AI金融助手

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

嘉宾丨白硕 采访/撰稿丨张洁 编辑丨千山 出品 | 51CTO技术栈（微信号：blog51cto） 在千行百业中，金融业一贯是新技术的早期采用者。无论是在数字化水平，还是在关于产业AI化的探索上，都走在了前列。因此，金融业也被视为生成式AI应用落地的潜力股。 然而，我们也应该清醒地认识到，生成式AI目前仍处于起步阶段，其在金融领域的广泛应用还需要时间的沉淀。 此外，大语言模型在实际生产环境中还面临着诸多挑战。例如，引入这些模型后，金融机构能从中获得多大的经济利益，其投资回报率是否明确，以及如何有效解决大模型可能产生的幻觉问题，确保模型在产业应用的最后一环能够顺利落地，都是亟待解决的关键问题。 此次AIGC实战派特别邀请了恒生电子首席科学家白硕来聊一聊生成式AI在金融行业落地的那些事儿。 白硕认为，金融业是拥抱AI最积极的行业之一，也是有实力将其做深做精的行业。然而一体两面，不可忽视的是，鉴于其业务性质，金融业对风险因素极度厌恶。同时，应用生成式AI需要成本投入，包括购置算力和进行持续预训练，全面铺开仍然需要时间。金融机构和AI服务提供者需要联合共创和试错，才能践行价值、提升体验。 论点先导： 金融行业乐于拥抱 AI。但金融业天性谨慎，极度厌恶新技术带来的风险因素。真正能够落地并满足刚需的场景需要时间打磨，不是马上就能实现的。你担心模型会“说错话”，究其根本就表明你对它的技术成熟度是不那么信任的。要保证大模型输出内容的可控，主要有三种模式：内嵌、外挂、上传。一是长文本，一是多模态，只有这两个能力不断发展，才能更好地满足我们的场景需求。不建议广大中小金融机构去自建大模型或者自训大模型。针对多任务支持，采用适中规模参数模型，但可以用多块卡多部署几套，满足高并发需求。未来大模型发展是否能在“大力出奇迹”之外走出另一条路，值得期待。 （为了表述更为流畅，以下采访内容做了部分文本整理） 一、让子弹再飞一会儿：真正能落地并满足刚需的场景仍需时间打磨 AIGC实战派：当前金融行业中生成式AI的整体应用程度如何？ 白硕：金融行业是拥抱新技术最积极的行业之一。一方面，它的人才结构和业务本身的数字化水平较高，这决定了其有足够动力来拥抱和落地新技术。 但另一方面，金融业天然谨慎，极度厌恶新技术带来的风险因素。这是由金融业务本身（属性）所决定的。它希望在落地过程中能够远离风险、控制风险。如果新技术面临一些诸如合规、政治正确、误导用户的风险，那么这个行业会试图尽量排除这些因素。 因此，我们可以看到：首先这个行业有利于创新技术的发展。只要这些技术能够带来价值，那么金融业会是不错的值得深耕的土壤。但同时也要慎重考虑风险因素，如果没有特别落到实处的解决方案，新技术的应用也不会有很快的节奏。 另外，在与金融机构的同仁们交流中，我们发现，还有不可忽视的一点是：他们想拥抱AI，但是使用AI的成本并不便宜，尤其是购置算力和对模型进行量身定制的成本。有些非常有实力的金融机构还需要自己进行持续的预训练。模型越大，需要的算力支持越高，这是大家不得不考虑的成本因素。 从落地的顺序来看，一开始大家可能会去找比较容易落地的场景试水，但这一块不一定是刚需。真正能够落地并满足刚需的场景需要时间打磨，不是马上就能实现的。 目前，我认为我们应该认识到AI的价值。局部已经开始使用AI，个别业务可能会先试先行，但全面铺开并翻新IT架构还需要时间。需要金融机构和我们这样的AI服务提供者之间的共创和试错，才能打磨出既刚需又能带来价值、提升体验的场景。可以让子弹再飞一会儿。 AIGC 实战派：在您看来，当前对生成式AI落地构成挑战的因素中，技术因素更多还是非技术因素更多？ 白硕：说到底，都是技术因素。为什么这么说呢？你担心模型会“说错话”，对它是否会“胡言乱语”没有把握，归根结底就表明你对它的技术的成熟度是不那么信任的。 你担心它误导你的客户，那这就说明它确实有一定的出错的概率，有一定的产生幻觉的可能。但是如果AI技术足够成熟，那么这些担心都不会是问题。 大家可能会从各个不同的方面对大模型及其应用存疑。我们行业老大也非常直白地提到过——输入怕泄密，输出怕违规。 “输入怕泄密”，就是指金融机构给大模型上传数据，这个环节万一出现泄密怎么办？不该被大模型知道的数据如果“出狱”了那就会造成问题。“输出怕违规”，就是指大模型生成的内容超过了我们的可控范围，输出了不该说的话，也非常令人担心。 这种不放心的深层原因还是对新技术没有信任到那个程度，技术本身也没有发展到让行业信任的那个程度。所以我个人判断，这本质上是技术问题。当然，如果长远来说，我们相信技术一定会不断地发展，按照目前技术迭代的节奏，未来这些担心都不会是太大的问题。 不过我们也不可能坐等未来。那么，当下我们该怎么办呢？ 实际上，我们可以做一些事情。比如，使用一些强化的手段，去跟金融业务需求对齐，这是大模型训练中需要解决的问题之一。另外，设置好“防线”，让大模型去使用有充分来源的、可以控制的内容，如果它想输出一个数据，那么我们要求这个数据是有出处的、可检验的。 我们可以在大模型的个别部位加上“铠甲”让其强壮起来，另外一些部位加上大模型外挂等手段去构筑“防线”，以此规避我们担心的问题。这些都是可以暂时采取的策略。当前的应对之策和长远的技术发展，我认为两者是需要兼顾的。 二、为大模型设置“护栏”：长文本和多模态能力成为关键 AIGC实战派：如今大模型还不能完全满足金融业对于可解释性和可追溯性的要求。如果要让它真正落地，需要遵循哪些原则？ 白硕：从实战的角度看，是有一些办法去绕开它的短处的。在现阶段，首先，在我们自己也并非内行的领域，可以请教专家来设置“禁区”，由专家提供相应的实例和标准，把这些标准变成可训练的，然后通过训练强化大模型，以便让大模型拥有这种对齐的能力。 其次，放眼整个架构，我们还要更专注大模型的生态。我们要让大模型的生态是更可控的。因为在很多的时候，我们不采用大模型本身提供的数据，只利用它的语言理解能力。大模型的语言理解能力是很过关的，但是它把握事实的能力不过关，我们要尽量扬长避短，比如用金融机构信得过的数据库、文档库、FAQ来产生输出内容。 那怎么样控制大模型能够忠实地产生这些输出呢？这里面就不得不提另一个技术问题。实际上，当我们把这些信得过的数据作为外挂的话，那我们能够借大模型力的地方就比较少了，靠检索本身的能力一般来说是不够的。虽然现在有 RAG（检索增强生成）技术，但是这与大模型自身由训练获得的语言理解能力相比，也是有差距的。 这里实际上分三种模式。一是内嵌，就是把数据训练到大模型里边去。但是缺点在于，它就固化了、过时了，无法使用最新的数据；二是外挂，就像之前提到的，外挂可以保证内容的准确性，其风险是相对可控的。但是要找到最准确的内容来回答问题依然存在门槛，因为离开大模型去做这件事就显得不够“聪明” ;三是上传，就是把可靠的内容上传给大模型，让大模型就这个内容来回答问题，让大模型的能力也得到充分发挥，同时也能够比较精准地命中可控的数据和话术，然后更好地去服务客户。 就第三种模式来说，问题在于必须要上传一个文档。 如果这个文档很大，大模型能不能全吃得下？在大模型发展的初期，窗口上下文比较有限，如果是很大的文档上传给它，它也吃不下。再比如这个文档的对象比较丰富，除了纯文本以外，还有图表、表格、图片等等数据信息，这又牵涉到多模态的能力。 所以一是长文本，一是多模态，只有这两个能力在不断发展，才能更好地满足我们的实际场景需求，生成命中率高且精准可控的内容。如此一来，我们的生成式 AI 应用质量也会更高，用户体验也会更好。令人欣慰的是，在技术发展过程中，我们已经可以很清晰地看到发展脉络，的确就是在朝这个方向前进。...

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。...