金融和大模型的“兩層皮”問題

2023-09-20 18:40:16    編輯: robot
導讀 幾年前,我採訪一位產業專家,他提到了一個高科技到產業落地的主要困惑:兩層皮。 一些特別牛的技術成果在論文上發表了,這是一層皮。企業的技術人員,將這些成果產品化、商品化的時候,可能出於工程化的原因,會...

幾年前,我採訪一位產業專家,他提到了一個高科技到產業落地的主要困惑:兩層皮。

一些特別牛的技術成果在論文上發表了,這是一層皮。企業的技術人員,將這些成果產品化、商品化的時候,可能出於工程化的原因,會做一些簡化,這是另一層皮。

兩層皮之間,是有gap的,就像賣家秀和买家秀一樣,並不是融合且一致的。

而往往是那些有技術人才、研發能力、轉化意愿的企業,會先碰到“兩層皮”的問題,產生對技術有效性、ROI回報率不明確的疑慮。

在衝入大模型熱潮的各路人馬中,金融機構可能是率先遭遇“兩層皮”挑战的。

我們知道,金融產業一貫是新技術的早期採用者,在AI方面的嘗試很早就开始了,可以說是產業AI化的“優等生”,更是有着良好的信息化、數字化基礎。金融機構的前中後台各個場景中,都有被大模型降本增效的空間。因此,金融也被認爲是大模型落地的首選場景。

作爲大模型落地的先行者,金融領域如果解決不了“兩層皮”的問題,意味着大模型在實際應用中還是存在賣家秀和买家秀的差距。

本文希望說清楚,究竟是哪些問題拉开了金融和大模型之間的gap?

問題一:以誰爲主?

既然是做大模型,當然是由OpenAI/BAT這樣的科技企業和技術公司爲主導了,而這也是金融機構不想看到的事。

有個金融領域的專家告訴我們,這波大模型的熱度起來之後,金融機構都特別焦慮,有一種FOMO(Fear of Missing Out害怕錯過)情緒。

因爲上一波技術浪潮,智能手機和移動互聯網崛起,導致傳統銀行、券商的很多業務,被互聯網金融公司分走了。在業內人看來,這種“史詩級的悲劇”絕不能重演。

在技術焦慮的驅動下,金融機構非常積極想跟上大模型的風口,幾乎不需要科技廠商做太多市場教育,整個行業在接納大模型這件事上表現極其良好。

同時,金融機構也非常重視將金融大模型的“核心籌碼”牢牢掌握自己手裏,強調“以我爲主”。有銀行業人士提出:只有適應銀行的大模型,才是真正可以深度應用到場景裏、業務流程中的大模型。具體怎么做呢?

一類是硬籌碼。

對金融機構來說,數據安全隱私合規,是沒有妥協的硬指標,有非常嚴格的要求。這也就導致,大模型落地金融更加需要本地化的搭建和私有化部署、運行。

本地部署的要求,對大模型廠商來說有利有弊。有利的地方是,相比其他行業直接調用API接口的MaaS模式,本地部署的客單價高、利潤大,商業價值更高。不利的地方在於,私有部署需要在雲化方案、數據處理、存儲、模型訓練、提示工程、運維服務等多方面,形成一套完整的解決方案,競爭焦點不僅是基座模型本身,這就增加了技術服務商的成本和難度。

另一類是軟籌碼。

金融大模型要表現良好,需要專有數據的精調、領域知識的引入、基於場景的反饋,而銀行業本身的數字化基礎非常好,數據積累深厚,這便成了掌握在手中的軟籌碼。

摩根斯坦利公司在研發生成式AI產品中,就結合超過10萬份財務報告、內部資料和金融文獻等,對OpenAI的基礎模型進行微調。據透露,我國農業銀行業也沉澱了2.6TB的高質量訓練數據,用於大模型的訓練。此外,基礎大模型雖然通識能力很強,但“專業課”能力不足,缺少金融專業知識,加上金融場景業務復雜,初出茅庐的大模型,要形成高質量的服務能力,成爲優秀的“AI副駕駛”,並不容易。

這就要求,大模型廠商和技術公司,改變“技術爲中心”“我是來賦能/顛覆你的”的慣有思路,增強服務意識,與金融客戶合作,以金融客戶爲主。

大模型落地金融絕不是,也不能是又一次“技術顛覆行業”。無論是通用大模型廠商還是ISV服務商集成商,都要在“客戶爲主”這條baseline(基线)上跳舞。

問題二:融合爲什么難?

以金融機構爲主,那科技公司豈不是成了“大模型施工隊”,只能收點辛苦費,發揮不了技術創新性了?

大no特no。

一來,金融AI不是新事物。

金融機構,並不是大家想的那樣,面對AI一竅不通。事實上,在所有行業裏,金融領域的“含AI量”絕對是排名前列的。幾年前我採訪國內某985高校人工智能學院的院長,對方直言,AI方向的學生畢業後不去BAT、不去創業公司,去的是招商銀行這類金融機構下面的信息中心/技術中心,搞金融的人工智能。

所以,金融AI的趨勢其實早在幾年前,就已經大幅开展了,這也是爲什么今年大模型熱度剛起,國內工行、平安、農行、招商銀行、中信銀行等一大波銀行,能很快組建了自己的GPT大模型專項研究團隊。銀行能及時行動,靠的就是幾年來投入AI的積累。所以,以金融機構爲主,也做得好金融大模型。

二來,大模型是個新事物。

大模型究竟比這些“傳統AI”強在哪裏,能幹什么?這是一個完全空白的新問題。

理論上講,大模型可以貫穿銀行全產業鏈的各個環節,每條業務线、每個智能都能找到LLM的應用場景。但現實中,全環節全面上馬大模型,怎么跟業務結合都不清楚,意味着會有大量探索是失敗的、浪費的。

要加速探索、減少成本、降低風險就必須金融機構和科技公司一起,讓金融專家、算法科學家、工程師、測試員等坐在一起,一點一點地共同探索,深入洞察場景,對需求“去僞存真”。

有金融機構的負責人直言,今天金融業能夠獲取的智能化應用非常豐富,翻开AI企業的金融產品推介手冊,可以看到上百個細分能力,但如何選取最合適的整合到自家機構的業務中,這個過程中會有大量的試錯。

目前來看,業內基本已經達成共識,金融大模型,必須優選場景。有幾個關鍵詞:

1.高頻次。在一些重點場景、重點應用上,盡快讓大模型可以上崗解決問題,降低應用的門檻。比如智能客服、智能投顧等原本的勞動密集型崗位,可以很快帶來顯著的降本增效成果。

2.高價值。對於一些有社會價值、商業價值的領域,率先开始探索。比如普惠金融,就是目前從政府到民間都非常看中的金融服務,需要精准的數據洞察、更低成本、高可及性的服務能力,去綜合降低中小微企業/商家的金融成本。其中,大模型的多模態表達能力、強大的理解分析能力都可以發揮很好的作用。

3.易部署。不少金融從業者,聽到大模型的第一反應是,這事兒小模型能幹嗎?大模型對硬件基礎設施的算力、穩定性等都提出了更高的要求,金融機構又在加速推進國產化硬件,各個業務线都部署大模型,帶來的性能壓力、成本壓力、部署壓力都是非常大的。所以,大模型壓縮優化後或者同樣效果的小模型,可以落地的業務場景,比如大模型生成銀行理財產品推薦建議,大模型作爲券商機構的研究助理,對這些已經在應用的傳統AI,用大模型進行升級,不會增加過高的算力成本和工程量,是更易落地的漸進式場景。

正因爲大模型是一層皮,實際應用是另一層皮,兩層皮怎么融合,在哪些場景優先融合,是一條無人走過的路。金融機構和科技企業,都不能獨行,唯有緊密配合,才能尋找到金融場景與大模型之間的最佳融合之路。

問題三:鐐銬怎么這么多?

是不是找到場景,重點攻克,然後規模化復制,金融大模型就能突飛猛進了?

我們說金融機構“人多、錢多、技術多”,只是相對其他行業而言。現實中,金融機構也不可能拿出無限的預算、投入無限的人力、开放無限的場景,供大模型隨意大顯身手。而且,金融領域還存在大量的中小銀行、券商,能負擔的技術創新成本也是有限的。

一位銀行從業者提到AIGC就說:競爭是加劇的,人員是有限的,人才是缺乏的,費用是緊張的。

可以說,帶着鐐銬跳舞,正是金融和大模型“兩層皮”“賣家秀和买家秀”的關鍵原因。

比如算力的問題。國產化替代進程中,金融大模型要打破訓練昂貴、算力成本高的桎梏,對模型廠商的硬件基礎、自研能力、生態兼容能力、軟件協同優化,提出了綜合的考驗。

目前,頭部雲廠商都下大力氣在自研硬件上,比如百度的昆侖、阿裏的倚天、華爲的昇騰,以及配套的軟件、生態,沒有這些很難真正拿下金融大模型。

還有技術本身的限制。坦率來說,大模型技術本身還存在不少問題,尤其是在金融領域落地,必須解決幻覺問題,胡說八道對嚴謹的金融業務是不可接受的。模型黑箱性會導致AI智能決策不可信、不敢信,無法真正用於金融投顧、市場分析決策。

另外,金融機構也會衡量ROI投入產出比。但因爲金融場景中,已經沉澱了大量的傳統AI,比如智能客服,大家可能都接過機器人打來的產品推銷電話、账單催收電話。

所以引入大模型後,究竟能給客戶帶來多少收益,回報產出比ROI怎么評估,哪些是大模型帶來的提升,這些目前還沒有一個明確的衡量標准。

無法量化大模型給業務帶來的貢獻,顯然會導致大模型廠商的無序競爭,或者比拼客戶關系,這也成爲金融大模型效果不彰的一個隱憂。

消除產業和大模型之間的gap,將會是接下來,大模型賽道的標准動作。

這個過程中,最早遇到“兩層皮”問題的金融大模型,或許會提供大量有益的參考和實踐,而金融機構也會成爲更早挖掘到金礦的第一批大模型淘金者。

       原文標題 : 金融和大模型的“兩層皮”問題



標題:金融和大模型的“兩層皮”問題

地址:https://www.utechfun.com/post/265289.html

鄭重聲明:本文版權歸原作者所有,轉載文章僅為傳播信息之目的,不構成任何投資建議,如有侵權行為,請第一時間聯絡我們修改或刪除,多謝。

猜你喜歡