LAIKA
2024/01/18
“AI+金融”新的應用突破，今年才剛开始。
作者 | 追辛
編輯 | G3007
編者按
已經過去的2023年，商業領域依然是波譎雲詭，但有兩條主线卻受到各方的關注，甚至帶動行業格局的重塑，其中一條就是以ChatGPT爲主的AI大模型。
回顧2023年，無論是從頂層制度設計的出台，還是全球科技界的狂歡，人工智能對千行百業的賦能开始進入了新的格局。來咖智庫也注意到，在金融、教育和廣告營銷三個領域，逐漸成爲AI賦能產業過程中最先燒起的“三把火”，但每一把火也都呈現出不同的發展特點和路徑，比如“AI+金融”是最早落地的，“AI+教育”是應用最廣的，“AI+營銷”是變現最快的，這也構成了我們年度觀察和思考的三個視角。本期爲第一篇。
過去的2023年，全球科技界开啓了AI大模型的狂歡，除了通用型外，各個垂類大模型的百花齊放，更是備受業內高度關注。
金融業作爲數字化、全球化程度最高的行業之一，更是率先與新興科技進行融合。2023年，金融機構紛紛掀起“百模大战”，行業想要依靠大模型產生新變革。其中樂信、奇富科技、度小滿、螞蟻集團等衆多金融科技企業爭先布局，先後發布落地了多項金融大模型，金融業正加速走向AI創新應用期，在金融信息觸達、產品介紹內容的文本自動生成、市場營銷、企業經營管理、構建虛擬客服在线交互以及風險管控等方面，給用戶提供更人性的服務，提升了金融機構的工作效率。
IDC的一項調研顯示，超半數的金融機構計劃在2023年投資生成式人工智能技術，只有10%的金融機構表示沒有試驗計劃。
那么，過去的2023年，國內金融科技企業在大模型方面取得了哪些突破和進展？在各自的大模型發展路徑上，又有什么不同？對於業內迫切期望的智能湧現效應，未來金融大模型的發展又將面臨着哪些挑战？
01
以月爲單位
金融科技公司的“百模競速”
2022年11月末，ChatGPT一經上线後，迅速在全球引發AI大模型的熱潮。時至今日，這場科技界的大模型狂歡盛宴仍在持續，無論是在通用領域，還是垂直領域，千行百業都掀起了一場“百模競速”。
對金融大模型來說，金融科技公司都希望搶到“頭啖湯”，從去年二季度开始，各家的自研金融行業大模型也是爭先亮相。2023年4月，樂信推出了自研的金融垂直大模型LexinGPT；5月，奇富科技、度小滿先後發布了“奇富GPT”和“軒轅”；6月份，恆生電子金融行業大模型LightGPT正式面世；8月，馬上消費金融發布首個零售金融大模型“天鏡”；9月，螞蟻集團正式發布工業級金融大模型AntFinGLM等等。
除了金融科技公司，基於通用大模型的开發和應用，更多的互聯網和科技大廠也推出了針對性的金融行業解決方案。比如百度智能雲基於文心大模型开發的金融解決方案“开元”，華爲上线了三大類10個場景的金融大模型方案，科大訊飛基於星火認知大模型推出了金融行業大模型V1.0，還有騰訊雲發布金融行業大模型解決方案……
隨着金融行業數字化轉型的加速，越來越多的公司參與布局金融行業大模型。從過去的一年來看，金融大模型已在內容生成、智能營銷、獲客銷售以及風險管理等業務領域开始發揮價值，涉及運營、客服、營銷、風控、研究以及貸後等多個場景。尤其是相較於傳統模式，大模型的加入更是極大提升了金融行業的運營效率。
樂信在2023年三季報中披露，公司正在加速了AI大模型的落地應用，其中業務交互方面，已經在電銷、客服、催收等主要業務流程中全面落地，比如信息流獲客效能比一季度提升38.5%，新客的通過率、交易用戶數、促成借款額都比對照組有20%以上的提升；生產力提升方面，在研發代碼輔助、設計創意生成、數據分析等場景中廣泛應用，提升公司整體的運營效率。
在企業經營的智能決策方面，樂信方面還提到，基於海量精准的預測模型，公司开發了“圖靈（Turing）決策仿真系統”——系統可以直接模擬多種真實經營場景，相當於企業經營的“模擬考”，並最快只需幾十秒內就可以快速輸出各項經營關鍵指標表現，模擬結果的精准度超95%。例如一個撮合匹配的優化策略, 原來實際上线測試幾個月可能會耗費高額的成本, 現在通過圖靈仿真系統, 90秒內就可以得到置信度非常高的結果。這樣的快速反饋和高精准度給了樂信經營更大的靈活性和准確度。
而奇富科技的大模型，目前也已經覆蓋了智能營銷、反欺詐、貸前額度、貸中調整，以及交易風險和智能機器人等業務的全生命周期，並且在小微業務、機器人、智能營銷、研發及商業分析等領域進行了應用。
據了解，去年第三季度末，奇富科技已爲中國2450多萬小微和家庭兼職小微用戶賦予了適用於信貸場景的行業標籤，便於今後能更好地根據行業特性服務小微用戶的資金周轉。具體在智能營銷方面，有大約70%的圖片素材由大模型生成，並通過大模型對素材進行標注和多維度評級，以實現廣告投放的優化，同時大模型讓營銷素材的客戶觸達規模提升了21.4%。此外，在電銷系統中，語義分析和线索挖掘幫助提升電銷线索識別准確率高達98%，同時將轉化率提高超過5%。
還有度小滿，也將大模型技術應用在各個業務場景，從營銷、客服、風控、辦公再到研發，已經初見成效。比如在代碼助手方面，用大模型輔助生成的代碼，採納率能夠達到42%，幫助公司整體研發效率提升了20%；在客服領域，大模型推動服務效率提升了25%。在智能辦公領域，大模型目前的意圖識別准確率已達到97%。
從國內的AI大模型發展來看，主要分爲通用大模型及行業大模型，前者具有更廣泛的的應用範圍，可以在多個領域內發揮作用；後者針對法律、醫療、金融等某個特定領域或行業，在垂直領域內具有較高專業性和針對性。據熟悉金融科技業務的人士透露，大模型對金融機構的賦能可以是全方位的，涉及金融業務流程中與人相關、人機交互的等各個環節，但現階段金融大模型的價值，主要在於對大規模數據的理解、加工和分析，以及讓工作流程更加流暢和低成本，以實現提質增效。
華西證券的報告指出，隨着大模型技術與業務的深度融合，頭部金融科技企業有望實現產品和商業模式的革新，實現從產品+服務收費向SaaS訂閱收費、運營分潤收費的轉變。
02
金融大模型的殊途同歸
算法和數據成關鍵
從各行業來看，金融業沉澱了如金融交易、客戶信息、市場分析、風控等各個方面的海量數據，並催生出大量高效處理的技術需求。同時金融行業持續進行數字化轉型，以往對數據的收集、處理、清洗等工作也都做得較好，有着良好的數據基礎，這也是爲什么在大模型演進過程中，金融業走得較快的重要原因。
對於金融機構在GPT產品方面的需求，奇富科技曾在去年5月對104家中小金融機構進行了訪談，其中的結果顯示，金融機構對GPT產品的需求主要集中在改善用戶體驗、輔助風控決策以及資料查詢與信息提煉這三個方面。
一般來說，從大模型行業應用路徑來看，科技巨頭提供通用大模型，或者技術能力強的金融科技公司提供金融行業大模型，具體的金融機構基於這個行業底層模型，用自己的業務數據去做私域訓練，然後做私有化的部署和應用。過去的一年，對於那些選擇探索开發自有大模型的金融科技公司，在大模型的發展方向以及側重點方面，其實也呈現出不同的路徑選擇。
以樂信的LexinGPT爲例，依托近2億優質高成長的年輕用戶的行爲畫像以及真實交易鏈路數據，其金融大模型更加注重與業務場景的融合應用。通過梳理清晰這些海量數據關系（數據庫量級大致在百億至千億之間），並形成了不同場景下、用於預測用戶行爲偏好的衆多精准模型，包括：借錢意愿度模型、營銷偏好模型、offer滿意度模型、還款意愿度模型、客戶流失預警模型等，樂信迭代和完善了用戶生命周期全局模型，打造出一套領先的全鏈條量化經營的系統，提升運營效率和客戶體驗。未來，樂信還會將AI和大模型應用於金融科技全鏈條實現精細化運營。
而奇富科技所打造的金融大模型方向，是借助自身在“軟硬結合”的優勢和積累，成爲金融領域的“AI專家”。比如通過技術不斷加深對金融行業與用戶需求的理解，並持續優化數據分析與處理能力、算法與AI技術、夯實算力儲備，軟與硬相互綁定，以更好地賦能金融行業，更具有普適性。與此同時，奇富科技還特別注重大模型在最終輸出答案的可信度和合規性。比如針對大模型在內容真實性與內容合規方面的痛點，奇富科技依靠一系列政策規範文檔與條款，形成了豐富的信貸合規處置經驗，並以此完成信息圍欄的構建，讓大模型安全可控。
奇富科技首席算法科學家費浩峻還提到，大模型並不是越“大”越好，如何在有限算力內提升模型效果，使實際業務應用更快更高效，是首先需要平衡的。“我們希望把模型‘做大’後再‘做小’，做大是把它的能力做大，比如像Chat GPT這種千億參數的模型有很強的能力，保持能力不變的同時把參數做小，結合多種場景運用到垂直領域中，會實現更好的效果。”
此外，也有像華爲、馬上消費、星環科技這種“另闢蹊徑”布局金融領域大模型的玩家。華爲依托於盤古大模型，以金融級PaaS解決方案的方式切入金融場景；馬上消費的“天鏡”大模型則憑借着“三縱三橫”技術布局扎根金融行業全鏈路；數據庫廠商星環科技在自研金融大模型“無涯Infinity”的同時，還提供了一站式的企業自建大語言模型工具鏈，嘗試兩條腿並行。
對於金融大模型的落地應用途徑，中國工程院院士鄔賀銓建議，機構可從可控入手开發應用，例如智能客服、智能運營等安全的領域出發。再從人機混合智能切入，例如在初期階段先讓金融大模型與傳統模型共存，經應用考驗後再將金融大模型逐步替代傳統模型。同時還可以通過變換場景，豐富大模型的場景遷移學習能力，或加入反事實的數據來測試，改進AI的學習本質，提高模型的泛化能力。
盡管各家都有不同的發展路徑，但可靠性仍然是大模型在金融領域落地最大的鴻溝。爲了將大模型更好地“縫合”到業務場景中，提升可靠性、安全性和流暢度，各大廠商的主流方案有三種：一是將大模型與專業領域的小模型結合，大模型負責認知、理解、溝通、創作，小模型負責把握風險、承載嚴謹的邏輯；二是將大模型的參數知識與結構化、顯性化、可靠的金融知識圖譜相結合，此舉能很好地爲大模型注入可靠性；三是將开放QA（問答）和封閉QA的結合，讓大模型得到請求指令後，在專業知識領域內進行檢索，大幅提高准確性。
對於金融大模型競爭中的核心問題，畢馬威中國金融科技主管合夥人黃艾舟認爲，這取決於最關鍵的是兩個能力：第一個是算法，因爲好的算法能夠使得需要的參數減少，同時產生更好的效果，但這需要頂尖的AI科學家。第二個是數據的質量和數據的規模，如果已經有了經過標注的數據，那一定會提升模型的性能和模型產生的結果，同時通過大規模數據的不斷學習和訓練，才能有智能湧現的能力。
03
應用突破年
金融大模型未來的三大挑战
工信部賽迪研究院日前發布的數據顯示，2023年我國語言大模型市場規模實現較快提升，將達到132.3億元，增長率將達到110%，而且應用場景不斷豐富。而隨着AI技術產品化、產業化以及商業化，2024年將是大模型發展的重中之重，在應用層面有望實現新的突破。
對金融大模型來說，現階段最容易實現的包括AI投資顧問、自動化客服、風險評估、報告自動化生成、代碼生成應用等較爲外圍的工作，但如果要將AI進一步滲透到風控等金融核心業務，還需要在垂直領域進行磨合，經過長時間的考驗，才能進入到更爲核心的金融業務中。
而在未來發展方面，金融大模型也面臨着一些挑战。這首先來自於數據安全合規的採集、管理和使用。因爲金融行業本身對數據安全和隱私合規有着嚴格的要求，注定了金融大模型在採集、傳輸、加工及處理信息的各個環節，都要比通用大模型乃至其他行業大模型更爲謹慎。而且數據又是不同金融機構的核心生產力，關系着自身的護城河問題。大模型發展需要高質量數據集，同時又受限於自身遠遠不及通用語料的數據規模，就必然需要不同業態完成數據共享，如何構建一個合理且安全的機制，考驗的是整個金融行業的智慧。
其次是大模型的迭代和訓練，成本高、成本大，模型需及時調整，也有一些金融機構選擇利用大數據的整合，在垂直領域精調模型，以小規模算力打造輕量級精調模型。金融的本質是風控，大模型優化金融業務流程和用戶體驗的同時，要將風險降到最低。
也因此，目前大模型在金融垂直領域仍未挖掘出湧現效應，一方面是由於金融數據及知識的私密性導致難以共享，無法構建一個龐大的數據集，對此可以增強產學研的聯動性，共同構建更強的金融垂直領域基座模型。另一方面由於金融數據模態更多，難以進行統一的處理建模，而如今的大模型對此種多模態的表達能力仍有待加強。
最後，金融大模型的發展，還要處理好金融業務數據如何融入到大模型中，以及如何控制幻覺問題等模型缺陷問題。所謂“幻覺”，指的是人工智能模型生成的內容，不是基於任何現實世界的數據，而是大模型自己想象的產物，即給出事實錯誤或者是一些看上去權威正確的虛假信息。可以說，生成式大模型非常擅長創造，往往創造有余，但准確性不足。且金融領域的本質是復雜決策、低容錯率，這遠遠比對話聊天困難得多，通用模型裏面的專業知識遠遠不夠，如果無法有效發現“幻覺”中的漏洞，那么將很可能導致金融大模型出現理解或判斷上的偏差，直接影響風控效果。
就當前而言，成本較高、金融數據不充分，落地場景和大模型之間實際預期業務價值之間存在差異。企業對模型精度和效率要求更高，尤其是一些專業性強、知識密度高的領域，大模型的表現存在輸出結果不受控、可解釋性較差、可信程度較低等情況，從而限制了其應用場景。此外，在新技術的應用過程中面臨倫理道德、價值觀上帶來的挑战時，人工智能帶來的倫理問題需要法律法規約束，這些在未來都需要進一步釐清和給出明確的規定指引。
結 語
作爲數字化轉型核心技術驅動力的金融科技，借助大數據、人工智能、區塊鏈等技術，特別是AI大模型技術的崛起，有望引領金融科技領域的革命性變革，重新定義整個行業的價值。但是這個變革過程並非一帆風順，還面臨着安全、合規、算法和生態等方面的挑战，迎接這些挑战，既需要行業的決心，也需要企業的長期定力，對於已經率先布局大模型的金融科技企業來說，今年才剛剛开始。
原文標題 : 從內容提效到合規管控，金融科技大模型的破局與突圍｜年度盤點
標題：從內容提效到合規管控，金融科技大模型的破局與突圍｜年度盤點
地址：https://www.utechfun.com/post/320272.html