FLYPRO飞宝被评为深圳市全球化成熟度100强企业之一
06-17
“今年三四月，中国科技企业都经历了一段焦虑期。
他们最害怕睡觉，因为一起床，就发现一张新报纸，一张新报纸。
产品需要进行研究。
”蚂蚁集团的副总裁和金融典范负责人、王晓在钛媒体App中回忆。
每当AI浪潮涌动时，金融行业作为数据密集型行业的典型代表，总会被推到时代的最前沿。
最新的案例无疑是大语言模型（LLM）。
自ChatGPT异军突起以来，国内外科技公司迅速涌入。
今年3月，彭博首次推出面向金融行业的大规模语言模型BloombergGPT，引发市场对大规模语言模型的关注。
金融垂直领域典范； 6月，哥伦比亚大学和纽约大学上海分校推出FinGPT。
国内方面，7月份，华为发布了全新盘古模型。
金融行业模型是几种全行业模型之一； 9月，蚂蚁集团正式发布了自主研发的“蚂蚁基础模型”，并在此基础上定制了“蚂蚁金服大模型”。
此外，杜小曼发布大型金融模型“轩辕”，奇富科技发布“奇富GPT”，恒生电子发布“LightGPT”，“百模型之战”硝烟四起。
事实上，金融行业对“模型”并不陌生。
在营销、风控、投研、客户服务等领域，机器学习驱动的建模能力构成了金融机构数字化转型的基础。
然而，凭借其背后的大模型，本质上是一种具有海量参数的深度学习算法，ChatGPT展现出了堪比人类水平的内容生成能力、理解能力和快速迭代能力。
似乎大家都看到了未来“万能”的AI。
”时刻。
行业正在取得长足进步，但真实情况可能并没有那么乐观。
01 大机型激增 随着科技公司纷纷入局，金融机构也迅速跟进。
邮储银行、兴业银行、中信银行、江苏银行等都选择了与百度合作；杭州银行、台州银行等选择了阿里巴巴；比如工商银行正在通过盘古模式构建自己的金融模式。
建设银行、交通银行与华为目前的合作重点是代码辅助、知识检索等场景，在刚刚过去的财报季，已经完成了包括兴业在内的9家银行的百亿级大模型部署。
工商银行、农业银行、中国银行、交通银行、招商银行、中信银行、兴业银行、华夏银行、浙商银行等均在半年报中明确表示探索大型模型。
应用。
例如，交通银行明确表示“已成立GPT大模型专项研究小组”。
腾讯云副总裁胡黎明告诉钛媒体App，“对于大模型，不同的金融机构对于大方向有一个共识，那就是无论是短期还是长期，基于大模型的金融领域应用都要积极推动。
”拥抱他们。
如果不拥抱他们，肯定会被淘汰。
”从目前的落实情况来看，营销、宣传以及与文字内容相关的投资研究和投资咨询是已落实的主要领域。
例如，招商银行信用卡有限公司基于ChatGPT撰写宣传材料，撰写了“生命舞台上，我们都是基因的载体”等诗意文案。
在投资研究方面，业界首个使用ChatGPT编写的行业研究报告非常完整。
本研究报告介绍了当前轻医美的兴起、中国医美市场现状及相关法律法规、合规要求，并对全球医美行业进行了盘点。
各大厂商甚至对疫情后的中国乃至全球医美市场做出了预测。
智能客户服务是另一个有前景的领域。
例如，美国互联网保险公司Lemonade推出了基于GPT-3技术的面向用户的销售机器人Maya（AI.MAYA）。
当客户有意购买保险时，只需要与Maya进行约两分钟的简单聊天，即可识别并处理客户信息，推荐合适的保险产品和报价，并促成交易完成。
蚂蚁集团发布的两款大型商业产品——智小宝2.0和智小猪，同样聚焦于客户服务和投资研究领域——前者面向投资者，可以提供市场分析、仓位诊断等专业服务。
资产配置和投资教育陪伴。
;后者为从业者提供投资研究分析、信息提取、专业创造、商机洞察、金融工具使用等方面的服务。
奇富科技告诉钛媒体App，在大型陪练机器人的帮助下，奇富电话营销系统的通话时长提升了15.1%。
通话时长的增加意味着用户的通话体验得到了改善。
沿着这个逻辑更进一步，一些金融机构已经在尝试使用大型模型来帮助产品设计。
以保险产品设计为例，一些保险公司正在尝试利用大模型来优化风险因素识别，帮助分析健康保险相关数据，包括历史理赔数据、人口统计和医疗数据等，识别潜在的风险因素并进行预测。
产品精算分析。
人员可以更好地了解不同客户的风险特征，并据此制定保险策略。
更长远来看，大模型背后的AI驱动的自动化投资框架未来可能会对投资行业产生更大的影响和改变。
例如，随着投资决策由数据和人工智能驱动，投资者将更多地依赖数据和模型，而不是主观判断，这将改变投资行业的决策模式。
02 难以逾越的“幻象” AI变得“万能”的时刻看似近在眼前，但真实情况却并非那么乐观。
在一级市场，原子资本在梳理海外大语言模型+金融领域的初创公司后指出，大语言模型在金融垂直场景的应用一直“缺乏成功”： 1、初创公司目前的融资金额公司规模普遍较小，种子轮融资大多低于1万美元； 2、投资的大型机构很少； 3、没有能够吸引市场关注的“明星项目”。
在备受关注的智慧客服场景中，某领先城市商业银行客服部负责人告诉钛媒体，“银行客服强调规范化、规范化。
目前，大型车型对于提升客户服务的作用有限。
与此同时，我们目前的预算有限。
我不打算投资锦上添花。
”在投研和投顾场景，腾讯云副总裁胡黎明向钛媒体App透露，“目前大部分投研和投顾尝试还没有产生明显的结果”。
他提到，目前金融机构已经明显展现成果的场景主要是客服助手和代码助手——即提高代码编写效率。
在金融应用中实现大型模型时，“幻觉问题”是讨论最多的问题。
所谓“错觉”，就是大型模型看似具有理解和推理能力，但实际上只是通过对大量数据进行模式匹配来实现预测的现象。
这种现象会让人们产生模型具有智能和理解能力的错觉，而实际上它们只是通过统计和概率进行预测。
上海市数据科学重点实验室主任、复旦大学教授肖阳华将“幻觉”现象视为生成大模型的“根本问题”。
“创造力是大型生成模型带来的独特价值，而创造力与追求事实之间往往存在矛盾。
仅靠生成大型模型很难解决这个问题。
”肖阳华告诉钛媒体App。
肖阳华还提到了与“幻觉”现象密切相关的忠诚度缺失问题。
“在业界，我们希望大型模型能够根据我们给出的规范、系统和文档来回答问题，而不是用你从一般领域学到的知识来回答问题（封闭式QA而不是开放式QA），因为大型模型模特们擅长创造力，他们很可能会在你给他们的内容之外随意创造一些东西。
” Atom Capital认为，“错觉问题”反映了大语言模型与金融行业存在的内生矛盾——大语言模型能够最快应用的场景，就是错觉可以作为“特征”（优势）的领域。
）而不是“Bug”（劣势），但金融行业的本质之一就是对风险的精准定价和管理，以此为客户提供相应的产品和服务，保障资产安全，保障利益。
除了“错觉问题”之外，金融行业大语言模型的落地还需要满足其他需求。
例如，隐私要求——保护客户账户信息和交易信息数据安全是组织的生命线；性能要求——大模型推理速度慢，但金融行业往往需要实时决策；场景需求——金融领域有很多特殊的场景，对于特殊的流程、特殊的数据结构或者特殊的风控逻辑，一般的通用模型显然无法直接适应这些场景；成本要求——通用大型模型非常“烧钱”，光是GPT-3训练所需的算力成本就达到了1万美元。
03 诸鹿行业大模型 一个基本的判断是，单纯使用目前通用的大模型不足以解决上述很多问题。
肖阳华教授建议，“目前我们需要开发面向垂直领域的大模型，开发通用大模型的外围插件，采取大模型与知识图谱、传统知识库相结合的策略。
”与美国同行相比，中国普遍关注针对垂直领域的大产业模式。
腾讯、华为、蚂蚁集团等都在自研通用大模型的基础上推出了金融行业大模型。
杜小满、奇富科技、恒生电子等密集发布金融行业大模型。
通用型大型号太贵，但行业大型号可以大幅降低成本。
大型AI模型公司智普CEO张鹏表示，“如果我们现在从头开始购买显卡来做大规模模型研发，假设我们需要1万张显卡，一张显卡的价格超过10万人民币，我们一次就需要十亿以上，而且现在这个赛道很火，就算你有钱，一时半会也买不到。
”据钛媒体App了解，目前金融机构与第三方公司合作私有化部署大型行业模型的价格在千万元左右，如果金融机构选择MaaS（模型即服务）模式，开发者可以使用。
第三方公司的大行业模型功能通过API调用，无需自己构建和训练模型，成本将大幅降低。
胡黎明提到，当金融机构与腾讯的大模型合作时，腾讯可以将其部署在金融内部。
机构以现有行业大模型为基础，以热启动的形式，叠加矢量数据库，导入金融行业的专业数据，整体培训成本将降低到培训成本的十分之几甚至百分之几。
大模型显然也更懂行业，中金公司在研究报告中描述，大模型的迭代是一场“暴力”填充数据、不断扩大规模所打造的“审美盛宴”。
小模型的训练数据和参数量较少。
它的优点是“专业”、接近真实场景（具备行业know-how）、能够满足特定任务的需求。
然而，行业大机型并不能改善“假象”现象。
对此，肖阳华教授提到“尤其要重视大模型与相关技术的协作，比如知识图谱技术”。
他表示，知识图谱技术往往擅长表达专业知识、私有知识、可理解可控的符号知识。
它与大型模型所表达的参数化且难以理解的知识有着密切的互补关系。
而不是敌对关系。
这在业界也有实践。
王晓航告诉钛媒体，蚂蚁金服的大模型采用了“知识图谱和大模型相结合的双驱动方式”。
“在对严谨性要求较高的场景中，会通过金融领域积累的知识图谱来保证专业性和严谨性。
在投资教育或者客服场景中，我们会更加轻松，交给大模型参数知识。
”王晓航说道。
同时，大型行业模型往往需要处理敏感的行业数据，对数据隐私和安全提出了更高的要求，尤其是金融行业。
对此，胡黎明告诉钛媒体App，数据同质化、数据孤岛问题依然存在，仍在影响模型训练效果。
“比如在投资研究、投资咨询方面，各个机构的数据都比较同质化，与过去使用的数据源相似，现在很难找到独特的数据源来显着提升模型训练效果。
”胡黎明提到，期待国家层面出台相关具体标准和规范，让行业和机构得到更明确的指导。
04 商业化还为时尚早。
技术门槛相对较低，商业化潜力较高，是行业大机型受欢迎的重要原因。
诚然，开源大大降低了数据处理和技术开发的门槛。
基于大型通用模型的开源只需要利用特定行业的数据进行微调即可产生“行业大模型”，而行业大模型的出现似乎给各个垂直领域带来了巨大的机遇。
国内金融机构早期对大模型的探索主要基于彭博的彭博GPT和开源金融模型FinGPT。
金融机构能够基于现有开源框架微调指令，快速实现任务部署。
但事情正在发生变化。
随着8月份《生成式人工智能服务管理暂行办法》的正式上线，传统金融机构对于海外开源大模型的使用越来越谨慎，逐渐转向基于国内开源大模型的应用，为国内大模型开辟了更广阔的市场空间。
金融行业的模型。
但也有市场观点认为，目前国内新兴的规模化产业模式商业适用性较低，不具备真正的竞争壁垒。
“从技术上来说，由于它们大多是基于类似的开源技术和常见的大型模型进行微调，所以真正的技术创新很少。
从数据来看，虽然行业数据很关键，但很多企业并没有真正挖掘、整合和利用这些数据。
能力，使其微调效果不理想。
”恒生研究院院长、恒生电子首席科学家白硕充分肯定了行业大模型的商业意义，“真正的专业能力和专业资源掌握在行业手中。
当大模型的语言能力几乎达到巅峰时，一定是专业资源和专业能力之间的竞争。
“在他看来，行业大模型商业化的关键在于大模型与行业的‘对接’。
”行业大模型不需要将这些资源和能力复制或嵌入到大模型中，而是需要使用大型模型的语言功能。
对接行业内的专业资源和能力。
行业的专业资源和专业能力是行业自然语言的真正底蕴（语义实现的基础）。
”从国内金融模型的应用和准入来看，进展还比较初步。
杜小满开源的“轩辕”金融模型号称已有数百家金融机构申请试用；恒生??电子宣布已向20家金融机构开放金融服务。
金融机构大模型“LightGPT”正在内测；蚂蚁集团“智小猪”与蚂蚁平台合作伙伴机构共建进行内测，蚂蚁集团首席技术官何正宇认为，大AI模型正在内测。
还处于非常早期的阶段，还不够清晰。
同时，大型人工智能模型的不准确性是阻碍其商业化的一个主要问题。
“业务需要准确性和准确的价值测量或反馈。
但大型AI模型在某种意义上是为了获得准确性和泛化能力而牺牲的，未来我们需要探索新的商业模式。
“我们目前正处于技术的起步阶段。
无法确定你明天是医生还是警察。
” ”何正宇告诉钛媒体App。
【本文由投资社区合作伙伴微信公众号授权：钛媒体，本平台仅提供信息存储服务。
】如有疑问，请联系（） ) 投资界处理。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-17
06-18
06-17
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态