從Transformer算法被提出，到ChatGPT的橫空出世，大模型正逐漸成為各行業(yè)關注的焦點。生成式AI時代的到來，將有關大模型的討論推向高潮。

金融業(yè)具備大規(guī)模、高質(zhì)量的數(shù)據(jù)資源和多維度、多元化的應用場景，被視為大模型技術應用的最優(yōu)行業(yè)之一。商業(yè)銀行正在積極探索大模型在對內(nèi)、對客場景的應用。已有銀行率先將大模型技術應用于智能客服場景，并正在研發(fā)大模型在輔助研發(fā)、文本生成環(huán)節(jié)的應用。不過，從基礎大模型走向核心業(yè)務場景，銀行業(yè)大模型的商業(yè)化落地仍需面臨技術、數(shù)據(jù)、安全等多重挑戰(zhàn)。

應用初露鋒芒

歷經(jīng)此前多番大模型理論層面的論戰(zhàn)，2023年大模型逐漸走向落地階段，垂直領域的應用開始初露鋒芒。

作為大模型技術應用的最優(yōu)行業(yè)之一，以銀行為代表的金融業(yè)正在加快大模型應用的布局。目前農(nóng)業(yè)銀行已建立人工智能創(chuàng)新實驗室，圍繞知識檢索、答案推薦等領域，研究大模型技術應用場景；交通銀行則組建GPT大模型專項研究團隊，為體系化、規(guī)?；瘧玫於ɑA；而興業(yè)銀行引入部署私有化的商業(yè)大模型，上線大模型產(chǎn)品ChatCIB。

亦有銀行走在大模型應用前列，嘗試與行業(yè)領域及場景結合加以應用。此前工商銀行完成了人工智能AI大模型能力建設應用規(guī)劃，并在國內(nèi)同業(yè)率先實現(xiàn)百億級基礎大模型在網(wǎng)點員工智能助手、知識運營助手、金融市場投研助手等多個場景應用；平安銀行虛擬數(shù)字人產(chǎn)品則通過大模型等技術，持續(xù)提升功能效果。

嘗試是積極但克制的，現(xiàn)階段銀行大模型的應用主要集中在文本生成和智能客服領域。例如，工商銀行通過推進金融大模型在數(shù)字客服領域應用，不斷完善“未問先答+多輪場景+線上圖文”智能服務模式。江蘇蘇寧銀行大模型專家鄭清正透露，該行率先將大模型技術應用在智能客服場景，此外，正在研發(fā)大模型在輔助研發(fā)、文本生成環(huán)節(jié)的應用。

“大模型技術在銀行等金融體系應用，大致要經(jīng)過賦能、增能、產(chǎn)能三個階段”，中央財經(jīng)大學中國金融科技研究中心主任張寧表示，賦能階段通常是被動的，銀行看到大模型技術在其他領域的應用，將其引入至行業(yè)中；而增能階段是有選擇的被動，銀行依據(jù)業(yè)務發(fā)展方向和管理路徑有目的地引用技術；產(chǎn)能階段則是主動的，銀行聚焦于行業(yè)初心或者對應的市場根基需求，決定應用技術。整體來看，目前銀行大模型應用處在賦能向增能轉型階段，銀行通過引用大模型技術解決傳統(tǒng)客服死板、交流不夠靈活、提取信息不夠充分等問題。

數(shù)據(jù)安全瓶頸

銀行大模型應用場景探索集中在對內(nèi)、對客兩方面。對內(nèi)主要作為智能輔助工具幫助業(yè)務人員提升工作效率，例如，文本生成、信貸審批、投研服務、合規(guī)風控等，對客則主要用于智能交互。

雖然應用場景豐富，但是從基礎大模型走向核心業(yè)務場景，銀行業(yè)大模型的商業(yè)化落地仍需面臨技術、數(shù)據(jù)、安全等多重挑戰(zhàn)。

“金融業(yè)雖然已經(jīng)積累了大量數(shù)據(jù)和數(shù)據(jù)處理經(jīng)驗，但相對于大模型需要的數(shù)據(jù)量、知識密度和處理質(zhì)量來說還遠遠不夠”，交通銀行副行長錢斌指出，金融領域的專業(yè)數(shù)據(jù)和公共數(shù)據(jù)不足，由于金融制度的差異，無法完全照搬國外的金融語料、金融知識。而金融服務的專業(yè)性、精準性又對人工智能技術的效果和可信度提出了非常高的要求。因此，在豐富數(shù)據(jù)種類、強化數(shù)據(jù)治理、提升數(shù)據(jù)質(zhì)量、保障數(shù)據(jù)安全、完善數(shù)據(jù)共享機制等方面還任重道遠。

訓練成果、數(shù)據(jù)的數(shù)量及質(zhì)量、生成式AI存在的“幻覺”偏差等成為金融大模型從“想象”走向“現(xiàn)實”繞不開的難題。鄭清正表示，普通金融機構沒有能力訓練基礎大模型，模型的知識更新只能通過增強檢索生成的框架（RAG）來補充，這涉及較為復雜的AI系統(tǒng)平臺的部署和運維，而國產(chǎn)AI訓練仍缺乏市場的檢驗。在數(shù)據(jù)積累方面，如何積累有效的知識數(shù)據(jù)，缺乏統(tǒng)一的規(guī)范和指導。此外，大模型“幻覺”內(nèi)容生成的監(jiān)控和識別仍然是問題，目前只能靠人工檢核，面對海量數(shù)據(jù)生成時，準確的校驗機制仍缺少手段。

易觀分析金融行業(yè)高級咨詢顧問蘇筱芮認為，大模型在銀行落地層面首先要突破技術局限。目前大語言模型仍然為靜態(tài)數(shù)據(jù)驅(qū)動的學習范式，無法實現(xiàn)新知識的快速學習與迭代。其次，巨大的模型訓練與推理算力等成本拉低效益比。此外，安全合規(guī)可信應用底線尚需剛性保障。例如模型安全與可控制性問題，包括模型攻防、數(shù)據(jù)注入等問題。另外，無論是大模型的訓練推理，還是對話應用的過程中，都存在過多的隱私暴露與數(shù)據(jù)安全風險，這有賴于技術突破和監(jiān)管合規(guī)的進一步建立。

從外圍走向核心

盡管大模型在銀行業(yè)的落地應用充滿著多重挑戰(zhàn)，不過，在降本增效的目標導向下，除加強自研能力外，銀行也不乏通過引入“外腦”的方式來完善自身大模型建設和應用。已有銀行開始推動相關招標或調(diào)研工作，內(nèi)容包括預訓練基礎大語言模型、大模型平臺算力集群建設采購需求調(diào)研等。

大模型在銀行業(yè)的落地已不再縹緲，但應用從外圍走向核心尚需深耕。“大模型直接應用于風險識別、交易監(jiān)控等尚缺乏垂直應用的典型范例，目前仍屬于摸著石頭過河的階段。” 鄭清正透露，未來，該行還會嘗試將AI大模型技術應用在催收、智能投顧等場景，在催收環(huán)節(jié)，可以通過大模型技術“分析”銀行與逾期貸款人的溝通信息，研判后者的還款意愿，作為優(yōu)化催收策略的一項輔助工具；在智能投顧場景，則可以使用大模型技術分析銀行與客戶在財富管理方面的溝通信息，分析后者的投資需求，提供有價值的投顧建議。

“所有技術在應用過程中都是為了管理目標或者效益服務的”， 張寧建議,銀行等金融機構在大模型應用落地過程中應審慎分步進行，從信息數(shù)據(jù)的科技化，到信用的科技化，再到風險的科技化，最后實現(xiàn)業(yè)務的降本增效。

在銀行打造科技硬實力的戰(zhàn)略規(guī)劃上，金融大模型已然占據(jù)一席之地，但具體推進時，銀行也表現(xiàn)出謹慎態(tài)度。某股份制銀行相關負責人在接受北京商報記者采訪時表示，AIGC作為生產(chǎn)力工具在銀行業(yè)的應用方興未艾，但對銀行業(yè)的價值創(chuàng)造和范式變革有待進一步觀察和驗證。根據(jù)業(yè)務體量和技術特點，該行將在戰(zhàn)略上體系性合理規(guī)劃，在戰(zhàn)術上場景化審慎入局。