AI大模型在金融行业的探讨与展望
随着AI大模型等人工智能技术的快速发展，中小银行如何实现智能化转型成为金融行业关注的焦点。近日，度小满CTO许冬亮接受了麦肯锡专访，并针对中小银行智能化转型的现状和挑战提出了自己的看法。许冬亮认为，具有通用能力的大模型将成为信息处理的基础设施，中小银行应用人工智能技术的门槛将大幅降低，在数字化、智能化进程中有了“弯道超车”的机会。
“比ChatGPT更值得关注的是它所依托的底层技术能力。我们认为类似GPT这样的大模型技术，是下一代人工智能技术较量的核心课题”，许冬亮表示，“在金融领域，大模型技术将广泛应用于智能获客、风险管理、智能客服等方面，为客户带来显著的优化体验。”
许冬亮进一步解释，大模型可分为理解式大模型和生成式大模型。理解式大模型在智能获客和风险管理上可提升金融机构的经营效率和风险管理决策能力。生成式大模型则可自主生成新的数据、图像、语音、文本等信息，成为金融行业从业人员的得力助手，提升服务效率和服务体验。
对于大模型技术在金融行业的具体应用，许冬亮提出了三个方面的观点：
第一是基于大模型的智能客服将超越人工服务，让高质量顾问式金融服务成为可能。在通用大模型的基础上，叠加金融客服领域的数据和专业服务经验，经过垂直领域定向训练后客服机器人既能与用户进行多轮对话，还能提出具体的、可行的解决方案。
第二是生成式大模型可以成为理财师、经纪人等从业者的“全能业务助理”。基于大模型的业务助理不仅了解国内外的宏观政策、行业信息、产品信息，还可以自动生成文章、报告，提供专业建议和方案辅助交流。
第三是广告和营销内容一键生成，营销效率大幅提升。以ChatGPT为代表的大模型技术，将带来知识型工作者生产效率的二次飞跃。过去，我们需要在海量信息中检索词条，将大量的精力投入到信息的获取、提炼与整合，自己做检索、设计、制作等工作；未来，大模型技术会适应并普及到所有知识型工作行业，例如文案、设计、编程等，人机协作将大幅提高工作效率。
许冬亮同时指出，技术的应用不能脱离业务应用本身，AI技术的价值体现在业务的发展上。其次，数据的积累、技术能力的建设、底层的架构、人才积累与培养，这些都要长期投入，逐步形成；AI与业务的融合是一个持续迭代的过程，我们不能唯业绩论，要给技术沉淀的空间和时间，但也不能只关注技术建设，不考虑对业务的收益——既要仰望星空，又要脚踏实地。目前来看，大模型技术的发展和应用存在很多挑战，需要我们正视和解决，主要包括以下四个方面：
一、应用门槛。大模型训练和应用的成本依然很高；在数据上，中文语料和数据质量相较于英文存在差距，当前模型的稳定性和真实性还要进一步的优化。
二、金融安全。金融行业的安全性是第一位的。生成式大模型创作自由度高，所以常会有令人惊艳的表现，但正是因为它的自由度太大了，当解决真实场景中的任务时，会造成可控性不足。
三、人才储备。我国人工智能人才紧缺程度持续高于互联网总体水平，作为ChatGPT核心技术的大模型，其人才缺失更为突出，尤其是领军人才一将难求。
四、科技伦理。随着技术的不断突破，为了规范技术的发展，科技伦理的治理也要及时跟上，比如，大模型训练需要应用大量的数据支持，需要做好数据的安全管理，避免泄露带来的风险。同时这一技术可能会涉及偏见、歧视、误导等问题，需要加强技术规范和标准制定，防止误导，防范道德和伦理风险，防止歧视，保护消费者权益。
事实上，AI大模型技术已经为中小银行跨越“智能化鸿沟”提供了有力的支持。积极拥抱和应用大模型技术，对于提升中小银行的市场竞争力和服务水平具有重要意义。据了解，目前度小满已经开展了一系列基于大模型的应用。例如将大型语言模型LLM应用于海量互联网文本数据、行为数据、征信报告的解读，将小微企业主的信贷违约风险降低了25%。随着模型的迭代，大模型在智能风控上的潜力将进一步释放。
ChatGPT所展现的语义理解能力，也是度小满在自然语言处理（NLP）领域重点投入的方向。2021年，在微软举办的MSMARCO比赛中的文档排序任务中，度小满NLP团队排名第一并刷新纪录；团队研发的轩辕(XuanYuan)预训练模型也在CLUE分类任务中排名第一。
百度“文心一言”开放生态合作后，度小满成为首家接入的金融科技公司。接下来，基于“文心一言”的大模型技术基座，结合度小满业务场景积累的金融行业知识和数据进行交互式训练。“我们希望能在金融行业发挥ChatGPT类人工智能技术的作用和价值，打造全新的智能客服、智能风控、智能交互服务。这些垂直应用不仅要具备生成式人工智能（AI）、多模态语义理解等能力，而且要适配金融行业高度重视风险、把安全性放在第一位的行业特点，做到高度稳定、自主可控。”许冬亮表示。
罗佳斌：人工智能冲击传统金融投资行业
原标题：罗佳斌：人工智能冲击传统金融投资行业编者语：
2017年9月20日，香港中国金融协会副主席罗佳斌在《信报》上发表文章，指出：人工智能正在冲击着传统金融投资行业，但目前颠覆性质变还未到来，并认为计算能力和海量数据是人工智能近年来飞速发展的根本原因。敬请阅读。
2017年9月20日，香港中国金融协会副主席罗佳斌在《信报》上发表文章，指出：人工智能正在冲击着传统金融投资行业，但目前颠覆性质变还未到来，并认为计算能力和海量数据是人工智能近年来飞速发展的根本原因。敬请阅读。
人工智能不再是概念。基于人工智能的各项应用已经开始渗透到我们的生活中。普华永道最近的一系列研究报告称，人工智能未来20年将会给全球几乎所有的行业带来颠覆性的影响。2030年人工智能对全球经济的贡献将达到15.7万亿美元，超过现在中国和印度的产出总和。20年后今天的工作岗位可能有35%会被机器取代。
金融投资行业也感受到机器的冲击。近年来，全球很多主动型基金业绩不理想，跑不过指数基金。有投资者因此质疑传统靠基金经理和分析师对公司研究判断的投资方法已经不适合，纷纷转投ETF和量化基金。全球最大资管公司之一贝莱德，在今年3月宣布裁员，包括7名投资经理在内的100名主动型基金部门员工，涉及变动的300亿美元资产中，有近60亿美元将由量化基金接管。
不到10年智能机械人投资顾问也开始逐渐进入主流，与传统经纪人抢客户。研究预测，不出五年智能机械人投资顾间管理的资产可能会达到8万亿美元，占全球财富管理总资产的10%。据媒体报道，包括偶像级大师PaulTudorJones,SteveCohen,RayDalios在内的对冲基金经理纷纷大力投入量化投资技术研究，并且尝试把自身的基金管理程序自动化。
人工智能真的可以代替基金经理和分析师吗？至少现在还看不到这个可能性。
颠覆性质变还未看到
近年来大数据和机器在投资领域的应用，只能算是对传统投资技术的增强或者说是一种量变，颠覆性的质变现在还看不到。今天的人工智能技术只能算是萌芽阶段。今天最强的智能机器，仍然不能通过最基本的TuringTest或更严格一点的WinogradTest，不能算有独立判断力的人工智能。即使在目前最有可能超过人类能力的翻译、驾驶、围棋、写作等领域，今天的人工智能最多能算是弱式人工智能，即只能处理特定的问题。投资需要的不仅是对数据的采集和快速分析，更重要的是对数据的判断。目前还看不到有机器对中长期基本面或者宏观的判断，可以有挑战人类基金经理的可能性。
在投资决策过程中，数据的应用和量化分析都不是新鲜事。早在1950年，沃尔玛创始人SamWalton在投资地产前就知道开着小飞机去点算停车场停车的数目。今天技术的发展可以靠卫星图片和机器识别，不过是同样的方法更加有效，更加实时。以线性回归和统计模型为基础的量化投资方法也不是什么新技术。今天的人工智能投资模型大多数不过是把同样的方法进一步深化了。
虽然机器还不能取代基金经理和分析师，但不可否认机器的到来已经对金融投资行业带来巨大的改变。这种变化只会加快，加深。在不远的未来，能否有能力与机器紧密合作或许会成为决定投资人业绩的重要因子。
首先是数据。今天的大数据有三个特点，足以对传统投资分析带来冲击。第一是海量。根据IBM的统计，全球每天创造出的资料高达2.5兆艾（百万的三次方）字节，而约90%的可用数据是在过去两年内生成的。第二是数据的种类。很多资料是以前从来没有收集过的，比如卫星图像、交通数据、货船定位数据，社交媒体发言、产品评测、搜索记录，信用卡详细消费数据等。第三是数据的频率。随着互联网应用的普及和移动设备数量的增长，很多以前每月，每年搜集一次的数据，现在可以几乎实时搜集。目前，只有0.5%的资料是被用作分析。可以想象，随着资料分析的比例不断提高，我们或许将不再需要等到公司宣布季报，就可以从众多数据中提前分析出本季度的业绩。
展开全文第二个变化是计算能力的突破性发展。今天，云计算甚至可以让你体验每秒10万亿次的运算能力，拥有这么强大的计算能力，理论上可以模拟核爆炸、预测气候变化和市场发展趋势。用户使用谷歌搜索一次，谷歌可以用1000部计算机在0.2秒内给出结果。这是以前不可想象的。
运算能力高数据瞬间消化
计算能力和海量数据是人工智能近年来飞速发展的根本原因。机器可以快速分析新闻来源、推特，处理收益报表，搜索网站，并瞬间完成交易。在某一些局部领域比如高频交易等重复性高的工作，机器已经可以几乎取代人类。高盛集团的CEO曾透露，高盛在纽约的股票交易柜枱，从最高峰期雇用了600位交易员，到如今只剩下了2位。大部分的交易员被算法替代，600位交易员失去了他们的工作，取而代之是200位软件工程师，在开发维护他们的算法。
在海量数据和愈来愈先进的机器学习技术的支持下，机器可以更快，更好地发现事件与事件之间的关联关系，并通过知识图谱实现信息向决策的一步转化。这方面机器比人类有优势，可能会做得更好。美国的资料分析公司Kensho是一个将云计算与金融咨询业务结合起来的先行者。
据《福布斯》介绍，在能够找全数据的假设下，一个基金分析师团队需要几天时间才能回答的问题，Kensho的机器人可以通过扫描超过9万项全球事件，瞬间给出超过6500万个问题组合的答案。试想，如果你是一个分析师，有这么一台机器为你服务，可以瞬间回答「当Netflix超出盈利预期，Amazon明天表现将如何？」、「Apple发布新产品前后的股票交易如何？」等投资问题，你的效率可以提高多少？反过来，假如有一天，你的竞争对手们都有了这么一个工具而你没有，又会怎么样呢？（完）
文章来源：《信报》2017年9月20日（本文仅代表作者个人观点）
本篇编辑：彭淳懿返回搜狐，查看更多
责任编辑：