AI金融：2023年大模型应用突破与挑战

文章主题：AI金融, 大模型, 金融科技, 应用突破

666AI工具大全，助力做AI时代先行者！

LAIKA

2024/01/18

“AI+金融”新的应用突破，今年才刚开始。

作者 | 追辛

编辑 | G3007

编者按

已经过去的2023年，商业领域依然是波谲云诡，但有两条主线却受到各方的关注，甚至带动行业格局的重塑，其中一条就是以ChatGPT为主的AI大模型。

回顾2023年，无论是从顶层制度设计的出台，还是全球科技界的狂欢，人工智能对千行百业的赋能开始进入了新的格局。来咖智库也注意到，在金融、教育和广告营销三个领域，逐渐成为AI赋能产业过程中最先烧起的“三把火”，但每一把火也都呈现出不同的发展特点和路径，比如“AI+金融”是最早落地的，“AI+教育”是应用最广的，“AI+营销”是变现最快的，这也构成了我们年度观察和思考的三个视角。本期为第一篇。

在2023年，全球科技领域迎来了AI大模型狂欢的高潮，其中，通用型AI大模型之外，各种特定领域的专业性大模型也引起了业内的广泛关注，呈现出百花争艳的繁荣景象。

在数字化和全球化的浪潮中，金融行业当之无愧地成为最 ahead 的行业之一。它不仅率先融入了新兴科技，而且积极引领着行业革新。以2023数为起点，金融机构纷纷投入“百模大战”，期望通过大型模型带来新的改变。在此背景下，乐信、奇富科技、度小满、蚂蚁集团等金融科技企业纷纷抢先布局，陆续推出了多项金融大模型。这些举措不仅使金融行业的数字化转型迈向新阶段，也在金融信息传递、产品介绍的文本自动生成、市场营销、企业管理运营、构建虚拟客服在线互动以及风险控制等领域，为用户提供了更加人性化的服务，从而提高了金融机构的工作效能。

根据IDC的研究，超过一半的金融机构计划在2023年投资生成式人工智能技术，这一比例远高于那些没有试验计划的金融机构。

在2023年的过去岁月里，我国的金融科技行业在大模型领域取得了令人瞩目的成绩和长足的进步。各家企业根据自身特点和发展目标，分别探索出了一条独特的大模型发展道路。然而，业内普遍关注的智能涌现效应，对未来金融大模型的成长将带来哪些挑战，也是一个值得我们深入思考的问题。

以月为单位

金融科技公司的“百模竞速”

在2022年的11月份，ChatGPT的问世引领了全球AI大模型热潮的爆发。至今，这一科技盛宴仍在全球范围内持续上演，无论是通用领域还是垂直领域，各行各业都在竞相开发和应用各种AI模型，形成了一场“百模竞速”的热潮。

自去年二季度以来，金融科技公司纷纷致力于争夺金融领域的大模型市场份额，其中，一些 leading 企业如乐信、奇富科技、度小满、恒生电子、蚂蚁集团等已经相继推出了一系列自研金融行业大模型。这些大模型的推出不仅标志着金融科技公司对于金融科技领域的深度布局，也预示着未来金融行业的发展趋势。具体来看，乐信在2023年4月推出了金融垂直大模型LexinGPT，而奇富科技和度小满则在5月分别发布了“奇富GPT”和“轩辕”。这些大模型的相继推出，显示出了金融科技公司对于金融科技领域的积极态度和行动力。到了6月份，恒生电子金融行业大模型LightGPT正式面世，进一步提升了金融行业的技术水平和效率。同时，8月份，马上消费金融也发布了首个零售金融大模型“天镜”，这一举动也反映了金融科技公司对于金融行业未来发展的深度思考和前瞻性规划。最后，在2023年的9月份，蚂蚁集团正式发布工业级金融大模型AntFinGLM，这一举动标志着金融科技公司正在向更高级别的金融领域发展，同时也预示着未来金融行业的发展方向。总结起来，金融科技公司的大模型战略不仅体现了对于金融科技领域的深度布局，也显示了金融科技公司对未来金融行业发展的深度思考和前瞻性规划。随着这些大模型的不断推出和完善，我们有理由相信，未来的金融行业将会更加高效和智能。

在金融科技公司之外，众多互联网和科技巨头也纷纷针对金融行业推出了基于通用大模型的解决方案。例如，百度智能云依托文心大模型，成功研发出金融解决方案“开元”；华为则在平台上发布了涵盖三大类、十个场景的金融大模型方案；而科大讯飞则利用星火认知大模型，推出金融行业大模型V1.0；此外，腾讯云亦随之发布金融行业大模型解决方案。

随着金融行业数字化转型的加速，越来越多的公司参与布局金融行业大模型。从过去的一年来看，金融大模型已在内容生成、智能营销、获客销售以及风险管理等业务领域开始发挥价值，涉及运营、客服、营销、风控、研究以及贷后等多个场景。尤其是相较于传统模式，大模型的加入更是极大提升了金融行业的运营效率。

在2023年的第三季度报告中，乐信公司展示了其AI大模型落地的加速进程。该技术已在电销、客服、催收等关键业务流程中得到全面应用，并取得了显著的成果。具体来说，信息流的获客效能在一季度提高了38.5%，新客户的通过率、交易用户数以及促成的借款额均比对照组提升了20%以上。此外，AI大模型在公司生产力的提升方面也发挥了重要作用。它已经在研发代码辅助、设计创意生成、数据分析等领域得到了广泛应用，从而提高了公司整体的运营效率。这表明，乐信公司在AI技术的应用上已经取得了明显的成效，并将继续深化这一领域的探索，以实现更多的突破。

在企业经营的智能决策方面，乐信方面还提到，基于海量精准的预测模型，公司开发了“图灵（Turing）决策仿真系统”——系统可以直接模拟多种真实经营场景，相当于企业经营的“模拟考”，并最快只需几十秒内就可以快速输出各项经营关键指标表现，模拟结果的精准度超95%。例如一个撮合匹配的优化策略, 原来实际上线测试几个月可能会耗费高额的成本, 现在通过图灵仿真系统, 90秒内就可以得到置信度非常高的结果。这样的快速反馈和高精准度给了乐信经营更大的灵活性和准确度。

而奇富科技的大模型，目前也已经覆盖了智能营销、反欺诈、贷前额度、贷中调整，以及交易风险和智能机器人等业务的全生命周期，并且在小微业务、机器人、智能营销、研发及商业分析等领域进行了应用。

据了解，去年第三季度末，奇富科技已为中国2450多万小微和家庭兼职小微用户赋予了适用于信贷场景的行业标签，便于今后能更好地根据行业特性服务小微用户的资金周转。具体在智能营销方面，有大约70%的图片素材由大模型生成，并通过大模型对素材进行标注和多维度评级，以实现广告投放的优化，同时大模型让营销素材的客户触达规模提升了21.4%。此外，在电销系统中，语义分析和线索挖掘帮助提升电销线索识别准确率高达98%，同时将转化率提高超过5%。

还有度小满，也将大模型技术应用在各个业务场景，从营销、客服、风控、办公再到研发，已经初见成效。比如在代码助手方面，用大模型辅助生成的代码，采纳率能够达到42%，帮助公司整体研发效率提升了20%；在客服领域，大模型推动服务效率提升了25%。在智能办公领域，大模型目前的意图识别准确率已达到97%。

从国内的AI大模型发展来看，主要分为通用大模型及行业大模型，前者具有更广泛的的应用范围，可以在多个领域内发挥作用；后者针对法律、医疗、金融等某个特定领域或行业，在垂直领域内具有较高专业性和针对性。据熟悉金融科技业务的人士透露，大模型对金融机构的赋能可以是全方位的，涉及金融业务流程中与人相关、人机交互的等各个环节，但现阶段金融大模型的价值，主要在于对大规模数据的理解、加工和分析，以及让工作流程更加流畅和低成本，以实现提质增效。

华西证券的报告指出，随着大模型技术与业务的深度融合，头部金融科技企业有望实现产品和商业模式的革新，实现从产品+服务收费向SaaS订阅收费、运营分润收费的转变。

金融大模型的殊途同归

算法和数据成关键

从各行业来看，金融业沉淀了如金融交易、客户信息、市场分析、风控等各个方面的海量数据，并催生出大量高效处理的技术需求。同时金融行业持续进行数字化转型，以往对数据的收集、处理、清洗等工作也都做得较好，有着良好的数据基础，这也是为什么在大模型演进过程中，金融业走得较快的重要原因。

对于金融机构在GPT产品方面的需求，奇富科技曾在去年5月对104家中小金融机构进行了访谈，其中的结果显示，金融机构对GPT产品的需求主要集中在改善用户体验、辅助风控决策以及资料查询与信息提炼这三个方面。

一般来说，从大模型行业应用路径来看，科技巨头提供通用大模型，或者技术能力强的金融科技公司提供金融行业大模型，具体的金融机构基于这个行业底层模型，用自己的业务数据去做私域训练，然后做私有化的部署和应用。过去的一年，对于那些选择探索开发自有大模型的金融科技公司，在大模型的发展方向以及侧重点方面，其实也呈现出不同的路径选择。

以乐信的LexinGPT为例，依托近2亿优质高成长的年轻用户的行为画像以及真实交易链路数据，其金融大模型更加注重与业务场景的融合应用。通过梳理清晰这些海量数据关系（数据库量级大致在百亿至千亿之间），并形成了不同场景下、用于预测用户行为偏好的众多精准模型，包括：借钱意愿度模型、营销偏好模型、offer满意度模型、还款意愿度模型、客户流失预警模型等，乐信迭代和完善了用户生命周期全局模型，打造出一套领先的全链条量化经营的系统，提升运营效率和客户体验。未来，乐信还会将AI和大模型应用于金融科技全链条实现精细化运营。

而奇富科技所打造的金融大模型方向，是借助自身在“软硬结合”的优势和积累，成为金融领域的“AI专家”。比如通过技术不断加深对金融行业与用户需求的理解，并持续优化数据分析与处理能力、算法与AI技术、夯实算力储备，软与硬相互绑定，以更好地赋能金融行业，更具有普适性。与此同时，奇富科技还特别注重大模型在最终输出答案的可信度和合规性。比如针对大模型在内容真实性与内容合规方面的痛点，奇富科技依靠一系列政策规范文档与条款，形成了丰富的信贷合规处置经验，并以此完成信息围栏的构建，让大模型安全可控。

奇富科技首席算法科学家费浩峻还提到，大模型并不是越“大”越好，如何在有限算力内提升模型效果，使实际业务应用更快更高效，是首先需要平衡的。“我们希望把模型‘做大’后再‘做小’，做大是把它的能力做大，比如像Chat GPT这种千亿参数的模型有很强的能力，保持能力不变的同时把参数做小，结合多种场景运用到垂直领域中，会实现更好的效果。”

此外，也有像华为、马上消费、星环科技这种“另辟蹊径”布局金融领域大模型的玩家。华为依托于盘古大模型，以金融级PaaS解决方案的方式切入金融场景；马上消费的“天镜”大模型则凭借着“三纵三横”技术布局扎根金融行业全链路；数据库厂商星环科技在自研金融大模型“无涯Infinity”的同时，还提供了一站式的企业自建大语言模型工具链，尝试两条腿并行。

对于金融大模型的落地应用途径，中国工程院院士邬贺铨建议，机构可从可控入手开发应用，例如智能客服、智能运营等安全的领域出发。再从人机混合智能切入，例如在初期阶段先让金融大模型与传统模型共存，经应用考验后再将金融大模型逐步替代传统模型。同时还可以通过变换场景，丰富大模型的场景迁移学习能力，或加入反事实的数据来测试，改进AI的学习本质，提高模型的泛化能力。

尽管各家都有不同的发展路径，但可靠性仍然是大模型在金融领域落地最大的鸿沟。为了将大模型更好地“缝合”到业务场景中，提升可靠性、安全性和流畅度，各大厂商的主流方案有三种：一是将大模型与专业领域的小模型结合，大模型负责认知、理解、沟通、创作，小模型负责把握风险、承载严谨的逻辑；二是将大模型的参数知识与结构化、显性化、可靠的金融知识图谱相结合，此举能很好地为大模型注入可靠性；三是将开放QA（问答）和封闭QA的结合，让大模型得到请求指令后，在专业知识领域内进行检索，大幅提高准确性。

对于金融大模型竞争中的核心问题，毕马威中国金融科技主管合伙人黄艾舟认为，这取决于最关键的是两个能力：第一个是算法，因为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。第二个是数据的质量和数据的规模，如果已经有了经过标注的数据，那一定会提升模型的性能和模型产生的结果，同时通过大规模数据的不断学习和训练，才能有智能涌现的能力。

应用突破年

金融大模型未来的三大挑战

工信部赛迪研究院日前发布的数据显示，2023年我国语言大模型市场规模实现较快提升，将达到132.3亿元，增长率将达到110%，而且应用场景不断丰富。而随着AI技术产品化、产业化以及商业化，2024年将是大模型发展的重中之重，在应用层面有望实现新的突破。

对金融大模型来说，现阶段最容易实现的包括AI投资顾问、自动化客服、风险评估、报告自动化生成、代码生成应用等较为外围的工作，但如果要将AI进一步渗透到风控等金融核心业务，还需要在垂直领域进行磨合，经过长时间的考验，才能进入到更为核心的金融业务中。

而在未来发展方面，金融大模型也面临着一些挑战。这首先来自于数据安全合规的采集、管理和使用。因为金融行业本身对数据安全和隐私合规有着严格的要求，注定了金融大模型在采集、传输、加工及处理信息的各个环节，都要比通用大模型乃至其他行业大模型更为谨慎。而且数据又是不同金融机构的核心生产力，关系着自身的护城河问题。大模型发展需要高质量数据集，同时又受限于自身远远不及通用语料的数据规模，就必然需要不同业态完成数据共享，如何构建一个合理且安全的机制，考验的是整个金融行业的智慧。

其次是大模型的迭代和训练，成本高、成本大，模型需及时调整，也有一些金融机构选择利用大数据的整合，在垂直领域精调模型，以小规模算力打造轻量级精调模型。金融的本质是风控，大模型优化金融业务流程和用户体验的同时，要将风险降到最低。

也因此，目前大模型在金融垂直领域仍未挖掘出涌现效应，一方面是由于金融数据及知识的私密性导致难以共享，无法构建一个庞大的数据集，对此可以增强产学研的联动性，共同构建更强的金融垂直领域基座模型。另一方面由于金融数据模态更多，难以进行统一的处理建模，而如今的大模型对此种多模态的表达能力仍有待加强。

最后，金融大模型的发展，还要处理好金融业务数据如何融入到大模型中，以及如何控制幻觉问题等模型缺陷问题。所谓“幻觉”，指的是人工智能模型生成的内容，不是基于任何现实世界的数据，而是大模型自己想象的产物，即给出事实错误或者是一些看上去权威正确的虚假信息。可以说，生成式大模型非常擅长创造，往往创造有余，但准确性不足。且金融领域的本质是复杂决策、低容错率，这远远比对话聊天困难得多，通用模型里面的专业知识远远不够，如果无法有效发现“幻觉”中的漏洞，那么将很可能导致金融大模型出现理解或判断上的偏差，直接影响风控效果。

就当前而言，成本较高、金融数据不充分，落地场景和大模型之间实际预期业务价值之间存在差异。企业对模型精度和效率要求更高，尤其是一些专业性强、知识密度高的领域，大模型的表现存在输出结果不受控、可解释性较差、可信程度较低等情况，从而限制了其应用场景。此外，在新技术的应用过程中面临伦理道德、价值观上带来的挑战时，人工智能带来的伦理问题需要法律法规约束，这些在未来都需要进一步厘清和给出明确的规定指引。

结语

作为数字化转型核心技术驱动力的金融科技，借助大数据、人工智能、区块链等技术，特别是AI大模型技术的崛起，有望引领金融科技领域的革命性变革，重新定义整个行业的价值。但是这个变革过程并非一帆风顺，还面临着安全、合规、算法和生态等方面的挑战，迎接这些挑战，既需要行业的决心，也需要企业的长期定力，对于已经率先布局大模型的金融科技企业来说，今年才刚刚开始。

– END –

往期精彩回顾

Highlights