大模型在金融業：從焦慮到理性

隨着ChatGPT的誕生，金融業對人工智能技術的焦慮情緒迅速蔓延。這個對新技術充滿信心的行業擔心會被時代的浪潮甩在後面。這種焦慮氛圍一度蔓延到意想不到的地方，有業內人士透露，今年5月她在大理出差時，在寺廟裏都能遇到討論大模型的金融從業者。

然而，這種焦慮正逐漸平息，人們的思路也變得更加清晰和理性。某軟件公司的銀行業務CTO描述了今年金融業對大模型態度的幾個階段：2-3月，普遍感到焦慮，擔心落後；4-5月，紛紛組建團隊開展工作；之後幾個月，在尋找方向和落地過程中遇到困難，變得更加理性；現在，他們關注標杆項目，嘗試驗證過的應用場景。

一個新的趨勢是，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，他們正在從戰略和頂層設計層面進行更清晰的思考和路徑規劃。

與幾個月前相比，金融客戶對大模型的理解明顯提升。年初ChatGPT剛出現時，盡管熱情高漲，但對大模型的本質和應用方式了解有限。一些大型銀行率先行動，開始進行各種宣傳。同時，隨着多家科技公司發布大模型，一些頭部金融機構的科技部門開始積極與大型科技公司討論大模型建設事宜。

5月以後，情況逐漸變化。受算力資源緊缺、成本高昂等因素影響，許多金融機構開始從單純希望自建算力和模型，轉向更關注應用價值。目前，每家金融機構都在關注其他機構如何使用大模型及其效果。

對於不同規模的企業，也出現了兩種發展路徑。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，同時採用微調方式形成專業領域的任務大模型，快速賦能業務。中小金融機構則可根據投資回報率，按需引入各類大模型的公有雲API或私有化部署服務，直接滿足業務需求。

然而，由於金融行業對數據合規性、安全性和可信性有較高要求，一些人士認爲，這個行業的大模型落地進展實際上略慢於年初預期。一些金融機構已經開始尋找解決大模型落地過程中各種障礙的方法。

在算力方面，金融業目前出現了幾種解決思路：一是直接自建算力，成本較高但安全性足夠；二是算力混合部署，在敏感數據不外流的情況下，接受從公有雲調用大模型服務接口，同時通過私有化部署處理本地數據服務。

除了算力問題，隨着最近半年多對大模型的落地探索，許多金融機構也逐漸加強了數據治理。一些銀行正通過大模型結合MLOps的方式解決數據問題，實現整個流程的自動化以及多源異構數據的統一管理和高效處理。

內容來源