自研大模型的现实门槛

过去两年，券商对人工智能的热情持续升温，但真正下场自研大模型机构的数量并不如外界想象的多。一家中型券商的金融科技负责人坦言，训练一个具备金融理解能力的千亿参数大模型，单次训练成本以千万元计，后续推理部署、算力扩容和人才团队维护更是持续投入的无底洞。头部券商尚可凭借资本和人才优势搭建AI中台，中小券商却面临“不投入就落后、投入了难见效”的两难。正是在这种背景下，越来越多券商开始把目光从内部实验室转向第三方AI平台，“借台唱戏”成为行业新现象。这一转向并非简单的技术外包，而是券商在成本约束、合规要求与业务时效之间反复权衡后的理性选择。

第三方平台成为能力放大器

所谓“借台唱戏”，是指券商借助第三方AI平台提供的模型能力、算力资源与开发工具，快速构建面向业务场景的智能应用，而非从零自研底层模型。目前主流路径包括接入通用大模型API、使用云厂商的金融行业解决方案，以及与AI公司联合开发垂直场景应用。某华东券商近期上线的智能投研助手，底层调用的是第三方大模型，券商侧主要投入在数据清洗、提示词工程与业务规则校验上，从立项到上线仅用了三个月。相比之下，该券商此前自研的一个小模型项目周期超过一年，效果却难以覆盖全业务线。第三方平台的价值在于把“造轮子”的工作标准化，让券商把有限资源集中在数据和场景这两个真正形成差异化的环节。

成本结构与人才瓶颈的双重挤压

券商挤入第三方AI平台，直接动因是成本结构的重新计算。自研大模型需要持续采购GPU算力、建设机房、维持算法团队，这些固定成本在业务量不确定时风险极高。而第三方平台多采用按调用量付费或订阅制，券商可以将大额资本开支转化为运营支出，试错成本大幅降低。更深层的约束来自人才。既懂金融业务又懂大模型训练的复合型人才在市场上极为稀缺，券商与互联网大厂、AI创业公司竞争时往往处于劣势。一位券商信息技术部人士表示，组建一支能独立完成模型微调和部署的团队，招聘周期和薪酬成本都超出预期，而借助第三方平台，现有工程师经过培训即可完成应用层开发。成本与人才的双重挤压，使“借台”从可选项变成多数券商的必选项。

数据安全与合规的边界博弈

券商对数据安全的敏感度远高于一般行业，客户交易数据、持仓信息和研究报告都属于高敏感资产。将业务接入第三方AI平台，意味着数据要离开券商内网，这对合规部门构成直接挑战。目前行业通行做法是分层处理：涉及客户身份和交易明细的数据不出内网，只在本地完成脱敏和特征提取；进入第三方平台的仅是经过处理的语义信息或公开市场数据。部分券商还要求第三方平台提供私有化部署方案，将模型部署在券商自有云环境中，平台方仅提供模型权重和更新服务。监管层面，证券业协会和各地证监局对AI应用保持关注，强调“模型可解释、数据可追溯、责任可界定”。一位合规负责人表示，券商并非不信任第三方技术能力，而是必须在创新与合规之间划出清晰边界，这也倒逼第三方平台提供更灵活的部署选项和更透明的数据处理协议。

场景落地从外围走向核心

从实际落地看，券商使用第三方AI平台的首批场景集中在投研辅助、智能客服、合规审查和代码生成等外围或中后台环节。投研方面，第三方模型被用于研报摘要生成、公告信息提取和舆情监控，帮助研究员节省信息处理时间；客服方面，智能问答系统承接大量标准化咨询，降低人工坐席压力；合规审查中，模型可辅助识别营销材料的违规表述。这些场景的共同特点是容错率相对较高、人工复核环节保留完整。随着平台能力提升和券商经验积累，部分机构开始尝试将AI引入更核心的环节，例如量化策略因子挖掘、投顾组合建议生成和信用风险预警。不过，涉及投资决策和客户资金操作的核心系统，券商仍保持谨慎，普遍采用“AI建议、人工决策”的人机协同模式。场景的渐进式扩展，反映出券商对第三方平台既积极又克制的态度。

生态竞合中的券商定位

券商大规模接入第三方AI平台，正在重塑行业生态。一方面，平台方凭借模型能力和算力资源掌握了技术话语权，券商在议价和数据反馈中处于相对被动的位置；另一方面，券商掌握着金融场景、客户信任和业务资质，这些是平台方难以替代的资产。有观点认为，未来券商与第三方平台的关系将从简单采购走向深度联创：券商提供场景定义和业务验证，平台方提供模型迭代和工程支持，双方按业务效果分成。部分头部券商已开始尝试“双轨制”，核心能力自研、通用能力外采，同时投资或战略合作绑定关键AI供应商。对中小券商而言，借台唱戏是缩小技术差距的务实路径，但长期看仍需在数据资产和场景理解上建立自己的护城河，避免沦为单纯的流量入口。

从借台到自主的渐进路径

业内普遍认为，券商挤入第三方AI平台是阶段性现象，而非终局。随着模型开源生态成熟、算力成本下降和金融AI人才供给改善，自研门槛会逐步降低。更可能的演进路径是：券商先用第三方平台快速完成业务验证和团队能力建设，再将验证有效的场景逐步迁移到自主可控的技术栈上，形成“外采验证、自研沉淀”的循环。这一过程中，券商需要建立统一的AI治理框架，明确哪些能力必须自主掌握、哪些可以长期依赖外部，避免技术路径被单一供应商锁定。第三方平台同样在调整策略，从卖模型转向卖服务和行业解决方案，以应对券商日益增长的定制化和合规需求。无论路径如何演变，券商对AI的投入已不可逆，区别只在于节奏和方式。借台唱戏解决了“有没有”的问题，而“好不好”“稳不稳”最终仍取决于券商自身的数据治理能力和业务理解深度。