AI金融助手

　　本文转自：中国新闻网 　　 　　承东启西，连南接北，中部六省位于广袤国土之中部，犹如一道“脊梁”，在全国区域发展格局中占有重要地位。党的十八大以来，中部地区深入贯彻新发展理念，构建新发展格局，推动高质量崛起，谱写出创新驱动、区域协同的新篇章。 　　建行湖南省分行扎根三湘大地，立足实体经济根基，积极融入全省发展大局，持续加大对制造业、科技创新、乡村振兴、绿色发展等领域的支持力度，坚定不移助力湖南在新时代中部崛起中争先出彩，为在中国式现代化建设中谱写中部地区崛起新篇章注入澎湃金融动能。 　　服务“三高四新”，打造科技引擎 　　5月29日，土耳其最大行业展会——工程机械技术展览会(KOMATEK)在伊斯坦布尔展览中心正式开幕。中联重科携旗下7大类30余款产品隆重亮相，呈现一场来自中国的“智”造盛宴。 　　一台精密的工程机械设备，有成千上万个零件。中联重科上游供应商众多，且多为电子元件、五金配件、化工原料等小微制造企业。湖南省分行从实际情况出发，为其量身定制金融服务方案，上线“中联重科E信通”，该产品既能充分满足中联重科供应商多元化的支付结算需求，也为众多小微供应商提供了有力的融资支持。 　　 　　中联重科高空机械设备展示 　　湖南省分行聚焦服务实体经济和产业创新，坚持向“新”而行，向“高”攀登，积极助力湖南省“三高四新”战略实施，持续为科技引擎注入强劲金融动力。 　　助力打造国家重要先进制造业高地。湖南省分行找准信贷支持切入口、结合点，不断调整信贷结构，优化布局传统产业，重点关注优势产业，精准投向新兴产业，积极抢滩未来产业，为湖南省培育产业增长点、抢占未来新赛道、发展新质生产力提供金融支持。 　　支持打造具有核心竞争力的科技创新高地。湖南省分行针对科技型企业轻资产、重智力、强专业的天然属性，打破传统定式，对科创企业的评估重点跳出看过去、看报表、看抵质押物的“老三看”，转向看未来、看人才、看伙伴的“新三看”，建立“长远眼光和长久陪伴”的科技金融服务理念。 　　推动打造内陆地区改革开放的高地。湖南省分行不断加大外汇信贷支持力度，在湖南唯一市场采购贸易方式试点市场——湖南高桥大市场，组织工作人员主动提供金融服务，成为省内首家与市场采购贸易联网信息平台实现系统对接的金融机构。客户可登录市场采购贸易平台查询收汇信息，上传贸易背景信息，实现市场采购模式项下便捷安全的线上收汇。 　　截至5月末，湖南省分行对公贷款突破6000亿元，制造业贷款、战略新兴贷款、科技贷款三大指标均破千亿，为湖南省实体经济发展注入了澎湃动能。 　　倾力惠农富民，赋能乡村振兴 　　新时代推动中部地区崛起座谈会要求，高质量推进粮食生产功能区、重要农产品生产保护区和特色农产品优势区建设，打造一批绿色农产品生产加工供应基地，确保粮食等重要农产品稳定安全供给。湖南省分行深耕“三农”沃土，精准对接涉农主体信贷资金需求，积极推动金融服务走进田间地头，倾力惠农富民，全面赋能乡村振兴。 　　近日，湖南“三夏”(夏收、夏种、夏管)生产繁忙。走进岳阳屈子祠镇范家园村的田间，早稻陆续进入分蘖、拔节期，中稻也陆续开始移栽。范家园村合作社成立之初，流转水田近1600亩开展“小田改大田”。该项目前期需投入大量资金，在合作社为资金不足一筹莫展之际，建行湖南岳阳汨罗支行主动上门了解情况并提供金融服务，仅用5个工作日就为合作社提供贷款资金100万元，为该项目顺利进行提供了有力金融支撑。 　　 　　建行湖南岳阳汨罗支行客户经理到现场进行“小田改大田”前期调研工作 　　6月以来，湘西土家族苗族自治州保靖县多个茶业产销专业合作社一片繁忙，工人们依次分拣、称重、打包、贴单，将茶叶源源不断地发往全国各地。 　　保靖县充分利用地域和资源优势，形成以保靖黄金茶、比耳柑橘和特色烟叶为主的三大特色农业产业。因种植户缺乏有效抵押物和担保人，资金不足成为制约广大农户扩大生产规模的痛点问题。针对这一情况，湖南省分行发挥“裕农种植贷”利率低、线上支取、随借随还的产品优势，为种植户们提供了资金支持，助力保靖全县黄金茶的种植面积扩大至15.5万亩，茶农人均增收8000元以上。 　　 　　建行湖南湘西土家族苗族自治州保靖支行客户经理实地走访茶园 　　株洲炎陵县依托“古、红、绿、彩”特色资源优势和得天独厚的地理环境，大力发展特色民宿产业。建行湖南株洲炎陵支行加大对当地文旅产业支持力度，创新推出“民宿贷”，为民宿业主提供灵活、便捷的金融服务支持，助力炎陵县开创景美民富新气象。 　　截至5月末，建行湖南省分行涉农贷款余额近2千亿元，比年初新增76.18亿元，为农户提供贷款超150亿元，有力支持巩固拓展脱贫攻坚成果同乡村振兴的有效衔接。 　　助推绿色崛起，描绘新美图景 　　绿色是高质量发展的鲜明底色。新时代推动中部地区崛起座谈会要求，要协同推进生态环境保护和绿色低碳发展，加快建设美丽中部。 　　走进临武县汾市镇寺冲村，青砖黑瓦、荷田深深，一幅生态画卷在眼前徐徐展开。新村旧落之间，一排排太阳能光伏发电板引人注目。 　　寺冲村是2021年湖南省乡村振兴示范创建村、省级卫生村和市级文明村，为了发展绿色经济，该村集体准备建设分布式光伏发电项目，但设备前期安装资金不足。建行湖南郴州临武支行送来金融“及时雨”，为村集体提供了贷款资金支持，保证光伏发电项目顺利建成。截至目前，寺冲村累计发电量超40万千瓦时，累计节煤量超160吨。 　　湖南省分行持续加大对清洁能源、绿色出行、资源循环利用等领域的信贷投入，全力支持湖南省绿色经济发展。放眼三湘四水，湖南省分行支持的绿色项目随处可见。在长沙，建行湖南长沙芙蓉支行长期为以某轨道交通集团为主的企业客群提供绿色信贷支持，轨道交通的快速发展很大程度上缓解了交通出行压力，有效减少了能源消耗与空气污染。在常德，建行湖南常德分行投放近12亿元贷款资金，为湖南省“十四五”重点能源项目——鼎城区十美堂镇和蒿子港镇的风电项目建设提供金融支持。 　　在人民银行湖南省分行首次对全省银行机构开展的绿色金融综合评价中，湖南省分行获评省级银行业绿色金融评价A类机构。截至6月底，湖南省分行绿色贷款余额超1900亿元，全力助绘湖南绿色发展新美画卷。

出狱后的费可（李泽瑞）化身江大新生，巧妙渗透进金融社… 出狱后的费可（李泽瑞）化身江大新生，巧妙渗透进金融社，竟在餐桌上偶遇何珊 #校园生活远非表面那么简单#新剧热议#一段戏引来全程追剧#欲罢不能的情节牵引着心弦# #生活#

格隆汇7月9日丨大禹金融(01073.HK)公告，于2024年7月9日，公司透过买方(公司的间接全资附属公司)以折扣价约680万港元购买面值为100万美元票据。目前，买方拥有面值200万美元票据，总购买成本约1300万港元，并拟以折扣价增持至面值最多300万美元，但这将不会触发成一项重大交易。 海量资讯、精准解读，尽在新浪财经APP

香港《南华早报》7月7日文章，原题：中国科技热潮推动人工智能职业异军突起，金融职业被挤出薪酬金字塔顶端位置 中国快速扩张的人工智能（AI）行业已将金融业挤到一边，成为2024 年第二季度招聘月薪排名第一的职业。中国加快实现高水平科技自立自强，加上业界迫切利用AI行业的全球高人气，正帮助该领域企业超越以往提供最高薪酬工作的银行、基金公司和券商。 在线招聘平台智联招聘的数据显示，在企业竞相开发和试用AI应用程序引发需求暴增的推动下，今年第二季度该行业平均招聘月薪同比增长5.3%，达13594元人民币。基金/证券/期货/投资行业的招聘薪酬下滑至第二位，而就在此前许多季度，这些投资行业还在中国薪酬排名榜上独占鳌头。AI和金融行业的薪酬排名变化，反映了中国国家优先要务和就业市场的转变。科技行业正迅速成为求职者的新宠。 随着世界第二大经济体寻求升级制造业，同时努力绕过西方设置的层层技术和贸易壁垒，中国将大量资源用于提升自身技术实力。这也转化为相关行业的更高薪酬。具体说，今年第二季度招聘月薪排名前20位的工作中，平均月薪超过2.2万元的AI工程师排名第一，明显高于金融行业。人工智能在催生新商业模式、赋能产业数字化、推动数字经济新业态发展方面爆发极大潜力。在此背景下企业纷纷通过高薪抢人才，带动AI行业人才需求和待遇上涨。智联招聘表示，“AI产业是战略性新兴产业，全球激烈竞争抢占技术制高点。作为高端技术行业，AI领域强调大数据、算法等核心技术，人才招聘具有高技术、高学历、高薪资等特点，算法、C语言、嵌入式软件开发、机器视觉等方面工程师和技术岗招聘薪酬水平领先。” 该平台发布的季度招聘薪酬报告展示了中国38个核心城市企业的招聘薪酬水平。这也是人工智能首次在该季度调查中被单独列为一个行业。（作者Frank Chen，丁玎译）▲返回搜狐，查看更多 责任编辑：

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。...