文 | 產(chǎn)業(yè)家 思杭
編輯 | 皮爺
“從經(jīng)濟角度講，整個金融業(yè)的數(shù)字化進程并非勻速；從技術(shù)角度講，催化劑的出現(xiàn)會加速行業(yè)駛向數(shù)字化深水區(qū)。而大模型正是過去十年最強的‘催化劑’?！焙闵娮邮紫茖W家告訴我們。
大模型正在成為推進金融業(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。
第一場革命的主角是辨別式AI，比如幫助金融機構(gòu)更好地進行智能分析與決策。在當時，互聯(lián)網(wǎng)金融正處于浪潮之巔，金融無紙化、在線化、移動化、遠程化，都促進了金融產(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)革命進行得并不徹底。雖然“金融信任”的號角早已吹響，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？
當下，金融機構(gòu)對數(shù)字化的接受程度普遍較低，全面實現(xiàn)數(shù)字化的難度也較大。但全流程的數(shù)字化，正是金融機構(gòu)引入大模型的前提。如果仍僅停留在工具層應用，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，“如果將金融機構(gòu)的數(shù)字化轉(zhuǎn)型成熟度分為0到5級，其中0級代表剛起步階段，而5級表示完全以數(shù)據(jù)驅(qū)動的商業(yè)模式。目前大多數(shù)金融機構(gòu)處于2級和3級的水平，少量機構(gòu)已經(jīng)達到4級，甚至有一些局部達到5級?！?/p>
在所有金融機構(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，是因為銀行涉及到很多客戶服務和風險監(jiān)控的場景。券商則不同，其更多的應用場景在智能決策方面。這兩類不同的場景恰恰是辨別式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，通過學習輸入數(shù)據(jù)的特征來預測輸出標簽，而在輸入與輸出之間，并沒有生成式AI的增強學習的過程中。因此，辨別式AI更多用于分類、回歸等任務，比如圖像識別和語音識別。
生成式AI則有所不同。其最大的優(yōu)勢就在于增強學習的過程。生成式AI可以從已有數(shù)據(jù)中學習樣本的統(tǒng)計特征，并在此基礎上生成新的數(shù)據(jù)。因此，在金融場景下，更適合進行智能決策，通過大模型中輸入的金融知識和新聞等知識，從而給出業(yè)務營銷、風險投資等建議。
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)，帶來實際價值。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)財務報表、公開資訊、研報等公開數(shù)據(jù)進行數(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、時效性、專業(yè)性等方面還有明顯缺陷，當前在金融業(yè)還很難實現(xiàn)更深的價值。目前，大模型更多能起到的還是提供一個人機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，就當下而言，大模型對金融行業(yè)帶來的更為實際價值，更多體現(xiàn)在一些交互性更強的場景。
已經(jīng)有銀行開始行動。今年3月，工商銀行基于昇騰AI，發(fā)布了首個金融行業(yè)通用模型。在發(fā)布會上，工行宣布該模型已應用在客戶服務、風險防控、運營管理領(lǐng)域。比如，工行應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，對工業(yè)工程融資項目建設進行進度監(jiān)測。
或者也可以說，大模型對金融行業(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景落地。
二、金融大模型走到哪了？
半年時間，互聯(lián)網(wǎng)大廠已全部入局；銀行、券商等金融機構(gòu)也紛紛下場。
金融大模型之所以被稱為“塔尖技術(shù)”，其難點不僅在于技術(shù)和合規(guī)，更在于數(shù)據(jù)和領(lǐng)域經(jīng)驗。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憑借其多年對抗黑灰產(chǎn)的經(jīng)驗和在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)量的可訓練數(shù)據(jù)。對金融大模型而言，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大模型基礎上訓練而來，且軒轅還融合了金融名詞理解、金融市場評論、金融數(shù)據(jù)分析和金融新聞理解等數(shù)據(jù)。
其次傳出風聲的是螞蟻集團。6月21日有消息稱，螞蟻集團的技術(shù)研發(fā)團隊正在自研語言和多模態(tài)大模型，內(nèi)部命名為“貞儀”。對此，螞蟻集團的回應是“消息屬實”。
螞蟻集團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；另一方面來源于從2015年螞蟻集團在可信AI技術(shù)研究的投入。2016年，螞蟻集團全面啟動AI智能風控防御戰(zhàn)略，目前已在反欺詐、反洗錢、反盜用、企業(yè)聯(lián)合風控、數(shù)據(jù)隱私保護等多場景落地。近兩年，螞蟻集團更是加緊AI領(lǐng)域的布局。
早在2019年清華AI研究院基礎理論研究中心成立，該中心首席科學家朱軍及其團隊同期發(fā)布了第三代人工智能平臺RealAI，并與金融、工業(yè)制造等行業(yè)應用深度結(jié)合。而就在螞蟻集團傳出自研“貞儀”的前兩日，由朱軍帶領(lǐng)的新團隊完成了近億級天使輪融資，由螞蟻集團領(lǐng)投。
最后，騰訊和360也在近日聯(lián)合信通院編制國內(nèi)金融大模型標準。對于騰訊而言，過去20多年黑灰產(chǎn)對抗經(jīng)驗加上上千個真實業(yè)務場景，這些都讓騰訊具備了最真實的行業(yè)數(shù)據(jù)。而向來有著“安全衛(wèi)士”稱號的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。
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)驗和模型工藝的優(yōu)勢，但最具備搭建金融大模型的應該非垂直類廠商莫屬。因為這類廠商有著較高的訓練模型的數(shù)據(jù)。
白碩表示，對于金融大模型，最為重要的是數(shù)據(jù)質(zhì)量，即大模型訓練的數(shù)據(jù)量大小和數(shù)據(jù)質(zhì)量，因為這關(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。其中，工程化能力包括對數(shù)據(jù)的選擇、清洗和改造等工作，比如當大模型表現(xiàn)不盡如人意或出現(xiàn)問題時，廠商知道如何判斷缺哪些數(shù)據(jù)，需要補充哪些數(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，就必然會面臨一些難點，如算力挑戰(zhàn)、參數(shù)量問題等。選擇本地部署的金融機構(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)縱深處探尋價值
但問題仍然很多，即使在金融業(yè)較為發(fā)達的海外，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小；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，精準度、時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)。
從精準度來講，大模型在專業(yè)領(lǐng)域，尤其涉及到民生經(jīng)濟的問題時，還無法給出專家級的答案。白碩向產(chǎn)業(yè)家說道，“從技術(shù)原理上，我們不認為AGI能長出某個領(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對接能力，如果兩者相結(jié)合就可以發(fā)揮出更大的作用?！?/p>
另一大挑戰(zhàn)在時效性上。數(shù)據(jù)產(chǎn)生的過程本身是流動的，市場上的數(shù)據(jù)講精準、講質(zhì)量，也講時效?！皬臄?shù)據(jù)時效性方面來講，大模型的訓練周期本身就決定了不可能具有時效性，所以補充時效性很強的數(shù)據(jù)則是金融大模型的必備條件?！爆F(xiàn)在很多自研金融大模型的廠商都使用了向量數(shù)據(jù)庫的手段來實現(xiàn)這一難題。
最后，也是當前領(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告、論文等專有數(shù)據(jù)。
對此，部分企業(yè)、機構(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)中去提供價值。
從當前金融大模型的應用場景來看，提供的價值更多停留在工具層。具體而言，金融大模型在傳統(tǒng)AI模型的基礎上更進一步，利用高質(zhì)量的知識數(shù)據(jù)和智能屬性，應用于交互性強的場景。
但從更大的視角來看，隨著金融大模型標準的落地，數(shù)據(jù)合規(guī)、隱私安全和訓練工藝等問題一一得到解決，金融大模型會撬動更多的崗位，也會提升人的價值。在精準度、時效性和安全性等挑戰(zhàn)被消除后，金融大模型會與“專家”一起，解決當下無法解決的問題，帶來更大的產(chǎn)業(yè)價值。
金融大模型的難點在于，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。