大模型的橫空出世，給各行各業(yè)都帶來了震撼式的變化。就業(yè)環(huán)境是不是要變天了？模型開發(fā)是不是要天翻地覆了？作為數(shù)字化建設的排頭兵，金融行業(yè)以其海量的數(shù)據(jù)源、標準化的信息基礎建設以及領先的科技能力一直獨占鰲頭，這一次大模型的出世，是否意味著金融行業(yè)也將率先試水，積極落地？答案是肯定的。

麥肯錫的研究報告顯示，應用生成式AI大模型每年為企業(yè)端帶來的經(jīng)濟價值為2.6萬億-4.4萬億美元。其中，全球銀行業(yè)使用大模型可使其每年營業(yè)收入提高2.8%—4.7%，這一比例高于全球制造業(yè)、零售業(yè)、旅游業(yè)、運輸業(yè)和物流業(yè)等所有其他行業(yè)。這一數(shù)字足以見得大模型在金融行業(yè)有著無窮的發(fā)展?jié)摿Α?/p>

然而，雖然數(shù)據(jù)足夠誘人，但是到了落地應用這一實踐環(huán)節(jié)，層出不窮的難題還是讓各大金融機構措手不及。有觀點認為，大模型的問世或將加劇行業(yè)“馬太效應”催化加劇前后差距。

也有分析給出了截然相反的觀點，認為大模型的存在更是為頭部金融機構“彎道超車”帶來了前所未有的機遇和可能性，而小機構的大模型機遇卻尚未可知。無論如何，屬于金融業(yè)的大模型時代已經(jīng)到來！

大模型在金融圈快速落地生根

要想看看大模型在金融圈究竟有多大的影響力，首先我們來看兩組數(shù)據(jù)。第一組：據(jù)智研瞻統(tǒng)計顯示，2019年中國金融大模型行業(yè)市場規(guī)模250.49億元，2024年Q1中國金融大模型行業(yè)市場規(guī)模90.82億元，同比增長7.10%。第二組：據(jù)智研瞻預測，2024—2030年中國金融大模型行業(yè)市場規(guī)模增長率在6.36%—7.10%，2030年中國金融大模型行業(yè)市場規(guī)模534.97億元，同比增長6.94%。

規(guī)模的攀升是一個明顯指征，不得不說大模型已經(jīng)一夜之間在金融圈遍地開花。那么大模型到底如何在金融圈大展拳腳？以下我們就通過一些實際應用案例來體會一下，大模型給金融圈帶來的變化。

先說一個銀行的典型場景人工坐席。在傳統(tǒng)銀行中，遠程銀行的運營團隊往往擁有大量的人工座席，而這些人工座席往往又要面對超負荷的質檢工作量，提效困難。大模型的出現(xiàn)，則重新定義了這個群體的作業(yè)和生產(chǎn)模式。

聯(lián)想集團基于大模型的能力賦能全流程業(yè)務場景，讓人工座席增效顯著。在事前運營階段，通過輔助知識維護，自動生成問答式對話、相似問答等方法，可以迅速提升知識運營的效率。在事中運營階段，通過訴求了解、問題解答、工單記錄，可以分別實現(xiàn)訴求摘要、工單自動填寫等功能，充分輔助了全流程，有效降低了座席通話時長。在事后管理階段，借助大模型還可以實現(xiàn)對客服水平的精細化質檢以及對工單的智能質檢，充分起到了輔助業(yè)務運營全流程的作用。

再說一個質檢的場景。傳統(tǒng)小模型，在智能質檢的進程中，往往都有一些先天的局限性，比如質檢項單一，無法匹配全渠道服務；準確率低，難以應對復雜流程和邏輯；漏檢風險大，人力難以將自然語言的表達方式全面擴寫，導致漏檢；投入大、周期長，傳統(tǒng)小模型智能質檢需要人工對業(yè)務規(guī)則進行全面梳理配置，耗時耗力。容聯(lián)云大模型產(chǎn)品負責人唐興才認為，導致這些的原因第一是由于質檢機器人沒有準確理解對話內容；第二是無法對全量會話進行全局統(tǒng)計和深入解讀，比如結合上下文后判斷。

針對這些問題，容聯(lián)云將大小模型結合，創(chuàng)新打造大模型質檢代理（容犀Quality Management Agent），對全量會話進行“大模型語義質檢+小模型規(guī)則質檢”，真正實現(xiàn)效果與性能雙重保障，并結合多年的證券knowhow，推出“證券行業(yè)-大模型質檢代理解決方案”。該大模型質檢代理（QM Agent）熟練掌握證券專業(yè)術語，深入對網(wǎng)開單向見證人工回訪、常規(guī)存量客戶智能外呼回訪等業(yè)務場景，對服務記錄進行全量智能質檢，助力券商保障業(yè)務流程的合規(guī)性與高效性，提升服務質量，優(yōu)化客戶體驗。

在落地應用中，容聯(lián)云與某券商的合作，對接券商智能外呼系統(tǒng)、回訪管理系統(tǒng)等業(yè)務系統(tǒng)、構建客戶服務智能質檢系統(tǒng)，對工作規(guī)范、服務意識及風險把控進行全面質檢，實現(xiàn)質檢準確率大于94%、漏判率小于3.5%。

下面再讓我們來看一個金融智能營銷的應用案例。楓清科技（Fabarta）在與龍盈智達合作打造了基于圖智能和大模型的金融營銷平臺。通過圖算法和圖數(shù)據(jù)庫以及大模型的應用，可以有效地發(fā)現(xiàn)潛在客戶之間的復雜關系和網(wǎng)絡，從而提供智能化的風險評估報告，幫助銀行更好地了解風險，減少不良貸款率，提高資產(chǎn)質量。利用圖分析平臺，提供用戶友好的圖數(shù)據(jù)可視化工具，幫助更好地理解客戶信息以及風險情況，展示其實控人、集團關系、交易鏈路等信息以及潛在風險，提供直觀的決策支持，并通過大模型智能生成風險分析報告。同時，注重合規(guī)性和數(shù)據(jù)隱私，幫助銀行提升營銷目標用戶的挖掘以及風險識別，從而實現(xiàn)更好的業(yè)績表現(xiàn)與可持續(xù)盈利。

除了以上應用，金融大模型還在智能投顧、保險、個人信貸、用戶行為分析等眾多金融領域有廣泛的應用。比如，智能投顧領域，Wealthfront和Betterment平臺，使用大模型來分析市場數(shù)據(jù)和用戶行為，根據(jù)用戶的風險偏好、投資目標和市場情況，自動調整投資組合，以達到最優(yōu)的資產(chǎn)配置；在保險行業(yè)，Lemonade保險公司利用大模型進行風險評估和理賠處理，通過分析用戶的在線行為和社交媒體數(shù)據(jù)，提供個性化的保險產(chǎn)品，并在理賠時使用人工智能技術來快速識別和處理合法的索賠請求，大大縮短了理賠時間等等。

這些案例充分展示了大模型如何在金融領域實現(xiàn)創(chuàng)新，提高服務效率，降低成本，并為用戶帶來更加個性化和高質量的金融體驗。隨著技術的不斷進步，我們可以預見大模型將在金融領域扮演越來越重要的角色。

大模型于金融業(yè)而言是挑戰(zhàn)更是機遇

怎么來準確定義金融大模型是個非常好的問題。既不是通用大模型的拿來主義，也非通用大模型+金融場景的生硬加法。金融大模型更像是一場對金融行業(yè)的系統(tǒng)化重塑，重塑的范圍包括但不限于基礎設施、模型算法、業(yè)務流程、場景應用等等。

據(jù)《2024年金融業(yè)生成式人工智能應用報告》顯示，生成式AI正在席卷金融業(yè)，釋放新的生產(chǎn)力，賦能銀行數(shù)字化轉型，以前所未有的方式重塑全球金融業(yè)的格局。有望給金融業(yè)帶來3萬億規(guī)模的增量商業(yè)價值，并可能徹底改變交易的進行、投資的管理和風險的評估方式。

然而，大模型能成為金融業(yè)的救命解藥嗎？大模型的出現(xiàn)，是否就意味著金融業(yè)可以搖身一變，加速直沖智能化巔峰？顯然，在光鮮亮麗的背后，大模型在金融業(yè)的發(fā)展也并未如預期中的一路坦途，伴隨著各種各樣的瓶頸挑戰(zhàn)，大模型在金融業(yè)的摸索試探也從未停止。

大模型本質是一個海量參數(shù)的深度學習算法，受制于模型黑箱、計算復雜度高、可解釋性不足、推理結果不可預知等先天因素，大模型在金融業(yè)想要有更深入的發(fā)展要克服的障礙還有很多。

首先，金融大模型要解決的就是“黑箱”問題。金融大模型因其復雜的模型結構以及海量的參數(shù)，使得模型的決策過程不透明，難以解釋。然而，在金融領域，模型的可解釋性卻恰恰尤為重要，因為監(jiān)管機構和用戶都需要理解模型是如何做出決策的。提高模型的可解釋性，可以幫助建立用戶信任，同時滿足監(jiān)管和審計的雙重要求。那么，有沒有方法解決？

在面對“黑箱”難題時，楓清科技（Fabarta） 給出了“一體兩翼”的解法。如何理解“一體兩翼”？簡單來說，就是為了幫助企業(yè)降低模型幻覺、可解釋性差，提升推理能力而設計的產(chǎn)品矩陣。在引擎層，以 Data-Centric AI 為核心理念構建的多模態(tài)智能引擎。支持圖、向量、表格、時序、JSON 等多種數(shù)據(jù)模態(tài)的融合與處理，將傳統(tǒng)數(shù)據(jù)庫的“存儲&計算”架構演進為“記憶&推理”架構，可以為 AI 智能應用提供私有記憶和可解釋的精確推理;。在數(shù)據(jù)翼，通過智能化方式，通過元數(shù)據(jù)智能補齊、統(tǒng)一語義層等實現(xiàn)，做到AI落地的數(shù)據(jù)就緒；在智能翼，通過知識引擎和智能體引擎，助力企業(yè)場景落地。通過“一體兩翼”的產(chǎn)品矩陣，有效幫助企業(yè)減少幻覺、提升推理能力和可解釋性，并提供數(shù)據(jù)安全與數(shù)據(jù)時效性。為了讓用戶真正能夠信任大模型并且使用好大模型產(chǎn)品，可以通過幾個方面來消除用戶的顧慮。

針對幻覺問題，可以通過這幾種方式進行緩解：可以利用外掛知識庫方式限定回答范圍，杜絕大模型“胡說八道”；也可以將確定的知識構建圖譜，利用圖譜結合大模型進行問題回答，通過確定性知識減少大模型回答的幻覺問題。

針對可解釋性，一方面可以進行知識溯源，在進行文本內容生成時，針對生成的內容用戶可直觀地看到回答來源，同時可以通過點擊角標直接跳轉到對應文檔中的具體段落，做到回答可追溯；同時可以將大模型思考過程展示給用戶，做到過程可解釋。

楓清科技（Fabarta）為企業(yè)提供基于知識引擎與大模型雙輪驅動的智能體應用支撐平臺，通過統(tǒng)一語義層，可以將企業(yè)的多模態(tài)數(shù)據(jù)轉化為大模型可理解的知識，存儲在圖和向量融合的多模態(tài)智能引擎中，結合Hybrid RAG 能力，借助平臺的可擴展能力（包括解析器自定義注冊、大模型和向量算法自定義注冊和使用、智能體工具以及自定義擴展等），在生成式人工智能落地企業(yè)場景過程中，可以幫助企業(yè)有效地解決可解釋性差、推理能力弱的問題，減少大模型幻覺，提升企業(yè)對于時效性數(shù)據(jù)的使用，加速企業(yè)級大模型場景落地。

其次，如何在模型復雜度與操作便捷性之間尋找到合適的平衡點是金融領域一個復雜而關鍵的挑戰(zhàn)。隨著模型復雜度的增加，其性能可能會提高，但同時也可能導致操作難度增加，影響用戶體驗。如何無法找到二者之間的合理平衡，那么不但金融大模型的優(yōu)勢無法發(fā)揮觸達，還會進一步影響用戶體驗以及最終決策。那么如何破圈？容聯(lián)云在這個問題下分四個維度，給予我們一個全新的思維鏈路。

第一，通過優(yōu)化模型性能，提升大模型的精確度和泛化能力以及部分場景結合小模型的高性能的優(yōu)勢。這一步有幾個關鍵點，尤為重要。

模型壓縮與量化。模型壓縮，剪枝去除不重要的連接或參數(shù)，降低模型復雜度和存儲需求，同時對性能影響較??；知識蒸餾將復雜模型的知識提取到較小的模型中，保持較高準確性的同時減小模型規(guī)模，便于部署和應用，適合對計算資源有限的金融場景。

算法優(yōu)化。緩存重用：在推理過程中，重復利用已經(jīng)計算過的中間結果，避免重復計算，提高效率；模型融合：將多個相關的小模型融合為一個大模型，減少模型切換和數(shù)據(jù)傳輸?shù)拈_銷。

降低模型計算成本。輕量化模型設計：采用模型剪枝、量化等技術，減少模型參數(shù)和計算量，提高推理速度。比如容聯(lián)云赤兔大模型提供了多種參數(shù)版本的選擇，可以在不同場景下使用；會話洞察、話術挖掘、質檢等離線場景，可以很好地平衡算力消耗與效果的優(yōu)勢。分布式計算：利用高性能計算集群和分布式訓練技術，加速模型訓練過程。比如實時輔助、智能知識庫、智能問答等場景，后端結合了上面提到的緩存、分布式計算等能力，可以最大程度地優(yōu)化算力使用與用戶體驗。

第二，用戶操作便捷性產(chǎn)品設計。首先是簡化操作流程。設計簡潔明了的用戶界面，減少用戶操作步驟和復雜度；通過智能助手或聊天機器人，為用戶提供操作指引和幫助。其次是提供個性化服務。利用大模型分析用戶行為和偏好，構建精準的用戶畫像，提供個性化的金融產(chǎn)品和服務；根據(jù)用戶畫像和實時市場情況，為用戶提供定制化的投資建議、風險評估等服務。

第三，數(shù)據(jù)質量的不穩(wěn)定性。金融數(shù)據(jù)的準確性直接影響大模型的預測能力。金融大模型依賴于高質量的數(shù)據(jù)來進行風險評估和預測。數(shù)據(jù)質量的不穩(wěn)定、數(shù)據(jù)的不完整性、時效性不足或偏差都可能導致模型無法準確捕捉風險因素，從而影響決策的準確性。同時，數(shù)據(jù)質量還直接關系到模型訓練的效果。不穩(wěn)定的數(shù)據(jù)可能導致模型過度擬合或欠擬合，影響模型的泛化能力。要想從根本上解決數(shù)據(jù)質量的問題，金融機構還需要通過建立和完善數(shù)據(jù)治理框架，確保數(shù)據(jù)的準確性、完整性和一致性，并投入更多的資源來確保數(shù)據(jù)的清洗、驗證和更新，以維持模型的準確性和可靠性。

第四，老生常談的數(shù)據(jù)隱私與安全問題。數(shù)據(jù)隱私和安全是大模型應用中的核心問題。金融數(shù)據(jù)通常包含敏感信息，如個人身份、財務狀況等。大模型在處理這些數(shù)據(jù)時，必須遵守數(shù)據(jù)保護法規(guī)，在數(shù)據(jù)收集、存儲和處理過程中，確保用戶的隱私權益得到保護，并采取嚴格的安全措施來防止數(shù)據(jù)泄露。

大模型的金融之路在腳下還是在遠方？

我們在看待任何一個行業(yè)的發(fā)展，以及新技術的誕生總喜歡看現(xiàn)在和未來兩個維度。看現(xiàn)在即是看當下應用落地，看未來即是看遠景規(guī)劃與發(fā)展趨勢。金融大模型也不例外。

從ChatGPT開始，大模型席卷全球遍及千行百業(yè)。卷完了模型，卷應用，歷經(jīng)百模大戰(zhàn)之后，大模型開始重新尋回價值本源，市場也逐漸進入冷靜期。那么接下來金融大模型該如何布局？又有哪些趨勢與機會？循著這些問題的引領，答案也逐步揭開。

首先來看看應用。從應用角度，金融大模型的潛力已經(jīng)遠遠超出了當前的應用范圍。除了在信貸評估、風險管理、量化投資、客戶服務、反欺詐等領域的成熟應用外，金融大模型還可以深入挖掘更多場景。與此同時，大模型還可以輔助設計更加符合市場需求的金融產(chǎn)品，實現(xiàn)產(chǎn)品的快速迭代和優(yōu)化。此外，金融大模型還可以在供應鏈金融、綠色金融等新興領域發(fā)揮重要作用，推動金融行業(yè)的可持續(xù)發(fā)展。

其次，我們來談談趨勢。據(jù)《大模型重塑金融業(yè)態(tài)》報告指出，金融行業(yè)在大模型浪潮影響下，將呈現(xiàn)四個未來發(fā)展趨勢。首先，金融行業(yè)有望步入AI驅動的新階段。其次，通過AI Agent等實現(xiàn)技術普惠推動金融服務普惠。再次，金融AI倫理建設將持續(xù)增強。最后，金融領域更開放的行業(yè)生態(tài)將加速形成。

在筆者看來，除了以上趨勢顯而易見的是未來的金融大模型還將趨向于更加智能化、個性化和自動化。一方面，大模型的學習能力和數(shù)據(jù)處理能力將得到顯著提升，經(jīng)過訓練之后模型能夠處理更復雜的金融問題，提供更精準的決策支持。另一方面，隨著數(shù)據(jù)量的激增和計算能力的提升，大模型將能夠更好地理解和預測市場動態(tài)，為金融機構提供更為深入的洞察。此外，金融大模型的可解釋性和透明度也將得到加強，這不僅有助于增強用戶對模型的信任，也有助于滿足監(jiān)管機構的要求。

對于金融機構而言，要想在金融大模型的發(fā)展浪潮中占據(jù)有利地位，必須進行長遠的戰(zhàn)略規(guī)劃和布局。首當其沖的便是要持續(xù)加大對人工智能和大數(shù)據(jù)分析技術的投入，構建起強大的技術基礎底座。這不僅包括硬件設施的建設，也包括軟件和算法的開發(fā)。其次，單點創(chuàng)新不是目的，打通多渠道多部門，提煉共同范式，實現(xiàn)多領域的應用整合，才能事半功倍。第三，重視人才培養(yǎng)和團隊建設，吸引和培養(yǎng)一批既懂金融又懂技術的復合型人才。此外，還需要與科技公司、高校和研究機構等外部合作伙伴有效聯(lián)動，共同推動金融大模型的研發(fā)和應用。當然，最重要的是在發(fā)展的同時，還應當考慮到監(jiān)管政策的變化，確保金融大模型的應用符合法律法規(guī)的要求，并保護好用戶的數(shù)據(jù)安全和隱私。

在全球科技不斷迭新突破的大潮中，金融機構需要時刻保持敏銳的洞察力，需要緊跟技術發(fā)展的步伐，不斷夯實基礎底座、探索深挖新場景，牟定布局、明晰方向，穩(wěn)步前行。金融大模型的蓬勃發(fā)展，不僅使整個產(chǎn)業(yè)快速步入新一輪發(fā)展周期，更讓整個行業(yè)的深層次變革迎來重要契機。彼得·德魯克曾說：“預見未來最好的方式就是創(chuàng)造未來。”金融大模型的未來發(fā)展之路既在腳下，更在遠方。

來源：數(shù)據(jù)猿