大模型在金融业：从焦虑到理性

随着ChatGPT的诞生，金融业对人工智能技术的焦虑情绪迅速蔓延。这个对新技术充满信心的行业担心会被时代的浪潮甩在后面。这种焦虑氛围一度蔓延到意想不到的地方，有业内人士透露，今年5月她在大理出差时，在寺庙里都能遇到讨论大模型的金融从业者。

然而，这种焦虑正逐渐平息，人们的思路也变得更加清晰和理性。某软件公司的银行业务CTO描述了今年金融业对大模型态度的几个阶段：2-3月，普遍感到焦虑，担心落后；4-5月，纷纷组建团队开展工作；之后几个月，在寻找方向和落地过程中遇到困难，变得更加理性；现在，他们关注标杆项目，尝试验证过的应用场景。

一个新的趋势是，许多金融机构已经开始从战略层面重视大模型。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的应用。从近期动作来看，他们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。

与几个月前相比，金融客户对大模型的理解明显提升。年初ChatGPT刚出现时，尽管热情高涨，但对大模型的本质和应用方式了解有限。一些大型银行率先行动，开始进行各种宣传。同时，随着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型科技公司讨论大模型建设事宜。

5月以后，情况逐渐变化。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算力和模型，转向更关注应用价值。目前，每家金融机构都在关注其他机构如何使用大模型及其效果。

对于不同规模的企业，也出现了两种发展路径。拥有海量金融数据和应用场景的大型金融机构可以引入领先的基础大模型，自建企业大模型，同时采用微调方式形成专业领域的任务大模型，快速赋能业务。中小金融机构则可根据投资回报率，按需引入各类大模型的公有云API或私有化部署服务，直接满足业务需求。

然而，由于金融行业对数据合规性、安全性和可信性有较高要求，一些人士认为，这个行业的大模型落地进展实际上略慢于年初预期。一些金融机构已经开始寻找解决大模型落地过程中各种障碍的方法。

在算力方面，金融业目前出现了几种解决思路：一是直接自建算力，成本较高但安全性足够；二是算力混合部署，在敏感数据不外流的情况下，接受从公有云调用大模型服务接口，同时通过私有化部署处理本地数据服务。

除了算力问题，随着最近半年多对大模型的落地探索，许多金融机构也逐渐加强了数据治理。一些银行正通过大模型结合MLOps的方式解决数据问题，实现整个流程的自动化以及多源异构数据的统一管理和高效处理。

内容来源