大模型在金融业：从战略重视到理性落地

ChatGPT问世以来迅速引发金融业的关注,这个对技术充满信仰的行业生怕被时代洪流甩在身后。然而,最初的焦虑情绪正逐渐回归理性,思路也变得更加清晰。

金融业对大模型的态度经历了几个阶段:年初时普遍感到焦虑;春季开始组建团队研究;夏季在寻找方向和落地过程中遇到困难,变得更加理性;如今,他们正在借鉴已验证的场景进行尝试。

一个新的趋势是,众多金融机构已经开始从战略层面重视大模型。根据不完全统计,A股上市公司中至少有11家银行在最新半年报中明确提出正在探索大模型应用。从近期动作来看,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。

年初ChatGPT刚出现时,尽管热情很高,但对大模型的本质和应用方式了解有限。一些大型银行率先采取行动,开始进行各种宣传。同时,随着国内多家科技公司发布大模型,一些头部金融机构的科技部门开始积极与大厂讨论大模型建设事宜。

5月以后,受算力资源紧缺、成本高昂等因素影响,许多金融机构开始从单纯希望自建转变为更关注应用价值。大型金融机构可引入领先的基础大模型,自建企业大模型,同时采用微调形式,形成专业领域的任务大模型。中小金融机构则可综合考虑投资回报,按需引入各类大模型服务。

由于金融行业对数据合规性、安全性、可信性等要求很高,部分人士认为,这一行业的大模型落地进展略慢于年初预期。为解决落地过程中的各种制约,金融机构正在探索多种方案,包括自建算力、混合部署等。同时,越来越多的金融机构也在加强数据治理。

目前,大模型在金融业的应用主要集中在智慧办公、智能开发、智能客服等外围场景。业内普遍认为,短期内不宜将大模型直接用于面向客户的核心业务,而应优先应用于内部的智力密集型场景,以人机协作的方式提升工作效率。

一些金融机构已经开始基于大模型,搭建包含基础设施层、模型层、服务层、应用层等多个层级的分层系统框架。这些框架体系普遍具有两个特点:一是大模型发挥中枢能力,将传统模型作为技能调用;二是大模型层采用多模型策略,内部比较选出最优效果。

大模型的应用已经开始对金融行业的人员结构带来一些挑战和变革。一方面,一些传统岗位面临被替代的风险;另一方面,大模型相关人才的需求激增,但短期内供给难以匹配。一些金融机构正在采取行动,通过培训等方式提升现有员工的能力,同时也在积极引进相关人才。

总的来说,大模型在金融业的应用正从最初的热情高涨逐步走向理性落地。金融机构需要在战略层面重视大模型,同时也要注意解决落地过程中的各种挑战,包括算力、数据、人才等方面的问题。未来,大模型有望在金融业发挥越来越重要的作用,推动行业的数字化转型和创新发展。