AI金融助手

今年，金融、制造、医疗等垂直领域的通用大模型成为落地成果最多领域，尤其在银行业已实现产能提升，超过传统人工。马上消费通过“天镜”金融大模型，营销效果提升30%以上，生产效率大幅提高。但大模型技术面临群体智能与安全可控、个性化隐私保护等挑战，公司以模型安全、组合式AI、持续学习和MaaS为核心，驱动数字金融高质量发展。《金融大模型》的发布填补了该领域的理论空白，预示着AI赋能金融产业变革和新质生产力的发展趋势。

文章探讨了LLM模型对金融数据行业的影响，指出其可能带来的新时代变革。首先，历史上的成功公司如Bloomberg通过获取和分析分散数据建立了金融数据服务，他们的策略包括数据池构建、关系数据库导入和付费访问信息。然后，文章介绍Michael Bloomberg如何利用LLM未被充分利用的资源创建了Bloomberg LP，提供实时交易和价格数据，通过与Merrill Lynch的合作进一步巩固其地位。接下来，文章分析了Bloomberg的优势，除了数据和技术，社交网络效应也非常重要，它将用户聚集到终端并通过通信工具创造价值。最后，文章提出了几个关键问题，如现存公司可能忽视的数据领域、工作流程的改进以及如何通过LLM连接封闭系统以服务更广泛的群体。总的来说，文章强调了LLM对金融数据行业的潜力，并鼓励新进入者借鉴Bloomberg和其他成功企业的经验来寻找落地应用和创新机会。

推荐阅读 AI与金融的结合主要有两条技术路径，分别是通过金融语料训练的金融大模型和金融垂类大模型。双方优劣具有相对性，而通用大模型通过金融语料训练超越金融垂类模型可能性较小。 在金融垂类模型上，国外彭博BloombergGPT率先登场；国内金融垂类模型百花齐放，例如恒生电子进一步升级金融大模型LightGPT，东方财富、同花顺加大AI研发技术投入等。 目前各家公司都在致力于以大模型赋能股基APP或是金融终端，为已有功能注入AI能力，实现多场景应用。在金融科技支持政策陆续出台、海外金融垂类模型加速落地的背景下，我们认为，金融垂类模型将成为金融科技领域未来的发展重点。 来源：新财富杂志（ID：xcfplus） 作者：胡翔（东吴证券非银行金融首席分析师）武欣姝（东吴证券非银行金融研究组研究员）    当前，国内互联网企业、传统金融机构及金融科技企业争相竞逐，“百模大战”如火如荼，AI与金融的结合也日益深化。 01 国内外大模型现状：OpenAI、微软引领业界，国内多家企业推出产品 国外AI通用大模型案例中，OpenAI&微软、谷歌等都推出了相关模型。其中，OpenAI携手微软，ChatGPT4-Turbo业界领先。谷歌则是框架领先，模型丰富，应用偏弱。而亚马逊云（AWS）领跑AIGC，推出Titan大语言模型。 国内方面，多家企业推出相关产品。 百度具备先发优势，文心大模型国内领先。文心一言目前已拥有7000万用户。4.0版本能力栈较为广泛，可应用的场景较多，在查询搜索知识应用等方面表现不俗。阿里发布通义千问2.0，专业能力较强。可应用于相对复杂的场景。 从国内外通用AI大模型的发展历程来看，发展趋势是国外领先，国内紧追。 综合表现上，头部模型国外领先，平均水平国内外差距较小。所有模型中，GPT4-Turbo遥遥领先，国内最好的大模型为百度文心一言，但二者仍有一定差距。国产大模型虽与国外有所差距，但平均水平上与国外差距并不明显。此外，国内开源大模型在中文上的表现要优于国外开源大模型。 而在金融领域上，通用大模型的应用表现各有差异。 在国外，GPT系列在金融领域表现较好。GPT系列能较好理解金融术语，解答金融相关问题，且具备一定的实时性，在金融领域能够自动生成金融报告、做市场研究等。 在国内，百度文心、阿里通义千问、腾讯混元以及科大讯飞在金融领域表现较好。百度文心一言具备较高的实时性，能够在多项金融相关工作中发挥作用。阿里通义千问能够较好的解释金融概念，但存在时效性限制。腾讯混元可以优化金融服务的个性化体验、市场情绪的追踪等。科大讯飞星火则将语音识别和处理技术用于交易系统、智能财经助手等。 02 AI金融竞争：百模大战如火如荼，两条技术路线各有千秋 国内互联网企业、传统金融机构及金融科技企业争相竞逐，当前竞争较为白热化。2023年5月中旬，奇富科技首先宣布推出金融行业通用大模型奇富GPT，号称“国内首个金融行业通用大模型”。2023年5月，度小满推出国内首个千亿级中文金融大模型“轩辕”。恒生电子于2023年6月发布了金融大模型LightGPT，并对其进行升级，形成“LightGPT+WarrenQ+光子”体系。2023年9月7日和9月8日，腾讯混元大模型和蚂蚁金融大模型相继正式亮相。2023年11月，幻方量化旗下DeepSeek推出DeepSeek LLM 67Bt，相较于其他金融模型拥有更突出的推理、数学、编程等能力。2024年开年之初，同花顺和东方财富分别推出问财HithinkGPT和妙想金融大模型。 图表：国内金融垂类AI模型发布时间及发布机构 当前AI与金融的结合主要有两条技术路径，一是通用模型和金融语料训练融合的金融大模型，二是金融垂类大模型。那么，通用和金融融合的大模型与金融垂类大模型相比，优劣势各是什么？ 由于设计和训练目的不同，通用语言大模型与金融垂类模型在优劣上具有相对性。通用语言大模型在泛用性、灵活性、数据利用率、迁移性上相比金融垂类更有优势，而在专业性、针对性、高精度和合规性上，金融垂类模型更胜一筹；在复杂度问题上，通用语言大模型在结构上更加复杂，金融垂类模型则在更新维护上具有复杂性。 图表：通用与金融垂类大模型优劣对比 两种模型相比，通用金融模型经过训练超越金融垂类模型的可能性较小。 首先，使用金融数据对通用大模型进行训练，数据欠缺，成本过高。金融领域的语料应该充分覆盖各种金融产品、市场情况和业务流程等。通用大模型缺少金融数据进行训练，金融专业知识不足；另外，如果从底层开始训练大模型，需要投入的算力成本非常高。 其次，在特定任务上，通用大模型精确性与适用性欠缺。金融垂类大模型会投入大量的时间和资源来收集和整理金融领域的专业知识。通用语言模型虽然可以通过金融语料的训练来提高在这方面的能力，但是否能达到金融垂类大模型的专业性仍有待验证。 第三，金融领域要求实时性和高效的推理速度。金融垂类大模型会针对这一需求进行优化，以缩短响应时间。通用语言大模型在处理金融领域的实时应用时可能需要进一步优化。 第四，金融领域对合规性和风险控制要求极高。金融领域对于数据保护、隐私和风险控制具有严格的要求，专门训练的金融垂类大模型可能会更好地满足这些合规性需求。 度小满CEO许东亮曾表示：“通用模型难以胜任金融领域任务，金融大模型是大模型落地金融行业的必由之路”。 03 国内外通用大模型在金融领域的应用表现 金融大模型始于BloombergGPT，当前国内外金融行业都在主动拥抱大模型。国际数据公司IDC的一项调研显示，超半数的金融机构计划在2023年投资生成式人工智能技术。包括BloombergGPT在内，国外已出现了一系列金融大模型。而国产金融大模型也分出了两大“流派”，一派来自于传统金融机构，另一派来自于金融系科技企业或互联网企业。 从国内外案例来看，彭博BloombergGPT率先登场，金融任务的表现远超通用模型。 2023年3月底，彭博构建了最大的特定领域数据集，并训练了专门用于金融领域的大语言模型（LLM），开发了拥有500亿参数的语言模型BloombergGPT。BloombergGPT的混合训练方法使其模型在金融任务上的表现大大超过了现有的大语言模型，而在通用场景上的表现则与之相当，甚至优于现有模型。 彭博BloombergGPT相比于通用大模型的优势在于，该模型对金融领域理解更为深刻，具有深度专业的分析能力，同时通过协助优化金融自然语言处理（NLP）任务，提升彭博终端数据的应用价值，开辟金融行业分析和决策的新可能性。 在这之后，AI4Finance Foundation开发了FinGPT这个金融领域的语言模型。FinGPT采用以数据为中心的方法，强调了数据采集、清理和预处理在开发开源FinLLM中的关键作用。通过支持数据可访问性，FinGPT渴望加强金融领域的研究、合作和创新，为开放金融实践铺平道路。FinGPT的最后一个组成部分是应用层，旨在展示FinGPT的实际适用性。它为金融任务提供实践教程和演示应用程序，包括机器人咨询服务、量化交易和低代码开发。 LLMS层处于核心位置，它包含各种微调方法，优先考虑轻量级适应，以保持模型的更新和相关性。数据处理层专注于NLP数据的实时处理，以应对金融数据固有的高时间敏感性和低信噪比的挑战。FinGPT管道的起点是数据源层，它协调从各种在线资源中获取大量财务数据。 国内金融垂类模型也有一些经典案例。 恒生电子的LihgtGPT金融行业大模型，是一个更专业、更合规、更轻量的模型。LightGPT拥有更专业的金融语料积累处理和更高效稳定的大模型训练方式。在金融专业问答、逻辑推理、超长文本处理能力等在内的金融大模型能力评测中均有不错表现，能保证内容和指令的合规安全，可以为多种金融业务场景提供底层AI能力支持。 其中，光子系列产品是基于LightGPT能力，致力于在合规审核、投研算法、客户服务和营销分析方面成为金融从业人员的智能助手。 WarrenQ系列产品则是一款投研效率工具产品，旨在提高研究员的工作效率和实现知识高效协同。基于大模型叠加搜索和金融数据库，通过对话指令，可轻松获得金融行情、资讯和数据，且每一句生成的对话均支持文本溯源。ChatMiner可以帮助快速提取文档中的信息，提供精准检索与定位，精炼或拓展文本。...

文章讲述了AI人脸识别技术在金融领域的广泛应用带来便利的同时，也面临新的诈骗挑战。泰国央行的新规定要求银行在特定交易中使用面部生物特征验证加强安全，然而黑产团伙利用伪装的电力局应用进行诈骗，诱导用户安装并窃取信息，企图通过面部数据进行异地登录和财产转移。"金相狐"组织被识别为此次攻击幕后主导者，他们巧妙地结合社会工程学和可能的面部信息验证手段，尽管手法看似初级，但通过多种技术自我保护。报告详细分析了诈骗过程和技术细节，强调移动系统对权限管理的要求对于防范此类攻击至关重要。

随着政府对人工智能的高度重视，数字金融新范式兴起，本次论坛探讨了大模型在金融领域的实践应用和产业赋能，如马上消费推出的“天镜”模型已显著提升营销效果和知识产出效率。论坛强调了技术治理、安全和模型自主可控的重要性，同时面对挑战提出通过四大关键技术推动金融大模型发展。作为数字金融机构，马上消费积累了深厚的技术基础，并发布全国首部《金融大模型》著作，以填补行业理论空白，为人工智能赋能金融提供理论支持。

文章讨论了人工智能在金融行业的广泛应用，如马上消费公司通过AI提升营销效果，以及通用和行业领域的大模型的发展趋势。专家们认为金融应成为AI技术应用的引领者，并面临如资产获取、质量变化、息差收窄和资本补充等挑战。金融业需关注科技与业务可持续发展相结合，并提出在商业化落地时需要注重安全治理五大方向的技术管控，以应对潜在风险，包括大模型的安全性、合规性和幻觉检测。同时，蒋昌俊院士提出了通过GPA算法进行网络交易风控的建议。

《金融大模型》一书由马上消费CTO蒋宁团队基于公司首颗"天镜"金融大模型研发应用经验，结合前沿理论编写，旨在展现金融新质生产力，该作品在“大模型驱动下的金融创新论坛”上发布，得到业界专家的高度认可，被视为公司技术实力和社会责任的象征。

通过对AI与金融结合的研究，预计该领域将有所突破。具备大数据存储、数据要素及智能模型软件的金融机构将抢占先机。以下四家金融机构（具体名称省略）因其业务特性，在这一趋势中具有显著发展潜力：请谨慎对待信息，仅为投资参考。

财跃F1金融大模型发布会强调，该模型将在数据、算力、解决方案等多个领域为金融机构提供一站式支持，通过满足需求打造全新生态和商业模式。财跃星辰凭借场景和技术优势，依托界面财联社丰富金融语料和阶跃星辰的万亿参数MoE大模型，计划在2024年通过差异化产品和服务体系在券商网金等业务领域抢占先机，区别于普通的科技公司。

银行大模型在银行业的应用面临挑战，进展滞后于整体行业。主要困境包括高技术门槛、数据难题（如非结构化数据处理和质量问题）、算力需求、可解释性不足及内部员工抵触。尽管如此，随着投入增加和技术优化，如OpenAI通过迁移学习提升准确率，大模型的准确性有望提高，解决客户信任问题。同时，大模型正在推动银行业效率提升和人员结构变革，对相关岗位产生替代效应，但也引发人才结构调整和就业担忧。教育层面，针对大模型的专业教育相对匮乏，需要进一步发展与培养。