大模型應用探索：金融業從熱情高漲到理性回歸

ChatGPT問世以來，在金融業引發了巨大反響。這個對技術充滿信仰的行業擔心自己可能會被時代的浪潮甩在後面。這種焦慮氛圍一度蔓延到了意想不到的地方。有業內人士提到，今年5月她在大理出差時，甚至在寺廟裏都能遇到討論大模型的金融從業者。

然而，這種焦慮正逐漸平復，人們的思路也變得更加清晰和理性。軟通動力銀行業務CTO孫洪軍描述了今年金融業對大模型態度的幾個階段：二三月份，普遍存在焦慮情緒，擔心落後；四五月，紛紛組建團隊開展相關工作；之後幾個月，在尋找方向和落地過程中遇到困難，開始趨於理性；現在，更多關注標杆案例，嘗試驗證過的應用場景。

值得注意的是，許多金融機構已經開始從戰略層面重視大模型。據不完全統計，A股上市公司中，至少有11家銀行在最新半年報中明確提出正在探索大模型的應用。從近期動作來看，他們也正在從戰略和頂層設計層面進行更深入的思考和規劃。

從熱情高漲到理性回歸

年初ChatGPT剛出現時，金融業對大模型的理解還比較有限。一些大型銀行率先行動，開始進行各種宣傳。同時，隨着國內多家科技公司陸續發布大模型，一些頭部金融機構的技術部門開始積極與這些公司探討大模型建設事宜。

5月份之後，情況開始發生變化。受限於算力資源短缺、成本高昂等因素，許多金融機構開始從單純希望自建算力和模型，轉向更關注應用的價值。目前，每家金融機構都在密切關注其他機構在大模型方面的應用及其效果。

不同規模的企業也分化出了兩條路徑。擁有海量金融數據和應用場景的大型金融機構，可以引入領先的基礎大模型，自建企業大模型，同時採用微調方式，快速開發專業領域的任務大模型；中小金融機構則可以根據需求引入各類大模型的公有雲API或私有化部署服務。

由於金融行業對數據合規性、安全性和可信性有較高要求，一些業內人士認爲，該行業的大模型落地進展實際上略低於年初預期。一些金融機構已經開始尋找解決方案，以克服大模型落地過程中的各種障礙。

在算力方面，金融業目前出現了幾種解決思路：

1. 直接自建算力，成本較高但安全性更有保障。適合實力雄厚、希望自建行業或企業大模型的大型金融機構。

2. 算力混合部署，在確保敏感數據不外流的前提下，結合公有雲大模型服務接口和私有化部署方式。這種方式成本相對較低，適合資金實力較弱、只需按需使用的中小型金融機構。

針對中小機構面臨的GPU卡短缺和高價問題，有消息稱監管機構正在探索搭建面向證券行業的大模型基礎設施，集中算力和通用大模型等資源，以幫助中小金融機構避免"技術落後"。

在數據治理方面，越來越多的金融機構開始構建數據中臺和數據治理體系。一些銀行還通過大模型結合MLOps的方式解決數據問題。例如，某大型銀行採用MLOps模式建立了大模型數據閉環體系，實現了流程自動化和多源異構數據的統一管理與高效處理。

從外圍場景切入

過去半年多，大模型服務商和金融機構都在積極尋找應用場景，涵蓋智慧辦公、智能開發、智慧營銷、智能客服、智慧投研、智能風控、需求分析等多個領域。

每家金融機構對大模型都有豐富的構想。有銀行表示已在20多個場景投放應用，另一家銀行稱正在30多個場景中進行試點，還有證券公司正探索將大模型與虛擬數字人平台結合。

然而，在實際落地過程中，業內普遍認爲應該先內部後外部。考慮到當前大模型技術尚不成熟，而金融行業又是強監管、高安全要求的領域，短期內不建議直接面向客戶使用。

目前，代碼助手和智慧辦公領域已有不少落地案例。例如，某大型銀行構建了基於大模型的智能研發體系，編碼助手生成的代碼量佔總代碼量的40%。在保險領域，某公司開發了基於大模型的輔助編程插件，直接嵌入內部開發工具。

不過，業內人士判斷，這些已廣泛落地的場景實際上還不是金融機構的核心應用，大模型距離深入金融行業的業務層面還有一定距離。

在頂層設計方面，一些變革正在進行。多家頭部金融機構已經基於大模型搭建了包含基礎設施層、模型層、大模型服務層、應用層等多個層級的分層系統框架。這些框架體系普遍具有兩大特點：一是大模型發揮中樞能力，將傳統模型作爲技能進行調用；二是大模型層採用多模型策略，內部優選最佳效果。

人才缺口依然龐大

大模型的應用已經開始對金融行業的人員結構帶來一些挑戰和變革。一些崗位面臨被替代的風險，但同時也創造了新的機會。

多位業內人士表示，目前大模型相關人才的缺口非常大。金融機構雖然能從大模型廠商獲得技術支持，但作爲最終使用方和創新主導方，他們仍需要一定的人才積累來支撐AI大平台的構建、應用規劃以及模型優化等工作。

一些機構已經採取行動，如與科技公司合作設計培訓課程，涵蓋Prompt調優、微調、大模型運營等內容，並建立聯合項目組推動企業人員能力提升。

值得注意的是，在這個過程中，金融機構的人員結構也將迎來調整和變革。熟悉大模型應用的開發人員可能更容易在新環境中脫穎而出。