如果拥有AI公司的能力，银行将会变成怎样？
AI全栈自研不只是口号，
更是笔划算的长期生意。
深圳的创新脉搏，大半都落在深南大道上。
这条横贯福田与南山的城市主轴，一边串起招商银行大厦等金融地标，一边延伸至腾讯、百度等科技巨头云集的南山科技园。
招商银行总行信息技术部就坐落在这条大道沿线的科技产业带上，其下有超过一万名员工。
2023年底，一场围绕“AI将把银行带向何方”的高层战略会议，在招行信息研发大厦悄然进行。今年4月，信息技术部总经理夏雷在同一栋楼的邻近办公室里，对36氪回忆起那个时刻。他说，那是招行内部将AI提升到全新战略高度的起点。
去年6月，招商银行正式对外宣布“AI First”战略。这一年，招商银行AI技术与应用出现爆发式增长。2025年年报显示，AI日均Token吞吐较2024年增长10.1倍，全年落地183个金融垂直领域专精模型、856个业务场景应用，AI替代人工工时达1556万小时。
相似的表达风格体现在与夏雷的对话中。其很少谈论银行的传统指标，却频繁提及算力、Token经济学等AI概念。
在他的表述中，招商银行做AI的逻辑，不是银行信息化的延伸，而是以一家科技公司的视角，探索面向未来的银行核心能力。
正如信息技术部的选址一样，置身于 AI、算力、大模型最活跃的产业氛围中，更能与科技公司共享同一种创新语境。
“如果一家银行拥有了AI科技公司的能力，这家银行会变得怎样？”这是夏雷提出的一个没有答案的问题。
全栈自研，
算清了AI这笔长期账
根据夏雷对行业的判断，银行AI的核心竞争力，早已不是容易模仿的场景应用，而是围绕算力卡、底层软件、模型形成的完整技术体系，能以更低的token成本支撑更高的应用价值。
他提到，当前AI技术远未到达天花板，几乎每几个月就会出现新的优化方向，带来Token成本的大幅降低，存在巨大的技术红利空间。这种持续迭代的特性，决定了核心能力必须掌握在自己手中。
全球AI科技公司的创新也正印证这一点：无论是模型架构优化、推理加速，还是显存压缩、网络调度，所有底层技术突破，最终都指向算力效率提升与成本下降，这就是所谓的“Token经济学”。
夏雷认为，要获取这些红利，就要自主掌握底层技术，紧跟技术趋势。未来Token的需求还会以数量级增长，如果没有低成本的Token供给能力，仅是算力卡采购的财务投入，就将成为一笔巨额投入，因此，全栈自研道路成了必然选择。
而国内AI厂商的商业模式，进一步强化了招商银行自研的必要性：头部科技公司更倾向于面向海量用户的云服务与Token售卖，To B深度定制投入产出比偏低，难以投入顶级人才为单家银行做长期深度适配；中小厂商则无法覆盖从算力底座、训练框架、推理引擎到垂直模型的全栈技术，生存稳定性与服务持续性都存在不确定性。当一家银行把AI定位为未来核心竞争力时，就不可能把命脉交给商业模式尚不清晰、技术覆盖不完整的外部伙伴。
对招商银行而言，全栈自研不是可选项，而是决定长期生存的核心基础能力。
“头部互联网公司为什么全都选择全栈自研？答案是一样的。”夏雷的这句话，点破了招商银行的底层逻辑。当AI成为数字经济的核心生产力，拥有海量用户、复杂场景、高安全要求的机构，最终会走向同一条路——自主掌控核心技术。
支撑全栈自研走下去的，不是情怀与投入，而是一套可量化、可验证、可复制的价值体系。
夏雷透露，招商银行内部建立了严密的AI价值度量机制：以同一业务流程在“有AI”与“无AI”状态下的业务差异为基准，折算成可对比的经济价值；成本端则全口径纳入硬件投入、研发人力、业务投入、运维保障等支出，最终算出真实的投入产出。
这一标准下的数据给出了最有说服力的答案：2025年，招商银行AI投入的成本收入比为24%，低于银行业常规30%左右的水平。
这意味着，投向AI的资源，能够带来比传统资本投入更高的回报。“一开始大家觉得银行AI应用处于投入阶段，真正算出数据后，结果超出了预期，证明我们的模式已进入可持续发展阶段。”夏雷表示。
财务验证让长期主义成为全行共识。招商银行在AI上的投入，不是短期业绩冲刺，而是一场瞄准未来的马拉松，全栈自研看似沉重，实则在长期维度上更轻盈、更可持续。
银行，正变成科技公司
去招商银行总部逛一圈，可发现“AI First”不是一句贴在墙上的标语，而是渗透在战略决策、组织管理、业务运行的每一个环节。
当行业还在讨论“科技赋能业务”时，招商银行已经实现“科技引领业务”——组织形态、运行逻辑、创新方式全面向科技公司靠拢。
战略层面，AI被提升至全行最高优先级。例如，现阶段招商银行AI推广由科技条线牵头推动，而不是传统模式下的业务部门提需求、科技部门做执行。信息技术部不仅负责技术研发，还要主动挖掘场景、推动业务落地、组织标准评价。在很多银行，科技是后台支撑；在招商银行，科技更像是前台引领。
深入技术层面，招商银行始终瞄准全球最前沿方向，如大模型推理的核心瓶颈在于显存与算力消耗，招商银行通过改造注意力算法降低显存消耗放大上下文长度、KV Cache缓存复用点积结果降低算力开销、算力卡细颗粒度虚拟化提高算力利用率、跨服务器卡间直接通讯降低网络延迟等等。这些技术，使得招行以不算多的算力卡，支撑起了日均超260亿Token的吞吐。
除了将这些技术应用于自身业务之外，招商银行还大量开源，为AI生态建设作出自己的贡献。
目前其已为主流AI社区贡献了超过50个关键特性，并且是两大主流开源项目的维护者。据夏雷介绍，这在当前金融机构中是唯一一家。今年，招行还与阿里魔搭社区联合发布了大模型开源训练框架Twinkle。
这类技术看似聚焦底层，却直接决定模型运行成本与用户体验。这正是科技公司与传统机构信息化的核心差距。
而延伸到业务层面，夏雷有一个朴素的判断：AI模拟人的思考，只要有人需要判断、决策、处理信息的地方，AI就有应用价值。
如今在招商银行的业务链条上，越来越多人工分析的工作正被AI辅助完成，AI不再是独立的系统，而是嵌入流程的隐形能力，让每一个岗位、每一个环节都变得更高效、更精准。
通用模型与公有云方案无法满足金融场景的严苛要求，只有基于场景特点、自身数据、业务规则与监管要求深度定制，才能实现技术与业务的完美匹配。截至2025年底，招商银行已在金融垂直场景打造183个专精模型。
同时夏雷也认为，模型不求大而全，而更应看重其是否在特定领域达到SOTA（State of the Art）水平——即在响应速度、高并发支撑、金融专业准确度、风险控制等关键指标上达到行业最优。其透露，目前招商银行通过修改模型结构、再训练等方式，诸多模型的关键指标已达到国内领先水平。这种垂直深耕的能力，让招商银行的AI模型在真实业务中，具备了外部方案无法比拟的实用性与稳定性。
从战略优先到技术深耕、全栈自研，招商银行在AI上的整套策略，已区别于传统银行的范式，更接近一家领先的科技公司。AI重构金融行业的浪潮下，这种科技公司化的转身让招商银行提前占据了主动。