本文来自科技云报道。
时至今日，大模型的狂欢盛宴仍在持续，而金融行业得益于数据密集且有强劲的数字化基础，从一众场景中脱颖而出。
越来越多的公司开始布局金融行业大模型，无论是乐信、奇富科技、度小满、蚂蚁这样的金融科技公司，还是百度智能云、华为、腾讯云等互联网和科技大厂，都推出了金融行业大模型及解决方案，希望抢到金融大模型的“头啖汤”。
从过去的一年看，金融大模型已涉及运营、客服、营销、风控、研究以及贷后等多个场景，但金融机构对大模型的应用仍集中在探索、研发或试用阶段。
据北京商报《2023金融大模型报告》显示，商业银行出于其审慎经营、风险管控的原则，近70%的银行在金融大模型的应用中都仍然处于内部测试、联手建模、团队搭建甚至内部探讨阶段。
一边是行业进展轰轰烈烈，另一边是金融业谨慎落地，大模型在金融行业到底发挥了怎样的作用？还有哪些挑战阻碍着大模型在金融行业的大规模落地？
大模型赋能金融业
一直以来，金融机构都在通过数字化技术持续挖掘数据价值，比如业内广泛采用的AI技术，在客服、内容生成、视觉识别等领域已带来了明显的价值提升。
而大语言模型技术的出世，更是给金融行业的AI技术应用注入了一针“强心剂”。
北京商报《2023金融大模型报告》显示，金融业对大模型在金融领域中的应用都非常看好，有95.45%的机构表示看好金融大模型的应用前景，且有超过一半的机构认为金融机构“非常需要”大模型的应用。
业内普遍认为，大模型在营销、客服、投顾、风控等领域具有广泛的应用价值，有助于金融机构提升服务效率及用户体验、优化风控决策能力、高效响应用户需求，实现金融机构经营效率及服务手段的升级转型。
对此，腾讯公共事务副总裁、腾讯研究院高级顾问冯宏声表示，大模型对金融场景的赋能会有两个方向：
一是，原有场景的升级，即原来金融行业的业务场景、业务内容，可以借助大模型进一步地去强化，提供更智能化、更人性化的服务方式。
受制于原有的一些技术条件，金融机构的数字化建设只是用于特定业务的流程管理。
但是大模型的加持，使得金融机构可以在更多的具体业务场景得到辅助，甚至替代掉原有工作中重复性的部分，包括替代规则化、逻辑化的一些场景。
一个典型的金融场景是风控。传统的风控模型会遇到建模效果有限、小样本数据不足的情况下，会导致性能不达标，单点的防御能力和风险预测能力很难适应业务快速发展的需求。
但基于大模型的风险治理升级会对传统的风控业务流程进行改造，能够实现实现高频率、高精度的专家级建模，全流程自动建模自动上线，跨风险类型的能力泛化。
再比如，在智能交互方面，大模型能提供“真人级”对话效果，对客户的语音识别准确率可达到99%以上。同时，在处理复杂和专业性金融知识上，大模型也具有人工所不具备的能力，这将为金融客服、智能投顾、产品营销等带来一个质的飞跃。
在分析决策方面，大模型能够凭借强大的信息挖掘能力，唤醒金融机构大量沉积的信息，对关键信息进行抽取，为判别式AI小模型进行赋能。
在风险决策、信用评估、反欺诈等场景下，大模型能丰满信息的维度，挖掘出小模型无法覆盖到的区域。大模型与小模型相互搭配，将大大提升金融决策的精准度和效率。
二是，新场景的变革。大模型的出现意味着技术路径转换和技术能力的增强，可以在很多场景当中来替换原有的小模型，比如对话、抽取、内容理解，同时也能够基于大模型开发出很多场景。
比如，在中后台场景中，代码是一个最根本的保障。
通过基于大模型的AI代码助手，可以建立代码补全、自动化测试、代码诊断、技术对话的能力，减轻人工撰写代码的负担，也能够提升代码质量，进一步提升敏捷开发的效率。
在AI开发层面，大模型的自动生成能力也将颠覆传统机器学习模型开发“手工作坊”的模式，大模型工程师只需要下达清晰的指令，用文字描述出需求，即能自动生成模型，极大提升机器学习的开发效率和生产模式。
长期去看，现在的大模型技术也会叠加一些外设的设备，产生更多的Agent（智能体），从而不断去重构应用场景。
金融大模型落地
面临多重挑战
尽管金融业普遍看好大模型的未来发展，但在谈及落地时，金融机构大多认为需较长时间才能解决大模型所面临的合规、安全、隐私等问题。
更多的金融机构和服务商认为，3-5年内金融大模型才会大范围落地，也有少部分机构认为落地时间需要5-10年甚至更久。
首要的挑战来自数据安全合规。
金融行业本身对数据安全和隐私合规有着严格的要求，注定了金融大模型在采集、传输、加工及处理信息的各个环节，都要比通用大模型乃至其他行业大模型更为谨慎。
数据是不同金融机构的核心生产力，关系着自身的护城河问题。
大模型发展需要高质量数据集，同时又受限于自身远远不及通用语料的数据规模，就必然需要不同业态完成数据共享。如何构建一个合理且安全的机制，考验的是整个金融行业的智慧。
其次，可靠性仍是大模型在金融领域落地的鸿沟。
金融机构对模型精度和效率要求高，尤其是一些专业性强、知识密度高的领域，大模型的表现存在输出结果不受控、可解释性较差、可信程度较低等情况，从而限制了其应用场景。
因此，金融大模型的发展，要处理好金融业务数据如何融入到大模型中，以及如何控制幻觉问题等模型缺陷问题。
所谓“幻觉”，指的是人工智能模型生成的内容，不是基于任何现实世界的数据，而是大模型自己想象的产物，即给出事实错误或者是一些看上去权威正确的虚假信息。
如果无法有效发现“幻觉”中的漏洞，那么将很可能导致金融大模型出现理解或判断上的偏差，直接影响应用效果。
为了将大模型更好地“缝合”到业务场景中，提升可靠性、安全性和流畅度，各大厂商的主流方案有三种：
一是将大模型与专业领域的小模型结合，大模型负责认知、理解、沟通、创作，小模型负责把握风险、承载严谨的逻辑；
二是将大模型的参数知识与结构化、显性化、可靠的金融知识图谱相结合，此举能很好地为大模型注入可靠性；
三是将开放QA（问答）和封闭QA的结合，让大模型得到请求指令后，在专业知识领域内进行检索，大幅提高准确性。
最后，成本也是金融大模型走向商业化落地的重要因素。
金融的本质是风控，大模型在优化金融业务流程和用户体验的同时，也需要降低大模型高昂的迭代和训练成本。
一些金融机构选择利用大数据的整合，在垂直领域精调模型，以小规模算力打造轻量级精调模型，将成本降到最低。
此外，在大模型技术的应用过程中带来的伦理道德、价值观等问题，需要法律法规的约束，这些在未来都需要进一步厘清和给出明确的规定指引。
总的来看，金融数据不充分、研发成本较高、大模型在金融垂直领域仍未挖掘出涌现效应等挑战，使得大模型落地实际效果和预期业务价值之间存在差异。
金融大模型落地的真正难点在于，能否在产业中扎得更深；其颠覆性也更建立在，纵深到产业中去，赋能金融行业的数字化发展。
从更大的视角来看，随着金融大模型标准的落地，数据合规、隐私安全和训练工艺等问题一一得到解决，金融大模型一定会撬动更多的岗位，解决当下无法解决的问题，带来更大的产业价值。
