2023年，那股席卷大模型的“热潮”，也涌入金融领域。

据《财经》新媒体不完全统计，今年，招联金融、马上消金、度小满、蚂蚁集团、奇富科技等均公开发布金融大模型，其中涉及开源大模型、行业大模型等。

人工智能（AI）模型大致可分为分析式AI与生成式AI。从2022年年底开始备受关注的是生成式AI，其核心能力是通过数据要素学习从而“创造”新的内容与产品。

在部分金融从业者看来，客服场景等领域的AI应用“早就有了”。但也有从业者指出，过去的AI客服只是题库，现在的AI客服的确有AI属性。整体而言，金融大模型“热潮”正在将金融领域的AI应用推向2.0智能化时代。

金融领域的AI应用

目前，已有数家金融科技公司公开其使用大模型的成效。如招联金融的“招联智鹿”，经模拟测试，相比人工作业，该模型结合具体会话状态与服务场景，可实时定制回复话术，节约时间成本近80%。奇富科技的大模型在电销系统中，语义分析和线索挖掘帮助提升电销线索识别准确率达到98%，同时将转化率提高超过5%。

金融科技公司布局大模型除了自主研发，还可对外采购。冰鉴科技研究院研究员王诗强称，金融公司喜欢通过招投标的方式，从第三方人工智能企业获取大模型产品。“在招投标之前，他们一般会与多家平台交流，然后结合内部场景需求，设置招投标参考指标，并公开从市场获取相应的大模型产品。”

业内普遍认为，金融大模型备受行业追捧的背后，是比较明确的商业利益驱动。金融科技公司希望能够借助AI的力量，有效实现降本增效。在小雨点小贷CTO许慎看来，在AI应用层面，AI大模型有着进步性的推动作用。

早在1965年，约翰·麦卡锡就在一次研讨会中提出“人工智能”这一术语。他认为，人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。

随着科技的发展，人类对人工智能的理解逐渐复杂。有学者将人工智能基本的应用分为感知能力、认知能力、创造力、智能四类，基础技术涵盖深度学习、智能云、计算机视觉、智能语音、自然语言处理、大数据、知识图谱、智能推荐等。

2011年开始，人工智能进入蓬勃发展时期。基础层（提供数据及算力支撑）、技术层以及应用层组成了AI产业链。

基于AI产业链的发展，AI在金融领域探索逐步加深。在金融业务链条上，AI与金融的结合已贯穿金融业务前、中、后端各个环节，包括获客、风控、运营、客户服务、营销等。

获客层面，有科技公司通过AI智能语音机器人等产品去触达财富管理业务的潜在用户，在进行智能交互过程中，会借助决策式AI的力量进行数智化洞察，再通过生成式AI制定完整的营销和运营策略，最终完成服务。该科技公司的高管认为，“这相当于帮助银行机构批量化招聘了数十万名中等水平以上的理财经理。”

风控层面，AI通过数据分析和模式识别等行为支持金融产品风控。直观案例即当用户线上申请贷款时，基本可实现自动审批、自动放款，不需要人工审核。

目前，AI技术在金融领域的落地应用已较为成熟，王诗强称，特别是智能风控、智能营销等，金融机构应用非常普及。

人工智能技术推动数字银行高质量发展

随着数字化转型、移动支付、人工智能、区块链技术、大数据分析等技术的不断奔涌，以及消费者对更加便捷、高效、安全的银行服务的需求，银行对金融科技、数字化转型的重视程度不断提高，金融与科技的结合度进一步提升，数字化转型将在银行管理、业务拓展和风险防控中发挥更重要的作用。

而近期持续火爆的大语言模型更是引发了银行对于AI在产品创新、流程再造和服务升级的探索实践，借助AI的自动化能力，有助于降低行业成本，提高服务效率，进一步提升普惠金融的覆盖率、可得性和满意度。

这其中，近年来凭借“数字原生”优势取得快速发展的数字银行，对于创新技术的自主研发与使用尤为重视。据了解，微众银行作为我国首家数字银行，通过发挥金融科技的特色优势，闯出了一条商业可持续的新路径。该行在成立之初便以科技为核心发展引擎，并在ABCD（人工智能、区块链、云计算、大数据）领域深入探索。目前，微众银行已经将AI技术投入使用在银行金融服务的“前-中-后台”，包括客户服务、营销、风险管理和反欺诈等，一定程度上简化人工流程，提升效率，进一步降低运营成本。

微众银行首席人工智能官、加拿大工程院与皇家学院院士杨强教授在接受至顶网采访时表示：“金融行业是数据密集型行业，AI以机器学习、知识图谱、自然语言处理和计算机视觉等核心技术作为主要驱动力，助力金融行业的各参与主体和各业务环节。随着大模型时代到来，我们将进一步探索前沿科技与金融服务深度融合，不断拓展金融服务的广度和深度，重塑以客户为中心的金融价值链和生态，推动‘未来智能金融’的实现。”

挑战与未来

不过，AI在金融领域仍面临一些挑战。

一是数据约束。数据是支撑AI在金融领域应用落地的关键。

易宝支付联合创始人余晨认为，相较于其他行业，金融领域拥有大量直接的原生数据，也就是说，AI在金融领域抓取的数据质量更高。

但值得注意的是，“仅依靠自己家的数据训练AI模型会遇到瓶颈，毕竟每一家拥有的金融数据有限。”许慎认为。这意味着，训练金融模型需要更多的数据，而目前金融行业数据共享存在难度，在业内人士看来，金融数据除了是金融公司核心资产之一，还涉及用户隐私保护等敏感问题。

二是人才缺口。当下的金融AI领域，稀缺的并不是纯技术型人才，而是复合型人才。

佰瑞亿融大数据CEO刘鹏程认为，“还是专业能力问题，没有那么多跨行业的人才，目前多数培训中心培训的都是初级人才。”

许慎表示，金融大模型需要AI领域专家的知识储备兼具广度与深度。如供应链金融，不仅需要具备AI技术，还应对供应链金融的业务流程、行业痛点、数据组成非常的清楚。

除了技术层面的挑战，当下AI应用落地金融业务还需要一定的沟通成本。许慎表示，“新应用落地需要获得业务等部门的支持，但业务部门有一个思维惯性，更习惯使用现在已经比较成熟的工具，当一项AI工具处于初期，往往需要付出很高的沟通成本。”

三是合规。数据融合、数据共享最大的挑战不是技术、也不是数据，而是合规。AI数据隐私保护和安全问题至关重要，尤其在金融领域。

“比如LLM（大语言模型）就有很多通病，甚至有的模型都是黑盒，不具备鲁棒性（是指系统或者算法在不同的情况下，仍能够保持稳定和可靠的能力）与可解释性”，一位技术专家告诉《财经》新媒体。具体来看，AI在金融应用场景也可能存在数据滥用、模型偏差等问题，这些会导致隐私泄露、金融欺诈、贷款歧视等风险出现。他表示，自2022 年发布《互联网信息服务算法推荐管理规定》后，监管部门开始算法备案和自评估工作，筛查大数据模型算法问题。

奇富科技大模型专家杨剑认为，金融行业大模型的容错率极低，一次错误的决策可能导致无法估量的时间和成本损耗。此外，考虑到金融行业的特殊性，其合规要求相对于其他行业更为严格。

目前AI产业正在朝着两个方向演进，一是纯粹的技术研发层面；另一个是商业应用层面。有观点认为，从技术面来说，目前中国的底层原创能力还处于追赶海外的状态，但是在应用层面，中国的创新力度一直位居世界前列。

伴随着金融大模型的发展，金融AI也正朝向2.0时代前进。在1.0时代，金融机构利用AI等技术为金融用户提供线上服务，简化业务流程等。2.0时代则更加注重智能化和自主决策。

金融行业大模型有着比其他行业大模型更高的复杂性。杨剑认为，这就像高速上行驶的汽车需要不断调整方向和车速，以适应不同时间、不同地点的道路状况，金融行业大模型也需要及时调整以适应多样化的复杂业务场景。

有业内人士认为，金融大模型的热度还可能持续1年至2年。许慎预测，“第三年在专业领域或许会大规模涌现成熟应用，5年后进入高速增长期。”

文章来源： 至顶科技，财经新媒体