透视金融大模型：多在基础模型上微调，关键命题是让数据进入决策

2023年初，ChatGPT引发全球轰动，很快席卷整个科技圈。AIGC（生成式人工智能）为传统金融行业带来了更多想象空间，短短半年多时间，国内外金融机构、科技公司、互联网企业纷纷在算法模型、数据服务、应用场景等方面全方位竞赛。今年下半年以来，金融大模型也纷纷破土而出，相继落地。

7月末，腾讯研究院一项调研数据显示，国内参数在10亿规模以上的大模型数量由5月末的79个增加至116个，其中金融行业大模型约18个。

金融大模型到底是什么？它是怎么运作的？它将给金融行业带来哪些改变？近日，在香港金融科技周2023期间，在第一财经举办的“人工智能新纪元：探路金融大模型”分论坛上，多位技术专家和行业领袖围绕金融大模型的应用及前景，进行了深入讨论。

多在基础模型上微调而来

根据业内定义，大模型通常是“大规模预训练模型”的简称，主要依据参数规模（即函数的参数数量）来定义，相对于基础深度学习的“小模型”，通常参数规模多于10亿的模型被称作“大模型”。

万向区块链首席经济学家邹传伟指出，开发基础大模型需要大量的训练语料、优秀的AI工程师、巨量的算力，并非所有金融机构都具备开发基础模型的能力。从现实来看，目前很多金融大模型是在已开发的基础模型基础上，结合机构本身数据进行微调后产生。不过，目前大模型的核心特征就是高维的参数，因此当前的金融大模型也具备高维参数的特征。

大模型和行业场景融合是一个不断演进、探索的过程。“通用大模型在时效性、专业性、严谨性方面有一定欠缺，而这些恰恰是金融行业必须重视的三个要素。”邹传伟指出，对于金融机构而言，首先可以结合向量数据库技术，提高训练语言的时效性，让模型可以获取最新的信息；其次是让机构专业人士与大语言模型“对话”，通过人工反馈对齐，提高模型的严谨性；第三是探讨将大语言模型和知识图谱结合，提升回答问题时的专业性。

马上消费金融首席信息官蒋宁则认为，大模型执行金融任务时，需要满足几个要求，一是在线持续学习，让模型实现实时推理预测，能基于用户行为做出快速的、最佳的个性化判断；二是要构建组合式AI平台，让大模型和传统的数千个普通模型有效组合，达成合作；三是满足安全合规的根本要求，用对抗学习来解决模型的鲁棒性问题，以保证金融100%安全。

“决策的革命”

金融大模型快速“落地”之余，对金融行业的影响也逐渐显现，而是否能提升效率在业内存在争议。

有业内人士认为，金融大模型将在优化金融市场效率上大有可为。邹伟认为，从宏观来看，金融是一个高度由数据驱动的市场，任何信息、数据都可能对资产价格产生影响。一类数据是公司的资产负债表等结构化的数据，目前金融领域已经有成型的量化分析和建模方法，有效提升了效率。而另一类信息则是以文本为代表的非结构化数据，但目前如何从非结构化数据中提炼出信息，总结知识，并升华成智慧，被探讨的还较少。大语言模型可以让大量非结构化的数据以更有效的方式进入市场，从而提高金融市场效率。

从微观层面看，大语言模型为个人赋能，它能提供信息的检索、文章的解析、研究报告和合同底稿起草、智能化客服的功能，可以帮助金融从业人员从简单重复的工作中解脱出来，聚焦更具需要创造力、更能为用户提供价值的领域。

蒋宁认为，金融大模型有助于提升决策的效率。他称，金融大模型可以构建更加人性化、用户体验更好的金融产品。同时可以运用在风险控制、合规有效性等方面，有助于辅助进行更有效的决策。

在蒋宁看来，大模型在辅助决策方面还有更多的想象空间。未来可以搭建新型的数据平台，让数据更快的转化成数据资产，让数据资产能够快速助益决策。

要实现这种效果，蒋宁认为“工具”的介入很重要。首先需要有洞察的工具，能在海量的数据资产中找到因果关系。例如，在经营场景中洞察到“为什么是我的客户”、“一个客户因什么转化”等因果关系；其次，需要有数据资产转化的工具；第三需要实时决策的工具。金融机构目前大多采用事后决策、间接决策，而未来在大模型场景下，金融机构有可能进行实时决策，让业务人员直接面对消费者多样化的需求，快速改变商品、服务的交易过程。

“人的决策让渡给机器，对人类而言需要一个接受过程。”蒋宁认为，大模型除了用工具改变流程外，未来也需要“决策的革命”，包括组织如何让模型替代人的一些经验决策，探索新的数字化组织形式等。

不过，也有业内人士认为，目前大模型在金融领域的落地场景相对有限。平安壹账通银行执行董事兼行政总裁费轶明指出，需要区分通用大模型、专业领域AI两个概念。在通用大模型概念兴起前，金融机构已有布局专业AI领域。以平安壹账通为例，专业AI主要运用在销售、风控、运营、客服四个方面，目前90%以上的客服是由AI来做处理的。而在通用大模型领域，目前来看金融应用场景暂时较少。