一、首页

软通华方以 自主算力为基，以AI智能为翼，构建金融行业新一代数智化基础架构。通过信创底座、AI算力平台与金融场景应用的深度融合，全面释放数据与算力价值，助力金融机构迈向 安全可信、智能驱动的未来金融时代。

二、详情页

当前，全球数字经济浪潮正以前所未有的速度重塑金融行业的竞争格局。在中国，“十四五”规划深入实施、“信创”战略全面提速以及生成式人工智能（AIGC）爆发式增长的三重驱动下，金融业数字化转型已进入“深水区”。这不仅是技术的迭代，更是一场关乎国家安全、供应链自主与核心竞争力的深刻变革。

然而，机遇往往与挑战并存。随着转型的纵深推进，金融机构在ICT基础架构层面正面临前所未有的复杂局面：

架构之变：底层硬件正从“x86/英伟达单一垄断”加速向“国产化多元异构”演进。海光、鲲鹏等国产CPU与昇腾、昆仑芯等国产GPU的引入，使得“混合架构”成为新常态，但也带来了资源调度难、软件适配繁、运维复杂度指数级上升的严峻挑战。

算力之需：业务重心从传统通用计算向“AI与大模型驱动”转移。百亿级参数模型的训练、高频量化交易的回测，对算力的密度、存储的吞吐及部署的弹性提出了超越传统标准的全新要求。

安全之重：在“数据不出域”的监管红线与供应链不确定性的双重压力下，如何构建既自主可控又高性能的算力底座，成为金融机构必须回答的时代考题。

面对这一系列结构性难题，传统的“堆砌硬件”或“单点采购”模式已难以为继。金融行业亟需一种全栈式、场景化、可演进的新型解决方案——它不仅要能兼容复杂的异构环境，更要能将国产算力转化为实实在在的业务生产力。

软通华方，作为拥有深厚产业基因与全栈技术实力的数字化服务商，深刻洞察这一变革趋势。我们依托**“全栈信创适配能力”与“软硬一体交付优势”，推出本套《金融行业数智化基础架构解决方案》。从多芯兼容的平滑迁移策略，到本地化部署的AI大模型应用（如会议记录一体机），再到企业级智算中心的统筹规划，我们致力于帮助金融机构打破技术壁垒，化解合规焦虑，构建一个安全可信、弹性高效、面向未来**的数字新底座。

本方案将深入剖析目标客户画像，直击当前痛点，并提供经过实战验证的解决路径与价值展望，旨在成为金融机构在数字化转型关键时期的可靠行动指南。让我们携手，以自主可控之基，铸智慧金融之魂。

第一章、客户痛点深度剖析

1. 硬件架构层面：混合异构带来的“管理黑洞”

• 兼容性噩梦：CPU从Intel/AMD转向海光（x86）、鲲鹏（ARM）等多架构并存；GPU从英伟达垄断转向引入昇腾、昆仑芯等国产卡。不同指令集、不同驱动版本导致软件适配工作量呈指数级增长。
• 资源调度困境：在“混合架构”下，如何统一调度异构算力？如何避免国产芯片性能未完全释放、英伟达资源闲置或过载？传统虚拟化和管理工具难以支撑。
• 迁移风险高：核心业务系统从x86迁移至ARM架构（如鲲鹏），面临代码重构、中间件适配、数据库兼容性等巨大技术挑战，稍有不慎影响业务连续性。

2. 算力需求层面：AI爆发下的“供需失衡”

• 通用算力过剩，智能算力短缺：传统通用服务器库存积压，但能跑百亿参数大模型、支持高频量化回测的AI服务器一机难求。
• 建设模式两难：

• 自建：投入大、周期长，且面临技术快速迭代导致的设备贬值风险。
• 租赁：虽然灵活，但金融机构受“数据不出域”监管限制，公有云租赁受限，私有化部署又缺乏弹性。

• 存储瓶颈：大模型训练需要海量数据的高吞吐、低延迟读取，传统存储架构成为算力发挥的瓶颈。

3. 安全与合规层面：供应链与数据的双重焦虑

• 供应链断供风险：高端英伟达芯片供应不稳定，影响长期算力规划。
• 数据泄露隐患：引入外部大模型服务（SaaS）可能导致敏感金融数据外泄，不符合监管要求。
• 信创验收压力：不仅要“买了国产”，更要“用好国产”，如何通过真实的业务场景验证国产全栈能力的有效性是最大难题。

第二章、针对性解决方案

1. 全栈异构融合基础架构方案 —— 解决“混合管理”难题

• 多芯兼容测试与调优服务：
• 策略引导：基于软通华方全栈能力，提供“主推鲲鹏，兼容海光/飞腾”的咨询与实施服务。
• 实测验证：建立多架构兼容性测试实验室。针对客户主推芯片（如鲲鹏920或海光C86），进行OS、数据库、中间件及应用的全链路压力测试与性能调优，输出《异构架构迁移最佳实践报告》。
• 统一纳管平台：构建屏蔽底层硬件差异的资源调度层，实现x86、ARM、国产GPU的统一池化管理，智能分配任务至最适合的算力节点。
• 平滑迁移路径：提供从评估、适配、迁移到验证的一站式服务，确保核心业务在国产底座上“稳如泰山”。

2. 金融级AI算力引擎方案 —— 解决“算力饥渴”与“数据安全”

• 企业级AI算力平台建设：
• 高性能AI集群：部署搭载华为昇腾910B等国产高端芯片的AI服务器集群，专为百亿级大模型训练、高频量化交易回测设计。
• 并行存储加速：配套大规模并行存储系统，满足训练数据TB级/s的高吞吐需求，消除IO瓶颈。
• 弹性混合部署：在“数据不出域”前提下，设计“本地核心训练 + 边缘推理”或“私有云为主 + 信创云为辅”的混合模式，平衡安全性与弹性。
• 软硬一体智能应用：会议记录一体机（标杆案例）：

• 产品形态：基于软通华方高性能工作站（国产化底座） + 科大讯飞星火大模型（本地化部署版）。
• 核心功能：

• 实时转写与翻译：支持多方言、多语种实时识别，自动区分参会角色。
• 智能总结：会议结束即刻生成结构化纪要、待办事项及决策摘要。
• 绝对安全：纯本地化部署，数据全程不触网、不上云，完美契合银行董事会、投决会等高保密场景。

• 落地现状：已在多家头部银行进行测试验证，效果显著。

3. 信创生态联合创新方案 —— 解决“好用”难题

• 联合适配中心：软通华方联合华为、海光、麒麟、达梦等上下游厂商，建立金融信创联合实验室，提前解决应用层面的“卡点”。
• 场景化交付：不只卖硬件，更交付“开箱即用”的场景包（如：智能客服训练包、量化交易加速包、办公信创替代包）。

第三章、收益与价值

第四章、成功案例精选：南京银行

1. 客户背景

南京银行成立于1996年，是国内领先的区域性综合金融服务机构之一，资产规模约 2.96万亿元，属于全国 20家系统重要性银行之一。随着金融科技和人工智能应用的快速发展，南京银行在智能风控、智能客服、投研分析及运营管理等多个业务领域不断推进AI应用落地，对底层算力基础设施提出了更高要求。

在大模型时代背景下，银行面临算力需求爆发式增长，同时还需要满足金融行业 安全合规、自主可控和数据不出域 的监管要求，因此迫切需要建设新一代AI算力平台。

2. 客户核心挑战

在项目启动前，南京银行在数字化与AI应用过程中主要面临以下挑战：

（1）算力不足制约AI业务发展

随着智能风控、智能客服、智能投研等应用逐步落地，传统CPU服务器难以满足大规模模型训练和推理需求，AI算力瓶颈日益突出。

（2）国产化替代压力加大

金融行业信创替代进程持续推进，需要逐步构建基于国产CPU与AI芯片的自主可控算力体系。

（3）AI基础设施缺乏统一规划

AI服务器、数据平台和模型部署环境缺乏统一规划，资源调度效率低，运维复杂度高。

（4）数据安全与监管合规要求严格

银行业务涉及大量敏感金融数据，必须实现 本地化部署与数据安全隔离，避免数据外流风险。

3. 解决方案

针对南京银行的需求，软通华方为其规划并建设了 金融级AI算力基础设施平台，通过国产算力与AI平台融合，为银行AI应用提供稳定可靠的算力底座。

整体方案包括以下三个核心部分：

(1)  国产AI算力基础设施建设

部署基于 昇腾910B AI芯片 的高性能AI服务器集群，构建金融级智能算力平台。核心配置包括：Atlas AI服务器（昇腾910B）、鲲鹏920多核CPU架构、高速NVMe SSD存储、100G/200G高速网络互联。通过高性能计算节点构建AI训练与推理集群，支持百亿参数规模模型训练及高并发推理任务。

(2)  AI算力平台与大模型调度体系

在硬件算力平台基础上，构建统一的AI算力调度平台，实现：

• AI算力资源池化管理
• 大模型训练调度
• AI开发与部署环境统一
• GPU/NPU算力动态分配
• 通过平台化管理，使算力资源可以根据业务需求进行智能调度，提高资源利用率并降低运维复杂度。

(3)  AI业务场景落地支持

平台建成后，南京银行逐步在多个业务场景中部署AI应用，包括：

• 智能运营与办公

• AI代码助手
• 智能办公系统
• 文档与数据自动分析

• 智能风控

• 反欺诈识别
• 反洗钱模型
• 信贷智能审核

• 智能投研

• 投研数据分析
• 金融文本理解
• 市场趋势预测

• 智能营销与客服

• AI客服机器人
• 智能外呼
• 个性化客户服务

通过统一算力平台，银行能够快速部署新的AI应用，加速金融科技创新。

4. 技术架构亮点

本项目在技术架构上具有以下特点：

(1)   国产化AI算力底座：采用 鲲鹏 + 昇腾 架构，实现国产算力平台的自主可控。

(2)   高性能AI训练能力：通过昇腾910B芯片构建高性能AI集群，支持大模型训练与推理。

(3)   高速网络互联：采用 100G / 200G 网络架构，满足AI训练高带宽需求。

(4)   分区式数据中心架构，整体算力平台划分为：管理服务区、通用计算区、AI计算存储区、外部接入区、实现资源隔离与安全管理。

5. 项目实施成果

项目自2025年启动后，顺利完成咨询规划、架构设计及系统建设，并取得显著成果：

(1)   构建金融级AI算力平台

建立国产化AI算力基础设施，为银行未来AI发展提供长期技术底座。

(2)   提升金融AI应用能力

为智能风控、客服、投研等核心业务提供稳定算力支撑。

(3)   降低IT运营成本

通过统一资源管理与自动化运维，提升算力资源利用率。

(4)   增强数据安全与合规能力

实现本地化AI部署，满足金融行业“数据不出域”的监管要求。

6. 项目价值总结

南京银行AI算力平台项目不仅解决了当前算力瓶颈问题，还为未来金融智能化奠定了坚实基础。项目带来的核心价值包括：

(1)   技术价值

• 构建国产AI算力平台
• 支撑金融AI创新应用
• 提升系统性能与稳定性

(2)   业务价值

• 提升风控效率与精准度
• 优化客户服务体验
• 支持智能投研与数据分析

(3)   战略价值

• 实现金融科技自主可控
• 支撑银行长期数字化转型
• 打造金融行业AI算力标杆案例

第五章、方案价值总结

本金融行业数智化基础架构解决方案以 自主可控、安全合规、智能算力、生态融合 为核心设计理念，通过构建全栈信创算力底座与AI智能平台，帮助金融机构实现从传统IT架构向 智能化金融基础设施 的全面升级。

整体价值体现在四个维度：

1.     构建自主可控的金融算力底座

通过国产CPU、AI芯片与信创软件生态的深度融合，打造安全可靠的金融级计算平台。核心价值包括：

• 支持 鲲鹏 / 海光 / 飞腾 / x86 多架构混合部署
• 支持 昇腾 / 昆仑芯 / NVIDIA 异构AI算力
• 实现统一资源池化与调度
• 降低供应链风险

从根本上解决金融行业 “卡脖子技术”风险。

2.     释放AI算力价值，推动金融业务创新

依托企业级AI算力平台，帮助金融机构快速部署和运行大模型应用。重点赋能金融核心业务场景：

• 智能风控与反欺诈
• AI智能客服
• 智能投研与量化分析
• 智能营销与客户洞察
• 自动化办公与运营

实现 算力 → 数据 → AI → 业务价值 的转化闭环。

3.     实现数据安全与监管合规

金融行业对数据安全要求极高，本方案通过本地化AI部署与分级数据管理，实现：

• 数据不出域
• 本地化模型训练与推理
• 多级安全防护体系
• 符合信创及金融监管要求

保障金融核心数据资产安全。

4.     降低IT复杂度与运维成本

通过统一算力调度平台与自动化运维体系，大幅降低IT架构复杂度。

实现：

• 异构资源统一管理
• 自动化运维
• AI算力动态调度
• IT资源利用率提升

整体IT运营效率提升 30%–50%。