21世紀經濟報道記者 陳植 上海報道


(資料圖片)

ChatGPT興起所帶火的大模型技術，正受到越來越多金融機構關注。

多位銀行科技部門人士向記者透露，他們正密切關注大模型技術在金融場景的最新應用成效。

“目前，業(yè)界普遍認為認知大模型技術將大幅提升銀行在智能客服、智能營銷與智能運營等方面的效率，但考慮到這項新技術的高成本投入與數(shù)據(jù)合規(guī)性挑戰(zhàn)，我們更愿等待其他金融機構先取得某些實際成效，再迅速跟進研發(fā)?！币晃还煞葜沏y行科技部門人士向記者透露。

科大訊飛總裁吳曉如認為，金融行業(yè)屬于信息密集型行業(yè)，是大模型技術的最佳應用場景之一。

值得注意的是，眾多國內金融科技平臺已迅速布局大模型技術研發(fā)。

記者獲悉，近日奇富科技決定組建一級戰(zhàn)略部門——大模型部，致力于開發(fā)運用各種深度學習算法、以及生成式人工智能技術在金融領域的場景化應用。

奇富科技首席算法科學家費浩峻表示，金融大模型基座為核心的智能征信服務系統(tǒng)可以幫助金融機構更全面、高效地理解與判斷用戶信用狀況，有可能替代與優(yōu)化以往金融機構在智能征信解讀方面上千萬級變量處理與眾多深度模型建設工作，從而令大模型技術成為AI模型更智能化的“替代者”。

中關村科金則嘗試針對財富管理場景，基于開源基礎大模型打造面向理財師的智能營銷助手，它可以實時追蹤行業(yè)動態(tài)，深入理解客戶投資需求，通過用戶畫像與大模型技術解析構建投資要素，為客戶自動生成專業(yè)的定制化投資建議，減少理財師手工撰寫文案的工作量、提升理財師展業(yè)效能。

值得注意的是，盡管ChatGPT帶火的大模型技術頗受金融機構青睞，但它能否迅速普及，仍面臨諸多挑戰(zhàn)。

“金融領域的大模型技術應用，面臨較高的數(shù)據(jù)安全性與合規(guī)性挑戰(zhàn)。目前某些金融應用場景或許已具備良好數(shù)據(jù)基礎與數(shù)據(jù)質量，可以迅速通過大模型技術創(chuàng)造更高的AI服務效率，但多數(shù)金融應用場景仍需要大量數(shù)據(jù)合規(guī)性清洗，且需要更多時間與資金投入檢驗大模型技術在提升AI服務效率的具體成效?！鄙鲜龉煞葜沏y行科技部門人士透露。這也是不少銀行對直接引入大模型技術頗為謹慎的原因之一，他們更愿與金融科技平臺合作，借助后者相對成熟的大模型技術開發(fā)AI新產品新服務，在降低成本同時提升成功率。

北京社科院研究員王鵬表示，大模型技術等AIGC技術（人工智能生成內容）若要應用在金融行業(yè)，數(shù)據(jù)合規(guī)性與安全性將是一大挑戰(zhàn)，因為它涉及個人因素保護與數(shù)據(jù)使用合規(guī)性，需要行業(yè)共同確定具體的數(shù)據(jù)使用標準。

大模型技術引發(fā)數(shù)據(jù)應用與產品思路新變革

在多位金融科技業(yè)內人士看來，相比現(xiàn)有的AI技術，大模型技術可能在眾多金融場景帶來顛覆性的效率提升成效。

畢竟，ChatGPT在通用大模型訓練的良好表現(xiàn)，正令人工智能進入新的發(fā)展時期。

GPT全稱為Generative Pre-trained Transformer，也被稱為“生成式預訓練Transformer模型”，是“預訓練”和“大模型”結合后的一種全新人工智能范式，當大規(guī)模數(shù)據(jù)集在模型上完成預訓練后，僅需微調少量數(shù)據(jù)甚至無需微調，就可直接支撐各類應用。

一位金融科技平臺負責人向記者指出，基于上述大模型技術的特點，未來金融機構的AI技術使用模式與研發(fā)路徑都可能發(fā)生改變。

首先在數(shù)據(jù)應用層面，以往金融機構主要采用結構化數(shù)據(jù)，而圖片、文字、視頻等非結構化數(shù)據(jù)因AI深度學習模型理解效果不夠好，通常需采用高效的并行分布式處理技術，借助應用自然語言處理、影像處理、社會網分析和機器學習等專業(yè)工具或模型，通過打標簽與預定義等方式對數(shù)據(jù)進行搜索、過濾、計算，再將上述非結構化數(shù)據(jù)轉變成結構化數(shù)據(jù)再進行處理。

在這個過程里，非結構化數(shù)據(jù)“標簽化”過程難免會產生信息損失，導致可使用的有效信息減少，且可應用的范圍也較窄。

但是，基于GPT的大模型技術則沒有這方面的煩惱，它可以直接利用非結構化數(shù)據(jù)，無需先“加工”成結構化數(shù)據(jù)處理，直接輸入進行各種大模型訓練。此舉導致可運用的數(shù)據(jù)范圍大幅拓寬且數(shù)據(jù)使用價值更高，令金融機構可以整合更多維度的數(shù)據(jù)提升部分AI金融服務的效率。

這位金融科技平臺負責人向記者透露，以往很多理財師與投資者溝通時缺乏數(shù)字化工具，但通過大模型技術訓練出來的對話式智能展業(yè)助手，可以基于客戶海量數(shù)據(jù)先構建更完整的用戶畫像，包括用戶基本畫像和深層畫像（囊括客戶投資經歷、競品分析、投資預測等數(shù)據(jù)），再基于用戶畫像與具體投資需求，自動生成個性化的專業(yè)投資策略，有助于理財師能以此為借鑒，向投資者推介相應的資產配置方案。

“這個智能展業(yè)助手的另一個好處，是通過大模型技術的訓練，它可以回復客戶很多投資問題，不僅限于投資產品本身，還有宏觀經濟與行業(yè)發(fā)展前景分析以及結合未來經濟波動所面臨的潛在投資風險提示等?！彼赋?。這無形間促進金融機構的產品服務研發(fā)思路發(fā)生新的變化。

記者獲悉，原先金融機構在布局金融場景AI服務時，都會對所有內容先進行預先定義與梳理，即在特定金融服務場景里，金融機構先預定義大概問答內容標準后，再進行數(shù)據(jù)處理，并訓練出對應的模型，這被稱為一種“預設式”的AI服務方式。

但大模型技術屬于一種受控的自組織化方式，即只需將對話、文本、音視頻與文檔等數(shù)據(jù)注入大模型里，深入學習機器就能按金融機構要求進行各種自主學習和訓練，無需人工進行預先處理，便能直接使用各類結構化和非結構化數(shù)據(jù)，完成相應金融場景的人機對話內容并確保一定幅度的準確性。

記者多方了解到，為了進一步提升大模型技術所生成結果的精準性，越來越多境內外金融科技平臺還嘗試在大模型技術里，外掛專業(yè)金融領域的知識庫與無監(jiān)督學習+調參模式，即將專業(yè)知識、操作手冊、業(yè)務規(guī)范、產品信息、競品信息等領域知識先注入到大模型技術，再將客戶和行業(yè)數(shù)據(jù)、宏觀經濟的分析等內容進行關聯(lián)，就能提供更精準的自然語言處理效果，令AI金融服務的成效與精準性進一步提升。

“這也是大模型技術的一大優(yōu)勢。過去AI機器學習模型仍高度依賴AI專家的人工調參，但在大模型技術領域，金融機構相關研發(fā)人員只需先配置任務要素系統(tǒng)，注入金融專業(yè)領域知識，通過少量的對話調參與大模型節(jié)點策略調整，就能生成更精準的自然語言處理話術內容。”上述金融科技平臺負責人直言，這令大模型技術與傳統(tǒng)AI技術形成兩種差異極大的業(yè)務流程與服務效率。在傳統(tǒng)AI技術領域，無論是預先設定業(yè)務流程，還是結構化數(shù)據(jù)提煉要求，都需大量專業(yè)人員參與，導致工作量大且專業(yè)性要求高，且對AI深度學習訓練的成效，往往只能在事后進行分析調整；但大模型技術將眾多非結構化數(shù)據(jù)融入與相對便捷的特征工程控制（利用領域知識從原始數(shù)據(jù)中提取特征、屬性的過程），不但可以大幅簡化專業(yè)人員工作量，還能提供事前、事中的效果評測與及時調整優(yōu)化，令金融場景AI服務的效率進一步提升。

科大訊飛金融科技事業(yè)部副總經理趙乾認為，隨著大模型技術在金融場景的應用日益成熟，未來會有三個典型金融場景可能會率先普及這項新技術，一是智能客服，因為大模型技術所構建的智能客服可以徹底改變傳統(tǒng)的人機交互過程，大模型自動生成對話流程讓運營智能客服更簡單，主要體現(xiàn)在提升復雜纏繞問題解決率、人機交互感知程度，以及意圖理解、流程構建、知識生成等運營內容的效率；二是智慧營銷，大模型技術能極大程度豐富客戶畫像，實現(xiàn)營銷推薦精準化、客戶服務個性化、營銷活動智能化同時，幫助用戶在標簽挖掘、內容理解、意圖識別、短信模板財務規(guī)劃、話術生成和挖掘等方面提質增效；三是智慧運營，通過將積累的大量數(shù)據(jù)要素與金融領域知識相連接，可以實現(xiàn)數(shù)據(jù)的精準加工和知識的結構化構建，打造專家級數(shù)字員工，革新繁雜知識獲取方式，打造門戶搜索助手、培訓演練助手、金融展業(yè)助手、文檔審核助手等。

銀行試水面臨諸多挑戰(zhàn)

盡管大模型技術頗受關注，但銀行若要試水這項全新技術，仍面臨諸多挑戰(zhàn)。

記者多方了解到，從組建AIGC大模型到實際應用，需要完成多項步驟，包括數(shù)據(jù)采集清洗、模型訓練、模型測試與評估、系統(tǒng)部署應用等。

但是，在數(shù)據(jù)采集清洗端，鑒于金融領域的數(shù)據(jù)采集安全性與合規(guī)性要求頗高，令不少銀行機構對此“望而卻步”。

一位對大模型技術頗有研究的銀行科技部門主管向記者透露，基于大模型技術的AIGC產品需要使用大量行業(yè)數(shù)據(jù)與個人數(shù)據(jù)并進行復雜眾多的訓練和微調，但在這個過程，數(shù)據(jù)使用是否安全、合規(guī)性是否存在疑問，都需相關部門做出規(guī)范或制定相關標準。比如他們在智能營銷、智能客服等場景使用同一個客戶的個人數(shù)據(jù)，是否會遇到不同的數(shù)據(jù)使用規(guī)范要求，目前尚無明確說法，令他們擔心若稍微過度使用個人數(shù)據(jù)進行大模型技術訓練，可能最終會遇到數(shù)據(jù)合規(guī)性問題。

在他看來，大模型技術研發(fā)訓練的高成本投入與成效不確定性，也是制約銀行試水的另一大因素。

記者獲悉，AIGC大模型研發(fā)技術需要深厚的人工智能相關技術沉淀、海量訓練數(shù)據(jù)、持續(xù)優(yōu)化算法模型與完善的生態(tài)體系等，且這項新技術從研發(fā)到商業(yè)化應用，還需較長時間與資金投入。更令銀行機構揪心的是，某些自然語言處理大模型技術訓練所得出的結果未必精準，內容也不一定正確，時效性可能不夠強，未必能勝任對安全性、準確性要求相對較高的智能客服或智能營銷等金融場景。

這背后，數(shù)據(jù)質量在其中起到巨大影響——若向大模型技術輸入的數(shù)據(jù)質量不佳，就很難指望后者通過訓練能反饋出“正確”結論。

多位金融科技業(yè)內人士對此直言，這需要在大模型技術基座，先對數(shù)據(jù)進行清洗和篩選，通過設置嚴格且一致性的評估指標和方法提升數(shù)據(jù)質量，才能解決上述問題。且基于個人金融數(shù)據(jù)安全性與合規(guī)性的考量，大模型技術訓練應用應部署在私有云基礎上，加之可匹配可擴展的API（應用程序編程接口），才能在妥善保護個人金融數(shù)據(jù)安全的基礎上，更好地提升數(shù)據(jù)質量并得到更佳的大模型訓練成果。

“大模型技術或將推動人工智能進入全新的發(fā)展階段，并向多模態(tài)智能、運動智能擴展?！鼻笆鼋鹑诳萍计脚_負責人向記者表示。這將進一步降低價值信息損耗，節(jié)約中低端知識型勞動，助力金融機構將更多精力用于提升AI金融服務體驗與拓客。

標簽：