大模型在金融業：從戰略高度思考應用

ChatGPT問世以來，金融業立即產生了強烈的焦慮感。這個對技術充滿信心的行業生怕被時代的浪潮甩在後面。這種緊張氛圍甚至蔓延到了一些意想不到的地方。一位業內人士透露，今年5月她在大理出差時，竟然在寺廟裏遇到有人討論大模型的話題。

不過，這種焦慮正逐漸回歸理性，人們的思路也變得更加清晰。某公司銀行業務CTO描述了今年金融業對大模型態度的幾個階段：二三月份時普遍焦慮;四五月份紛紛組建團隊開始行動;之後幾個月在尋找方向和落地過程中遇到困難,態度趨於理性;現在則是觀察標杆企業,嘗試驗證過的應用場景。

一個新的趨勢是,許多金融機構已經開始從戰略高度重視大模型。據不完全統計,A股上市公司中至少有11家銀行在最新半年報中明確提出正在探索大模型的應用。從近期動作來看,它們正在從戰略和頂層設計層面進行更清晰的思考和路徑規劃。

從熱情高漲到理性回歸

"比起幾個月前,現在能明顯感覺金融客戶對大模型的理解好了很多。"一位資深人士表示,年初ChatGPT剛出來時,大家雖然熱情很高,但對大模型究竟是什麼、該怎麼用,其實了解得非常有限。

這一階段,一方面一些大型銀行率先行動,開始做各種"蹭熱度"的宣傳。另一方面,隨着多家廠商陸續發布大模型,一些頭部金融機構的科技部門開始積極與大廠討論大模型建設事宜。他們普遍希望自建大模型,詢問數據集如何準備、需要多少服務器、如何訓練等問題。

5月份以後,情況逐漸發生變化。受制於算力資源緊缺、成本高昂等因素,很多金融機構開始從單純希望自建模型,轉變爲更關注應用的價值。"現在每家金融機構都在關注其他人用大模型做了什麼,實現了怎樣的效果。"

具體到不同規模的企業,也分出了兩條路徑。擁有海量金融數據和應用場景的大型金融機構,可引入領先的基礎大模型,自建企業大模型,同時採用微調形式,形成專業領域的任務大模型,快速賦能業務。中小金融機構則可綜合考慮投資回報,按需引入各類大模型的雲API或私有化部署服務,直接滿足業務需求。

不過,由於金融行業對數據合規性、安全性、可信性等有很高要求,部分人士認爲,這一行業的大模型落地進展實際略滯後於年初預期。有專家表示,他們最初預測金融行業可能會最先大規模使用大模型,但從最終對接客戶的情況來看,金融行業反而不如法律、招聘等行業應用得快。

一些金融機構已經開始想辦法,解決大模型落地過程中的各種限制。

比如在算力方面,業內人士觀察到金融業目前湧現出了幾種解決思路:

其一,直接自建算力,成本相對高昂,但安全性足夠高。適用於實力雄厚、希望自建行業或企業大模型的金融機構,典型如一些大型國有銀行。

其二,算力混合部署,即在敏感數據不出域的情況下,接受從公有雲上調用大模型服務接口,同時通過私有化部署的方式處理本地的數據服務。這種方式成本相對較低,只需投入幾十萬元買上幾張卡即可滿足需求,適用於資金相對薄弱,只按需進行應用的中小型金融機構。

不過,即便如此,很多中小機構仍然面臨買不到也買不起大模型所需的GPU卡的難題。針對這個問題,有關部門正在進行一些課題研究,探索是否能夠以一種折中的方式,牽頭搭建一個面向證券行業的大模型基礎設施,集中算力、通用大模型等資源,讓行業裏的中小金融機構也能用上大模型的服務,以防止它們"技術掉隊"。

不僅是算力上,隨着最近半年多大家對大模型的落地探索,不少金融機構也逐漸加強了對數據的治理。

某公司高管介紹,目前除了在數據治理領域有成熟實踐的頭部大行,越來越多的中型金融機構也在開始陸續構建數據中臺和數據治理的體系,如今年上半年的一些區域性銀行。他認爲,構建一個完善的數據治理體系和數據湖技術平台,將會是未來金融機構IT建設非常重要的主旋律。

也有銀行正通過大模型+MLOps的方式解決數據問題。比如某大型銀行,通過採用MLOps模式建立大模型數據閉環體系,實現了整個流程的自動化,以及多源異構數據的統一管理和高效處理,據悉目前已構建和沉澱2.6TB高質量訓練數據集。

從外圍場景切入

過去半年多,無論是大模型的服務商,還是各大金融機構,大家都在積極尋找應用場景,智慧辦公、智能開發、智慧營銷、智能客服、智慧投研、智能風控、需求分析等都被一一探索。

正如某公司高管所說,"金融業務鏈條上每一個關鍵職能,都值得用大模型技術重做一次。"一些公司已經發布了金融大模型,並正與合作機構內測共建面向金融產業的大模型產品,目標是爲理財顧問、保險代理、投研、金融營銷、保險理賠等金融從業專家打造全鏈條的AI業務助手。

每家金融機構,也都對大模型有着豐富的暢想和構思。有公司稱內部已有20多個場景投放應用,有的說他們在30多個場景中進行了試點,還有的表示正在探索將大模型和此前推出的虛擬數字人平台打通......

但當要真正將大模型落地進行業裏,大家的一個共識是,先內部後外部。畢竟,當前階段而言,大模型技術並不成熟,比如幻覺問題,而金融行業卻是一個強監管、高安全、高可信的行業。

"短期內不建議直接對客使用。"某銀行高管認爲,金融機構應優先將大模型面向金融文本和金融圖像分析理解創作的智力密集型場景,以助手形式,人機協同來提升業務人員工作質效。

另一位專家也表示,很多金融客戶都認爲代碼助手和客服助手是前期能直接出一些成果的場景。而像投研、投顧等場景,價值很大,但很難快速出來效果,對數據的要求也高。

目前,代碼助手已在不少金融機構落地。比如某大型銀行構建了基於大模型的智能研發體系,編碼助手生成代碼量佔總代碼量的比值達到40%。又比如在保險領域,某公司研發了基於大模型的輔助編程插件,直接嵌入內部開發工具。

基於此,一部分廠商也在圍繞大模型代碼生成的能力,直接爲金融客戶提供開箱即用的產品。有公司開發的一款產品,就是在大模型本身的代碼補全能力上,補充任務分解、精準回答、突破上下文限制等一系列工作,實現用戶的開箱即用。目前,該產品在某銀行已爲3000多人所使用,代碼自動補全率爲50%~90%。

智慧辦公領域,也有不少落地案例。某公司負責人介紹,他們基於金融大模型推出的網點問答,7月在某銀行上線後,已經陸續推廣了幾百個網點,答案採納率超過85%。目前,文檔問答孵化成的標準解決方案,又快速復制到其他銀行以及交易所等。

不過,業內人士判斷,這些已經廣泛落地的場景,實際都還不是金融機構的核心應用,大模型距離深入金融行業的業務層面還有一定距離。

"我們自己判斷,在業務應用場景這塊兒做的難度還是挺大的。"有專家表示,營銷、風控、合規等場景都是大模型可能帶來變革,同時也是金融客戶需求點所在的部分,但就目前的情況而言,這些工作,還要取決於底層大模型廠商們的能力提升情況,再去把業務場景做起來。

另一位專家則預測,到今年底之前,會有一批真正在金融機構核心業務場景裏,用上大模型的項目建設或招標信息出來。

而在此之前,一些頂層設計層面的改變正在進行。

某專家做出這樣一個判斷:未來的整個智能化、數字化系統,都將重新建立在大模型的基礎之上。這就要求金融行業在推動大模型落地過程中,要重新架構系統。同時,也不能忽視傳統小模型的價值,而應該讓大模型、小模型協同起來。

這一趨勢已在金融行業得到廣泛體現。"現在金融機構試點做大模型,基本上會採取分層的模式。"有專家介紹,不同於過去一個場景需要搭建一個平台的煙囪化模式,大模型其實給了金融機構們一個從零開始,更加科學地去做整體的系統規劃的機會。

可以看到,目前已經有多家頭部金融機構,都已經基於大模型,搭建了包含基礎設施層、模型層、大模型服務層、應用層等多個層級的分層系統框架,如某些銀行、證券公司、保險公司等。

這些框架體系,普遍有兩大突出特點:其一,大模型發揮中樞能力,將傳統模型作爲技能進行調用;其二,大模型層採用多模型策略,內部賽馬,選出最優效果。

實際上,不止金融機構,在當前格局未定的情況下,一些大模型應用提供商,也在採用多模型策略,優選服務效果。有專家透露,他們公司的底層模型層也融合了大量大語言模型,他們會根據每個大模型返回的回答,組裝優選後給到用戶。

人才缺口依然龐大

大模型的應用,已經開始對金融行業的人員結構帶來一些挑戰和變革。

此前,上海一家金融科技公司的人士曾透露,隨着ChatGPT的出現,從今年初到5月底,他所在的公司已經裁掉了300多位大數據分析師。而在幾年前,這還是一個炙手可熱的職業。這一度引發他的焦慮,甚至開始提前考慮起自己女兒將來的擇業問題。

來自某大型銀行的金融領域資深人士,也分享了大模型對人的替代效應。該銀行原來每天早上都會有實習生將各方面的信息歸納匯總,再給到投研部門的人,但現在實習生的這些工作通過大模型即可完成。

不過,一些銀行其實並不希望大模型帶來減員。比如擁有大量網點員工的某大型銀行,就明確表示他們不希望員工被大模型取代,而應該是大模型帶來新的機會,提升員工的服務質量和工作效率,同時也釋放出部分員工,做更多高價值的事情。

這其中不乏人員和結構穩定的考量。但另一方面,也是因爲行內很多崗位還有人才缺口。

有專家表示,大型銀行有很多工作要做,部分IT需求的工期甚至排到了明年年底,他們希望大模型能助力員工完成更多工作,提高效率和速度,而不是帶來人員的縮減。

更重要的是,大模型的火來得又急又烈,短時間內,稀缺的人才供給難以匹配上激增的需求。這就好比當初智能手機剛出來時,大家想做應用,滿世界找程序員,又貴又難。

在最近的一場金融科技大會上,某銀行高管總結了金融行業目前在將大模型能力用到核心業務流程中會遇到的6大挑戰,其中之一正是人才。他表示,他們最近招了一些新員工,同時也在做校招,詢問是否學習過AI相關領域,佔比非常高,但再問大模