lida

原标题：专访中关村互联网金融研究院院长刘勇：生成式AI是金融科技的下一个风口 每经记者：袁园每经编辑：马子卿 4月25日至29日，2024中关村论坛年会在北京举行。本届论坛以“创新：建设更加美好的世界”为主题，上百位顶尖专家、上千名演讲嘉宾将围绕科技创新引领社会进步、民生改善、可持续发展等议题，共话开放创新，共谋发展机遇，为建设更加美好的世界贡献智慧和力量。 据悉，本届论坛设置了论坛会议、技术交易、成果发布、前沿大赛、配套活动5大板块，将举办近120场活动，100多个国家和地区、150余家外国政府部门和国际组织机构等受邀参会。 中关村互联网金融研究院院长 刘勇 图片来源：每经记者 袁园 摄 在4月29日举行的金融科技论坛上，《每日经济新闻》记者（以下简称NBD）专访到中关村互联网金融研究院院长刘勇，其就科技对金融流程和效率的改变以及未来生成式AI在金融领域的发展前景给出了解答。 科技和金融联合推动了经济社会进步和发展 NBD：从最初的触网到数字化、再到现在的金融科技，金融行业对于科技的投入和重视越来越高，金融科技在机构的探索和实践中，不断地在迭代和发展。请问您如何看待科技在金融业务中扮演的角色？科技对金融业务的效率、流程等带来了哪些颠覆式的改变？ 刘勇：科技在很大程度上为金融要素向创新聚集、改善金融要素的资源配置效率提供可能。科技与金融犹如车之两轮，共同驱动经济社会进步与发展。科技与金融的有效结合，金融要素供给可以在更高水平上与科技创新的内在需求实现动态平衡，金融“脱实向虚”的现象得到有效缓解，金融服务实体经济的成效更加显著，科技创新主体的融资更加多元化、便利化和高效化。以支持创新融资为目的的金融产品和服务更加丰富，金融对创新的支撑作用更加明显。 首先，科技显著提升金融业务效率。通过大数据、人工智能等技术，金融机构大幅缩短传统金融业务办理时间。自动化工作流程减少了人工干预，降低了错误率，同时增强了全天候服务能力，使金融服务不受地理限制和营业时间约束。 其次，科技加强金融业务风险管理与合规。大数据分析与人工智能技术赋予金融机构风险识别与防控能力。通过实时监测海量数据，金融机构能够精准评估客户信用、识别欺诈行为、预测市场动态，做出更准确的风险定价和信贷决策。同时，AI辅助的反洗钱系统能够高效筛查异常交易，增强合规监控。监管科技（RegTech）则助力金融机构满足日益严格的监管要求，自动报告、审计和合规检查，降低违规风险。 此外，科技优化客户服务体验。移动银行、在线交易平台、虚拟助理等数字化工具使得客户能够在任何时间、任何地点便捷地进行账户管理、投资交易、咨询查询等活动。个性化推荐、智能客服聊天机器人提供“7×24小时”无缝服务，增强了客户满意度。此外，开放银行API接口使得第三方开发者能够创建集成多种金融服务的应用，进一步丰富了金融生态系统，满足消费者多元化需求。 NBD：如果让您给金融科技的发展来定义，您认为哪些技术、事件是金融科技发展的关键节点？ 刘勇：金融科技（FinTech）的发展是一个持续演进的过程，其中技术进步与金融业务深度融合，创造出新的产品、服务、模式和基础设施，以提高金融服务的效率、安全性、可获得性和客户体验。 大数据与数据分析技术、人工智能技术极大地推动了金融科技快速发展。其中，大数据技术使得金融机构能够收集、整合、分析海量的内外部数据，用于风险评估、信用评级、市场营销、反欺诈等领域，极大地提升了决策的精准度和效率。人工智能技术被广泛应用于智能投顾、智能客服、自动化风控、智能信贷审批、反洗钱监测等，极大地提升了金融服务的智能化程度。 2018年，北京市发布《北京市促进金融科技发展规划（2018年—2022年）》，加速打造具有全球影响力的金融科技创新中心；2019年，中国人民银行印发《金融科技（FinTech）发展规划（2019—2021年）》，这是我国首份金融科技规划，建立健全我国金融科技发展的“四梁八柱”，有力推动了金融科技良性有序发展；2022年，中国人民银行编制第二轮《金融科技发展规划（2022—2025年）》，标志着我国金融科技行业从“立柱架梁”全面迈入“积厚成势”新阶段，将推动金融科技治理体系的不断完善，促进金融与科技更深度融合、更持续发展。 此外，还有一个关键事件点也加速了金融科技的发展。2020年，在全球新冠肺炎疫情的背景下，无接触金融服务如远程开户、线上贷款和视频客服等需求迅速增长。同时，数字货币（例如，央行推进数字人民币试点工作)、开放银行、监管科技、AI金融和隐私计算等前沿领域也迎来了快速发展，金融科技正深度渗透至金融行业的各个环节，展现出其在现代金融体系中不可或缺的作用。 生成式AI能更好地理解客户需求，提供个性化的金融产品和服务 NBD：随着生成式AI的流行，很多金融机构开始将生成式AI应用在实际业务中。据您所知，生成式AI技术应用在金融领域时，存在着哪些难点和风险？ 刘勇：生成式AI在金融领域的应用确实带来了许多机遇，但同时也伴随着一些挑战和风险。 首先，数据安全和隐私保护是一大挑战。金融机构拥有大量的用户数据，如何在利用生成式AI进行数据处理和分析的同时，确保数据的安全、用户隐私保护，是必须重视的问题。 其次，模型的准确性和可靠性也是关键。生成式AI的预测和决策能力直接影响到金融业务的运行效果。如果模型存在偏差或错误，可能会导致金融风险的增加，甚至引发严重的经济损失。因此，金融机构在应用生成式AI时，需要确保模型的准确性和可靠性，并进行持续的监控和优化。 此外，监管和合规问题也是不可忽视的难点。随着生成式AI在金融领域的应用越来越广泛，相关的监管政策和法规也在不断完善。金融机构需要按监管的要求，确保业务合规，避免因违规操作而面临风险。 NBD：您认为生成式AI会成为金融科技的下一个风口吗？其会对金融行业带来哪些新的变化？ 刘勇：我认为生成式AI是金融科技的下一个风口。随着技术的不断进步和应用的不断深化，生成式AI将成为下一轮金融行业创新的核心驱动力。 首先，生成式AI将提升金融服务的智能化水平。通过运用自然语言处理、图像识别等技术，生成式AI可以更好地理解客户需求，提供个性化的金融产品和服务，例如定制化的投资建议和金融产品推荐等。这将使金融服务更加便捷、高效，提升客户体验。 其次，生成式AI将有助于降低金融风险，可以帮助金融机构更有效地进行风险管理和市场预测。通过对大量数据的分析和挖掘，生成式AI可以帮助金融机构更好地识别和评估风险，提供有效的风险管理措施。这将有助于降低金融机构的风险水平，提高业务稳定性。 此外，生成式AI还将推动金融行业的创新和发展。通过结合其他新兴技术，如区块链、大数据等，生成式AI将为金融行业带来更多的创新应用和业务模式。这将有助于提高金融机构的运营效率、降低成本，并通过自动化流程简化决策过程，推动金融行业的转型升级，提升整体竞争力。 总之，生成式AI在金融领域的应用前景广阔，将为金融行业带来诸多新的变化和机遇。当然，我们也需要关注并解决其存在的难点和风险，确保技术的健康发展。 每日经济新闻返回搜狐，查看更多 责任编辑：

ChatGPT引爆的AI热潮也“烧到了”金融圈，彭博社重磅发布为金融界打造的大型语言模型（LLM）——BloombergGPT。 3月30日，根据彭博社发布的研究报告显示，其构建了迄今为止最大的特定领域数据集，并训练了专门用于金融领域的LLM，开发了拥有500亿参数的语言模型——BloombergGPT。 该模型依托彭博社的大量金融数据源，构建了一个3630亿个标签的数据集，支持金融行业内的各类任务，在执行金融任务上的表现远超过现有模型，在通用场景上的表现与现有模型也能一较高下。 BloombergGPT到底有多强 根据彭博发布的报告来看BloombergGPT对金融行业来说无疑是一次颠覆性创新。 我们先来看一下BloombergGPT使用到的庞大数据集。 研究人员利用彭博社现有的数据，对资源进行创建、收集和整理，构建了迄今为止最大的特定领域数据集，并创建了一个拥有超过7000亿个标签的大型训练语料库： 彭博作为金融数据公司，数据分析师在公司成立的四十年间收集了大量的金融材料，拥有丰富的金融数据档案，涵盖了一系列的主题。 我们将这些数据添加到公共数据集中，创建了一个拥有超过7000亿个标签的大型训练语料库。 BloombergGPT的训练数据库名为FINPILE，由一系列英文金融信息组成，包括新闻、文件、新闻稿、网络爬取的金融文件以及提取到的社交媒体消息。 为了提高数据质量，FINPILE数据集也使用了公共数据集，例如The Pile、C4和Wikipedia。FINPILE的训练数据集中约一半是特定领域的文本，一半是通用文本。为了提高数据质量，每个数据集都进行了去重处理。 利用庞大的数据集，并基于通用和金融业务的场景进行混合模型训练，BloombergGPT诞生了。 一般来说，在NLP领域，参数数量和复杂程度之间具有正相关性，GPT-3.5模型的参数量为2000亿，GPT-3的参数量为1750亿。 根据BloombergGPT的训练结果显示，其在执行金融任务上的表现远超过现有的模型，且在通用场景上的表现与现有模型也能一较高下。 BloombergGPT优势：不可替代性和准确性 当下，通用NPL模型也可以处理金融领域的任务，那为金融圈“量身定制”的模型究竟有何意义？ 彭博认为，针对特定领域模型有其不可替代性且彭博的数据来源可靠： 因彭博社的大多数应用均为金融领域，着手构建了一个针对金融领域的模型具有优势。 除了构建金融领域的LLM外，本文的经验也为其他研究专用模型提供了参考。我们的方法是在特定领域和一般数据源上训练LLM，以开发在特定领域和通用领域上均表现优异的模型。 此外，我们的训练数据不同于传统的网络爬取数据，网络上的数据总有重复和错误，但我们的数据来源可靠。 而更重要的是，报告指出，通用NLP模型处理金融领域任务时会面临不少挑战，首先就是无法理解财经新闻背后的市场“情绪”： 以情感分析为例，一个题为“某公司将裁员1万人”，在一般意义上表达了负面情绪，但从金融市场情绪来看，它有时可能被认为是积极的，因为这一做法可能提振投资者信心，使公司的股价上涨。 从测试来看，BloombergGPT在五项任务中有四项（ConvFinQA，FiQA SA，FPB和Headline）表现最佳，NER（Named Entity Recognition）排名第二： 测试一：ConvFinQA数据集是一个针对金融领域的问答数据集，包括从新闻文章中提取出的问题和答案，旨在测试模型对金融领域相关问题的理解和推理能力。 测试二：FiQA SA，第二个情感分析任务，测试英语金融新闻和社交媒体标题中的情感走向。 测试三：FPB，金融短语库数据集包括来自金融新闻的句子情绪分类任务。 测试四：标题，数据集包括关于黄金商品领域的英文新闻标题，来判断新闻标题是否包含特定信息，例如价格上涨或价格下跌等。 测试五：NER，命名实体识别任务，针对从提交给SEC的金融协议中收集金融数据，进行信用风险评估。 对于ConvFinQA来说，这个差距尤为显著，因为它需要使用对话式输入来对表格进行推理并生成答案，具有一定挑战性。 （注：GPT-NeoX为OpenAI GPT-3的一个开源替代品） BloombergGPT将助力新闻领域 既然BloombergGPT测试中的表现如此优异，那未来可以怎么用？ 除了金融数据查询、回答金融相关问题，BloombergGPT未来可以被新闻领域广泛使用： BloombergGPT训练是以众多新闻为基础的，因此它未来将协助记者日常工作。 记者需要为每个部分编写简短的标题，专门为此任务设计的模型维护成本太高，但BloombergGPT在这个方面表现优异。 可以利用BloombergGPT更好的查询金融相关的知识。 如，BloombergGPT能够很好地辨别公司的CEO。（虽然BloombergGPT正确地识别了CEO，GPT-NeoX出现了错误，FLAN-T5-XXL则完全未能识别）。 对于这个或将颠覆金融圈的大型语言模型，部分网友并不买账，有人认为彭博此次只发布报告，不发布模型，颇有些“雷声大雨点小”之意。 也有网友认为，彭博赶在愚人节之前发布，可能在“骗人”。 ChatGPT为彭博点赞...

#4月财经新势力# BloombergGPT是由彭博社开发的自然语言处理模型，专门用于金融数据分析。它有可能通过提供实时金融数据分析和改进决策过程来彻底改变金融行业。在金融领域使用GPT模型仍处于早期阶段，但预计在未来几年内会快速增长。 BloombergGPT是一种基于自然语言处理和机器学习的AI技术，可以用于金融领域的场景分析和预测。它可以自动分析和理解大量的金融数据，包括新闻、报告、社交媒体等，从而提供有关市场趋势、公司业绩、政策变化等方面的见解和预测。这种技术的优势在于它可以处理大量的非结构化数据，并从中提取有用的信息，使得金融决策更加精准和高效。此外，AI技术还可以帮助金融机构进行风险管理、投资组合优化等方面的工作，提高业务效率和风险控制能力。 BloombergGPT场景分析以及AI在金融方面的优势： 1. 场景分析BloombergGPT可以用于以下场景： – 金融新闻分析：BloombergGPT可以自动分析金融新闻和公告，并提取其中的关键信息，帮助投资者更好地理解市场动态和趋势。 – 财务报表分析：BloombergGPT可以自动分析财务报表，并提供准确的财务分析和预测。 – 市场预测：BloombergGPT可以根据历史数据和市场趋势，提供准确的市场预测和趋势分析。 2. AI在金融方面的优势 – 自动化：AI可以自动化处理大量的金融数据和信息，提高数据分析和决策的效率和准确性。 – 预测能力：AI可以通过分析历史数据和市场趋势，提供准确的市场预测和趋势分析，帮助投资者做出更明智的投资决策。 – 风险管理：AI可以通过分析大量的金融数据和信息，帮助金融机构和投资者更好地识别和管理风险。 – 个性化服务：AI可以根据用户的需求和偏好，提供个性化的金融服务和建议，提高用户的满意度 举个例子，假设一家投资公司想要了解某个行业的市场趋势和前景，他们可以使用BloombergGPT来分析相关的新闻、报告和社交媒体数据。BloombergGPT可以自动处理这些非结构化数据，并从中提取出有关该行业的关键信息，如市场规模、增长率、竞争情况等。这些信息可以帮助投资公司更好地了解该行业的情况，从而制定更加精准的投资策略。 另外，BloombergGPT还可以用于风险管理方面。例如，一家银行可以使用BloombergGPT来分析客户的信用评级、历史交易记录等信息，从而评估客户的信用风险。这可以帮助银行更好地控制风险，避免损失。 总之，BloombergGPT作为一种AI技术，可以帮助金融机构更好地处理和分析大量的非结构化数据，提高业务效率和风险控制能力。

ChatGPT引爆的AI热潮也“烧到了”金融圈，彭博社重磅发布为金融界打造的大型语言模型（LLM）——BloombergGPT。 3月30日，根据彭博社最新发布的报告显示，其构建迄今为止最大的特定领域数据集，并训练了专门用于金融领域的LLM，开发了拥有500亿参数的语言模型——BloombergGPT。 报告显示，该模型依托彭博社的大量金融数据源，构建了一个3630亿个标签的数据集，支持金融行业内的各类任务。该模型在金融任务上的表现远超过现有模型，且在通用场景上的表现与现有模型也能一较高下。 一般来说，在NLP领域，参数数量和复杂程度之间具有正相关性，GPT-3.5模型的参数量为2000亿，GPT-3的参数量为1750亿。 关于BloombergGPT 报告指出，研究人员利用彭博社现有的数据，对资源进行创建、收集和整理，通过构建迄今为止最大的特定领域数据集来完成BloomberGPT，并基于通用和金融业务的场景进行混合模型训练： 彭博社主要是一家金融数据公司，数据分析师在公司成立的四十年的时间里收集了大量的金融文件，拥有广泛的金融数据档案，涵盖了一系列的主题。我们将这些数据添加到公共数据集中，以创建一个拥有超过7000亿个标签的大型训练语料库。使用这个训练语料库的一部分，我们训练了一个具有彭博风格的，达500亿参数的模型，该模型是根据Hoffmann和Le Scao等人的指导方针设计，基于通用和金融业务的场景进行混合模型训练。结果表明，我们的混合训练方法使我们的模型在金融任务上的表现大大超过了现有的模型，而在通用场景上的表现则与之相当甚至优于现有模型。 1.BloombergGPT优势：特定领域模型仍有其不可替代性且彭博数据来源可靠 在论文中，彭博社指出，现阶段，通用的自然语言处理模型可以涵盖许多领域，但针对特定领域模型仍有其不可替代性，因彭博社的大多数应用均为金融领域，着手构建了一个针对金融领域的模型尤其优势，同时可以在通用LLM基准测试上保持竞争力： 除了构建金融领域的LLM外，本文的经验也为其他研究领域的专用模型提供了参考。我们的方法是在特定领域和一般数据源上训练LLM，以开发在特定领域和通用基准上表现优异的模型。此外，我们的训练数据不同于传统的网络爬取数据，网络上的数据总有重复和错误，但我们的数据来源可靠。 2.BloombergGPT的训练数据集： BloombergGPT的训练数据库名为FINPILE，由一系列英文金融信息组成，包括新闻、文件、新闻稿、网络爬取的金融文件以及提取到的社交媒体消息。 为了提高数据质量，FINPILE数据集也使用了公共数据集，例如The Pile、C4和Wikipedia。FINPILE的训练数据集中大约一半是特定领域的文本，一半是通用文本。为了提高数据质量，每个数据集都进行了去重处理。 对金融领域的理解更准 报告指出，在金融领域中的自然语言处理在通用模型中也很常见，但是，针对金融领域，这些任务执行时将面临挑战： 以情感分析为例，一个题为“某公司将裁员1万人”，在一般意义上表达了负面情感，但在金融情感方面，它有时可能被认为是积极的，因为它可能导致公司的股价或投资者信心增加。 报告指出，从测试来看，BloombergGPT在五项任务中的四项（ConvFinQA，FiQA SA，FPB和Headline）表现最佳，在NER（Named Entity Recognition）中排名第二。因此，BloombergGPT有其优势性。 测试一：ConvFinQA数据集是一个针对金融领域的问答数据集，包括从新闻文章中提取出的问题和答案，旨在测试模型对金融领域相关问题的理解和推理能力。测试二：FiQA SA，第二个情感分析任务，测试英语金融新闻和社交媒体标题中的情感走向。测试三：标题，数据集包括关于黄金商品领域的英文新闻标题，标注了不同的子集。任务是判断新闻标题是否包含特定信息，例如价格上涨或价格下跌等。测试四：FPB，金融短语库数据集包括来自金融新闻的句子情绪分类任务。测试五：NER，命名实体识别任务，针对从提交给SEC的金融协议中收集金融数据，进行信用风险评估。对于ConvFinQA来说，这个差距尤为显著，因为它需要使用对话式输入来对表格进行推理并生成答案，具有一定挑战性。 华尔街见闻就这个问题专门询问了ChatGPT，ChatGPT认为BloombergGPT是一项很有意义的技术进步： 它是专门为金融领域开发的一种语言模型，可以更好地处理金融领域的数据和任务，并且在金融领域的基准测试中表现出色。这将有助于金融从业者更好地理解和应用自然语言处理技术，促进金融科技的发展。同时，BloombergGPT还可以为其他领域的语言模型的发展提供参考和借鉴。总的来说，BloombergGPT是一个有益的技术创新。 出行福利，快来领取滴滴福利券包

财联社3月31日讯（编辑 牛占林）当地时间周四稍晚，彭博社发布了专门为金融领域打造的大型语言模型(LLM)——BloombergGPT，引发投资者关注，这将对金融市场产生何种影响？ 彭博社是全球最大的财经资讯公司，在公司成立的40年的时间里，收集了海量的金融市场数据，拥有广泛的金融数据档案，涵盖一系列的主题。使用该公司数据终端的客户遍布全球，包括交易员、投行、美联储、美国其他官方机构以及全球各大央行等。 基于LLM的生成式人工智能(AI)已经在许多领域展示了令人兴奋的新应用场景，但是，金融领域的复杂性和独特的术语意味着可能需要特定的语言模型，拥有巨大优势的彭博自然不甘落后，于是开发了拥有500亿参数的语言模型BloombergGPT。 据彭博社发布的报告显示，BloombergGPT已经接受了广泛的金融数据的训练，以支持金融行业内各种各样的自然语言处理(NLP)任务。它是专门为金融领域开发的一种语言模型，可以更好地处理金融领域的数据和任务。 报告指出，研究人员利用彭博社现有的数据，对资源进行创建、收集和整理，通过构建迄今为止最大的特定领域数据集来完成BloomberGPT，并基于通用和金融业务的场景进行混合模型训练。 作用与优势 彭博声称，BloombergGPT将协助彭博改进现有的金融NLP任务，如情感分析、命名实体识别、新闻分类和问答等。 此外，BloombergGPT将为整合彭博终端上的大量数据提供新机会，以更好地帮助公司的客户，同时将AI的全部潜力带入金融领域。 报告显示，该模型依托彭博社的大量金融数据源，构建了一个3630亿个标签的数据集，支持金融行业内的各类任务。 与此同时，该数据集还与一个3450亿标签的公共数据集结合，创建了一个包含超过7000亿标签的大型训练语料库。 这使得该模型不仅在金融任务上的表现远超过现有模型，且在通用场景上的表现与现有模型也能一较高下。 彭博首席技术官Shawn Edwards表示：“我们认为具有金融领域特点的大型生成性LLM具有巨大价值，原因有很多——少量样本学习、文本生成、对话系统等。我们很高兴能开发出第一个专注于金融领域的LLM。BloombergGPT将使我们能够解决许多新类型的应用，同时它的性能优于为每个应用定制的模型，且上市时间更快。” 彭博机器学习产品和研究团队负责人Gideon Mann解释说：“机器学习和NLP模型的质量取决于你输入的数据。得益于彭博40年间积累的金融文件，我们得以精心打造一个大型、干净、特定领域的数据集来训练一个最适合金融用途的LLM。我们很高兴能够利用BloombergGPT改进现有的NLP工作流程，同时也思考新的方法将这个模型投入使用，为我们的客户带来惊喜。”

由于金融机构往往具有信息安全要求高、数据处理量大且信息基础设施建设较为完善的特征，人工智能技术得以较早在金融领域营销、合规、风控等多元化场景实现落地应用并得到长足发展。据统计，2021年AI金融核心市场规模达到296亿元，带动相关产业规模677亿元，到2024年，核心市场规模达到516亿元，CAGR=25%，带动相关产业规模1211亿元。 2020-2024年中国金融AI相关产业规模情况 资料来源：公开资料，华经产业研究院整理 金融机器学习产品由于与金融机构多业务场景均可密切结合且产品能力在海量高质金融业务数据助力下得到快速提升成为市场主要拉力之一，2021年金融机器学习产品占AI+金融核心产品市场规模比重达42.2%。 2021年金融AI产品市场规模占比情况 资料来源：公开资料，华经产业研究院整理 据统计，2021年AI金融领域计算机视觉核心产品及服务市场规模达到75亿元，预计到2024年核心产品及服务市场规模将达到106亿元，2019-2024年CAGR=11.6%。金融行业内，计算机视觉产品及服务在深度学习算法的加持与带动下在人脸识别及证照识别等应用场景得到了广泛的应用。 2019-2024年中国金融计算机视觉核心市场规模 资料来源：公开资料，华经产业研究院整理 本文节选自华经产业研究院发布的《2022年金融AI行业发展现状及趋势分析，金融AI技术与新兴技术的结合将创造出更加创新和高效的金融服务模式和商业模式「图」》，如需获取全文内容，可进入华经情报网搜索查看。