金融大模型的難點(diǎn)在于，能否在產(chǎn)業(yè)中扎得更深；其顛覆性也更建立在，縱深到產(chǎn)業(yè)中去，賦能金融行業(yè)的長尾場(chǎng)景發(fā)展，以及重拾“金融信任”。?

作者|思杭?

編輯|皮爺?

出品|產(chǎn)業(yè)家?

“從經(jīng)濟(jì)角度講，整個(gè)金融業(yè)的數(shù)字化進(jìn)程并非勻速；從技術(shù)角度講，催化劑的出現(xiàn)會(huì)加速行業(yè)駛向數(shù)字化深水區(qū)。而大模型正是過去十年最強(qiáng)的‘催化劑’�！焙闵�電子首席科學(xué)家白碩告訴我們。

大模型正在成為推進(jìn)金融業(yè)數(shù)字化的第二波浪潮。

2013年，互聯(lián)網(wǎng)金融騰空出世。此后十年，金融產(chǎn)業(yè)共經(jīng)歷過兩次由AI帶來的革命。

第一場(chǎng)革命的主角是辨別式AI，比如幫助金融機(jī)構(gòu)更好地進(jìn)行智能分析與決策。在當(dāng)時(shí)，互聯(lián)網(wǎng)金融正處于浪潮之巔，金融無紙化、在線化、移動(dòng)化、遠(yuǎn)程化，都促進(jìn)了金融產(chǎn)業(yè)鏈的變革與創(chuàng)新。

在第一波AI浪潮中，最為顯著的改變是，以銀行為代表的金融產(chǎn)業(yè)經(jīng)歷了新舊范式的轉(zhuǎn)變。

然而，這一波金融產(chǎn)業(yè)革命進(jìn)行得并不徹底。雖然“金融信任”的號(hào)角早已吹響，但在金融業(yè)，數(shù)字化接受程度不高。人工智能的利好，也并未充分得利用在金融業(yè)。

這其中，有技術(shù)問題，也有合規(guī)因素，更有行業(yè)壁壘等種種原因，都阻礙著金融產(chǎn)業(yè)革命的到來。直到2023年，大模型讓局面發(fā)生了些許變化。

客觀來看，生成式AI的到來，讓行業(yè)正在重拾“金融信任”。

一、大模型在金融業(yè)是剛需嗎？

當(dāng)下，金融機(jī)構(gòu)對(duì)數(shù)字化的接受程度普遍較低，全面實(shí)現(xiàn)數(shù)字化的難度也較大。但全流程的數(shù)字化，正是金融機(jī)構(gòu)引入大模型的前提。如果仍僅停留在工具層應(yīng)用，大模型無法更好地賦能產(chǎn)業(yè)發(fā)展，其顛覆性不大。

恒生電子告訴我們，“如果將金融機(jī)構(gòu)的數(shù)字化轉(zhuǎn)型成熟度分為0到5級(jí)，其中0級(jí)代表剛起步階段，而5級(jí)表示完全以數(shù)據(jù)驅(qū)動(dòng)的商業(yè)模式。目前大多數(shù)金融機(jī)構(gòu)處于2級(jí)和3級(jí)的水平，少量機(jī)構(gòu)已經(jīng)達(dá)到4級(jí)，甚至有一些局部達(dá)到5級(jí)�！�

在所有金融機(jī)構(gòu)中，“數(shù)字化轉(zhuǎn)型表現(xiàn)最優(yōu)異的是銀行，尤其是頭部銀行，其次是券商。”

之所以銀行的數(shù)字化接受程度最高，是因?yàn)殂y行涉及到很多客戶服務(wù)和風(fēng)險(xiǎn)監(jiān)控的場(chǎng)景。券商則不同，其更多的應(yīng)用場(chǎng)景在智能決策方面。這兩類不同的場(chǎng)景恰恰是辨別式AI與生成式AI各自擅長的領(lǐng)域。

具體來看，辨別式AI是直接將輸入映射到輸出上，通過學(xué)習(xí)輸入數(shù)據(jù)的特征來預(yù)測(cè)輸出標(biāo)簽，而在輸入與輸出之間，并沒有生成式AI的增強(qiáng)學(xué)習(xí)的過程中。因此，辨別式AI更多用于分類、回歸等任務(wù)，比如圖像識(shí)別和語音識(shí)別。

生成式AI則有所不同。其最大的優(yōu)勢(shì)就在于增強(qiáng)學(xué)習(xí)的過程。生成式AI可以從已有數(shù)據(jù)中學(xué)習(xí)樣本的統(tǒng)計(jì)特征，并在此基礎(chǔ)上生成新的數(shù)據(jù)。因此，在金融場(chǎng)景下，更適合進(jìn)行智能決策，通過大模型中輸入的金融知識(shí)和新聞等知識(shí)，從而給出業(yè)務(wù)營銷、風(fēng)險(xiǎn)投資等建議。

這意味著，在AI大模型的加持下，在金融行業(yè)里會(huì)出現(xiàn)一些之前沒有的變化。

正如白碩所言，大模型是多年來對(duì)金融業(yè)影響最為直觀的“催化劑”，相比于元宇宙、區(qū)塊鏈等技術(shù)，大模型更能深入到垂直領(lǐng)域，顛覆產(chǎn)業(yè)，帶來實(shí)際價(jià)值。其中，最為直觀的影響是給原有的崗位帶來全新的工作方式。

“比如像數(shù)據(jù)分析師崗位的變化就很突出。在投資研究領(lǐng)域，數(shù)據(jù)分析師需要根據(jù)財(cái)務(wù)報(bào)表、公開資訊、研報(bào)等公開數(shù)據(jù)進(jìn)行數(shù)據(jù)分析形成內(nèi)容。大模型在這樣的數(shù)據(jù)處理能力上表現(xiàn)很好，可以替代一部分的崗位工作。”白碩這樣告訴產(chǎn)業(yè)家。

然而，由于大模型在精度、時(shí)效性、專業(yè)性等方面還有明顯缺陷，當(dāng)前在金融業(yè)還很難實(shí)現(xiàn)更深的價(jià)值。目前，大模型更多能起到的還是提供一個(gè)人機(jī)非常友好的交互能力，在金融專業(yè)工作中還是需要專業(yè)人力完成。

可以說，想象力豐富之余，就當(dāng)下而言，大模型對(duì)金融行業(yè)帶來的更為實(shí)際價(jià)值，更多體現(xiàn)在一些交互性更強(qiáng)的場(chǎng)景。

已經(jīng)有銀行開始行動(dòng)。今年3月，工商銀行基于昇騰AI，發(fā)布了首個(gè)金融行業(yè)通用模型。在發(fā)布會(huì)上，工行宣布該模型已應(yīng)用在客戶服務(wù)、風(fēng)險(xiǎn)防控、運(yùn)營管理領(lǐng)域。比如，工行應(yīng)用該模型支撐智能客服接聽客戶來電；再比如，利用金融大模型，對(duì)工業(yè)工程融資項(xiàng)目建設(shè)進(jìn)行進(jìn)度監(jiān)測(cè)。

或者也可以說，大模型對(duì)金融行業(yè)的意義，在加速數(shù)智化和重拾“金融信任”之前，更鮮明的變化是長尾場(chǎng)景落地。

二、金融大模型走到哪了？

半年時(shí)間，互聯(lián)網(wǎng)大廠已全部入局；銀行、券商等金融機(jī)構(gòu)也紛紛下場(chǎng)。

金融大模型之所以被稱為“塔尖技術(shù)”，其難點(diǎn)不僅在于技術(shù)和合規(guī)，更在于數(shù)據(jù)和領(lǐng)域經(jīng)驗(yàn)。也就是說，金融大模型的搭建并非可以一蹴而就，而需要具備一定的條件。

以互聯(lián)網(wǎng)大廠為例，百度、騰訊、阿里和360憑借其多年對(duì)抗黑灰產(chǎn)的經(jīng)驗(yàn)和在AI領(lǐng)域的深耕，可以算得上最有條件做金融大模型的佼佼者。

最先有所動(dòng)作的是度小滿。5月26日，度小滿正式開源中文金融大模型“軒轅”。與文心一言不同的是，軒轅大模型是度小滿在金融領(lǐng)域長期深耕的結(jié)果，并擁有更多高質(zhì)量的可訓(xùn)練數(shù)據(jù)。對(duì)金融大模型而言，金融領(lǐng)域的數(shù)據(jù)質(zhì)量直接決定了軒轅大模型的各方面表現(xiàn)。

另外，從參數(shù)量來看，據(jù)官方介紹，軒轅大模型是在1760億參數(shù)的Bloom大模型基礎(chǔ)上訓(xùn)練而來，且軒轅還融合了金融名詞理解、金融市場(chǎng)評(píng)論、金融數(shù)據(jù)分析和金融新聞理解等數(shù)據(jù)。

其次傳出風(fēng)聲的是螞蟻集團(tuán)。6月21日有消息稱，螞蟻集團(tuán)的技術(shù)研發(fā)團(tuán)隊(duì)正在自研語言和多模態(tài)大模型，內(nèi)部命名為“貞儀”。對(duì)此，螞蟻集團(tuán)的回應(yīng)是“消息屬實(shí)”。

螞蟻集團(tuán)的底氣一方面來源于支付寶在金融領(lǐng)域的多年行業(yè)經(jīng)驗(yàn)；另一方面來源于從2015年螞蟻集團(tuán)在可信AI技術(shù)研究的投入。2016年，螞蟻集團(tuán)全面啟動(dòng)AI智能風(fēng)控防御戰(zhàn)略，目前已在反欺詐、反洗錢、反盜用、企業(yè)聯(lián)合風(fēng)控、數(shù)據(jù)隱私保護(hù)等多場(chǎng)景落地。近兩年，螞蟻集團(tuán)更是加緊AI領(lǐng)域的布局。

早在2019年清華AI研究院基礎(chǔ)理論研究中心成立，該中心首席科學(xué)家朱軍及其團(tuán)隊(duì)同期發(fā)布了第三代人工智能平臺(tái)RealAI，并與金融、工業(yè)制造等行業(yè)應(yīng)用深度結(jié)合。而就在螞蟻集團(tuán)傳出自研“貞儀”的前兩日，由朱軍帶領(lǐng)的新團(tuán)隊(duì)完成了近億級(jí)天使輪融資，由螞蟻集團(tuán)領(lǐng)投。

最后，騰訊和360也在近日聯(lián)合信通院編制國內(nèi)金融大模型標(biāo)準(zhǔn)。對(duì)于騰訊而言，過去20多年黑灰產(chǎn)對(duì)抗經(jīng)驗(yàn)加上上千個(gè)真實(shí)業(yè)務(wù)場(chǎng)景，這些都讓騰訊具備了最真實(shí)的行業(yè)數(shù)據(jù)。而向來有著“安全衛(wèi)士”稱號(hào)的360也不例外。

除了互聯(lián)網(wǎng)廠商，在金融領(lǐng)域大模型方向布局的還有數(shù)據(jù)庫廠商，比如星環(huán)科技。

對(duì)于金融大模型的搭建，數(shù)據(jù)庫廠商與互聯(lián)網(wǎng)廠商走的是兩條完全不同的路線。星環(huán)科技的優(yōu)勢(shì)有兩方面。

第一是工藝，即在模型訓(xùn)練過程中涉及到的數(shù)據(jù)“清洗”等加工處理。作為數(shù)據(jù)庫廠商，星環(huán)科技對(duì)于數(shù)據(jù)處理有著一套嚴(yán)密的方法論，尤其是針對(duì)金融領(lǐng)域特有的異構(gòu)數(shù)據(jù)。

對(duì)此，星環(huán)科技在自研金融大模型“無涯Infinity”的同時(shí)，還提供了一站式的企業(yè)自建大語言模型工具鏈。該工具鏈了包含了與大語言模型應(yīng)用落地緊密相連的向量數(shù)據(jù)庫Hippo，以及一系列針對(duì)數(shù)據(jù)庫底層處理技術(shù)。其中，最值得注意的是向量數(shù)據(jù)庫Hippo。

在金融領(lǐng)域，數(shù)據(jù)時(shí)效性是大模型落地挑戰(zhàn)之一。如何將突發(fā)事件和金融資訊等實(shí)時(shí)數(shù)據(jù)輸入到大模型中，直接關(guān)乎著金融大模型能否準(zhǔn)確地進(jìn)行分析決策。而向量數(shù)據(jù)庫正是解決該問題的關(guān)鍵。

星環(huán)科技的第二大優(yōu)勢(shì)則是其長期深耕于金融領(lǐng)域沉淀下來的領(lǐng)域數(shù)據(jù)和行業(yè)know-how。

盡管互聯(lián)網(wǎng)廠商與數(shù)據(jù)庫廠商各占據(jù)行業(yè)經(jīng)驗(yàn)和模型工藝的優(yōu)勢(shì)，但最具備搭建金融大模型的應(yīng)該非垂直類廠商莫屬。因?yàn)檫@類廠商有著較高的訓(xùn)練模型的數(shù)據(jù)，比如致力于提供金融數(shù)字化解決方案的廠商「恒生電子」。

6月28日，恒生電子對(duì)外發(fā)布金融行業(yè)大模型LightGPT。據(jù)了解，該模型使用了超4000億tokens的金融領(lǐng)域數(shù)據(jù)（包括資訊、公告、研報(bào)、結(jié)構(gòu)化數(shù)據(jù)等）和超過400億tokens的語種強(qiáng)化數(shù)據(jù)（包括金融教材、金融百科、政府報(bào)告、法規(guī)條例等），并支持超過80+金融專屬任務(wù)指令微調(diào)，從而加強(qiáng)LightGPT在專業(yè)領(lǐng)域的理解能力。

白碩表示，對(duì)于金融大模型，最為重要的是數(shù)據(jù)質(zhì)量，即大模型訓(xùn)練的數(shù)據(jù)量大小和數(shù)據(jù)質(zhì)量，因?yàn)檫@關(guān)系到大模型能夠輸出什么。在底層技術(shù)相差無幾的情況下，數(shù)據(jù)質(zhì)量才是關(guān)鍵。其次是工程化能力和行業(yè)經(jīng)驗(yàn)。其中，工程化能力包括對(duì)數(shù)據(jù)的選擇、清洗和改造等工作，比如當(dāng)大模型表現(xiàn)不盡如人意或出現(xiàn)問題時(shí)，廠商知道如何判斷缺哪些數(shù)據(jù)，需要補(bǔ)充哪些數(shù)據(jù)，從而提高大模型數(shù)據(jù)質(zhì)量。

然而，在金融大模型落地過程中，最不容忽視的挑戰(zhàn)是安全問題，即公有云與本地部署之間取舍。

在金融領(lǐng)域，很多數(shù)據(jù)涉及合規(guī)、隱私安全，甚至監(jiān)管問題，無法公開，因此很難上云。比如工商銀行、農(nóng)業(yè)銀行、郵儲(chǔ)銀行、中信銀行、興業(yè)銀行、江蘇銀行、蘇州銀行等多家銀行和券商都已選擇接入通用大模型，即以本地部署方式構(gòu)建專屬領(lǐng)域的大模型。

既選擇了本地部署的方式，就必然會(huì)面臨一些難點(diǎn)，如算力挑戰(zhàn)、參數(shù)量問題等。選擇本地部署的金融機(jī)構(gòu)是否有足夠的算力是一方面，另一方面是參數(shù)量是否夠大，如果參數(shù)量不夠，即使輸入高質(zhì)量數(shù)據(jù)，大模型也無法“涌現(xiàn)”。

種種原因，讓入局金融大模型的廠商面臨重重阻礙。

三、向產(chǎn)業(yè)縱深處探尋價(jià)值

但問題仍然很多，即使在金融業(yè)較為發(fā)達(dá)的海外，大模型的落地仍是一大挑戰(zhàn)。

來源：Atom Capital

從上圖不難看出，創(chuàng)業(yè)公司融資金額普遍較��；且除了較為知名的YC，明星資本不多。

在國內(nèi)，至少目前來看，精準(zhǔn)度、時(shí)效性和安全性是金融大模型在落地過程中面臨的三大挑戰(zhàn)。

從精準(zhǔn)度來講，大模型在專業(yè)領(lǐng)域，尤其涉及到民生經(jīng)濟(jì)的問題時(shí)，還無法給出專家級(jí)的答案。白碩向產(chǎn)業(yè)家說道，“從技術(shù)原理上，我們不認(rèn)為AGI能長出某個(gè)領(lǐng)域的專業(yè)能力，專業(yè)的事情還需要交給專家。但大模型能提供的是人機(jī)對(duì)接能力，如果兩者相結(jié)合就可以發(fā)揮出更大的作用。”

另一大挑戰(zhàn)在時(shí)效性上。數(shù)據(jù)產(chǎn)生的過程本身是流動(dòng)的，市場(chǎng)上的數(shù)據(jù)講精準(zhǔn)、講質(zhì)量，也講時(shí)效。“從數(shù)據(jù)時(shí)效性方面來講，大模型的訓(xùn)練周期本身就決定了不可能具有時(shí)效性，所以補(bǔ)充時(shí)效性很強(qiáng)的數(shù)據(jù)則是金融大模型的必備條件。”現(xiàn)在很多自研金融大模型的廠商都使用了向量數(shù)據(jù)庫的手段來實(shí)現(xiàn)這一難題。

最后，也是當(dāng)前領(lǐng)域大模型所面臨的最重要的挑戰(zhàn)，即數(shù)據(jù)安全問題。由于大模型所收集的數(shù)據(jù)來源于公開數(shù)據(jù)，行業(yè)大模型需要的是領(lǐng)域數(shù)據(jù)，甚至是一些不在公開渠道上的研究報(bào)告、論文等專有數(shù)據(jù)。

對(duì)此，部分企業(yè)、機(jī)構(gòu)的做法是將數(shù)據(jù)選擇公開出來，但更多的則是選擇將大模型部署在本地。而這就引出了另一個(gè)問題，算力挑戰(zhàn)、參數(shù)量問題、工程算法等方面的技術(shù)問題能否得到解決。

在白碩的觀察中，一些語言能力的差距，在2～3年內(nèi)可以得到解決，不同大模型能力之間的差距也可以拉齊。剩下的問題則要看大模型能否扎在更深的產(chǎn)業(yè)中去提供價(jià)值。

從當(dāng)前金融大模型的應(yīng)用場(chǎng)景來看，提供的價(jià)值更多停留在工具層。具體而言，金融大模型在傳統(tǒng)AI模型的基礎(chǔ)上更進(jìn)一步，利用高質(zhì)量的知識(shí)數(shù)據(jù)和智能屬性，應(yīng)用于交互性強(qiáng)的場(chǎng)景。

但從更大的視角來看，隨著金融大模型標(biāo)準(zhǔn)的落地，數(shù)據(jù)合規(guī)、隱私安全和訓(xùn)練工藝等問題一一得到解決，金融大模型會(huì)撬動(dòng)更多的崗位，也會(huì)提升人的價(jià)值。在精準(zhǔn)度、時(shí)效性和安全性等挑戰(zhàn)被消除后，金融大模型會(huì)與“專家”一起，解決當(dāng)下無法解決的問題，帶來更大的產(chǎn)業(yè)價(jià)值。

金融大模型的難點(diǎn)在于，能否在產(chǎn)業(yè)中扎得更深；其顛覆性也更建立在，縱深到產(chǎn)業(yè)中去，賦能金融行業(yè)的數(shù)字化發(fā)展。

       原文標(biāo)題 : 大模型落地金融業(yè)，想象力在哪？