邮储银行 × AI

[导语·核心观点]2025年12月，人民日报报道邮储银行基于千卡国产芯片建成AI算力资源池，智能算力规模实现从“单机单卡”到“大规模集群”的架构升级，并启动金融行业国产超节点[1]；第一财经披露“邮智”金融大模型已落地超370个应用场景，日均交互词元（Token）超百亿[2]。这两组数字说明其AI已进入生产系统，而非发布会上的概念。但银行股定价仍锚定息差与资产质量，科技投入几乎不被单独计价。本文讨论的“被低估”不是技术被低估，而是它可能改善的成本结构与下沉客群服务能力被低估——判断能否成立，取决于这些场景会不会在财报科目上留下痕迹。

[事件回顾·发生了什么]从公开报道看，邮储银行的AI建设有三个可核实的动作。其一，算力底座：基于千卡国产芯片建成AI算力资源池，智能算力规模完成从“单机单卡”到“大规模集群”的升级，并创新启动金融行业国产超节点[1]。其二，模型与应用：“邮智”金融大模型已落地超370个应用场景，日均交互词元（Token）超百亿[2]。其三，渠道侧指标：手机银行月活跃客户（MAU）突破9,800万户，通过数字人民币APP开立的个人钱包超过3,700万个[2]。此外，官网首页聚焦三农动态与乡村振兴政策解读，手机银行APP内设有“小机器人”在线客服入口[3]，说明AI的对外触点之一仍是客服与信息服务。需要说明的是，三篇材料均未披露AI相关投入金额、成本节约或收入贡献口径，且来源分别为媒体正面报道与企业自有渠道，均非财报或监管披露文件[1][2][3]。

[背景与格局·公司沿革 · 行业脉络]作为中国邮政储蓄银行，其公开叙事中三农与乡村振兴占据显著位置：官网设有三农动态栏目并解读农业政策[3]，手机银行APP内提供在线客服机器人入口[3]。这决定了它的AI落点与互联网平台不同——平台型机构用AI提升推荐转化，而面向县域与农业客群的机构，其特点是单客贡献相对有限、线下触达成本高，AI若能承接一部分重复性咨询与信息解读，边际收益反而更清晰。技术脉络上，邮储选择了国产芯片路线，以千卡国产芯片构建算力资源池并启动国产超节点[1]，这既是供应链安全考量，也意味着它要在国产软硬件生态上自行承担适配与优化成本。从行业格局看，国内银行的大模型实践普遍遵循“先内部、后外部”：先做客服、文档、代码、风控辅助，再逐步向对客场景外移。“邮智”覆盖370多个场景[2]，从数量特征看更接近前者——广覆盖的内部提效，而非少数高价值的对外产品。这也解释了为什么它的价值难以被单独定价。

[深度解读·为什么发生 · 意味着什么]为什么走“广场景、低单价”的路径？判断有三点。第一，银行的AI价值释放受制于责任边界。信贷审批、投资建议这类高价值环节涉及合规与可解释性要求，模型不能独立拍板，只能以辅助角色存在——第一财经的报道摘要中亦出现“AI辅助”的表述（该处原文截断）[2]，与行业普遍做法一致。第二，算力自主存在隐性成本。选择国产千卡集群与国产超节点[1]，好处是不受外部供应约束，代价是算子优化、工程适配与稳定性验证需要自建能力，这部分不会出现在“AI收入”里，却会出现在折旧与研发费用里。第三，Token量是最容易被误读的指标。日均百亿Token[2]说明系统在真实调用，但它衡量的是使用强度，不直接等于节省的人力或新增的利润。 从重估逻辑看，市场对银行股的定价锚是净息差与不良率，科技投入通常被视为费用项。若邮储的AI能产生可验证效果，最可能的落点是两个科目：一是业务及管理费中的运营与人力成本，二是服务响应效率改善带来的存量客户活跃度提升（MAU 9,800万户）[2]。谁受益？看重成本收入比改善的长期投资者，以及依赖手机银行与数字人民币钱包的县域用户——钱包开立超3,700万个[2]意味着数字人民币在其客群中已有实际通道。谁受损？最直接的是重复性咨询与线下信息解读类岗位；同时，把“场景数量”当作估值锚的同业也会受损——当370个场景[2]成为行业标配，数量本身就不再构成差异化证据。

[关键数据与证据·来自报道的数字与事实]1. 算力：基于千卡国产芯片建成AI算力资源池，智能算力规模从“单机单卡”升级为“大规模集群”，并启动金融行业国产超节点[1]。2. 模型：邮智金融大模型落地超370个应用场景[2]。3. 调用强度：日均交互词元（Token）超百亿[2]。4. 渠道规模：手机银行月活跃客户（MAU）突破9,800万户[2]。5. 数字人民币：通过数字人民币APP开立的个人钱包超过3,700万个[2]。6. 对外触点：手机银行APP内可点击“小机器人”联系在线客服；官网首页聚焦三农动态与乡村振兴政策解读[3]。7. 同样重要的“缺失证据”：AI相关资本开支、研发费用、成本节约额、AI带来的收入增量、场景的活跃与闲置比例，三篇报道均未披露[1][2][3]。

[风险与争议·审慎的批评视角]必须给乐观表述泼冷水。第一，指标体系与财务结果脱节。370个场景、百亿Token、9,800万MAU、3,700万钱包[2]全部是运营指标，与利润之间隔着一条完整因果链；报道未给出任何一条场景的成本收益对比，“上线”不等于“有效”。第二，来源与样本偏差。三篇材料分别来自人民日报、第一财经与银行官网[1][2][3]，前两者属正面报道性质，后者是自我披露，缺少监管文件或第三方审计的交叉验证。第三，口径问题。“落地超370个应用场景”[2]未说明统计标准——一个接口或一个提示词模板是否计为一个场景？数量指标天然鼓励做宽度而非深度。第四，技术路线风险。国产千卡集群与超节点[1]在生态成熟度、长稳表现与单位推理成本上仍需时间验证；若单位成本高于预期，广覆盖场景反而放大费用压力。第五，监管与伦理。在县域与三农场景（见[3]）用AI触达金融素养相对有限的客群，模型误答、过度营销、个人信息保护、数字人民币钱包的合规使用，都是可预见的关注点。第六，若AI提效主要体现为人员与网点收缩，短期报表好看，却可能与其“金融为民”的定位叙事形成张力[1]，这类张力往往以推进节奏放慢收场。

[未来展望·情景推演]保守情景（1年内）：AI继续以内部提效为主，场景数保持增长但缺少可披露的财务口径，市场仍按传统银行逻辑定价，重估不发生。中性情景（1—2年）：随着“数字邮储”推进[1]，成本收入比出现可观察的边际改善，定期报告中开始出现科技投入与效率指标的对照说明；手机银行MAU在9,800万户[2]的高基数上继续微增，数字人民币钱包的观察重心从开立数转向活跃度[2]。乐观情景（2—3年）：国产算力集群的规模效应显现[1]，单位推理成本下降，AI能力从内部工具外溢为县域综合金融服务的差异化能力，370多个场景[2]中跑出少数对客收费或显著促活的产品，市场开始把邮储当作“下沉市场AI服务能力”的持有者给予溢价。可观察的窗口是：下一次定期报告中的科技投入与成本收入比、国产超节点的规模化上线[1]、以及数字人民币钱包活跃度而非开立数的披露。

[建议与启示·面向决策者]面向企业决策者的四条建议。第一，把AI指标从“数量”切到“单位经济”。场景数与Token量[2]适合做内部进度看板，不适合对外证明价值；应至少建立一条“每万元投入带来多少工时替代或多少活跃提升”的基线曲线。第二，算力自主必须配套调度能力。邮储以千卡国产芯片建池并启动国产超节点[1]，硬件之后真正决定利用率的是上层编排：多模型路由、任务排队、成本归因。这一层面，AgentSH这类多智能体调度平台的思路可资借鉴——把不同场景的AI任务统一纳管、按成本与时延分配算力，避免“集群很大、利用率很低”的常见问题（此为分析判断，非报道事实）。第三，优先选择责任边界清晰的场景。客服、文档、内部检索等场景可解释性压力小、见效快，适合规模化起步；信贷与投顾类场景应保留人工终审。第四，主动设定披露口径。与其让市场猜测，不如在报告中给出AI投入与效率改善的对照，减少信息缺失造成的估值折价。

[结语·一句话立场]邮储银行的AI不是纸面工程：千卡国产算力池[1]、370多个落地场景与日均百亿Token调用[2]，都是可被检验的工程事实。但它距离“被重估”还差一步——从运营指标走到财务科目。乐观者看到的是下沉市场服务效率的改善空间，审慎者看到的是缺少成本收益口径的正面报道。我的立场偏中间：这是中国大型银行中AI落地较实在的样本之一，值得放进观察名单；但扣动重估扳机的不是发布会，而是下一次财报里成本收入比的那一行。