数量仅次于美国排名全球第二

　　本报记者 李晖 北京报道

　　大模型正在成为推进金融业数字化的第二波浪潮。

　　在对新技术最敏感也最谨慎的金融业，虽然大模型的渗透仍处于初期，但没有一家机构对其“不关注”，一些大厂（大型互联网公司）甚至一度“门庭若市”。近半年来，银行、券商、保险等传统金融机构，以及金融科技公司、隐私计算类公司纷纷下场。

　　“今年4月我们银行领导计划拜访主要科技公司，一接触发现竟然‘需要排队’，很多大型银行、头部股份制银行是董事长、行长级别带队去调研。”一位国有大型银行技术高管向《中国经营报》记者透露。

　　值得注意的是，大模型除了进一步提升金融行业数字化水平之外，是否能带来质变层面的利好尚需时间检验。中国工程院院士、复旦大学金融科技研究院院长柴洪峰在今年7月的一场公开演讲中指出，从技术面看，金融数据和知识的私密性限制了共享和构建大规模数据集的能力，金融数据的多模态特性增加了模型处理和建模的复杂性。

　　记者采访的多位从业者认为，大模型是金融行业“必争之地”，但仍要面对技术挑战和行业特点限制。想进一步渗透到风控等金融核心业务，还需要在垂直领域精调，并经过相对完整信贷周期证明。

　　“塔尖技术”浪卷金融业

　　大模型是“大规模预训练模型”的简称，主要依据参数规模（即函数的参数数量）来定义，相对于基础深度学习的“小模型”，通常参数规模多于10亿的模型被称作“大模型”。

　　科技部下属相关单位发布的《中国人工智能大模型地图研究报告》显示，截至2023年5月末，全国参数在10亿规模以上的大模型已发布79个，数量仅次于美国排名全球第二。

　　腾讯研究院今年7月末的一项调研数据显示，国内参数在10亿规模以上的大模型数量已由5月末的79个增加至116个，其中金融行业大模型约18个。

　　从公开信息看，5月，大数据基础软件供应商 星环科技 推出面向金融量化领域的生成式大语言模型“无涯Infinity”；5月下旬，度小满推出国内首个千亿级中文金融大模型“轩辕”；6月底， 恒生电子 推出金融行业大模型“LightGPT”；同期， 拓尔思 发布包括金融行业大模型在内的产品；8月底，马上消费金融发布了首个零售金融大模型“天镜”。

　　而更多的银行机构则由于谨慎和保密的考虑选择“默默发力”。目前，正式披露相关消息的包括 工商银行 和 农业银行 。其中，工商银行基于昇腾AI的金融行业通用模型，实现企业级金融通用模型的研制投产；农业银行则通过自主研发推出“ChatABC”，并在行内科技问答场景进行了内部试点。

　　据记者了解，自然语言处理（NLP）、机器学习（ML）、计算机视觉（CV）、智能 机器人 （IR）等是人工智能应用最广的几个子领域。

　　在北京大学光华管理学院商务统计与经济计量系教授王汉生看来，算力、算法、数据构成了新范式的“三驾马车”，好的人工智能算法、模型最终要解决的是业务问题，数据模型落地最重要的是寻找应用场景。

　　而围绕NLP的大模型则决定了其在金融业务中的主要应用范围。从第一批披露“大模型”相关动作的金融机构来看，应用探索多集中在智能投顾、智能客服、营销渠道、保险理赔、研报撰写等业务场景。

　　前述国有大型银行技术高管提供的场景列表显示，该行自研的大模型目前已经应用在在线客服辅助、智能知识辅助、法律事务问答、运维知识问答、辅助分析财报、网络安全辅助分析、智能辅助公文生成等场景。从效果来看，智能客服可以持续提升问答结果准确率。

　　“从行业应用路径来看，科技巨头提供通用大模型，或者技术能力强的金融科技公司提供金融行业大模型，具体的金融机构基于这个行业底层模型，用自己的业务数据去做私域训练，然后做私有化的部署和应用。”度小满CTO许冬亮表示。

　　根据度小满官方信息，其中文金融大模型“轩辕”开源以来已经有上百家金融机构申请试用。度小满数据智能部总经理杨青透露，“轩辕”大模型2.0版本将在今年10月发布，将会进一步提高对话和金融理解等场景下的能力，实现处理更长的金融报告、研究和分析。

　　除度小满之外，奇富科技在2023年二季度财报中披露：通过对预训练的深度学习模型和大语言模型进行调优，使得在用户身份识别和行业识别场景下，模型理解能力提高。腾讯云在今年7月披露，其已经推出金融风控大模型。数据显示，应用后客户风控策略部署效率提升10倍。而马上消费金融也在近期发布“天镜大模型”时透露，该模型将应用于营销获客、风险审批、客户运营、客户服务、安全合规、资产管理六个零售金融最典型的场景。

　　核心业务有待渗透

　　从制约因素来看，任何AI 大模型都面临着算力需求大、训练和推理成本高、数据质量不佳、隐私和安全问题等挑战。而由于金融行业面对的监管门槛更高，对大模型在数据合规性、可追溯性、私有化部署、风险控制等方面就提出了更多要求。

　　据记者了解，大模型主要有两个方面需要改造，一是高达上千亿的模型参数，需要算力支持和高可扩展的调度框架；二是巨量的高质量语料训练。而仅在第一个方面，就需要数以亿元级别的投入。

　　“算力的成本也决定了小机构很难负担，2023年3月我们发现AI服务器市场出现几倍增长。比较幸运的是我们今年年初囤了不少卡（CPU），这也是我们在大模型风起时能够快速跟进的基础。”一家金融科技公司内部人士向记者表示。

　　而在数据安全方面，前述国有大型银行技术高管透露，银行的大模型业务主要基于开源数据，以及行内已有的数据进行清洗。这要求AI首先要懂本行知识，要支持多轮对话，还要能实现知识更新并对齐人类思维。而如果是引入外部合作方，必须都部署在银行本地。

　　在金融这种专业门槛极高的领域，所需的“巨量语料”显然不是互联网免费公开的数据，要训练出精度极高的模型，需要的是极其准确专业的知识，甚至是核心付费数据。大模型的幻觉问题（AI“一本正经地胡说八道”）在金融领域更是无法容忍的弱点。

　　业界倾向认同：通用的大模型往往只能解决80%的问题，而在面向行业细分领域时，还需要结合信贷传统模型在深度学习领域的积累。

　　马上消费首席信息官蒋宁认为，通用大模型和金融大模型存在本质区别。目前，大模型还面临关键性任务和动态适应性、个性化要求和隐私保护、群体智能与安全可信，以及基础设施的能力四大难题。“生成式模型不能做解释，但是金融大模型最主要的模型叫作判别性，它需要做决策，包括交易决策。”

　　事实上，当前银行广泛使用的“大数据”风控模型也是伴随互联网贷款业务的发展，历经五年时间，逐步由形式风控走到实质风控，由联合风控走到独立风控，由内部质疑走到广泛接受。从这一逻辑来看，“大模型”显然也需要经过数据的积累周期、完整的信贷周期、市场的接受周期等过程，才可能真正放心地投入到银行信贷的核心环节。

　　“大模型在金融行业的落地路径需要通过大数据的整合、大算力的合作，在垂直领域精调模型，以小规模算力打造轻量级推理模型。”在光大信托数据公司总经理祝世虎看来，目前大模型在金融领域的应用主要集中在智能客服、智能运营、智能办公等领域，后续应该更多地应用于风险管理、资本管理和监管科技等方向，且对于传统风控难以捕捉的、由小尺度风险传导至大尺度风险的风险刻画，也可能是大模型的优势之一。

　　“但需要注意，大模型是社会整体生产力级别的提升，会产生‘双刃剑’的效果，即机构在风控、反诈领域性能提升，而黑产、诈骗团伙等也可能会使用这些能力，攻防双方未来可能会在更高科技维度上去对峙。”祝世虎向记者进一步表示。