拜“金”大模型，为何是块难啃的蛋糕？
金融领域人工智能的发展历程
早期的试水
在金融行业中，人工智能并不是一个新的概念。早在上世纪80年代，华尔街的交易大厅里就已经有了人工智能的影子。那时候，交易大厅里充满了喊单的声音，一片喧嚣。而就在这喧嚣背后，算法交易开始悄然兴起。一些简单的程序逐渐取代了人工操作，按照预设的交易策略执行交易。这是人工智能在金融领域的初次尝试，也拉开了金融领域技术革新的序幕。
21世纪的发展
进入21世纪，机器学习和数据挖掘技术走向成熟。这一发展给金融机构带来了很大的改变。金融机构可以借助这些技术更精准地预测市场走势，能够更敏锐地洞察投资机会。这些技术的应用，使得金融机构在投资决策等方面有了更科学的依据，提高了决策的准确性。
当下的核心机会
到了现在，人工智能已经成为未来几年金融领域参与者提高竞争力的最核心机会，甚至可以说是最后的机会。大模型作为推动人工智能发展的关键技术，一直备受关注。例如，九月ChatGPTo1-preview在复杂推理任务上取得重大进步，其推理新范式的创新让性能显著提升，这一成果被视为AI时代的又一个里程碑。
金融机构大模型应用模式
一体化的大模型解决方案
一体化的大模型解决方案是一种由大模型厂商主导的模式。大模型厂商会将预训练和微调过的通用大模型或者垂直大模型交给金融机构，然后由金融机构进行私有化部署。在金融领域，这种一体化解决方案在中小创新型金融机构中出现得比较多。像拓尔思-拓天大模型、华为-盘古大模型等在金融领域的解决方案落地较多。拓尔思在金融领域的落地成果备受好评，不少头部机构已经在应用基于拓天大模型研发的内容生产智能助手、新一代搜索与推荐等插件。盘古金融OCR大模型与广东省农信联社也有成功的合作案例，单模型覆盖了多个通用的文字识别场景。
与大模型厂商联创自研大模型
这种模式是大模型厂商提供基础大模型，然后金融机构基于自己的数据、语料，和技术团队共同对基础大模型进行微调，从而衍生出垂直大模型，并进行私有化部署。农业银行就是一个典型的例子，它基于基础大模型，自研出大模型小数（ChatABC），这是同业首个自主创新的金融大模型应用，目前已经在智能问答、智能客服、辅助编程、智能办公、智能风控等多个领域进行应用与深度探索。邮储银行与智谱AI战略协同，以通用大模型为基础，和金融大行共同研发探索AI落地的场景。国泰君安与阶跃星辰、财联社共同研究多模态证券大模型“财跃F1”，为客户的智能化服务体系赋能。
API接入商业大模型，外挂知识库建设
金融机构会选择合适的商业大模型API接口，通过RAG进行知识库管理建设和应用，并且进行私有化部署。知识库管理是大模型落地比较顺畅的一种路径，目前大部分对大模型有所探索的金融机构都尝试过这种方式。很多机构多基于开源大模型进行知识库外挂，从而为从业人员提供内部知识库问题等功能。这种模式在研究分析需求较大的证券行业分布相对较多。
接入大模型赋能的SaaS、大数据系统、智能助手等等
如今，很多软件解决方案厂商都在进行大模型的技术融合并且取得了一定成果。金融机构会选择在某些业务流程上进行AI大模型功能的应用叠加或者采购大模型应用软件，以此来提升员工的工作效率。例如，兴业银行、中信银行接入百度“文心一言”，主要应用在人机对话的流程场景。银行通过百度智能云调用“文心一言”提供的跨模态、在跨语言的深度语义理解与生成能力，从而提升客户体验，助力员工效率。
金融大模型：诱人又难啃的蛋糕
厂商面临的挑战
尽管金融领域是大模型落地的理想土壤，但对于大模型企业来说，要进入这个领域并不容易。金融机构具有很强的甲方属性，对大模型企业提出了很高的要求。在与金融机构合作的过程中，大模型企业常常面临交付难、维保难等问题。在百模大战时期，超过60%的企业都将金融领域视为目标市场，像华为·盘古金融大模型、百度·文心一言等众多企业都涉足其中。从现实情况来看，金融领域的大模型解决方案实际交付量并不多，金融业大模型招标项目量也在逐步下降。
百川智能的案例
以百川智能为例，它一开始看中的主要应用赛道是医疗和金融两大领域。百川智能内部对于赛道的选择存在争议和分歧，有支持聚焦医疗大模型的，也有认为金融领域很重要的。从外界观察来看，2024年3月，原中关村科金副总裁邓江加入百川智能，担任金融事业群总裁职务，负责金融行业解决方案的打造以及合作生态的建立，这表明百川智能在金融领域的决心。但是到了2024年7月，百川智能完成50亿元A轮融资后，对外表示要“聚焦医疗大模型”。2024年9月服贸会期间，邓江又表示百川智能在医疗和金融领域做持续的战略投入，其大模型在金融知识能力上达到了人类水平，在很多金融机构有实际应用落地。但从最近的对外信息传递来看，百川智能的业务核心围绕着医疗领域，这一点在《中国企业家》的报道中也有所体现。
金融机构的投入与选择
从金融机构自身来看，它们对大模型的投入并没有停止。在2024年的中报中，多数金融机构都提到了对大模型的投入与探索，这表明AI大模型在金融业已经占据了核心位置。从金融大行的推动路径来看，大部分倾向于自研大模型，并且将大模型纳入长期战略规划，加大技术研发投入，增加数据中心GPU储备，成立专门的人工智能部门或实验室来推动大模型在业务中的应用。不过，这种投入对于金融机构来说也是一场“烧钱”之战。基础大模型的质量对垂直应用的精准性和好用度有很大影响，而目前中国绝大部分基础大模型在技术突破上还有很长的路要走。以ChatGPT为标杆，国产大模型大部分还处于GPT-3.5的水平，从GPT-3.5到GPT-4的训练需要耗费大量资源，保守估计训练一次最少要用到8000张GPU，从GPT-4到现在的GPTo1更是需要万卡集群的支撑，而且为了应用到金融领域还需要高质量数据再进行微调，初始投入巨大，并且大模型的训练和部署需要高水平的技术支持以及高端的AI算法和技术人员投入。对于大型金融机构来说，它们有能力持续性投入，从而抢占技术高点，构建金融大模型技术护城河。但对于小型金融机构而言，“外挂知识库、大数据智能化分析、SaaS类、AI助手”等方案成本低且效益高，如果能在合适的场景落地，也有助于业务开拓和降低人力成本。
人工智能与人类劳动力的关系
从金融从业的角度来看，虽然金融领域具有结构化、标准化、流程化的特点，非常适合大模型落地，但并不需要担心人工智能会大规模取代人类。相反，人工智能有潜力增强人类劳动力，大幅提高处理能力和质量。在这种情况下，人类劳动力的角色会向更高层次转移，会有更多精力投入到基于关系、面向客户的角色中，这将进一步推动金融业以客户为中心的核心目标。
金融领域大模型的未来展望
从当前市场来看，未来可能会出现小型银行与中大型银行共享模型、共连应用的情况。更有实力的中大型金融机构可能会成为行业协同的领导者，为小型金融机构提供技术输出甚至人才输出。在这个过程中，金融系科技子公司或许会有更多的发展机会。只要抓住这个历史机遇，持续深化对大模型和人工智能的投入，深化与科技公司的合作，加强人才培养，构建开放共赢的金融科技生态，就能够引领金融行业的发展，为全球金融创新贡献中国的智慧和方案，推动金融服务的普惠化、智能化和可持续发展。
相关问答
人工智能在金融领域的早期应用有哪些？
人工智能在金融领域的早期应用是算法交易。上世纪80年代，华尔街交易大厅里，算法交易悄然兴起，简单程序开始替代人手执行预设交易策略。
金融机构大模型的一体化解决方案有何特点？
金融机构大模型的一体化解决方案由大模型厂商将预训练和微调过的通用或垂直大模型交付金融机构私有化部署，多在中小创新型金融机构出现，如拓尔思-拓天大模型、华为-盘古大模型在金融领域的应用。
与大模型厂商联创自研大模型是如何操作的？
大模型厂商提供基础大模型，金融机构基于自身数据、语料与技术团队共同微调衍生垂直大模型并私有化部署，像农业银行的ChatABC就在多个领域应用探索。
API接入商业大模型外挂知识库建设有什么优势？
这种方式是选择商业大模型API接口通过RAG管理建设知识库，多为研究分析需求大的证券行业采用，能为从业人员提供内部知识库问题功能，落地较顺畅。
金融机构接入大模型赋能的软件有什么作用？
金融机构接入大模型赋能的SaaS、大数据系统、智能助手等软件，如兴业银行、中信银行接入百度“文心一言”，可提升客户体验和员工效率。
为什么说金融大模型对厂商来说是难啃的蛋糕？
因为金融机构强甲方属性，对厂商要求高、交付难、维保难，且实际交付量不多、招标项目量下降，如百川智能在金融领域的发展转变就体现了困难。
