AI金融助手

聚焦金融数字化转型的“2024数云原力大会·新动力数字金融论坛”日前在京举行，企业级数智底座“乾坤”、一站式企业级大模型集成平台“神州问学”及《引领数智金融新未来：金融数字化转型白皮书》等数字金融成果在论坛上发布。 神州控股董事局主席、神州信息董事长、神州数码集团董事长郭为提出，数据资产的积累是体现数字化与信息化差异的关键，数据资产可以被视为数字时代的新型“财富”。今天AI技术之所以受到如此关注，关键在于其可以实现数据“永动机式的”自动生成。尤其对金融机构而言，数据资产的重要性更加不言而喻，不仅体现在风险、营销、财富管理等业务领域，更重要的是数据资产的影响已经扩散到市值领域，未来将实现银行资产规模十倍、百倍的增长。 神州信息副总裁、新动力数字金融研究院院长徐启昌介绍，“乾坤”企业级数智底座基于数云融合理念进行打造，包含一套端到端的企业级数字化工艺流程，“高码”、“低码”、“零码”三种开发模式，提供四大数字化资产库，支持五大类业务应用开发，能够完整覆盖数字化转型工作的六大工作域。 在国家金融与发展实验室理事长李扬看来，不论是科技金融、金融科技或者数字金融，不必拘泥于形式，最终目的是为了驱动金融更好地服务实体经济。为了实现这一目标，推动金融业数字化转型则是题中应有之义。客观看，我国金融数字化转型尚未进入较高层次的智能化阶段，因此既需要深入推动金融供给侧改革，也应该从需求侧提升产业的数字化程度，从而更好地实现产融数字化互动。 清华大学五道口金融学院金融安全研究中心主任周道许提出，当前金融人工智能发展呈现出三个特点：一是技术发展快，应用领域不断拓展；二是风控进一步加强，监管政策不断完善；三是业务逐渐深度融合，人机协同新时代来临。针对“数、云、智”（即大数据，云服务和智能化）的安全高质量发展，周道许建议，在金融数据分类分级和相关安全管理工作要有足够的耐心。同时，要加快自主创新金融云服务的建设工作，并对技术安全和合规安全进行细分。金融智能的合规安全和技术安全彼此紧密关联，但又有重要区别，各金融机构在开展智能化应用时要高度重视细分技术安全和合规安全。 据悉，论坛由神州信息与北京立言金融与发展研究院联合主办，北京市西城区人民政府、北京金融街服务局为指导单位，清华大学五道口金融学院为学术指导单位，金融科技50人论坛提供学术支持。

“智能金融”指人工智能（AI）和金融行业的深度融合。与传统的判别式AI小模型相比，生成式AI大语言模型的问世标志着AI与金融融合发展面临新的转折点。当前，大模型已被国内各类金融机构引进，作为提振内部生产力的工具，但尚缺乏面向客户的应用场景。 为积极、稳妥推进大模型在金融行业的应用并释放其巨大潜力，本文为金融机构与监管者提出五项建议。❶ 积极拥抱新技术，加快数字化转型；❷ 紧紧围绕价值创造，先内后外、逐步推进；❸ 着力推动大小模型交互应用，降低成本，提升效益；❹ 高度重视数据和算力，确保模型质量；❺ 切实加强安全风险管理，保障AI大模型有序发展。 ——肖钢 中国金融四十人论坛（CF40）资深研究员、中国证监会原主席 * 本文为作者在2024年4月20日的2024·金融四十人年会暨闭门研讨会“迈向金融强国之路”专场二“人工智能与数字金融强国建设”上所做的主题交流。文章仅代表作者个人观点，不代表CF40及作者所在机构立场。 ” 生成式AI大模型在金融行业 拥有巨大的应用潜力 “智能金融”指人工智能（AI）和金融行业的深度融合，这一概念最早于2017年国务院经党中央批准发布的我国首个AI规划——《新一代人工智能发展规划》中提出。 自2019年起，我在CF40每年组织专家团队撰写《CF40中国智能金融发展报告》，回顾和探讨AI与金融行业融合发展的相关情况和政策举措。自那以后到现在，我们所说的智能金融应当说主要仍指传统的判别式AI模型，即小模型，与今天讨论的生成式AI大语言模型不同。 大模型的出现标志着AI与金融的结合面临新的转折点。当前，我国从大型银行与股份制银行到证券保险公司的各类金融机构都在进行积极准备，研究应用大语言模型的发展，并将其引进作为内部生产力工具，但大模型目前仍没有真正面向客户服务的应用场景。 麦肯锡在2023年发布的一份研究报告中分析了生成式AI大模型为金融行业、尤其是全球银行业带来的经济价值。据其估算，应用生成式AI大模型每年为企业端（即2B）带来的经济价值为2.6-4.4万亿美元；其中，全球银行业使用大模型可使其每年营业收入提高2.8-4.7%，这一比例高于全球制造业、零售业、旅游业、运输业和物流业等所有其他行业。可见，大模型在金融行业有着巨大的应用潜力。 推进AI大模型在金融行业 应用的五项建议 为积极、稳妥促进大模型在金融行业的应用，我提出五项建议。 第一，积极拥抱新技术，加快数字化转型。 智能金融是数字金融的高级形态，这两者之间是相互促进的关系。数字化转型是智能化的前提和基础，而大模型的应用是加快数字化转型的“核动力”。不同于原先的小模型，大模型的应用将为数字金融带来新业态、新模式。 金融机构应全面认识AI大模型应用的紧迫性和重要性，一方面，在找到可落地的、面向客户的应用场景前，不能高估大模型在当前的作用；另一方面，绝不能低估其未来的潜力，须紧跟发展趋势，提前布局、做好准备。 需要指出，中小金融机构在数字化转型中面临诸多困难。有观点认为，大模型的问世或极大加剧中小金融机构与大型机构之间的差距，即所谓的“马太效应”；但也有分析指出，大模型为处于头部的中小金融机构实现“弯道超车”带来了机遇。 如何充分认识大模型为中小金融机构数字化转型带来的机遇和挑战？如何立足其自身资源禀赋、帮助一批有条件的中小金融机构实现跨越式发展？这些问题应该提上日程。 第二，紧紧围绕价值创造，先内后外、逐步推进。 与其他科技应用一样，AI大模型在金融领域的应用也须坚持以客户需求为主导，以业务价值创造为核心。金融行业应着力构建合适的场景，引入AI大模型，根据自身数据对其微调、训练，然后基于试点项目进行使用。 这个过程中，应着眼于业务中的痛点和难点问题，不能为了应用而应用，而是要通过应用大模型创造服务新模式，从而大力降低成本、提升效益，并改善客户体验。目前，各金融机构对应用AI大模型的步骤掌握得比较好，采用了先内部使用、再根据条件延伸至客户服务的做法。 在企业内部应用大模型作为生产力工具时，应引入价值观评测机制。已有一些企业进行了成功的尝试，充分利用AI代理软件作为管家、助手，对于内部员工是否调用大模型、并采纳其得出的结论加以控制。这方面也还需进一步改善。 第三，着力推动大小模型交互应用，降低成本、提升效率。 AI大模型具有“大而强”的特点，优势在于基础性和通用性，但对数据算力要求高，运行维护成本大，专业性也不足。相比而言，小模型的特点是“小而美”，体量小、成本低，易于训练和维护，虽然性能远不及大模型，但在适合的垂直专业领域应用更具优势，银行在风控和客户服务上使用的大部分都是传统模型。 因此，金融机构需建立大小模型协同发展的框架。这样不仅有利于未来大模型的落地应用，也可以进一步促进小模型的发展。小模型能以较低的成本实现大模型的部分功能，我们可以增强小模型的性能，以满足具体专业的应用需求，同时提升智能金融服务整体水平。 此外，大小模型交互使用、共生共融还有利于模型依靠反馈进行强化学习，促进模型迭代升级。金融机构需研究大模型的技术栈和传统AI模型的技术栈如何融合发展，开发相关技术平台与框架。未来，大小模型的交互使用将是长期趋势。 第四，高度重视数据和算力，确保模型质量。 当前，AI大模型训练主要依赖于互联网公开的文本数据，其中，中文语料目前占比依然较低，训练模型所使用的大部分中文语料来自海外、并不准确。我国对此非常重视，权威部门已在着手建设中文语料库，但仍需时间。 因此，金融机构在训练、部署大模型时，须对数据来源进行严格的合规管理，以确保数据质量；要积极采用数据编织技术，运用分布式数据管理架构，集成不同来源的数据，提供值得信赖的数据基础，从而提高生成式AI模型的准确性。 未来，当人类自印刷机问世以来所出版的文本、书籍等各类数据都已经被使用时，模型训练就会开始面临数据短缺的瓶颈。因此，自主可控的合成数据，即计算机模拟数据，将拥有广阔的发展空间。合成数据可以解决数据短缺的问题；同时，模拟数据不涉及隐私保护和数据安全风险；此外，发展自主可控的合成数据产业还将有利于解决数据可能带来的偏见以及算法歧视等问题。 此外，考虑到金融机构当前算力不足，或可考虑建立算力资源池，探索多种图形处理器（GPU）的统一调度，从而在一定程度上对冲国外高性能GPU芯片的断供风险；同时，开发算法共享机制，规范算力外包，促进数据协同，加强基础设施服务，尤其是要赋能中小金融机构。让所有中小金融机构都去建设算力、研究算法是不太现实的，因此相关基础设施服务的问题有待研究。 第五，切实加强安全风险管理，保障AI大模型有序发展。 未来，AI技术恶意使用将成为趋势，也将以更快的速度增长，不仅会放大现有风险，还会引入新的风险。已有金融机构受到AI恶意使用的威胁。 为应对这一挑战，金融监管部门应制定AI大模型在金融行业应用的准入标准，并实施备案管理。网信办对进入意识形态领域的模型已要求进行事先风险评估。目前，国内厂商已推出了以“八大模型”[1]为代表的不少AI大模型，鉴于金融行业的重要性，上述模型如果要进入金融业，也应对其进行事先风险评估。 此外，金融机构应将AI相关风险纳入整体风险管理和合规管理框架中，目前这方面做得还不够。据我了解，国外有的大型银行已将AI模型风险纳入整体风险管理框架，并成立了AI模型管理委员会，建立了专门的管理平台、流程和规范。我国金融机构也应对AI大模型相关风险实行分级分类管理，对模型数据参数进行定期评估和交叉验证，并使用压力测试，在各种情景下进行模拟校验，及时披露模型决策机理、运行逻辑和潜在风险，防范算法歧视，提升算法的可解释性、透明性与公平性。 目前，我国金融机构在防范欺诈上还在“单打独斗”。不少金融机构都遇到过遭遇AI欺诈的数据，但仅掌握自身数据远远不够。因此，应建设覆盖全金融系统的、快速共享的反欺诈数据交换平台，开发用于欺诈检测的AI模型，所谓“道高一尺、魔高一丈”，我们要用AI来对抗AI欺诈。中小金融机构也可从这样的公共数据服务平台中获益，而无需自行开发提升反欺诈模型能力。 附注： [1]...

导语：α\alpha和β\beta你肯定都听说过吧。那么γ\gamma呢？δ\delta ？ε\varepsilon ？ζ\zeta ，η\eta ，θ\theta ，ι\iota ，…ω\omega？？？那好！我们今天就来告诉你……β\beta是什么。 作者：肖睿 编辑：宏观经济算命师 本文由JoinQuant量化课堂推出，难度为进阶上，深度为 level-2。 阅读本文需要掌握 MPT 模型（level-1） 和微积分（level-0）的知识。 本文是一系列文章中的第三篇。本系列从基础概念入手，推导出 CAPM 模型。系列中共有四篇：效用模型风险模型MPT 模型 CAPM 模型 概述 CAPM，全称 Capital Asset Pricing Model，译为资本资产定价模型，是由 Treynor, Sharpe, Lintner, Mossin 几人分别提出。搭建于 Markowitz 的现代资产配置理论（MPT）之上，该模型用简单的数学公式表述了资产的收益率与风险系数β\beta 以及系统性风险之间的关系。尽管 CAPM 的假设偏于牵强，结论也常与实验证据相悖，但它一直是金融经济学中重要的理论，为更多先进的模型打好了基础。 模型假设 CAPM 是一个理论性很强的模型，它所假设的金融市场有一个非常简单的框架，这样不仅简化了分析的难度，也用非常简练的数学公式表达出结论。 CAPM 假设，市场上所有的投资者对于风险和收益的评估仅限于对于收益变量的预期值和标准差的分析，而且所有投资者都是完全理智的。并且，市场是完全公开的，所有投资者的信息和机会完全平等，任何人都可以以唯一的无风险利率无限制地贷款或借出。 因此，所有投资者必定在进行资产分配时计算同样的优化问题，并且得到同样的有效前沿和资本市场线（见 MPT 模型）。 为了最大化预期收益并最小化标准差，所有投资者必定选择资本市场线上的一点作为资产配置。也就是说，所有投资者都按一定比例持有现金和市场组合MM。因此，...

近期，吾对金融行业大型模型之特定运用及其商业模式进行深入探究。鉴于数字革命日新月异，新型科技备受推崇，其潜在价值亟待挖掘。在此背景下，需审慎权衡技术效益与商业可持续性。为洞悉招商银行从业者对大型模型的理解与实践经验，特进行深度访谈，并分析其应对挑战之策略与决策过程。本文旨在阐述吾对大规模模型在金融领域应用的见解，并探讨如何发掘适宜业务场景以推进商业化进程。 大模型的重要性 深入研究大型语言模型及其关联科技，能使高效且有巨大商业潜力的深度学习技术逐渐崭露头角。本人始终追随深度学习领域新兴事态，以独立开发大模型做好充分准备。面对诸多挑战，我将满怀热情迎接未来之路上的艰难险阻。遵照魏小辉先生谆谆教诲，颠覆性创新离不开强大算力支持，大模型构建与应用同样需要大量资源投入。然而，身为消费金融业者，我们须谨慎挑选技术，确保其实际效果和业务的可持续发展。 技术方案的选择 在深入研究和实践检验后，我们确定了最佳的消费金融技术路线。通过“小步快跑”策略，以实际案例优化模型。然而，专家观点倾向于将大模型视为新型基础设施，其价值不应仅看即时效益。因此，如何挖掘既具备大模型功能又符合商业实际的应用场景，是关键所在。只有准确把握业务需求的应用环境，大模型才能发挥最大潜力，实现商业化。 大模型在金融行业的应用 人工智能技术的创新推动了招联贷后服务质素的大幅度提升。尽管当前机器人技术已达到极限，但其性能还受业务经验、数据积累以及设计策略等多种因素影响。特别的是，大型模型机器人具备自我驱动能力，可通过自主学习实现功能升级与更新。对此，魏小辉指出，这些机器人如同孜孜以求的求学者，需借助先进科技手段和策略以增强综合实力。故“智鹿”团队已制定未来战略计划，将专注于公司核心业务，并逐步扩大业务领域。 AI智能体的探索应用 随着科技日新月异，大型模型逐渐进化为具有实操能力的人工智能体，对许多难题提供强大支撑。尽管如此，此趋势并非预示人力代替，而是引领了崭新时代，人工智能的进一步发展可激发人智潜能，促进我们深度探索科学与人性的协调发展，共谱美好前景。 金融行业正面临大数据模型应用和实践商机两方面挑战，发展潜力巨大。为确保商业成效，我们应发掘并发挥业务需求匹配度高的应用场景，同时稳健追寻科技与商业的平衡。展望未来，期望能与各界共同推动大数据模型在金融行业取得新的突破。

和讯为您带来最新券商看点，供您参考： 同花顺2023年营收微增，净利润下滑同花顺2023年营收达到35.64亿元，略增0.14%，但归母净利润下降17.07%，主要由于研发费用增加和销售推广力度加大。 AI技术投入，未来增长新引擎同花顺在人工智能大模型领域投入显著，研发费用增长10.51%，预示着公司未来可能在AI技术应用上取得新突破。 问财HithinkGPT，金融对话大模型发布同花顺发布的问财HithinkGPT是业内首款通过网信办备案的金融对话大模型，预计将在多个领域提升用户体验和产品竞争力。 投资建议与未来展望券商预计同花顺(300033)2024-2026年将保持14%左右的收入和净利润增长，维持“买入”评级，看好公司在AI赋能下的未来发展潜力。 和讯自选股写手 风险提示：以上内容仅作为作者或者嘉宾的观点，不代表和讯的任何立场，不构成与和讯相关的任何投资建议。在作出任何投资决定前，投资者应根据自身情况考虑投资产品相关的风险因素，并于需要时咨询专业投资顾问意见。和讯竭力但不能证实上述内容的真实性、准确性和原创性，对此和讯不做任何保证和承诺。 领和讯Plus会员，免费看更多独家内容：8大财经栏目，最新最热资讯干货独家行情解读，快人一步掌握市场投资风向。

近日，第三届世界人工智能大会（WAIC）云端峰会在上海世博中心盛大开幕。大会第二天，五位顶尖金融科技专家高屋建瓴，为与会者带来了一场场别开生面的演讲。 在大会上，诺奖得主、AI顶会主席、知名企业家们观点鲜明、金句频出： AI金融是最令人兴奋的机会之一。 对金融业产生巨大影响的AI技术，不止机器学习。 人工智能与区块链的关系，不是竞争而是互补。 「诺奖得主」托马斯·萨金特以亚当·斯密的理论为切口，详细讲解了区块链和人工智能这两种技术如何大大减少当代贸易的壁垒；「IJCAI理事会前主席」迈克尔·伍尔德里奇介绍了人工智能在金融领域最让人兴奋的应用，并列举了机器学习之外，两个可能会对金融业产生重大影响的人工智能技术。 为此，雷锋网整理了这五位顶尖专家的演讲，以飨读者： 托马斯·萨金特：人工智能与区块链，不是竞争而是互补 诺贝尔经济学奖获得者、斯坦福大学胡佛研究所研究员托马斯·萨金特以“2020年及未来技术展望为主题”发表演讲。 托马斯·萨金特主要针对区块链和人工智能两个问题展开了探讨。他在大会上将人工智能和区块链进行对比，认为区块链和人工智能的关系不是竞争而是互补。 托马斯提到了现代经济学的创始人之一，亚当·斯密，其认为贸易壁垒的增加阻碍了经济的发展。比如中国的丝绸之路，商人在进行贸易活动时会遇到小偷和强盗，这是一种贸易壁垒；买卖双方很难彼此信任，很难保证按时交付，而这种缺失的信任和大量的沟通成本也是一种贸易壁垒。贸易壁垒越大，成本就越高。 托马斯认为减少贸易壁垒就是增加经济价值，就会有更多价值被创造出来。而区块链和人工智能这两种技术大大减少了当代贸易的壁垒和成本。以区块链为例，它是一个分布式的共享账本和数据库，具有不可篡改、可以追溯等特点。而这些特征可以有效降低贸易的沟通成本。 而相比区块链，托马斯认为人工智能不是固定不变的，人工智能由一组算法组成，对不知道的事实进行猜测，随着更多数据的输入，人工智能的准确性也相应提高。人工智能通过建立模型来模拟世界，而区块链使用的是与之不同的角度和工具。 托马斯表示，区块链的目的，是成为一种交易技术。现在占主导地位的交易技术是银行，在网络的中心只有一个受信任的中介便是银行。银行作为一个中介，不管是转账还是交易，都要付出很高昂的手续费。垄断意味着收费且金额很大，而且跨国转账常常需要两三天甚至一周。区块链的目标是消除受信任的第三方中介，缩短交易时间，降低成本。记住亚当·斯密的格言，如果你能降低成本，你就可以增加贸易。 最后，托马斯总结道：“人工智能和区块链的关系，不是竞争而是互补。这两项技术，都能够帮助我们降低金融交易的成本。” 迈克尔·伍尔德里奇：AI金融是最令人兴奋的机会之一 迈克尔·伍尔德里奇是国际人工智能联合会（IJCAI）前主席，现担任牛津大学计算机科学系主任，还曾参与开发阿尔法围棋机器人（AlphaGo）项目，是著名智能体理论研究学者，在其二十年的研究生涯里，他几乎当选了人工智能相关学会的所有Fellow。 迈克尔·伍尔德里奇这一次的演讲主题是「让人工智能在金融领域发挥作用的风险和机遇」。 伍尔德里奇相信AI金融是人工智能目前最令人兴奋的机会之一。 他认为，人工智能不只是一种技术，人工智能是由一系列技术构成的。 我们对当代的人工智能如此兴奋的原因是机器学习和深度学习。在过去的15年里，深度学习在机器学习领域取得了巨大的成功。因为深度学习，我们现在可以用人工智能做那些在几十年前看来不可能的事情。但是机器学习和深度学习并不是唯一的人工智能技术，还有很多其他的人工智能技术，比如搜索和战略推理。 伍尔德里奇所说的搜索指的是，能够找到复杂问题的解决方案 。搜索是人工智能中规划和解决问题的基础技术。如何将这个世界的初始配置转换成期望的最终配置？如何把现状变成你想成为的样子？这就是规划和解决问题的意义所在。 战略推理，是设身处地地考虑如果我是你，你会怎么做？战略推理，是目前AI金融的另一个核心组成部分。在过去的几年里，它取得了很大的进步，最明显的是玩扑克的游戏。 伍尔德里奇认为，人工智能不仅仅是机器学习，各种各样的人工智能技术都在金融领域发挥着作用。 接着，伍尔德里奇讲述了两类不同的人工智能在金融界的应用，即面向客户的应用程序和办公室后台的应用程序。面向客户的应用程序，指的是人工智能应用程序可以直接与客户交互；而后台的人工智能应用指的是，在你的业务后台中应用人工智能，但不是直接与消费者互动，而是间接互动。 随后，伍尔德里奇介绍了人工智能在金融中的一个令人兴奋的应用：个人财务软件助理。 伍尔德里奇认为人工智能在面向客户方面最明显的应用、最激动人心的应用之一是面向客户的软件助理。比如我们随身携带的Siri、Alexa、Cortana等都是软件助理。而软件助理和金融之间的联系，核心在于个人财务管理助理。 他解释道：“就像医疗保健中的人工智能，可以全天候监控我们的健康状况一样。人工智能驱动的个人财务助理也可以为人们做到这一点。我认为下一代的应用是使用这些个人财务助理来理解我们的消费习惯。” 伍尔德里奇认为人工智能在观察数据、发现趋势分类，并根据现有的数据预测事物的发展方向方面非常强大。而一个人工智能驱动的个人金融系统，能够相对轻松地完成这些事情。 同时，他也承认数据隐私和数据安全是一个大问题。“如果人们开发了一个软件可以控制客户的银行账户，软件被黑了怎么办？如果软件被其他软件所误导或利用怎么办？只要我们要使用人工智能，这些问题就无法避免而且必须解决，因为它控制我们的财政。”伍尔德里奇说。 廖理：细数金融科技十年发展历程 廖理是清华大学五道口金融学院常务副院长、清华大学金融科技研究院院长，现任《清华金融评论》主编。 廖理此次在大会上分享的主题是「金融科技发展的新机遇」。 廖理认为在本世纪的前20年，以支付科技为基础的金融科技得到了快速的发展，尤其是在过去的十年，金融科技在中国几乎是有了一个全面发展的势头。 对此，廖理总结了金融科技对于经济生活的发展做出的三个贡献。 第一是推动传统金融的转型，提高传统金融的效率； 第二是大量创业公司和新的金融科技公司出现，提高了整个社会范围内资产和资源配置的效率；三是填补了传统金融所没有覆盖的洼地或者盲区，即中小企业融资难、融资贵的问题。 同时，廖理还把为中小微企业提供服务的新创企业分成4个大类：企业贷款、企业支付、企业财务管理、企业员工管理。 面向企业，特别是中小微企业进行贷款的平台，廖理将之分为两类，一类就是电商平台，像国内的京东、苏宁、唯品会都开始为自己平台上的商家提供贷款服务，包括美国的亚马逊等等。还有一类是支付平台提供的贷款服务，包括美国的square等，这些支付平台通过对支付数据的信用分析和判断，为商家提供信贷服务。 他还介绍了过去十年比较引人瞩目的两类贷款平台：第三方的贷款平台和网贷平台。 廖理认为过去十年，面向中小微企业信贷的产业生态逐渐发展起来。不管是电商平台、支付平台，第三方平台还是包括市场借贷的平台，他们的风控逻辑和传统的风控有一个很大的不同，传统的风控逻辑是以资产为主，而新的风控逻辑是以信用为主。 廖理对每一个平台的特征进行了细致的描述，对贷前的审核、贷后的持续的风险监测上的一些方法也进行了慷慨的分享。 最后，廖理还分享了自己所在的五道口金融学院互联网金融实验室，孵化成功的一个高科技企业——道口金科玉律，详细描述了道口金科玉律在技术和商业上覆盖的面积和获得的突出成果。 陈青山：数字化是金融业务AI化的必经之路 合合信息联合创始人、启信宝CEO陈青山，在本次大会上以「AI大数据，共创金融新生态」为主题，分享了自己近年来的一些体会。...

1、人工智能落地金融场景，行业发展潜力巨大。“AI+金融”即人工智能与金融行业的结合。金融业天然的数据属性与智能化需求为人工智能的应用提供了坚实的基础，加之政策和资本的驱动，人工智能落地金融场景已成为不可逆转的趋势。 2、AI技术向金融业各个务场景渗透，带来整体效率的提升和服务模式的转变。智慧银行、智能投顾、智能投研、智能信贷、智能保险和智能监管是当前人工智能在金融领域的主要应用场景，分别作用于银行运营、投资理财、信贷、保险和监管等业务场景。 3、当前AI对金融业的辅助作用明显，场景创新是重点，未来具有不确定性。当前，人工智能在金融行业的应用场景绝大多数是人机结合式的，即机器或技术对实际的金融业务起辅助性作用，人工干预仍不可或缺。但长期来说，随着技术的逐渐成熟，市场的发展具有较强的不确定性。 4、行业处于初创期，智能化趋势明显，市场预期较好。我国“AI+金融”行业仍处于早期的探索阶段，但行业智能化趋势明显，市场预期较好。在应用场景方面，智慧银行主要利用人工智能相关技术提升运营效率，是对银行业现有业务的改进，目前多由技术公司与银行合作共建。智能投顾、智能投研等均由国外先行探索，后在国内经创业公司引入并进行本土化改进，随后由传统金融机构、金融IT和数据服务提供商进一步推动其发展。智能信贷、智能保险和智能监管则分别由互金、保险、交易所和监管部门等将各自的业务领域与人工智能相结合产生的应用创新。目前，除智能投顾发展较早，在国外市场相对成熟之外，其它场景均处于起步探索阶段，但传统金融机构、互联网巨头、金融IT、人工智能技术类公司的纷纷布局将会较大程度地推动行业的发展。 5、科技赋能金融，人工智能应用广泛。借助AI技术实现金融场景创新是行业普遍关注的课题，当前，人工智能技术在银行、理财、投研、信贷、保险、风控、支付等领域得到实践，并呈现出向各个领域渗透的趋势。

财联社12月9日讯（研究员张玉虹 记者郭松峤）ChatGPT发布一周年之际，AI大模型的讨论热潮仍旧方兴未艾。在ChatGPT的推动下，国内的大模型企业亦从探索和尝试渐进深水区。 在国内“百模大战”中，有关垂直行业的专有大模型的应用，一直被高度关注。其中，金融领域中的大模型应用便是焦点之一。 那么，目前金融大模型业态发展如何？哪些金融大模型企业可以在“百模大战”中胜出？ 毕马威中国金融科技主管合伙人黄艾舟在接受财联社专访时认为，算法以及数据的质量和规模是竞争核心。“金融大模型未来发展方向是通用模型+Agent（智能体）的形式”。 财联社：中央金融工作会议提出科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章。在你看来，金融大模型可以给予哪些助力？ 黄艾舟：大模型是偏基础设施的一个东西，所以对这五个方面都有助力。现在通常说的金融大模型是通用大模型基础上针对金融行业所做的特色定制，所以叫做“金融大模型”。金融大模型在绿色金融、普惠金融、养老金融这三个领域有一些比较清晰应用了。比如绿色金融方面，AI做ESG数据采集分析。 科技金融更多的是指金融如何更好地为高科技、高成长型公司服务。从这个角度来讲，金融机构为科创公司提供融资服务时，可以用到大模型提升智能风控的效果。数字金融更多的是面向金融机构的数字化。科技金融、绿色金融、普惠金融、养老金融是金融机构怎么服务不同的场景和客群，数字金融是金融机构怎么提升自己的数字化，在这一点上，大模型有很大的应用空间。原来可能有很多现有的AI应用都是比较独立的，客户营销、智能风控、舆情管理、合规管理等等，大模型能像一个底座，把这些个体的AI应用打通。 总结一下，首先如果针对这“五大金融”来说，底座是数字金融，是金融机构的数字化转型，或者是数字能力的提升。大模型在数字能力提升上肯定能发挥巨大的作用，由于底座的质量提升反过来也能更好地促进科技金融、绿色金融、普惠金融、养老金融的发展。 财联社：金融大模型与其他行业大模型相比，具有什么特征？ 黄艾舟：大模型需要大量的数据，底层有很多语料训练才能涌现出推理能力。金融业是对于数据安全和数据隐私保护最为重视的一个行业之一，所以开展大模型的探索，可能会存在一定的困难。 目前各银行对于大模型的应用都还在探索阶段。未来大模型在金融机构的应用，我认为有两种方式：一种方式是现有的开源大模型作为底座，利用已经训练好的开源模型，辅以自己的语料进行新的标注和训练；第二种是探索开发自有大模型。我判断这种可能很难，虽然基础技术框架大家都知道，但算力成本太高了。目前来看，想真正完成自有的大模型还是挺费时费力的，而且效果也不一定理想，所以还是第一种方式相对来说比较可靠一些。 财联社：目前国内金融大模型主要的应用情况和落地场景有哪些？主要参与方有哪些？ 黄艾舟：金融大模型主要的应用情况和落地场景有三类：一类是做投顾指导。大模型可以代替人的很大一部分工作，生成千人千面的有针对性的投资参考；第二类是做更精准的智能风控。风控方面大模型可以精准地识别市场的信号，提出一些风控建议；第三类是做监管合规。针对监管规定、合规等问题，大模型能够很有效地组织整理信息。参与方分三类：科技公司、金融机构、包括高校实验室在内的技术研究机构。这些应用产品是科技公司在开源大模型的基础上进一步开发完成的。金融机构更多的是采购科技公司提供的方案，也有一些探索是设计一些Agent用大模型来解决自己的研发能力的问题。高校等研究机构在做自己的开源模型。 财联社：你认为金融这个细分领域的大模型展现了哪些比较突出的价值？ 黄艾舟：第一是能力更强。金融大模型在具备专业知识的基础上具备了推理能力，能够在特定的领域表现得适应性更高。比如现在有些客服电话，聊一两句就知道它是AI，大部分情况下很难解决具体问题，现在有了大模型，这种沟通解决问题的能力更强了。第二是效率大幅提高。在大模型出来之前，金融机构也一直通过RPA（机器人）提高效率。但我发现具体的业务人员对RPA的使用并不很广泛，因为使用起来还是相对麻烦，有学习成本。而未来金融大模型很可能能够清楚地以自然语言交互的方式理解你说话的意思并且执行相应工作。同时，大模型应用在代码撰写等系统开发领域也是能起到很大作用，大大提升效率。第三是应用场景更加广泛，覆盖更多的用户需求。 财联社：目前金融大模型竞争中，竞争的核心是什么？ 黄艾舟：我觉得最关键的是两个能力：第一个核心是算法。原理基础是一样的，但是好的算法能够使得需要的参数减少，同时产生更好的效果，但这需要顶尖的AI科学家。第二个核心是数据的质量和数据的规模。数据质量的意思是有大量的，经过了很好标注的数据，那一定会提升模型的性能和模型产生的结果。标注本身也不是简单的标注，是带着自己对场景、客户和业务的理解去做标注。数据的规模方面，因为大模型的涌现是靠大量的学习不断地训练，数据太少肯定是不行的。国外现在有个方向是在通用的大模型基础上，有各种各样的小公司小团队去做Agent。也就是通用模型+Agent的模式。ChatGPT做的Markets，其实就是类似这种模式。你需要解决的问题，通用大模型可以给到一个看起来及格的答案，但是你又觉得不够解渴，没有真正解决你的实际问题，所以就需要有专门Agent来解决具体问题。比如说金融行业现在已经有100个AI应用，很可能最后这100个AI变成了100个基于大模型的Agent，某个Agent负责解决理财产品销售的问题，另外一个Agent负责解决某个产品的风控问题等等。 （财联社研究员张玉虹 记者郭松峤）

文章摘要 AI助力金融存量业务增长+开拓新机遇：AI助力金融业务降本增效，降低风险成本。AI技术在金融行业中的应用可以显著降低人力成本并提高收入；AI在提高基础工作效率、增强风控能力、优化客户服务和营销策略方面发挥着重要作用。 AI助力B端+C端产品多应用场景升级。AI技术的发展推动了智能投顾产品和金融信息终端的创新，这些产品通过提供个性化和精准的服务，提升了市场交易活跃度，并为金融行业带来了新的业务增长点。AI促进金融行业存量业务增长。券商经纪业务、两融业务、投行业务、投研和投顾业务将有所受益。 文章内容 文章篇幅有限，仅为部分预览 回复暗号：24052213 *免责声明：以上报告均为本公众号通过公开、合法渠道获得，报告版权归原撰写/发布机构所有，如涉侵权，请联系删除；本号报告为推荐阅读，仅供参考学习，不构成投资建议。 往期推荐 2023年新茶饮创新案例集研究报告【附下载】 2023-06-04 2023年企业数字化转型技术发展趋势研究报告-【附下载】 2023-06-06 2023年6月拍卖会图录研究报告【附下载】 2023-06-10 2023年中国建筑行业装配式建筑发展研究报告【附下载】 2023-06-11 2023年家用电器行业A股上市公司高质量发展研究报告【附下载】 2023-06-17 2023年工业绿色发展白皮书【附下载】 2023-06-19 2022年中国酒业经济运行研究报告【附下载】 2023-06-21 2023年中国氢能产业-氢制备环节深度研究报告【附下载】 2023-06-23 2023年咖啡赛道专题研究报告【附下载】 2023-06-25 2023年混合AI是AI的未来研究报告【附下载】 2023-06-29

撰文 | 郑磊（经济学博士，萨摩耶云科技集团首席经济学家） 今年“人工智能+”首次被写入政府工作报告，上升到国家战略高度。生成式AI正在席卷金融业，释放新的生产力，以前所未有的方式重塑全球金融业态。拥有逾20年金融科技行业经验，金融领域知名的AIGC先行者和实践者林建明先生在新书《 AIGC重塑金融：AI大模型驱动的金融变革与实践》写道，“AIGC开启了AI大航海时代，并以超预期的速度到来。AIGC加速形成新质生产力，未来将重塑金融行业。” 这是国内首本探讨AIGC如何在金融业应用的专著，全书主要涵盖AIGC技术演变与典型应用场景、AIGC提升金融内外部效率方法论、AIGC监管与金融业安全使用策略、从零开始训练金融大型模型和提示工程训练要点使用技巧、未来人机协作，以及金融业从数字金融向智慧金融转变路径等关键内容。该书结构完整，内容充实，全景式地展现了AIGC在金融领域的纵深影响和应用前景，为金融业从业者提供了驾驭金融垂直大模型实践的重要参考和行动指南。 笔者从2018年开始关注金融科技，相信十年后的金融将和当下的传统金融业态完全不同。在和金融硕士生谈到未来的职业发展趋势时，判断只需五到十年时间之后，他们将面临一个全新的金融行业，以大数据、人工智能为主的金融科技将深刻改变金融流程管理、产品和服务。科技赋能金融从互联网金融开始，区块链技术和加密数字币等非中心化金融也火过一段时间。但是真正能够快速落地，提高金融业务能力和效率的技术，还是基于数据的人工智能。AIGC技术以日新月异的速度突飞猛进，迅速在银行、证券、保险、投资等领域找到了丰富的应用场景。人工智能已经成为金融人必须了解的知识和技能。 该书作者认为科技是金融业数智化转型最大的驱动变量。全球金融业积极布局新质生产力锻造“利剑”，数字人、智能营销、风险信用评估、智能投顾等应用场景初露锋芒。在这个过程中，AIGC扮演了关键角色，成为了金融业内部生产效率的“催化剂”。它能够提升自动化运营水平、数据分析效率、财务报告自动生成、风险管理效率以及人机协作，为金融机构带来显著的降本增效。例如在智能运营领域，AIGC可处理大规模、高复杂度的数据，利用AIGC的Completions算法来预测并补全客户未说完的话，准确把握客户意图和需求，从而改善了金融机构与客户之间的交互模式。随着金融业务呈现出轻型化、场景化、个性化的特点，AIGC也推动金融业科技架构向着高安全、可扩展、高性能易维护的路径转变。 《AIGC重塑金融》的作者具有坚实的IT技术背景，并拥有近二十年的相关金融产品开发和经营管理经验，能够通俗地解释技术原理，并紧密结合实践，为工程师和金融专业人才搭建一个相互理解的知识平台。比如，该书系统性地解读了AIGC和机器学习的精髓，深入其工作机制、算法设计与潜在局限。这些章节填补了金融专业人才的知识盲区。在AIGC实践应用方面，透过一系列真实案例，让技术类读者看到AIGC如何在金融的各个环节发挥作用。 这本书也适合金融业管理者阅读，尤其是着重探讨了如何运用AI技术在金融领域达成内外效益双赢。借助实际案例和实践经验，读者可以看到AI如何为金融业赋予更多的竞争力与增值空间，助力金融机构实现稳健经营。技术开发人员可以从中学到金融大模型建构的核心知识，如Prompt Engineering的核心思想、关键技巧以及其在金融应用的广泛场景，提供了一套详实的框架和步骤。 金融是一个严格监管的行业，安全和合规是一切技术应用的前提条件。这本书用较大篇幅讨论了相关问题。作者指出“在身份识别、数据采集、监管数据报送、风险监测及预警等场景里，AIGC为应对科技治理挑战发挥重要作用。”作者建议监管机构利用AIGC技术优势，进行处理大规模监管数据，从而加快风险识别和决策，抵御复杂多变的市场环境，维护金融市场的稳定和健康发展。 AI在金融行业的应用还涉及多个伦理领域，如科技伦理、金融伦理等。该书深入探讨了AI应用中的伦理挑战和法规问题，为金融机构提供面对这一新领域所需的策略建议。作者认为“要辩证看待金融与生产力关系，广泛借鉴吸收国际治理经验，克服安全和隐私风险、调整生产关系、推动监管法规更新、解决人才短缺等问题，用可信AIGC应对科技治理挑战，促进金融领域新质生产力的可持续、健康发展。” 书中大量章节对AIGC重塑算力系统、提升数据处理能力、加速智能开发，以及变革团队人员和基础架构方面的具体应用，进行了深入分析。AIGC技术的广泛应用正在推动AI开发迈向智能化新时代，解放了程序员的生产力。在智能开发领域，AIGC通过自动化的代码生成减少开发人员编写重复代码的工作量，提高工作效率。目前已经有企业使用AI程序员，配合人类程序员工作，不仅大幅提高了代码编写速度，还可以利用静态代码分析技术和机器学习模型对代码进行自动审查评估。AIGC能够辅助开发人员降低常见错误，及时修复缺陷，提高代码的稳定性和可靠性。当前，我国正站在AI科技革命和产业变革的关键节点。金融业应积极发挥创新引领作用，向上突破关键技术的“天花板”，向下扎根产业场景的“试验田”。作者认为不能因为恐惧而抵制变革。 “未来要么颠覆自己，要么被别人颠覆。”