要科技厂商做太多市场教育，整个行业在接纳大模型这件事上表现极其良好。

同时，金融机构也非常重视将金融大模型的“核心筹码”牢牢掌握自己手里，强调“以我为主”。有银行业人士提出：只有适应银行的大模型，才是真正可以深度应用到场景里、业务流程中的大模型。具体怎么做呢？

一类是硬筹码。

对金融机构来说，数据安全隐私合规，是没有妥协的硬指标，有非常严格的要求。这也就导致，大模型落地金融更加需要本地化的搭建和私有化部署、运行。

本地部署的要求，对大模型厂商来说有利有弊。有利的地方是，相比其他行业直接调用API接口的MaaS模式，本地部署的客单价高、利润大，商业价值更高。不利的地方在于，私有部署需要在云化方案、数据处理、存储、模型训练、提示工程、运维服务等多方面，形成一套完整的解决方案，竞争焦点不仅是基座模型本身，这就增加了技术服务商的成本和难度。

另一类是软筹码。

金融大模型要表现良好，需要专有数据的精调、领域知识的引入、基于场景的反馈，而银行业本身的数字化基础非常好，数据积累深厚，这便成了掌握在手中的软筹码。