金融业大模型应用进展:从焦虑到理性探索

ChatGPT问世以来,金融业对人工智能技术的关注度迅速升温。从最初的担忧和焦虑,到如今的理性探索,金融机构对大模型的态度经历了几个阶段的变化。

年初时,许多机构急于跟进,担心落后于技术发展。到了四五月份,纷纷组建团队开展相关工作。随后几个月,在寻找方向和落地过程中遇到困难,态度趋于理性。目前,多数机构正在关注业内标杆案例,选择经过验证的场景进行试点。

值得注意的是,不少金融机构已将大模型提升到战略层面。据不完全统计,A股上市银行中至少有11家在最新半年报中明确提出正在探索大模型应用。从近期动作看,他们也正在从战略和顶层设计层面进行更清晰的思考和路径规划。

从热情高涨到理性回归

年初时,金融机构对大模型的认知还很有限。一些大型银行率先行动,推出了相关应用。与此同时,一些头部金融机构开始与科技公司探讨大模型建设。

5月以后,受限于算力资源和成本等因素,金融机构的关注点开始从自建转向应用价值。目前,不同规模的企业也分化出两条路径:大型机构倾向于自建企业大模型,中小机构则倾向于引入公有云API或私有化部署服务。

由于金融行业对数据合规性、安全性、可信性等要求较高,大模型的落地进展实际略慢于年初预期。一些机构已经开始寻找解决方案,包括自建算力、混合部署等。

在数据方面,越来越多的金融机构开始加强数据治理,构建数据中台和数据治理体系。一些银行还通过大模型+MLOps的方式解决数据问题。

从外围场景切入

过去半年多,金融机构和服务商都在积极探索大模型的应用场景,涵盖智慧办公、智能开发、智慧营销、智能客服、智慧投研、智能风控等多个领域。

但在实际落地过程中,业内形成共识:先内部后外部。目前阶段,大模型技术尚不成熟,而金融行业对安全性和可信度要求极高。因此,短期内不建议直接面向客户使用大模型。

目前,代码助手和智慧办公等场景已在不少金融机构落地。但业内人士认为,这些还不是金融机构的核心应用,大模型距离深入金融业务层面还有一定距离。

在顶层设计方面,一些金融机构已经基于大模型搭建了多层级的系统框架,包括基础设施层、模型层、服务层和应用层等。这些框架普遍采用大模型作为中枢,调用传统模型作为技能,并采用多模型策略以优选效果。

人才缺口依然庞大

大模型的应用已经开始对金融行业的人员结构带来挑战和变革。一些岗位面临被替代的风险,但同时也出现了新的人才需求。

目前,金融行业在将大模型能力用于核心业务流程时面临人才短缺的挑战。特别是在自建行业或企业大模型方面,需要一支精干的垂直大模型技术队伍。

一些金融机构和科技公司已经开始采取行动,通过培训课程、联合项目组等方式提升员工能力。在这个过程中,金融机构的人员结构也将迎来调整和变革。会用大模型的开发人员可能更容易在新环境中立足。