文章主题：生成式AI, 规则式AI, 大模型, 金融业
2024，开年即开跑。大连数谷金融数据服务产业基地正式启动，聚焦数字金融赋能产业升级、金融数据处理与交易、金融数据服务存算、金融数据安全服务、金融数据服务生态五大领域，赋能东北金融数据产业化建设，蓄势待发。
1月12日，启动发布会重磅召开。现场行业专家、领军人物云集，从大模型、数据共享、信息系统安全测试、人才培养创新，到金融科技领域的最新发展与突破，四大主题演讲，面面俱到、层层深入，紧贴政策趋势，畅谈技术前沿，呈现了一场干货满满的思想盛宴。
错过了现场？别担心，四大主题演讲内容已为您备好。今天，就让我们走进北京金融信息化研究所有限责任公司副总经理黄程林的《大模型为数字金融发展创造新机遇》主题演讲，一起看看在大模型“繁花时代”，数字金融面临着怎样的机遇与挑战，金融企业又该如何拥抱生成式AI，乘机遇之势get业务加速度。
以下为演讲内容整理
大模型为数字金融发展创造新机遇
★
北京金融信息化研究所有限责任公司
副总经理 黄程林
中央金融工作会议上提出的“做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章”，首次从中央层面提出了数字金融的概念。关于数字金融如何去理解和建设，引起了全行业的关注和讨论。
对于数字金融，业界普遍认为其有两层含义：一层含义是指数字化转型，通过大数据和新技术的应用，而促进数字形态、业务模式和产品服务的创新；而另一层含义是指通过金融机构的数字化转型，给到数字经济更好的支撑。这两层含义是递进的关系。
下面，我主要从大模型的发展背景、当前的态势、如何推动数字金融升级及未来的发展展望四个方面，同大家分享。
#01
大模型发展背景
生成式AI VS 规则式AI
大模型作为生成式AI的一种，是包含超大规模参数的“预训练深度学习算法”，参数通常在亿级以上。
生成式AI与传统的规则式AI有明显的区别。传统的规则式AI多适用于封闭式场景，不涉及过多的主观推断，答案可被清晰验证，类似“做选择题”。而生成式AI更像“做问答题”，能够面向更开放的应用场景，侧重推理和创造，具有更强的理解能力、学习能力和表示能力，在文本生成、图形生成、自动编码方面具有良好的应用效果。总体来讲，大模型基于超大规模的参数、海量的数据和强大的算力资源，能够产生智能涌现的效应，也实现了人工智能从量变到质变的跃迁。
（生成式AI与规则式AI对比）
大模型技术发展：从突破到颠覆
大模型的技术突破，源自谷歌在2017年提出的自监督机制Transformer架构。2018年，OpenAI提出了第一代GPT模型，将自然语言处理带入了“预训练”时代。之后，OpenAI陆续发布了GPT-2、GPT-3，其中GPT-3含有的参数量达到了1750亿，成为当时最大的自然语言模型。
（大模型发展历程）
但是，GPT-3的评估结果显示，GPT-3生成的文本可能具有偏见，且缺乏常识推理能力。直到ChatGPT的问世，才彻底改变了人们对大模型的认知。
政策发布，给生成式AI立规
ChatGPT问世后，其对人类社会的影响，引起了世界各国的广泛关注，全球很多国家、地区都加大了对人工智能和大模型发展的政策指导。在国际上，2022年，美国多个州引入了有关人工智能的法案，或在立法机构专门成立工作组和委员会，对人工智能进行研究并负责提供报告与建议。主要涉及人工智能大模型中的歧视与偏见、透明度、人工智能与生物识别领域的应用等。
2023年，欧盟出台的《人工智能法案》按照不同的风险类别为人工智能技术应用进行了分类，通过识别不同风险来进行监管。并特别明确了生成式人工智能也需要遵守新的透明度要求，在投放市场前起草技术文件、遵守欧盟版权法等。
同时，我国也出台了相应的政策和规范。《国务院2023年度立法工作计划》将人工智能纳入了国家立法计划；网信办等七部门联合发布的《生成式人工智能服务管理暂行办法》，提出了促进生成式人工智能技术发展的具体措施；全国信息安全标准化技术委员会发布的《生成式人工智能服务安全基本要求》（征求意见稿），进一步提出了生成式人工智能服务在语料安全、模型安全、安全措施、安全评估等方面的基本要求。此外，在去年下半年，我国面向世界各国提出了《全球人工智能治理倡议》，主张建立人工智能风险等级测试评估体系，不断提升人工智能技术的安全性、可靠性、可控性、公平性。
#02
大模型发展态势
爆发式增长，大模型产品赋能千行百业
自ChatGPT引起业界高度关注后，国内外互联网巨头纷纷加大了对大模型的研发和投入。从2020年开始，大模型产品推出的速度明显加快，目前，市面上已经出现上百个大模型产品。以模型为核心，围绕模型全生命周期设计、生产并提供产品、技术和服务，大模型相关产品和服务迎来了爆发式增长。
（国内外大模型产业发展成果 数据来源：金融信息化研究所）
从应用来看，大模型正在掀起新一轮的智能化发展热潮，赋能千行百业。在金融、交通、医疗、教育、制造、农业等领域，发挥着重要价值。
#03
大模型如何推动数字金融升级
传统人工智能：赋能金融服务提质增效
个性化
在金融服务产品和管理的运营领域中，传统的人工智能技术应用创新已经取得了显著的成果。借助客户画像，这种方法能够提供高度个性化的服务，从而实现客户的精细化管理和精准营销。
快捷化
通过运用包括语音转换和语义识别在内的先进人工智能技术，我们可以实现对自然语言的理解和意图分享。进而，系统将智能地匹配相应的知识、话术以及产品信息，并向客户作出反馈。这一方式可以显著提高客户服务的水平和效率。
智能化
本文将探讨如何运用机器人流程自动化技术,结合OCR、图像识别、视频智能和情绪分析等AI认知智能技术,有效降低运维成本并提升应用价值。
两大短板，传统人工智能仍需升级
不可否认，传统的人工智能为金融业提质增效发挥了重要作用，但从调查情况来看，仍存在不足：
一方面，业技融合不够深入。传统人工智能技术使用门槛高，一定程度抑制了业务人员应用创新、数字化能力提升，“技术+业务”双轮驱动的效应难以充分发挥。调研发现，还有58%的金融机构由科技部门主导数字化转型工作，表明业务部门的参与感、获得感不强，主动性有待挖掘。
另一方面，数据要素价值还未充分释放。数据共享、应用所需的数据权属、定价、交易等配套机制还不健全。金融行业沉淀了大量格式多样的优质业务数据，其中不少没有寻找到合适的利用途径，金融数据要素价值还没有充分释放。
大模型：数字金融智能化发展新动力
大模型的出现，恰好弥补了以上两方面短板，为数字金融的智能化发展带来新的动力。
首先，加速业务与技术融合，迅速提升不同岗位的人员数字能力。传统的人与计算机的交互方式，本质上是让人去适配计算机，学习成本高昂。而生成式AI可以适配人类，习惯的命令表达方式，大幅提升易用性和用户体验。另外，生成式AI的对话、理解、创造能力，能有效放大关键节点人员的产能，特别是客户经理、投资顾问、开发人员等角色，赋能专业内容生成和基础管理等环节，显著提升包括业务、科技等不同岗位人员的数字能力。
其次，大模型能更好地推动金融数据应用：
提升金融数据利用率
金融业多年积累的大量数据可以用于大模型的微调或训练，提升应用效果。
加速金融数据赋能业务
金融机构利用生成式AI的语义搜索优势，可以迅速且精确地连接各种结构化和非结构化数据，从而实现跨业务系统的互联互通，解决数据孤岛问题。
推动金融数据治理进程
要深入探讨构建一个全面的数据处理体系，该体系专门针对人工智能的训练过程，包括数据的收集、整理、管理和运用等方面。这个体系的目的是提高数据管理的能力，确保数据在训练过程中得到有效和公正的使用。同时，也要建立一个风险管控机制，有效地应对数据偏见和数据滥用的现象，从而增强数据治理的水平。
基础大模型选型、部署、优化
目前基础大模型选型主要包括三种：开源、产学研联合研制以及商用采购。目前来说，大型的金融机构一般采用“三路并进”的模式。中小金融机构由于技术投入等方面的原因，大模型应用的进度整体较慢。
（基础大模型选型模式）
部署主要分为私有化部署、行业云部署和公有云部署三种。基于隐私保护和数据安全的要求，私有化部署通常是金融机构最主要的部署方式。
（基础大模型金融应用部署方式）
为提升大模型在金融垂直领域的应用效果，需要运用一系列的技术手段优化模型，优化方式主要包括模型微调、提示工程、人类对齐、模型评估等环节。那么在有些情况下，在微调技术难以达到理想效果的情况下，还需要采取二次训练。
（大模型模型优化主要环节与技术）
大模型金融应用主要场景
在对当前金融机构的试点和测试进行分析的基础上，我们已经构建出了一个全面的大模型金融业务产品蓝图，该蓝图涵盖了包括智能客服、智能办公、智能研发、智能投研，智能营销、智能运维、智能风控以及智能投顾在内的八个领域，并对各个场景的主要分支进行了明确划分。
（大模型金融应用场景全景图）
*注：上图基于当前金融机构的试点和测试情况构建
大模型金融应用主要流程
Step01
明确业务的目标
Step02
在进行试点试验时，我们需要精心挑选适合的场景，遵循“先易后难，循序渐进”的原则。具体操作步骤包括以下几个方面：首先，优先考虑风险等级较低、难度较小且业务提升效果显著的场景；其次，按照一定的顺序和步骤，逐步推进试点试验，以便更好地观察和分析其效果；最后，根据实验结果，及时调整策略，为后续工作提供有益的参考。
Step03
根据业务场景的特征，进行基础大模型技术选型并完成部署
Step04
在当前的AI训练与微调领域，整理并生成数据是一项关键任务。针对企业的具体业务需求和风险等级，我们需要对数据进行精细化的分级分类，以确保数据的准确性和合规性。在此过程中，对于重复、虚假和不合规的数据，我们需要采取措施进行处理，从而避免其对训练结果产生不良影响。同时，我们也在不断优化数据使用的机制，努力提高数据的价值。为了更好地支持这一过程，我们已经建立了相应的数据集和知识库，以便于我们在未来的工作中能够更有效地利用这些资源。
Step05
通过微调、提示工程的手段来优化模型，提升应用效率
Step06
将模型由试点应用场景逐步迁移到真实复杂的应用场景中去，实现大模型对旧产品和服务的全面升级
Step07
做好大模型业务的组织保障。适时完善一系列的组件工具平台和软件生态建设，配备专业的运营人员，保障大模型的快速迭代，做好风险的防控
#04
大模型发展展望
大模型技术演进趋势
大小模型协同进化：大模型对于中小模型并非是替代或对立的关系，两者应相互协作，更好地赋能金融业务发展。
多模态金融大模型发展仍有较大潜力：多模态技术可充分利用金融机构积累的大量格式多样的优质业务数据，实现知识的迁移、表示、对齐和推理，使得呈现成效更加立体、全面。
AI Agent将在各行业发挥强劲动力：随着算力支撑和技术研究的不断迭代，未来AI Agent将全面地实现人机融合，促进金融机构进一步提质增效。
大模型推动数据要素提升
大模型对高质量、精细化、定制化的数据提出更高需求，将显著带动数据的流通与共享，推动基础数据服务产业快速发展。
大模型产业的发展将有力带动公共服务领域的数据的深度挖掘、分析和利用，更好的发展普惠金融、产业金融等，赋能当地传统产业的数字化、智能化进程，充分释放数据要素价值。
大模型赋能业务创新发展
大幅提升金融业务的集约化、智能化水平：大模型带来新的人机交互方式，将很大程度上统一下游任务，将大幅提升金融业务的集约化、智能化水平。
金融机构大模型服务将逐步从内向外拓展：大模型目前直接对外服务的可控性、安全性受限，金融机构主要对内应用大模型能力，如报告、代码的自动生成，知识问答、内部搜索等场景。随着技术的不断成熟，下一步将逐步实现对外服务。
大模型将重新定义生产、生活方式：大模型实现了通过一个端口即可满足不同类型用户的多种需求，充分释放劳动生产力，实现更高水平的自动化、智能化发展。
总之，每一次科学技术革命，都对生产方式和生产力产生深刻影响，大模型技术的横空出世，对经济社会的革新和冲击，不会亚于过去任何一次技术变革。相信大模型在金融领域的应用，必将为数字金融的发展创造新机遇，甚至会形成一些新赛道、新风口。
版权声明：本文内容来源于大连数谷金融数据服务产业基地启动发布会，北京金融信息化研究所有限责任公司副总经理黄程林《大模型为数字金融发展创造新机遇》主题演讲。版权归属北京金融信息化研究所及演讲者本人，转载请注明出处。
更多大连数谷金融数据服务产业基地信息即将发布，欢迎持续关注！
「关于大连数谷金融数据服务产业基地」
大连数谷金融数据服务产业基地作为大连数谷产业项目的重要组成部分，以“数智引领 金融创新”为主题，联通政、产、学、研、用等领域，形成金融数据汇聚、共享、应用、安全的全链条数据服务体系，构建完善的金融数据服务生态。
基地建设将立足于东北区域、辐射全国、拓展东北亚，基于大连数谷的统一发展规划，以金融数据服务为切入点，围绕数字金融赋能产业升级、金融数据处理与交易、金融数据服务存算、金融数据安全服务、金融数据服务生态等领域打造五大产业集群，深化金融科技产业建圈强链，面向非银机构和中小金融机构提供金融数据相关服务。实现金融数据汇聚、加大数据流通交易、赋能金融业务创新发展、提供金融数据安全保障，构建完善的金融数据服务生态圈，打造全国领先的金融数据服务高地，助力推动数字金融的发展，不断提升金融服务的政治性、人民性，打造全国领先的金融数据服务高地，支持地方数字化转型发展，推动金融业数字化转型创新。
END
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
