AI金融助手

Chatgpt | Chat | Gpt | 小智Ai | Chat小智 | Gpt小智 | ChatGPT小智Ai | GPT小智 | GPT小智Ai | Chat小智Ai 丨 ChatGPT和智能化技术的发展，使得其在金融领域的客户服务、风险管理和投资决策等方面得到了广泛应用。本文将介绍ChatGPT和智能化技术在金融领域的应用，并探讨其带来的优势和挑战。 一、智能化客户服务 ChatGPT和智能化技术可以实现智能客服，在金融领域中可以为客户提供更加个性化、精准的服务。智能客服可以通过自然语言处理和机器学习算法，对客户提出的问题进行智能化回答和解决。这种方式不仅可以提高客户满意度，还可以减少客服人员的工作量。 二、智能化风险管理 在金融领域中，风险管理是非常重要的。ChatGPT和智能化技术可以通过数据挖掘、机器学习和大数据分析等手段，实现风险识别、风险评估和风险控制。可以通过建立模型和算法，对风险进行预测和分析，从而提高风险管理的效率和准确性。 三、智能化投资决策 在金融领域中，投资决策也是非常重要的。ChatGPT和智能化技术可以通过自然语言处理、数据挖掘和机器学习等技术，实现智能化投资决策。可以通过建立模型和算法，对市场趋势和投资标的进行预测和分析，从而提高投资决策的效率和准确性。 四、智能化技术的优势和挑战 利用ChatGPT和智能化技术可以提高金融领域的客户服务、风险管理和投资决策的效率和准确性，从而带来更多的商业价值和竞争优势。但是，智能化技术的应用也存在一些挑战和风险，比如数据安全和隐私保护等方面的问题。需要建立完善的数据保护和隐私保护机制，确保用户数据的安全和保密。 五、结论 ChatGPT和智能化技术在金融领域的客户服务、风险管理和投资决策等方面应用广泛，可以提高金融机构的运营效率和客户满意度，从而为金融机构带来更多的商业价值和竞争优势。但是，在应用ChatGPT和智能化技术时需要注意数据安全和隐私保护等问题，建立完善的数据保护机制。 总之，ChatGPT和智能化技术的不断发展，为金融领域带来了更多的机遇和挑战。只有不断地创新和应用，才能更好地适应市场变化，提高金融机构的核心竞争力，为客户提供更加优质的服务。

国金证券近日研报表示，彭博金融GPT发布，行业大模型落地加速，建议关注同花顺、恒生电子、财富趋势、顶点软件和凌志软件。Bloomberg于2023年3月30日发布金融行业大模型BloombergGPT，该模型采用与ChatGPT相同的主流架构Only-Decoder Transformer。金融行业可能成为垂直GPT率先落地的场景。多个应用场景可能受益于金融GPT的落地，包括新闻情感倾向分析及内容生成、金融领域知识问答及股票代码匹配、财务报表分析及会计审计辅助。 海量资讯、精准解读，尽在新浪财经APP

智通财经APP获悉，华泰证券发布研究报告称，3月30日，Bloomberg发布专为金融领域打造的大语言模型(Large LanguageModel，LLM)BloombergGPT，实现了LLM在金融垂直场景的加速落地。从测试结果来看，BloombergGPT在保证LLM通用性能的基础上，更加聚焦金融场景,有效实现了LLM与金融垂直领域知识的深度融合。BloombergGPT的成功，佐证了“开源模型+高质量垂直数据”LLM搭建思路的有效性，金融GPT率先在证券场景落地，同时建议关注后续GPT在银行领域的业务机会。 华泰证券主要观点如下： 模型拆解：核心突破在于构建金融训练数据集 根据论文《BloombergGPT: A Large Language Model forFinance》介绍，BloombergGPT同样基于典型的Transformer架构，与OpenAIGPT模型相同，采用了仅有解码器(decoder-only)的技术路径。对比来看，BloombergGPT的模型参数为500亿，介于GPT-2(1.5亿)与GPT-3(1,750亿)之间。不同的是，Bloomberg为强化LLM对金融垂直领域的专业理解，构建了目前最大规模的金融数据集FINPILE，通过通用文本+金融知识的混合训练，让BloombergGPT在执行金融任务上的表现超过现有的通用LLM模型，在通用场景上的表现与现有通用LLM模型能力基本持平。 模型启示：“开源模型+垂直数据”大有可为 以GPT-3、GPT-4为代表的大语言模型均由大型的专业人工智能团队开发，并且模型训练需要大量算力。BloombergGPT的成功证明了“开源模型+高质量垂直数据”的方案，可以基于垂直领域数据打造同样具有竞争力的大语言模型。大量的高质量垂直领域知识有望弥补模型在规模上的不足，对比BloombergGPT与GPT-3可以看到，尽管BloombergGPT的模型参数相较于GPT-3较小，但得益于BloombergGPT的预训练数据增加了大量的高质量金融数据，并对预训练数据进行了一系列的清洗、标注，BloombergGPT在通用能力与GPT-3基本持平的情况下，实现了金融垂直能力的大幅增强。 金融GPT展望：掌握金融数据的厂商有望复制BloombergGPT路径 基于BloombergGPT的成功案例，该行认为，训练数据是大语言模型能力塑造的关键因素，同时，Bloomberg在论文中明确出于对数据泄露的担忧，BloombergGPT将采取与OpenAI相同的闭源方案，侧面佐证了原始的预训练数据是各家大模型竞争的重要因素。从国内的金融GPT的预期来看，金融IT厂商掌握着丰富的金融垂直知识与现有AI产品布局，基于高质量的金融数据与开源的大语言模型，同样有机会打造专属金融场景的大语言模型，实现大语言模型在金融场景的有效赋能，让大语言模型成为底层的AI操作系统。 风险提示：宏观经济波动影响;应用落地不及预期;本报告基于公开客观信息整理，不构成投资建议。

协会简讯HOT NEWS动态速报 ——“苏皖金融业大模型场景实战沙龙”成功举行 2024年05月13日 星期一5月10日下午，由江苏省数字金融协会、安徽省数字金融科技协会和科大讯飞联合主办的“苏皖金融业大模型场景实战沙龙”在科大讯飞总部成功举行。江苏、安徽两省金融监管单位、银行保险证券等金融机构及相关协会机构、科研院所参加活动。沙龙聚焦于如何借助大模型等技术赋能金融行业，促进金融与科技的深度融合，共同见证金融行业数智化转型的新浪潮，探索长三角一体化下金融业发展新机遇。 科大讯飞副总裁、金融科技事业部总经理沈海波在致辞中表示，大模型在金融行业的应用前景广阔，希望在长三角产业协同的框架下，携手苏皖地区的金融同业，共同探索发展机遇，为地区金融科技的转型升级和可持续发展注入新的活力。 主题分享：关注行业前沿 寻求发展机遇 协会秘书长、合肥工业大学教授曹杰深入剖析了大模型在金融行业多模态数据融合中的应用价值。曹杰通过详细的案例分析和理论阐述，展示了大模型如何有效地整合和分析金融行业中的多种数据类型，在风险控制与欺诈检测、智能投顾与量化交易、金融信息服务与数据分析场景中实现应用的过程。 南京工业大学互联网金融创新发展研究中心主任陆岷峰介绍了当前金融科技的最新发展趋势，以及如何将这些趋势转化为实际的行业优势，分享了其对于如何利用数字化技术和智能化手段来推动金融行业向强国战略目标迈进的见解。 科大讯飞金融科技市场与解决方案部总监姚佶超结合科大讯飞在金融科技领域的实践经验，深入解析了大模型技术在金融行业中的应用潜力及实施策略。姚佶超强调，金融机构部署大模型技术时，应采用以大模型为核心、小型模型辅助的策略，实现不同规模模型的高效协同，以发挥各自优势。同时，必须将安全放在首位，在确保安全可控的基础上，先关注内部流程和系统的优化；此外，构建一个知识体系全面、能够双向增强的大模型是至关重要的。通过不断从业务反馈中优化模型，完善和丰富模型的知识库，从而推动模型的持续改进和能力强化。 实战演示：产品实操展示 窥探应用前景 在实战演示环节，科大讯飞的业务专家们展现了大模型在多个金融场景下的实际应用，彰显了其在金融科技领域的深厚技术实力和创新实践。 在金融通用场景中，科大讯飞咨询经理张志豪展示了如何利用大模型进行贷款调查访谈辅助、银行流水风险预警、自动生成投资建议报告等任务。这些应用体现了大模型在处理复杂金融信息和提高业务效率方面的巨大潜力。 针对金融运营业务场景，金融运营业务部市场总监陈烨坤聚焦于文本客服、坐席助手和AI中台的核心功能做了演示。通过AI中台，金融机构能够实现对不同规模模型的统一管理，包括版本控制、模型训练与评估，以及模型部署和上线，并快速开发多场景的助手应用，从而提升金融服务的响应速度和质量。 在金融营销业务场景，大模型的应用体现在个性化营销方案生成、产品对比分析、营销报告生成等关键环节。金融营销业务部产品经理李伟峰演示了金融展业助手，通过分析客户数据和市场趋势，AI能够识别销售机会，并为营销人员提供个性化沟通策略，助力提升销售转化率和增强客户忠诚度。 办公场景中的应用展示可窥见大模型在智慧办公方面的实用价值，如会议纪要自动整理、语篇规整、会议摘要模板化及会议待办事项生成等。听见科技咨询经理赵冉介绍，这些工具能够帮助员工减轻日常行政负担，让他们将精力更多地投入到创造性工作中。 最后，星火军团软件智能业务部工程师曾晖演示了大模型在代码生成场景中的应用。大模型不仅能辅助开发者快速生成代码段，还能够检测代码中的潜在错误并提供优化建议，极大提高了开发效率，缩短产品上市时间，并有助于保证代码的编写质量。 交流互鉴：互动互学互鉴 促进行业进步 交流讨论环节，现场嘉宾积极互动，共同探讨金融数智化转型的方向和路径，为区域间的协作发展注入了新的活力，为金融行业的数智化发展提供了宝贵的智慧支持。嘉宾们一致认为，未来的金融行业将更加依赖于数据驱动的决策，智能化服务将成为常态。因此，金融机构需要构建更为高效、智能的数据处理和分析能力，以适应这一变革。同时，为了应对复杂多变的市场环境，金融行业还需要加强风险管理，提升服务水平，确保业务的可持续性和安全性。 本次活动中，与会嘉宾还参观了科大讯飞人工智能体验馆、国盾量子、蔚来汽车、安徽创新馆，充分体验感受新质生产力如何在各行各业深入落地应用。 随着人工智能和大模型技术的迅猛进步，金融行业正站在一个新的关键节点上，面临着前所未有的数智化转型的挑战。这一转型不仅仅是技术的升级迭代，更是对金融业务模式、管理体系乃至整个金融服务生态的深刻变革。展望未来，区域生态伙伴之间的紧密协作将成为金融数智化转型的关键，通过共享资源、优化服务，各方参与者充分发挥自己的优势，可快速推动金融行业的数智化进程，实现金融服务的高效、安全和普惠。 -END- 点击下方关注我们了解更多协会资讯

文 / 中国银行 欧阳清  王沁 金融业是大模型落地的重要领域，大模型技术的全新能力已经在金融客户服务、风险管理、内部辅助、知识管理、IT支持等方面得到应用。金融大模型有助于金融机构降本增效提质，扩展金融服务场景，并可能引发金融服务入口的变革和迁移。金融业作为强监管行业，规模应用大模型仍存在“最后一公里”问题：一方面来自大模型本身存在可信性、可解释性差、安全与隐私泄露、计算成本昂贵和知识产权保护困难等固有问题，另一方面来自金融行业有较高的准确性、专业性、实时性及安全性的内在要求。 金融大模型的应用路径 金融机构应用大模型技术，可充分考量业务场景的特点以及应用的风险、收益、成本等因素，从语料准备、模型融合、场景挖掘、算力部署和治理升级五个方面探索应用。 1.语料准备。拥有足够规模的高质量语料是大模型成功应用的基础，发掘、准备优质的语料数据是金融大模型应用的前提。语料数据涵盖文本、音频、图像、视频等模态，金融机构可从拓展语料来源和提升语料质量两个方向着手建设自身的语料库，其中可优先建设文本数据语料库。 在拓展语料来源方面，一是要外部扩建，拓展多元稳定数据来源，建立数据资产库。通过与知识产品类和数据富集类机构建立紧密协作关系，获取金融通用语料和公共信息；与各行业代表性企业之间银企合作，获取垂直行业语料数据；通过金融从业机构和信息服务商合作，获得高质量的金融专业语料与专业知识。二是内部挖潜，在合规的前提下，深度利用既有知识，包括内部研究机构的资料库、规章制度库等语料知识库、内部日常管理和运营中所积累的语料信息库等语料信息，建立企业内部知识库。 在提升语料质量方面，主要关注维护语料的准确性和多样性，确保大模型的输出能力和泛化能力。一是提升语料准确性，采用专业的人工审核、多渠道数据验证等方法，确保信息的准确性；建立用户反馈机制，及时发现和纠正模型出现的准确性问题；关注数据时效性，持续监测并根据需要进行必要的知识更新和调整。二是扩展语料多样性，增强专业性覆盖，确保语料库涵盖各种细分专业情景和语境；更新管理不同来源的数据，定期对现有语料资产进行更新。 2.模型融合。将大模型与现有IT资产做好融合是大模型成功应用的关键，其中大模型与AI小模型共生同治是金融大模型应用的难点。金融机构可采用串联调用、混合外挂、融合替代等三种模式推动自身AI能力的有效融合，充分发挥大模型的价值和原有IT资产的作用，在一定程度上克服大模型输出结果不稳定、不准确甚至错误等“幻觉”问题。 一是串联整合。小模型用于处理规范准确度要求高、可预设规则且发生频次较高的业务场景，而大模型用于处理无需高精度、需要创意的业务场景，灵活运用模型“插件”、AI助手分诊台等技术，通过AI小模型和大模型间的直接双向调用或中介调用，实现各司其职，分工合作。二是集成混合。根据混合专家模型（MOE）与集成学习分思想，采用外挂知识库（包括向量数据库、图数据库两种方式）和模型库（原有小模型）的方法，通过以大模型为主导、多模型集成的方法实现模型融合：大模型向边、端的小模型输出能力，小模型负责实际的推理与执行，并向大模型反馈算法与执行成效，实现各取所长，优势互补。三是替代融合。以大模型逐步替代的方法实现模型融合。通过大小模型结果评价比较机制，对原有小模型任务中适合由大模型处理的场景，用大模型进行逐步融合替代，直至完整替代，实现先立后破、融合替代。 3.场景挖掘。金融大模型需要依托具体应用场景发挥价值，选择适宜的应用场景是充分释放大模型价值的核心所在。金融机构并不缺乏应用金融大模型的需求和场景，可遵循由内而外、由点及面、逐步推进的原则审慎选择金融大模型的应用场景。在旧场景赋能方面，金融大模型可为现有AI应用业务场景赋能升级；在新场景发掘方面，金融大模型可为银行内外部用户提供新的智能服务渠道和功能。需要注意的是，尽管金融大模型已在多种应用场景中有试点探索的成功案例，但是在规模推广时会遇到具体问题，影响金融大模型的应用普及。 为了更好地协助金融机构挖掘大模型的应用场景，建议可从如下五个维度审慎考虑使用金融大模型的场景：其一是大模型“是否面客”，基于技术现状，目前采用大模型直接“面客”的场景风险较大，应谨慎应用，建议先在内部场景试点成熟后再考虑对外大规模服务；其二是对大模型输出结果的“容错度”，大模型存在“模糊”“黑箱”特性，应依据具体业务对大模型输出错误结果所带来损失的“容忍”度来决定能否在该场景应用大模型；其三是大模型对决策的“影响深度”，金融大模型不同的应用深度对业务造成的风险是截然不同的，对高风险的业务场景应谨慎选择；其四是需求所需的泛化能力，不同场景对大模型的泛化能力是不同的，对于不确定性较高的任务可考虑采用大模型增加其泛化能力；其五是成本效益原则，大模型最终须实现经济或社会效益，现阶段大模型训练和推理成本依然较高，实践中应详细计算投入产出效果，避免盲目投入。 4.算力部署。在金融机构引入并应用金融大模型需具备一定规模的算力基础设施以及巨大的资金投入，设计布局大模型所需的算力部署策略是高效发挥大模型能力的基础。金融机构可提前确定大模型选型、算力基础设施部署、自主可控技术栈验证等三项决策，为金融大模型的有效应用夯实基础。 一是适合自身的基础大模型。常见的选型策略包括选择开源大模型、联合研发大模型和采购商用大模型三种，应根据自身资源禀赋能力，平衡风险、收益和成本的原则来予以选择。较为成熟的做法可优先选取通过工信部认证的商业大模型或与相应的供应商共同研发自身的金融大模型。基于BLOOM、ChatGLM、LlaMA等开源大模型，需要金融机构有更高的技术能力和风险承受能力。 二是与模型相适配的算力部署架构策略。大模型所需的算力基础设施有三种部署方式：私有化、行业云、公有云。其中，私有化部署是绝大多数金融机构的不二选择。私有化部署具体包括以下三种方式：合作部署、“大模型+微调”、“预训练+微调”。金融机构应重点从数据安全角度出发，依据自身技术实力，选择其大模型的部署方式。 三是国内智算设施技术栈选型。AI智算设施底层基本依赖GPU支撑，而受制裁法令的要求国际主流的GPU供应商目前无法对我国供货，因此必须做好国内智算设施的验证和选择工作。同步跟进和掌握自主可控AI芯片、GPU及其光联设施的技术动态，配合国家政策，逐步储备和应用基于自主可控芯片的智能算力资源，繁荣自主可控智能算力生态。 5.治理升级。金融机构引入并应用金融大模型，将加速机构组织、人员和能力的变革和升级，建立良好有效的组织级AI治理是发挥大模型能力的重要保障。金融机构可针对使用大模型具体应用场景需要，重构或转型机构自身的治理模式。 一是健全AI治理架构。完善顶层设计，建立组织级的AI治理伦理委员会，明确人工智能应用治理策略和各个层级的职责，定期组织对人工智能应用情况进行审查和监督，加强人工智能发展潜在风险的研判和防范，确保金融大模型应用符合伦理法规的规定和要求。另一方面，根据国家对于大模型应用的鼓励创新政策，加强金融大模型相关的创新治理机制建设，支持金融大模型基础技术、工程应用和成果转化，鼓励自主创新、推广应用和国际合作。 二是完善AI管理机制。完善AI风险管理体系，建立完整的、覆盖全生命周期的风险管理制度体系和标准体系，确保风险的有效识别、评估和防范；构建AI安全评测认证体系，建立和合作完成隐私保护、价值评估、内容审查等工具、标准和认证模式；构建AI风险监测预警体系，对大模型带来的数据泄露风险、用户违规行为、有害内容生成等方面进行跟踪监测、动态掌握其产生的危害，及时纠正不当行为；完善AI风险的应急响应机制，防范声誉损害、信息安全泄露等突发事件，及时响应和处理大模型应用带来的问题和事件。 三是做好AI队伍建设。大模型重新定义了新型的人机关系，将改变原有的日常业务处理流程，对现有人员的技能升级提出了更高的要求，应做好相应的人力资源教育培训和转型规划，提升现有人员使用AI工具的意识和技能。通过大模型引入应用的工程项目，培养建立AI大模型相关的提示词工程师、AI研发工程师、测试工程师、大模型训练员、内容反馈审核员、大模型运营师等新型AI人才队伍。 金融大模型的发展趋势 金融大模型的发展时间较短，问题和挑战仍未充分暴露，金融机构应加强对金融大模型发展动态的研究，研判下一步的发展趋势。 1.规模应用还要假以时日。当前，金融大模型的应用主要集中在探索、研发或试用阶段，出于审慎经营、风险管控的原则，绝大多数金融机构在大模型应用中仍然处于内部测试、建模研究、团队搭建甚至内部探讨阶段。尽管短期1-2年还会有金融大模型落地探索的实践案例的报告，但业界普遍认为金融大模型将得到大规模的实践应用大约还需要五年时间。 2.亟待进一步的理论突破。多/跨模态、低幻觉、强逻辑、低能耗将成为大模型发展和竞争热点。预计2024年，大模型的多模态生成/跨模态认知、低幻觉甚至零幻觉、复杂问题的逻辑推理能力的研究是理论界的研究热点，构建低能耗（水耗）的大模型是产学研共同关注的研究方向。金融机构可及时关注和跟进相关研究突破，在探索实践过程中充分应用研究成果。 3.版权保护影响未来走向。《纽约时报》案件的判决结果可能将是大模型未来发展的分水岭。由于大模型生成结果高度依赖语料，但输出成果不体现原有智力成果知识产权，因此引发知识产权人的诉讼是迟早的问题。美国法院的判决有可能对全球监管政策走向产生影响，从而波及大模型的下一步发展，金融机构可密切关注相关诉讼及其他相似案件的判决结果。 4.发展可能将进一步放缓。OpenAI近期发生了领导权争夺大剧，反映出高速发展优先还是AI伦理安全优先之间存在着巨大的“理念矛盾”；大模型性能线性提升、大模型幻觉等问题的解决仍存在“理论瓶颈”；大模型训练的高质量数据已被基本利用，面临“数据枯竭”。基于以上因素，通用大模型的大版本升级及升级效果有较大可能会低于业界普遍预期。 5.多模态及安全值得关注。相比大语言模型，多模态大模型应能像人类一样能够理解和处理不同模态的信息，实现信息融合，对跨模态、跨领域任务进行深入理解，更好地胜任不同场景的需求并支持相关业务发展。另外，基于多模态的AI应用极大可能攻破金融机构现有的生物识别类的客户验证安全体系，需提前准备相关验证安全风险的防范措施。 金融大模型的工作展望 金融大模型的规模应用是大势所趋，在大模型技术供给侧持续解决完善相关问题的同时，建议金融机构提前布局规划，做好金融大模型规模化应用前的准备工作。 1.数据工程是当务之急。相比较金融业，其他产业的产业化、垂直化大模型发展可能会发展较快，政府、企业结合自身私有数据训练或者微调垂直大模型同样离不开对于数据预料的处理。因此，对数据收集、清洗和提炼的语料数据工程将逐步走向成熟。金融机构可基于相关的数据工程方法论成果，结合自身行业特点，尽快开展自身机构的语料数据工程，为后续金融大模型的规模应用奠定坚实的基础。 2.审慎引入通用大模型。大模型的建设成本主要发生在模型层，大模型的盈利来源在应用层。早期大模型供应商可通过模型授权等方式完成商业化获利，但随着竞争加剧（百模大战），模型层或将迎来一轮淘汰和聚集，为了确保生态位，越来越多的通用大模型或将走向开源和免费，通用大模型的引入成本会随着时间的发展而有所降低，因此，金融机构可在充分研究各通用大模型的基础上，选择适合自身禀赋的通用大模型。 3.融合能力建设是关键。随着MAAS模式的逐步成熟，金融机构的服务将与其对大模型的融合水平息息相关。因此，金融机构应加强研究和推进大、小模型协同、生成式技术与传统人工智能技术协同，明确大模型接入传统系统、大模型派生小模型、原有小模型升级等策略，做好大小模型融合的技术架构并开展相关技术储备，提升金融机构AI模型融合能力，提升金融机构及其服务的智能化水平。 4.算力自主可控需适配验证。大模型训练离不开底层算力（GPU服务器），目前英伟达GPU相比国内同类产品，在性能和模型适配性等方面有明显优势，且对华禁售的态势短期内不会变化，虽然英伟达仍在不断推出针对中国的阉割版硬件，但算力限制是制约国内大模型发展的“卡脖子”问题。因此，对相关的国内硬件资源的验证与适配是关键路径，金融机构应基于国内硬件训练的大模型框架，及早开展技术储备和技术栈的选型。 5.探索智能体应用场景。自主智能体agent的集成和应用是大模型落地的主流方向。大模型支持的智能体应用，包括基于大模型赋能的智能体数字员工、具身智能体和机器人员工等形态，可集成RPA、BPM等传统智能工具，提供动态实时的业务流程优化，极大提高效率和生产力，有望成为金融大模型规模应用的主要产品形态和解决方案。金融机构应加强大模型加持的自主智能体的探索应用。 （此文刊发于《金融电子化》2024年4月上半月刊） 新媒体中心 主任 / 邝源 编辑 / 姚亮宇  傅甜甜  张珺  邰思琪

作者 中信银行信息技术管理部金融产品IT创新实验室科学家 张 然 零售金融业务作为银行业务的重要组成部分，直接关系到普通消费者的日常金融活动。随着科技的发展和消费者需求的日益多元化，银行零售金融业务正经历着前所未有的变革，从传统的面对面服务模式转变为更为便捷、个性化的数字服务模式。此外，数据驱动的产品创新和服务优化，也成为银行提高竞争力、满足客户需求的关键手段。在这一背景下，人工智能（AI）技术给银行零售金融业务带来革命性的影响。特别是AI大模型具备强大的数据处理能力和复杂模式识别能力，能够处理海量数据，提供精准的客户洞察，从而使银行能够更好地理解客户需求，并为其提供更为个性化的服务，为银行业务提供了前所未有的智能化解决方案。 AI大模型在金融领域的应用，已经覆盖了从客户服务到风险管理的多个方面：在客户服务方面，通过智能聊天机器人和自动化的客户响应系统，银行能够提供7×24小时不间断的服务，同时大幅提升服务效率和用户体验。在产品推荐方面，基于AI的数据分析可以帮助银行更准确地识别客户需求，提供定制化的金融产品和服务。此外，AI大模型在风险管理中的应用，如信用评估和反洗钱等方面，也显著提高了银行的风险控制能力。然而，尽管AI大模型为银行零售金融业务的发展带来了诸多机遇，但也面临着一系列挑战，如技术的准确性、数据安全性、客户隐私保护等方面的问题。银行需要在创新与风险管理之间寻找平衡点，确保技术的安全可靠应用。 AI大模型的崛起标志着银行零售金融业务进入了一个新的发展阶段。通过应用先进技术，银行不仅能够提升服务质量和效率，更能够在竞争日益激烈的金融市场中保持领先地位。未来，随着技术的不断进步和应用场景的拓展，AI大模型在银行零售金融业务中的作用将更加凸显，成为推动行业发展的重要力量。 一、AI大模型概述 AI大模型是指利用大规模的数据集来训练的人工智能模型，这些模型通常具有庞大的参数量和复杂的网络结构，核心特征包括强大的数据处理能力、复杂的模式识别能力以及自我学习和适应的能力。AI大模型能够处理和理解大量非结构化数据，如文本、图像和语音，提供深度的数据分析和预测能力。其发展可追溯至最初的简单神经网络，经过多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）的发展，逐渐演进到现今的高级模型，如生成式预训练变换器（GPT）和双向编码器表示变换器（BERT）。例如，GPT通过无监督学习的方式预训练语言模型，能够生成连贯且相关的文本，而BERT则通过深层双向网络结构提升了对上下文的理解能力。这些高级模型在自然语言处理、图像识别和语音理解等领域展现出卓越的性能。 传统金融技术通常依赖于规则驱动的系统和有限的历史数据分析，而AI大模型则能够学习和适应不断变化的数据模式和市场动态，在处理复杂问题和大量数据方面具有显著优势。例如，在信用评估方面，传统方法可能依赖于固定的信用评分模型，而AI大模型能够综合分析多源数据，提供更准确、动态的信用风险评估。 此外，AI大模型在金融服务的个性化和客户体验提升方面也显示出巨大潜力。例如，在投资管理领域，AI大模型能够根据客户的具体需求和市场变化，提供定制化的投资建议。而在传统模式下，这种服务通常需要高成本的人力资源。然而，AI大模型的应用也带来了一些挑战，如模型的解释性问题、对大量数据的依赖，以及潜在的偏见和隐私问题。这要求金融机构在采用这些技术时，不仅要注重技术的进步，更要考虑到技术治理和合规性问题。 AI大模型在银行零售金融业务中的应用，标志着金融服务向更高效、智能化和个性化的方向发展。随着技术的不断完善和应用的深入，预计未来这些技术将在金融领域扮演越来越重要的角色。  二、AI大模型在银行零售金融业务中的应用场景 AI大模型在银行零售金融业务中的应用，正成为推动该领域创新和效率提升的关键动力。以下是该技术在不同领域中的具体应用。 1.客户服务优化 一是智能对话系统。银行利用AI大模型开发的聊天机器人可以实现7×24小时的客户服务，提供即时响应和问题解决能力。该系统通过自然语言处理能力，能够理解和回应客户的查询请求，提升服务效率和客户满意度。二是自动化客户响应系统。该系统可以处理常见问题和请求，如账户余额查询、交易记录查看等，减轻客服团队的工作负担，同时提高响应速度和准确性。 2.数据驱动的产品推荐 通过分析客户的消费习惯、财务状况和偏好等数据信息，AI大模型能够为其推荐个性化的金融产品，其中包括适合个人投资偏好的金融产品、信用卡奖励方案等，从而提升客户体验和产品销售水平。 3.风险管理与合规 一是信用评估。AI大模型能够分析更广泛的数据集，其中包括传统信用报告以外的非结构化数据（如社交媒体行为等），由此提供更全面和精准的信用风险评估。二是反洗钱。AI大模型可以有效监控异常交易行为，快速识别潜在的洗钱活动，提升反洗钱工作的准确性和效率。三是合规监控。利用AI大模型对交易和通信进行监控，可确保业务活动符合监管要求，减少违规风险。 4.操作效率提升 在智能报告编制方面，自动化的报告生成工具能够快速整理和分析大量数据，生成财务报告、市场分析报告等，提高工作效率和报告质量。 AI大模型在银行零售金融业务中的应用正在彻底改变服务方式、产品推荐、风险管理和日常操作流程，不仅提升了银行业务的效率和效果，还为客户提供了更加个性化和便捷的金融服务体验。随着AI大模型的不断进步，未来银行业务的智能化和自动化程度将进一步提高，为银行和客户带来更多价值。  三、AI大模型在国内外银行的应用案例分析 1.国内外银行应用案例 AI大模型在银行业已经有多个成功的实践案例。美国某银行在交易、风险管理和客户服务中积极应用AI大模型，特别是在自动化交易策略和风险控制方面，通过AI进行市场分析和预测，以提高交易效率和风险管理能力，并通过与科技公司合作，开发了多种模型和应用，其中包括用于分析金融市场趋势的模型和用于提高客户服务效率的聊天机器人。这些应用不仅提高了交易决策的速度和准确性，还增强了该行的风险监测的能力，并改善了客户服务体验。欧洲某银行将AI大模型应用于防止欺诈和反洗钱方面。该行通过AI大模型来分析交易模式，识别异常行为，并利用大数据和机器学习技术，建立了一套复杂的交易监控系统，用于实时监控和评估潜在的风险。该系统有效提高了对欺诈和洗钱活动的识别能力，减少了非法交易的发生，同时提高了整体的合规水平。国内某银行利用AI大模型推出了智能客服系统，旨在提供7×24小时不间断的客户服务，并处理各类业务查询和交易。该行通过内部开发和外部合作，引入了基于AI的语音识别和自然语言处理技术，用于理解并响应客户的需求。该智能客服系统显著提高了响应速度和服务质量，减轻了传统客服中心的压力，并提升了客户满意度。 通过上述案例可以看出，不同银行根据自身的业务需求和技术能力，在AI大模型的应用上采取了不同的策略。无论是提升交易效率、优化客户服务还是强化风险管理，这些应用都显示出AI大模型在提高银行业务效率、减少成本以及增强竞争力方面的巨大潜力。随着技术的不断发展和成熟，预计将有更多的银行加入这一技术创新的行列中，进一步推动银行业的智能化转型。 2.中信银行应用案例 中信银行自2023年着手构建仓颉大模型平台，目前该平台集成了多模态生成能力、大模型训练微调能力及数据处理等多方面功能，致力于优化客户金融服务体验和提高银行各业务系统的效率。目前，仓颉大模型平台已在如下业务场景进行应用。 一是智能问答助手。仓颉大模型平台推出的智能问答助手能够处理自然语言提问，通过AI大模型检索相关文档，提供精准答案。该系统相较传统AI机器人在问题回答的范围、针对性和维护成本上均有显著优势。 二是智能操作助手。仓颉大模型平台在零售业务中引入智能操作助手，如网银系统，通过自然语言交互实现自动化业务操作，提升效率和服务质量，节省操作时间，尤其在复杂操作流程中效果显著。 三是代码生成。仓颉大模型平台支持代码生成、翻译、检测等功能，通过对存量代码的微调提高代码采纳率，提升开发人员工作效率，降低开发成本。 四、AI大模型在银行零售金融业务领域的应用挑战与应对策略 虽然AI大模型技术为银行零售金融业务带来了诸多优势，但在实际应用过程中也面临一系列挑战。 1.技术挑战：数据的个性化处理与实时响应 在银行零售业务中，个性化服务成为提高客户满意度和忠诚度的关键。因此，AI大模型需要处理和分析大量个性化数据，以提供定制化的服务和产品。此外，实时响应客户需求变得尤为重要。银行应加强对实时数据处理和分析的能力，通过构建高效的数据处理流程和强化实时交互能力来满足客户的即时需求。同时，建立专业团队监控模型性能，快速迭代更新以保持服务的个性化和实时性。 2.合规与安全性问题：增强个人数据保护和识别欺诈行为 在银行零售业务中，保护客户的个人信息尤为重要，同时需要有效识别和防范欺诈行为。银行需要实施严格的数据管理和隐私保护措施，遵循最新的法律法规，如GDPR或类似的本地数据保护法规。采用最新的加密技术和安全措施，如生物识别和行为分析技术，来增强系统的安全性，并有效预防欺诈行为。 3.用户接受度与教育：加强对AI辅助决策的信任建设 在银行零售业务中，客户对AI技术的接受度直接影响到其服务的使用率。银行需要采取措施增强客户对AI决策支持的信任。这可以通过教育客户了解AI技术如何工作，它是如何在保护隐私的同时提供个性化服务的。同时，确保AI系统的决策过程透明，让客户理解AI如何做出决策，以及如何处理他们的数据。此外，提供人工服务选项，确保客户在需要时可以选择与人工服务人员互动，从而增加对AI服务的信任和接受度。 通过上述策略的实施，银行不仅可以有效应对AI大模型在零售业务领域的应用挑战，同时也能够利用AI技术为客户提供更个性化、安全和便捷的服务，进而在竞争激烈的银行零售业务市场中脱颖而出。随着AI技术的不断进步和相关政策法规的完善，预计AI在该领域的应用将变得更加成熟和广泛。 五、未来展望与趋势分析 AI大模型在银行零售金融业务领域的应用正处于快速发展阶段，预计将在未来塑造银行业务的核心趋势和市场动态。 1.发展潜力 AI大模型在提高银行业务效率、降低成本、增强客户体验方面具有巨大潜力。随着技术的不断进步，这些模型将更加智能化，能够更准确地预测市场趋势、客户需求和风险，从而帮助银行做出更加精准的业务决策。银行将能够利用AI大模型提供更加个性化的服务，比如基于客户行为和偏好的定制化投资建议和金融产品。这不仅能提升客户满意度，还能为银行带来更高的客户忠诚度和收入增长。 2.创新应用与市场趋势 增强个性化服务。预计银行将更多利用AI大模型提供个性化金融建议和产品的应用，如使用机器学习模型来预测个人的财务需求和投资偏好，为客户提供量身定制的解决方案。...

同花顺2023年度实现营收35.64亿元，同比增长0.14%;实现归母净利润14.02亿元，同比下降17.07%;实现扣非净利润13.69亿元，同比下降15.27%;实现经营性现金流净额15.92亿元，同比下降9.01%。截至2023年12月31日，公司合同负债11.02亿，较2023年初增长12.22%。2023Q4公司实现营收11.92亿元，同比下降7.14%;实现归母净利润6.32亿元，同比下降21.87%;实现扣非净利润6.11亿元，同比下降19.53%。 2023年二级市场波动较大，公司营收端保持平稳。2023年全年沪深两市交易额212.2万亿元，同比减少5.5%。公司2023年全年营收35.64亿元，同比增长0.14%，整体保持平稳。分产品来看，2023年公司增值电信业务实现营收15.29亿元，同比下降0.61%;广告及互联网推广服务实现营收13.59亿元，同比下降10.97%;软件销售及维护业务实现营收4.38亿元，同比增长53.53%;基金销售及其他交易手续费实现营收2.39亿元，同比增长14.04%。三费方面，2023年公司销售费用/管理费用/研发费用支出分别为4.97亿元/2.04亿元/11.79亿元，同比增长分别为35.15%/27.19%/10.51%。作为金融信息服务提供商，公司经营情况与资本市场活跃程度具有一定相关性，在2023年资本市场波动较大的情况下，公司营收体现出一定韧性。我们认为，若未来宏观经济向好，二级市场有望企稳反弹，进而驱动公司业绩增长。 坐拥B/C两端雄厚客群，公司客户资源显著。作为国内领先的互联网金融信息服务提供商，公司拥有丰富的客户资源。机构客户方面，公司的产品和服务已覆盖了国内90%以上的证券公司，此外还覆盖了大量的公募基金公司、私募基金公司、银行、保险公司等机构客户;个人用户方面，截至2023年底，公司金融服务网累计注册用户约6.23亿人;每日使用同花顺网上行情免费客户端的人数平均约1447万人，每周活跃用户数约为1936万人。种类繁多的机构投资者及庞大而活跃的个人投资者，有利于公司打造互联网金融信息服务生态圈，促进公司产品及服务的更新换代。 打造金融领域大模型，推进AI技术与产品融合。在人工智能领域，公司自研的问财HithinkGPT大模型是国内金融领域首个应用大模型技术的智能投顾产品，业务涵盖A股、基金、ETF、港股、美股、债券、宏观等15个业务矩阵，包括查询、分析、对比、解读、原因、预测、建议、回测等在内的50余类技能。该模型预训练金融语料达到万亿tokens，经过前期多轮测试与优化，目前该模型在通用领域的表现已全面超越主流开源模型Llama-2，并且能够高分通过多个金融领域的专业考试。我们认为，公司积极把握AI带来的产业机会，将AI技术在各类业务场景落地，有利于强化产品竞争力，增强客户粘性。 我们预计2024年-2026年EPS分别为2.94元/3.38元/3.90元，对应PE为44.21/38.47/33.36倍。

与客服通话了20分钟才发现是机器人？AI可以轻轻松松生成图片、文字？实际背后都有大模型的身影，现已进入我们日常的工作和生活中。 近年来，随着人工智能技术的快速发展，大模型已经成为当下科技领域炙手可热的话题，而且普遍认为2024年有可能是爆发的一年。金融作为数智化渗透较深的重要行业，大模型如何与金融业务融合并加速落地应用成为众多金融机构探索的重要方向。 “大模型可以应用到金融业中的贷前、贷中、贷后等各个环节，如可以在贷前通过多模态数据识别团伙欺诈客户、可以在贷后对内容质检规范催收行为、提升效率等。”5月15日，海尔消费金融（简称“海尔消金”）CIO 梁树峰受邀参加2024春季火山引擎FORCE原动力大会，并在金融分论坛发表主题为“迎接硅基文明——海尔消金大模型探索与实践”的演讲。 日前，海尔消金宣布与火山引擎共建“金融大模型联合创新实验室”，并计划在精准营销、智能客服、贷后管理、风控等业务场景中持续探索大模型的创新应用，加速智能化发展进程，共筑新质生产力。 从chatGPT引爆大模型概念以来，大模型受到了国内外各行业的高度关注。相关数据披露，大模型的参数量已经发展到万亿级的规模，引发了从“量”到“质”的变化。“大模型的快速发展是数字经济时代的必然趋势也是发展需要，其中金融作为大模型最佳落地领域之一，或将对业务场景产生颠覆性的影响，为数字化转型和高质量发展带来新动能。”梁树峰表示。 值得一提的是，金融业激发了通用人工智能（AGI）的新热潮，拥有学习、分析、理解、归纳、总结、推理、创意、交流、执行等方面的通用能力和专业能力。尤其在“理解”方面，将会广泛提升各个业务场景效率并降低成本。 据悉，金融机构的坐席摘录在时间和质量上都有待于提升。梁树峰表示，当前坐席摘录人均耗时30-60s、人均每天237次、记录耗时1.9-2.9小时；且存在文字错误、描述不准确、表达口语化、他人无法理解等问题。 以智能客服为例，大模型凭借强大的计算能力、数据处理能力以及自适应学习能力，能够根据用户输入的语义，为用户输出个性化服务。海尔消金梁树峰对此深有感悟，他表示，之后将研发智能客服机器人，利用多模态智能服务、自动质检、情感分析等，可以自动摘录，提升客户整体的服务效率和服务体验。用两个数据可以直观的看出，解决摘录存在的95%的质量问题、每天节约人工1-3小时的时间。 海尔消金刚成立的金融大模型联合创新实验室，重点也是为了提升风控能力、优化服务体验、提高业务效率及反欺诈水平等关键领域。 虽然大模型前景广阔，但不得不承认还有很多挑战。在主题演讲的最后，梁树峰认为信息安全、技术鸿沟、基础算力以及模式创新四个方面值得思考的问题。 在当前市场环境下，创新是唯一的不变。海尔消金作为一家持有消费金融牌照金融机构，始终不忘金融惠民初心，坚持科技创新，不断提升智能化水平和数字化程度，为用户提供便捷且高效的金融服务。数据显示，截至目前，海尔消金的科技人员占比已超过60%，2023年的研发投入超过2亿元，是行业首家高新技术企业以及“专精特新”企业。

文 | 脑极体 金融大模型，被认为AI大模型产业化落地的第一站。 金融行业有着结构化数据充沛、应用场景丰富、数字化基础设施良好等一系列特点，这些都是融合AI技术的利好因素。所以当AI大模型开始爆火之后，各界会不约而同认为金融是AI大模型的天然良港。 从2023年至今，中国金融大模型市场的发展也确实印证了这一判断。根据相关数据，目前中国市场已经有近20个金融大模型落地应用，头部金融机构要么已经应用AI大模型，要么展示了对AI大模型的研发与应用计划。 要知道，在降本增效的大背景下，金融机构目前还需要兼顾移动金融、数字系统自主替代等多项数字化投资目标，能够分给AI大模型的资源并不丰富，而AI带给金融机构的投资回报比还非常有限。高效上马大模型，对金融行业来说真的值得吗？ 记得2023年我在参加一个金融科技峰会时，与一位银行代表进行沟通。他提出金融机构做AI大模型，最根本的动力是担忧。在移动互联网时代来临前，全球金融行业普遍低估了新技术带来的冲击力。随后被Apple Pay、支付宝、微信等移动互联网平台分润了时代红利。不让类似境况重演，是驱动金融机构加码AI大模型的底层动机。 如果是这样的话，金融行业仅仅快步走向大模型并不够，同时还需要听见远方的风，要能够从长期目标来回溯中短期的行动规划。 今天，我们就从这个观点出发，聊聊快速用上了大模型之后的金融行业，接下来走向何方？ 金融大模型，从高速覆盖1.0，走向价值最优2.0 从全球到中国市场，生成式AI带来的大模型之变，都在一年多的时间里掀起了金融行业的科技革新浪潮。 在国际上，OpenAI将金融行业视为GPT技术落地的首站，比如其与摩根士丹利合作，推出了基于 GPT-4的投资顾问机器人。 而在中国金融行业，AI大模型可谓以前所未有的态势得到了高速覆盖。在短短一年多的时间里，处于头部地位的银行、券商以及保险机构纷纷完成了金融大模型的落地应用。 比如说，工商银行就宣布建成了同业首个全栈自主可控的千亿级AI大模型技术体系，并在多个金融业务领域实现了创新应用。例如在网点运营上，推出了基于大模型的网点员工智能助手。农业银行AI推出了类ChatGPT的AI大模型应用ChatABC，并在科技问答场景进行了内部试点。邮储银行通过接入百度“文心一言”，从而在智能风控、智能运营、智能投研、智能营销等场景进行大语言模型应用。 在民营银行层面，网商银行将大模型技术应用于产业金融层面，从而识别小微企业的信用画像。在保险行业，众安保险搭建了“众有灵犀”系统，将大模型带入智能客服、到期提醒、智能运营等业务场景中。 而从技术与解决方案供应商的层面看，目前中国市场已经呈现出多样化的金融大模型技术供应渠道。腾讯云、蚂蚁金服都推出了金融大模型解决方案。面向金融行业既需要大模型落地，同时也需要基础设施更新的需求。华为在2023年依托盘古大模型，推出了金融级PaaS解决方案，发布了包括AI for Data、AI for Business、AI for IT三大类10个场景的金融大模型方案。 而在开源大模型层面，度小满开源了轩辕大模型，其在1760亿参数的Bloom大模型基础上训练而来，已经应用在度小满各个业务场景，覆盖了从营销、客服、风控、办公到研发等场景，并在一系列大模型评测中取得了领先地位。 可以看到，金融大模型已经快速走过了以高速覆盖为特征的1.0时代。在第一阶段，金融大模型相关技术与解决方案快速出炉，头部金融机构竞相试用，为中国金融大模型的发展打下了良好的基础。 金融大模型第一阶段的发现成果显而易见，比如说，技术发展速度快，用户积极性高。同时金融大模型的业态覆盖非常完整，从银行到保险、证券等领域兼顾，此外相关的技术能力供应链已经完善。闭源模型与开源模型兼顾，多种部署方式完备，与金融大模型相配套的软硬件基础设施已经较为齐全。 但在接下来，金融大模型需要从具有探索性质的1.0阶段，走向必须要求回报率，要体现长期发展价值的2.0阶段。 这一阶段，金融大模型需要面临的挑战更加复杂，同时战略方法论的问题也将浮出水面。 已经暴露出的挑战 统观金融大模型的落地进程，会发现其中表现出的优劣势逻辑，与此前AI技术落地金融业如出一辙。第一阶段，行业会直观感到AI很好用。但接下来，AI能否带来充足的投资回报，能否深入业务核心，才是更大的挑战。 目前，金融大模型也遇到了类似问题。首当其冲，大模型所带来的智能幻觉、数据污染等问题，与金融行业对专业性、安全性的极高需求是难以匹配的。 其次，由于金融行业极高的涉密等级与安全合规要求，往往需要私有化进行大模型部署，同时禁止模型学习大量数据，禁止数据过分流动。这又催生了两个问题，一个是私有化部署给金融机构带来了极大的研发与运维成本压力。另一个是高安全等级与限制数据使用，带来了金融大模型效果不佳等问题。 对于金融机构来说，不仅是研发、训练大模型的成本过高，将模型进行场景化部署的成本压力也很大。由于目前金融大模型还处在探索阶段，难以带来实际的商业回馈，因此其部署往往是在机构内部，或者边缘业务中。这就导致部署成本不断放大，但商业化价值却迟迟无法释放。 最后，也正是处于金融行业高安全，与大模型技术不够成熟二者间的差距。金融大模型普遍无法在金融核心业务中进行部署。比如大模型加持的智能客服，不仅无法代替客服人员，还可能出现需要频繁唤醒人工客服，且需要客服重新理解用户需求的现象。而在风控等产业应用侧，大模型虽然表现出了巨大的潜力，但还无法真正处理较为复杂的风险异常。 这种情况下，金融大模型很可能在运行一段时间，热度相对褪去之后，又和许多金融科技一样流于边缘化。 如何才能突破技术与产业之间的长期壁垒？这可能需要金融大模型听到一些来自远方的风。 从未来，回看现在 布莱特·金在著名的《银行4.0》中，第一章就在讨论第一性原理的回归。即我们需要回归问题的本源，回归设计的本质。放在金融场景，就是我们首先需要理解银行被设计出来是为了什么，继而在讨论银行应该如何发展。 想要打破金融大模型可能面对的壁垒，我们也必须有这样一个意识：去思考，去判断，甚至去假设未来大模型究竟能给金融带来什么，再从未来倒推现在。 哪怕这个未来相对遥远，至少远方的风不会带我们走进死胡同。 那么，AI大模型到底能为金融带来什么？ 这个问题可以分为两个维度去理解，一个是技术维度，一个是应用维度。 从技术上看，大语言模型的技术升级路径已经相对确定，业界对其技术发展范式以及工程化实践已经有了明确的共识。 比如说，最近我们读了由度小满金融技术委员会执行主席、数据智能应用部总经理杨青所撰写的《大语言模型：原理与工程实践》。书中除了明确提出了大语言模型的多项关键技术之外，还指出了其在涌现能力、推理能力上的特点，以及广受关注的大语言模型缩放定律。随着模型训推能力的提升，大语言模型将持续出现智能涌现效果。这一技术锚点是金融行业所追寻的长期价值，也是度小满等金融科技供应商探索大语言模型的价值关切。...

近期，多家金融机构、金融服务机构发布其AI大模型。彭博发布支持金融领域的自然语言处理（NLP）任务的BloombergGPT，中国工商银行发布了基于昇腾AI的金融行业通用模型，中国农业银行推出类ChatGPT的大模型应用ChatABC。生成式和理解式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有潜在落地场景，在帮助金融机构降本增效中功不可没。 奇富科技认为，金融行业作为数据密集型的垂直领域，拥有大量的数据资源，包括客户交易数据、市场数据、宏观经济数据等。这些数据的丰富性和多样性为金融企业提供了广阔的发展空间，同时也为人工智能技术的应用提供了良好的基础。金融行业有望成为AI大模型率先落地的垂直领域之一。 ◈ 银行领域 理解式大模型可以用在信贷风险管理、智能获客和产品识别等场景，通过提升银行的数据洞察理解能力，来更好地识别客户需求以及评估客户信用风险。例如，德意志银行和NVIDIA合作测试Financial Transformers (Finformers)大模型，能够从非结构化数据中提取关键信息，以提供早期风险预警信号。 生成式大模型则可提高客户服务质量，智能客服既能与用户进行多轮对话，还能提出具体可行的解决方案。例如，中国工商银行发布了AI金融行业通用模型，智能客服在识别客户来电诉求和情绪的准确率上有显著提升。 ◈ 投资研究领域 大模型可以成为投研从业者的“全能助理”。理解式大模型不仅可以辅助了解国内外的宏观政策、行业信息、公司和产品信息，并将关键信息进行抽取与提炼，还能通过对海量非传统数据进行挖掘来发现另类投研因子。生成式大模型则能实现研报的自动生成和翻译。 ◈ 投资顾问领域 大模型不仅能充分利用自有内容资源，还能帮助全方位分析客户需求和市场趋势，提供自动化的投资建议。比如，同花顺应用LLM来构造合规、准确的投顾助手，通过Double-Check、多轮对话等模式，消除对话中的歧义、更好锁定投资者意图，从而准确了解用户画像来设定投资目的及风险承受度，并提供自动化的投资建议。摩根士丹利已经接入OpenAI，充分挖掘自身庞大的研究资源和数据库，为财富管理顾问提供帮助。 ◈ 财经新闻领域 理解式大模型帮助理解和判断财经新闻文章中的情感走向，生成式大模型助力更准确的金融问答和资讯写作。例如，彭博社近期发布的BloombergGPT得益于大规模金融垂直领域的文件、行业新闻、社交媒体等文本数据集的训练，能够理解财经新闻背后的市场“情绪”，辅助金融资讯写作，这解决了通用NPL模型在金融领域应用的痛点。 免责声明：文章及图片转载自奇富科技，版权归原作者和原出处所有，所发内容仅作分享之用，不代表本平台立场。有事请联系人民产经观察邮箱chanjingguancha6@163.com