银行大模型发展：大型银行与中小银行的不同路径？
大模型发展的背景与银行的先行性
大模型发展历程回顾
2022年底ChatGPT的爆火开启了全球AI大模型的快速发展进程，2023年是“百模大战”，众多科技公司纷纷投入大模型研发。到了2024年，大模型开始进入垂直行业应用阶段。金融行业便是其中之一，银行凭借其海量数据资源，成为大模型应用的先行探索者。这一过程中，科技的发展不断推动着变革。
银行在大模型应用中的优势
银行有着丰富的数据资源，从客户信息到交易记录等。这些海量数据为大模型的训练和应用提供了肥沃的土壤。而且，金融与人工智能有着天然的契合点。大模型可以在银行的服务、营销、产品等多领域进行革新，进而影响银行的经营与服务模式，这也促使银行积极探索大模型的应用。
银行探索大模型多场景应用现状
国有大行与股份制银行的探索
国有大行和股份制银行在大模型的探索方面较为积极。它们通过自建或者联合共建大模型，在智能客服、智能投顾等多业务场景进行挖掘。例如工商银行，与多方合作建成了千卡云算力集群、金融大模型等，在约20个业务领域实现了应用。这体现了大型银行在资源和技术实力上的优势。
中小银行的探索实践
中小银行也在积极探索大模型的应用。如江苏银行运用“智慧小苏”大语言模型助力风控领域转型。邮储银行发布自有大模型“邮智”，支持多场景金融应用，在法律审查等方面取得了成果。这些探索多是围绕自身业务特点和需求展开。
大型银行的高成本投入
资金与设备成本
大型银行在大模型投入上成本很高。选择一个训练模型，需要投喂脱敏数据，前期投入包括资金、设备等成本巨大。2023年六大行金融科技投入首次突破1200亿元。从招采需求看，众多银行都有大模型相关的硬件、软件招标中标信息，这也侧面反映了设备成本的高昂。
人力与试错成本
除了资金和设备，人力成本也不可忽视。大模型相关的金融科技人才受到银行重视，银行招聘中对相关人才提出要求。而且试错成本也很高，一个模型的训练如果失败，前期投入就会付诸东流。大模型训练对算力需求大，如光大银行采购大模型算力服务器资源，这些都增加了成本。
中小银行的跟随策略
跟随策略的原因
中小银行选择跟随策略是因为资金、人力等前期成本和后期试错成本难以承受。一位城商行人士表示，如果投入后发现路径错误，损失巨大。大模型的训练和推理所需的计算资源昂贵，硬件投资和能源消耗对中小银行是沉重负担。
跟随策略的实施
中小银行虽然资源有限，但也不放弃研究和部署。上海银行首席信息官提到，不盲目争先也不甘落后。在场景选择上，依据业务场景需求确定实现方式，围观头部银行成熟应用，选择成功率高的路径，从而实现自身发展。
相关问答
银行探索大模型应用的动力是什么？
银行探索大模型应用主要是因为大模型可能是银行数字化转型的重要驱动力，能改变经营和服务模式，并且银行有海量数据和丰富场景适合大模型应用。
大型银行在大模型应用上有哪些投入？
大型银行投入包括资金成本，如2023年六大行金融科技投入超1200亿元，还有设备成本、人力成本和试错成本，同时对大模型相关的硬件、软件有招采需求。
中小银行为什么选择跟随策略？
中小银行选择跟随策略是因为前期的资金、人力成本和后期的试错成本高，难以承受大模型训练和推理所需的计算资源成本。
工商银行在大模型应用方面有何成果？
工商银行与多方合作建成千卡云算力集群、金融大模型和金融数据集，在远程银行、运行管理等约20个业务领域实现了端到端、规模化应用。
邮储银行的“邮智”大模型有哪些功能？
“邮智”大模型从底层算力到顶层应用自主可控，支持企业智能助手、数字员工、信贷模型等多场景金融应用，在法律审查方面可提速超50%。
上海银行在大模型应用方面的态度是什么？
上海银行既不盲目争先也不甘落后，积极研究和部署，依据业务场景需求确定实现方式，不偏袒某一特定大模型。
