lida

来源 | 九卦金融圈 编辑 | 武文 张云迪 美编 | 杨文华 据报道，5天注册用户超100万，月活破亿用时仅2个多月……一举成为历来所有互联网应用程序中积累用户最快的No.1。 2月7日晚间，火爆的ChatGPT再次因访问量激增而宕机，多位网友尝试更换浏览器访问ChatGPT，都表示登陆不上，且收到“满负荷运转”的提示。 微软投资的人工智能公司OpenAI开发的聊天机器人ChatGPT最近超级火爆，不光人工智能再度成为了全球最热的词汇，机构散户投资者纷纷押注科技领域。 有报道称，美国89%的大学生使用ChatGPT写作业，有美国议员借助ChatGPT写国会发言稿，ChatGPT的应用之一就是搜索功能，有人预言，ChatGPT有望重塑，甚至取代传统互联网搜索引擎。 Gmail创始人Paul Buchheit近日就在推特上表示，像ChatGPT这样的AI聊天机器人会像搜索引擎杀死黄页一样摧毁谷歌。 这下，不光谷歌，连微软、苹果、百度们都急了！不光巨头们着急，普通人也纷纷在问，人工智能都能自己进行内容创作了，那画家、作家、翻译、记者、金融从业人员等职业，将来是否都会消失？ “ChatGPT火爆，巨头们都慌了！” 据报道，在2月1日Meta的财报会议上，扎克伯格就将生成式AI提升为今年关注的最大主题之一；微软近期更是被爆追加近百亿美元投资，同时抓紧时间进行自家产品的深度融合；苹果也不甘落后，将于下周举行年度内部AI峰会。 据《纽约时报》报道，一份内部备忘录揭示，桑达尔·皮查伊参与了一系列探讨谷歌AI战略的会议，甚至推翻了内部众多团队的原有工作，并正在从其他部门抽调员工，以应对ChatGPT带来的威胁。 英国《金融时报》报道，谷歌已向AI初创公司Anthropic投资了近4亿美元，后者正在测试ChatGPT的竞争产品。据了解，Anthropic成立于2021年，创始团队正来自ChatGPT的开发商OpenAI。 有媒体进一步报道称，谷歌宣布将推出名为Bard的AI聊天机器人，与ChatGPT展开直接竞争。桑达尔·皮查伊也在其博客中发文介绍，Bard是基于对话应用语言模型（LaMDA）的实验性AI程序，目前已经开展测试，并在几周内向公众开放。 谷歌正在员工中测试Bard的部分功能，这是其应对ChatGPT的“红色代码”计划的一部分。包括名为“Apprentice Bard”的聊天机器人，以及可以以问答形式使用的新搜索桌面设计等。 苹果也很着急。有分析认为，苹果原本的语音智能服务Siri被ChatGPT“碾压”了，苹果需要找到能与之竞争的下一代产品。 据外媒此前报道，微软可能会将ChatGPT整合到Word、PowerPoint、Outlook和其他应用程序中，以便客户可以使用简单的提示自动生成文本，此举可能会改变超过10亿人编写文档、演示文稿和电子邮件的方式。同时有报道称，微软正准备通过ChatGPT背后的AI来推出新版必应（Bing）搜索引擎，微软或在搜索引擎中提供自然语言搜索结果，不再是链接列表。此外，微软还宣布将扩大与ChatGPT所有者OpenAI的合作关系，将向后者进行“多年、数十亿美元”的投资。 金融人会不会“饭碗不保” 除了科技巨头的集体“发慌”，大部分打工人，包括金融人也开始担忧自己会不会“饭碗不保”。 ChatGPT主要是能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，并协助人类完成一系列任务，因此极大提高了人们办公、学习的效率。 不少人试用后认为，这款AI语言模型能让撰写邮件、论文、脚本，制定商业提案，创作诗歌、故事，甚至敲代码、检查程序错误都变得易如反掌。 对于ChatGPT的火爆，有人认为，以前的人工智能，如AlghaGo等只能打败围棋大师，而现在的ChatGPT则渗透进了日常工作领域和生活世界，这可能意味着我们的工作和生活将“切实地被改变”，甚至有些人会因此丢掉工作。 连公号大V胡锡进今日也发文认为，现在机器人已经可以帮着做作业，写格式化和专业化比较强的文章，比如新闻稿件，它能够为我们个人做的事情越多，意味着今后它可能夺去普通人的工作越多。 他个人认为，人工智能肯定会取代一部分文秘和创造性以及创新度不高的文化创作工作，这会倒逼人类为保住饭碗提高自己工作的不可替代性，从而让人的创造力形成新的质量飞跃。 根据最新MLIV Pulse调查显示，ChatGPT主要会威胁到金融、法律和计算机等行业的工作。 “营销数字化转型”公号作者腊阳的文章也认为，金融行业特别是银行业在大数据和AI应用相对成熟一些，ChatGPT和相关智能行业也可能很快会取代这些岗位： 1、客服人员、催收人员 几乎每个人都有过这样的经历：给一家公司的客服打电话或聊天，由机器人接听。而 ChatGPT的成熟会加快这个进展和趋势。 科技研究公司 Gartner 在2022年的一项研究预测显示，到2027年，聊天机器人将成为约25%的公司的主要客户服务渠道。 2、金融分析师、交易员 像市场研究分析师、金融分析师、个人财务顾问和其他需要处理大量数字数据的工作，都会受到人工智能的影响。 其实很多工作是自动化的，像机器人一样工作、做各种Excel表格，但现在可以让人工智能来做这些。 在信贷风险模型方面，ChatGPT...

📈 大模型技术在金融领域的应用正迅速发展，预示着智能金融新时代的到来。🤖 金融行业通过大模型技术提升工作效率，优化决策过程，增强客户服务体验。🌐 国内外金融科技企业积极探索大模型应用，推动金融服务的国际化发展。🛠️ 金融领域大模型面临专业性、情境理解、合规性等挑战，需针对性技术优化。📚 金融大模型的评测框架需结合业务合规性、事实准确性、推理正确性等多维度因素。🎓 金融大模型人才需求激增，教育体系需调整创新以培养跨学科复合型人才。🔍 金融大模型的应用实践案例展示了评测的具体步骤和实际业务应用效果。🌟 跨界合作与持续学习机制成为金融大模型人才培养的关键，以适应不断变化的市场需求。 专知便捷查看 便捷下载，请关注专知公众号（点击上方蓝色专知关注） 后台回复或发消息“BMFS” 就可以获取《大模型在金融领域的应用技术与安全白皮书2024》专知下载链接 点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料

我们来继续关注大模型相关的技术进展，来看看两个有趣的工作，一个是关于大模型用于股票金融分析，其中用到了RAG。另一个是大模型用于图表理解，最近在做相关的工作，所以也一并整理出来，供大家一起参考并思考。 一、大模型+RAG用于股票金融分析框架Stock-chain‍‍‍‍‍‍ 我们来看看一个RAG来做金融分析任务。金融分析任务主要包括两个关键领域，股票走势预测和相应的金融问题解答。目前，机器学习和深度学习算法（ML&DL）已被广泛应用于股票走势预测，并取得了显著进展，但这些方法无法提供预测理由，缺乏可解释性和推理过程，也无法整合金融新闻或报告等文本信息。 而当下大型模型（LLM）具有出色的文本理解和生成能力受到广泛关注，但由于金融训练数据集的稀缺以及与实时知识的整合有限，仍然存在幻觉，无法跟上最新的信息。 例如上图所示，以金融分析任务为例，包括股票走势预测和金融问答。传统的ML&DL方法只能提供不确定的预测（涨/跌），没有任何依据，而原始的LLM可以提供预测分析，但没有任何帮助。 最近的工作 《AlphaFin: Benchmarking Financial Analysis with RetrievalAugmented Stock-Chain Framework》(https://arxiv.org/pdf/2403.12582.pdf,https://github.com/AlphaFin-proj/AlphaFin) ，该工作做了2件事： 一个是发布了用于微调 FinLLM的AlphaFin，其中包含传统研究数据集、实时财务数据和手写CoT数据。 另一个是提出了与RAG集成的Stock-Chain框架，该框架可以为投资者提供股票走势预测，并通过RAG整合实时市场数据和宏观经济新闻，从而完成股票分析，在具体实现上，其基于AlphaFin数据集对StockGPT进行微调，并将其集成到Stock-Chain框架中，并通过RAG进一步与实时金融数据库集成，以解决LLM输出的幻觉以及LLM无法生成实时内容的问题。 1、先看数据部分 如下图所示，数据集包括Research研究数据集、StockQA数据集、金融新闻数据集以及财务报告数据集四个部分： 其中： Research研究数据集：这部分包括来自学术界的传统金融数据集，包括FPB、FinQA、convFinQA以及Headline，以增强大模型的信息提取和总结能力。在这部分数据上，传统的研究数据集主要是英文的，而且数量很大。为了提升LLM们的中文能力，保证质量进行微调，只从源头抽取了一部分。 StockQA数据集：这部分包含来自Tushare和AKshare的股价和其他财务数据，使用顺序数据格式，例如股票价格趋势（例如{…,170,173,171,175,173,170,…}）。但鉴于源数据以顺序格式呈现，使用ChatGPT并按以下提示生成财务问题，以增强多样性，随后，我们使用ChatGPT生成回复并获取用于训练LLM的问答对，对应的prompt如下： Based on the …, give me a good financial question. Input: , Output: . 金融新闻数据集：为了向大模型提供真实世界的金融知识，整合了在线新闻来源，例如中央电视台和华尔街CN的金融版块，在数据处理上，使用Chat-GPT提取每条新闻的摘要，并构建财经新闻数据集，从而提升摘要能力。 财务报告数据集：通过DataYes构建财务报告数据集（DataYes，2021），包括机构对公司进行的专业分析和知识。在数据处理上，手动对齐公司的财务报告及其报告发布当天的股价，并使用以下模板生成最终数据，并还手动创建200份具有专业财务知识和较长标签的财务报告CoT数据，对应的prompt如下：  According to …  conclusions can be drawn:   1.  Fundamentals:  … 2.  Technical aspects:  …    Therefore, we predict the …  is    , probability:   2、再看架构部分Stock-Chain Framework 财务分析任务可以被视为两个对应部分，即股票趋势预测和相应的财务问答，因此Stock-Chain框架分为两个阶段，一个Stock Trend Prediction，另一个是Retrieval-Augmented Q&A，如下图所示： 第一阶段是股票走势预测，给定一家公司ci和相应的文档dj，该阶段通过结合LLM和AlphaFin数据集维护一个股票预测系统φ，给出股票趋势预测Predi。 其中： 对于第一阶段Stock Trend Prediction，任务很有趣，其给定一组公司C和相应的知识文档D，以预测涨跌： 其目标是从中找出一组能涨的公司子集C chosen: 这一步涉及到知识文档D的处理，在实现上，其给定一个公司ci，首先检索它的相关文档dj。然后，设计一个提示模板Prompt进行组装，例如： Please predict the...

网商银行高级工程师方珂认为，金融行业对安全、风险要求极为严苛，大模型应用仍然有很多问题需要解决。尤其是大模型会出现“幻觉”，如果错判了客户的经营情况，带来的将是真金白银的损失。作者：胡群 封图：图虫创意 2024年会成为大模型深度应用于金融领域的元年吗？解答这个问题，或许可以从上市银行2023年年报里一探究竟。 年报显示，多家大中型上市银行继续加码科技投入，特别是加快大模型技术研发和实际业务应用的步伐。 IDC中国副总裁兼首席分析师武连峰分析，从规划到实际落地应用，金融行业的大模型项目可能会经历一个相对漫长且审慎的周期，包括前期的计算能力准备、概念验证测试及必要的算力资源购置等多个阶段。 竞逐金融大模型 年报显示，工商银行在2023年度建立了行业内首个全面自主研发且具有千亿参数级别的AI大模型技术体系，并在多元金融业务场景中实现了创新性应用。 工商银行董事长廖林在该行2023年度业绩发布会上表示，工商银行在深化“数字工行”（D-ICBC）战略过程中，充分利用人工智能及大模型等前沿技术手段，有效促进了工商银行数字化生产能力和效率的提升。 建设银行年报显示，该行加强“三大中台”基础架构建设，并启动“方舟计划”，推动金融大模型的建设和实际应用，建立常态化的数字化经营管理模式。 农业银行在年报中透露，该行通过成立人工智能创新实验室加快推进大模型技术的研究和培育工作。 中国银行则在年报中展示了其在智慧安全防护、网点运营等方面的计算机视觉技术应用，并开始试验大模型技术在内部知识服务、自动化编程辅助等场景的可行性。 邮储银行年报显示，紧随大模型在金融领域的应用潮流，该行正在研发测试、运营管理、客户市场营销、智能风险控制等多个层面积极开展大模型技术的探索与实践。 部分上市银行大模型研发、应用进展情况 来源：上市银行年报 年报显示，大中型银行正在不断加大科技投入。六家国有大型商业银行的信息科技总投入已连续三年超过千亿元，其中2021年为1074.93亿元；2022年为1165.49亿元；2023年为1228.22亿元，较2022年增长5.38%。 具体来看，工商银行、建设银行、农业银行、中国银行、交通银行、邮储银行在2023年的科技投入分别为272.46亿元、250.24亿元、248.50亿元、223.97亿元、120.27亿元和112.78亿元，同比分别增长3.90%、7.45%、7.06%、3.97%、3.41%和5.88%。 在全国性股份制银行中，招商银行和中信银行在2023年的科技投入超过了交通银行和邮储银行。其中，中信银行的2023年信息科技投入为121.53亿元，同比增长38.90%，占营业收入的5.90%。 招商银行、平安银行和光大银行在2023年的科技投入比上年有所下降。其中，平安银行的科技投入已经自2021年以来连续三年出现下降。年报显示，该行2021年IT 资本性支出及费用投入为73.83亿元，2022年IT资本性支出及费用投入为69.29亿元，2023年IT资本性支出及费用投入为63.43亿元。 数据来源：上市银行年报 萨摩耶云科技集团创始人、董事长兼首席执行官林建明告诉经济观察网，大模型的出现为银行数字化转型注入了强大且更为直接的新动能，但目前金融大模型的应用能力仍处于初级阶段。 该集团是国内独立云服务科技解决方案提供商。林建明称，从银行2023年年报披露的信息来看，近年来大多数银行都在加大科技投入，其中金融大模型成为科技投入的重点之一。对于大多数金融机构而言，自建大模型并不现实，调用通用大模型叠加金融专业领域的数据，可以使模型更加符合金融行业的特点和要求，提高模型在金融领域的适应性和准确性。 离广泛应用还有多远 当前金融大模型主要应用于一系列内部业务环节，如知识检索与智能答疑、编程辅助、客户服务热线智能化、自动化文档编写、复杂数据分析、精准营销材料自动生成等试点项目。 网商银行高级工程师方珂认为，金融行业对安全、风险要求极为严苛，大模型应用仍然有很多问题需要解决。尤其是大模型会出现“幻觉”，如果错判了客户的经营情况，带来的将是真金白银的损失。因此，在网商银行大雁系统实际应用中，大模型绘制的产业链图谱会向风控系统提供客户识别、经营评分和画像，但最终小微经营者获得的贷款额度，仍然是风控系统多维度交叉验证的结果。 微众银行数字金融发展部负责人姚辉亚告诉经济观察网，从技术和应用层面来看，生成式AI优势在于创造力，但副产品是不可避免地带来幻觉现象，而金融行业的大多数场景往往需要追求准确性和可解释性，比如要求能对风险进行精准定价与管理，向客户推荐适当的产品，并明确揭示风险。基于两者特性的交集，适配的应用场景是让大模型和生成式AI成为员工的助理，在赋能员工提高效率和创造力的同时做好兜底判断，而非直接让大模型直面客户提供服务。 姚辉亚认为，当前国内金融机构在大模型领域的核心竞争力集中在应用层，通常是基于内部的专有数据，选择合适的基础大模型基座进行精调，形成垂直行业场景的大模型应用。由于基础大模型的技术迭代较快、不同场景适用不同路线的基础大模型、硬件的国产化兼容性不足等挑战，目前较缺乏能支持一站式工作、模型可插拔的工程化平台。微众银行正在集中力量，打造全行统一的AI工程化平台，构建AI原生科技能力，期望实现模型可插拔、成效可度量、模型生命周期可管理、运算资源可调配、编程可视化（低代码）等特性，赋能内部各业务团队在应用层百花齐放，提升自动化与智能化水平。 林建明判断，如果将大模型的能力放在金融行业中去处理原有的任务，会对很多工作产生颠覆性的影响。相比现有的AI技术，大模型技术有望在金融风险管理、量化交易、个性化投资建议、金融欺诈检测和预防和智能客户服务等场景具有广泛的应用潜力和影响力。尽管大模型技术在许多领域展现出巨大的潜力，但在金融领域的应用仍处于起步探索阶段。 林建明认为，金融行业是数据密集型行业，涉及海量的金融数据和复杂的金融业务。金融数据包含敏感的个人和机构信息，而大模型需要大量的数据进行训练和应用。因此，确保数据隐私和安全成为一个重要的挑战。另外，金融行业是一个对于模型的可解释性和鲁棒性（系统或算法在面对不同的环境和条件时，仍能保持稳定和可靠的能力）等要求非常高的行业，而大语言模型当下输出结果的可解释性目前是相对封闭、不透明的，同时，其稳定性也仍然受到数据、算法、训练等方面的干扰，表现出非鲁棒性的特征。 武连峰说，尽管金融行业在大模型领域的投资强度显著增加，但由于金融业对合规性和风险管理的极高要求，在部署这类先进技术时必须确保与所有现行监管政策相符。 深交所喊话上市公司：胆敢不回，强制退市！国企“应战”新公司法：三个月内要改掉多年“老毛病”小户型不好卖了

作者｜王良编辑 | 薛梁 由于行业特殊性，金融机构在业务创新和技术应用过程中受到政策监管、数据隐私保护等诸多外部因素的限制。进入 AI 时代，如何在约束条件下，加速大模型等技术在 ToC 业务场景的落地和应用，并且在技术上不做牺牲处理是一个极具挑战的工作。在 2024 年 6 月 14-15 日深圳 ArchSummit 全球架构师峰会上，我们邀请到了平安壹钱包用户研发部技术负责人王良老师进行分享，他将基于平安集团旗下互联网金融支付公司壹钱包已落地的业务场景，介绍 RAG 向量检索 + 知识库 + 标注平台等技术的实战经验，以及应用立项审批、合规监管审批、业务线选择等技术之外的经验。 在会议召开前，我们对王老师进行了预热采访，探讨其团队在大模型应用方面的探索与落地情况，希望让大家能够提前了解其大会演讲内容亮点。 InfoQ：作为平安壹钱包技术负责人，您在不同领域的技术工作经历非常丰富，从客户端开发到大前端再到后台研发及架构管理，最近又转入大数据研发部门，您觉得这些不同领域的经历如何影响了您的技术视角和解决问题的能力？ 王良：我是从 Android 开发入行的，工作投入时间比较长，深入了解了用户界面的 UI 还原和交互逻辑，学会了如何优化用户体验和响应速度，让我对底层的技术原理有了更深入的理解，比如内存管理、性能优化等。这段经历让我更加注重从用户的角度出发，思考技术的实际应用和价值，为我在后续领域的工作打下了坚实的基础。 随着公司的发展，团队从最初的 Android 组，融合了 iOS 开发变成 App 客户端团队，再到后来，又融合了前端 JS、React Native 团队，再后来又补充了小程序、快应用、鸿蒙等技术栈，升级为大前端团队，在这个壮大的过程中，我开始关注跨平台、跨浏览器的兼容性问题，以及如何构建高效、可维护的前端架构。 大前端的工作让我学会了如何在复杂的技术环境中保持代码的健壮性和可扩展性。也开始接触到前后端的数据交互和协作，对前后端分离的开发模式有了更深入的认识。在后台研发阶段，我深入了解了服务器的架构、数据库的设计和优化、高并发处理等关键技术。这段经历让我更加关注系统的稳定性和安全性，学会了如何在复杂的业务场景中保证数据的准确性和一致性。 程序员是一个需要持续学习的工作，拥有不同领域的技术工作经历是非常宝贵的，每一个领域都有其独特的挑战和解决方案，它能够帮助程序员获得更全面的技术视角和解决问题的能力，更具备跨领域思考和解决问题的能力，随着技术栈和工作经验的提升，解决问题的能力从前期局限于用技术方案完成业务方的诉求，到参与产品规划的初期阶段，在需求规划阶段，就可以给出指导性的技术意见，帮助业务方在快速上线、节省人力成本上，提供专业的技术支持。因为除了技术实现上的方案，同时还要考虑业务因素和成本因素，同一个需求，用什么技术栈解决最合适，比如监管比较严格的业务变动频繁，更适合 RN、H5 这类方便更新的技术栈。一些稳定业务注重体验的可以投入 Android 和 iOS...