□宋爱华

随着AI大模型的兴起与迅速发展，掀起了新一代人工智能技术的发展浪潮，AI大模型在金融领域的应用大有可为。

(资料图片仅供参考)

AI大模型遇见金融，蕴藏巨大机遇

大模型能力最终取决于数据、算力以及算法三要素的综合能力。近年来，国内企业进一步加大对AI基础能力的建设，并加快相关技术对应用场景的赋能。尤其是我国一直十分注重算法在实际场景中的运用，而应用端的优势也将对相关技术的研发带来极强的推动作用。相信在新一轮的AI竞赛中，无论是技术创新还是落地应用，中国都将具有广阔的发展空间。

在千行百业中，金融业一直走在数智化前沿，领先的数据基础设施、海量高质量的数据和丰富的应用场景，为此类技术的落地应用提供了肥沃土壤。近期，北京、深圳等多个城市出台推动人工智能产业发展的相关文件，其中均提到人工智能在金融行业场景的应用。在可以预见的未来，AI大模型能力还将迎来进一步突破，这将为金融行业数智化转型带来新一轮变革与创新。包括智能营销获客、个性化推荐、风险管理、智能客服等，都是大模型可以大显身手的领域。

在智能营销场景下，大模型可以从多个环节提升企业的营销效果和客户体验。利用大模型和深度机器学习算法，实现个性化推荐、智能决策、精准触达、营销活动效果评估和反馈的端到端的智能化、移动化和极致客户体验的数智化营销模式，帮助金融机构与客户进行全方位的链接和精细化经营。

再比如，在生成式AI（AIGC）领域，大模型能够提供更加强大的武器，并加速AI技术在金融业各类场景的融合应用，带来更多的降本增效。在大模型基础上叠加金融领域的专属知识，打造基于金融领域的知识库，从而提升智能客服能力、文本生成能力。金融行业丰富的业务场景，需要大量优质内容用于其业务运营，AI大模型技术的突破意味着未来金融机构具有更多自动化和智能化的工具用于其内容生成，实现个性化精准化营销，从而大幅提升服务效率和服务质量。

AI大模型走进金融，挑战不容忽视

虽然AI大模型在金融领域应用前景广阔，但新技术的落地不可避免地会面临一些挑战。随着未来技术的不断创新应用，需要针对性构建新的风控流程和监管体系，推动新技术的迭代和落地。

一是模型应用的风险性和安全性问题。金融行业是对风险管理和安全性要求非常高的行业，因此在应用人工智能技术时，需把安全性和可解释性摆在重要位置，防范模型和算法风险。此外，打造金融领域专属大模型成为必要，但这需要很高的技术壁垒。模型结果是否可解释，模型是否准确、安全、公正、透明，是人工智能技术应用面临的新挑战。而大模型具有更复杂的结构和更多的参数，因此可解释性也比较差。对于对模型可解释性要求比较高的金融行业来说，大模型应用面临的信任风险、模型风险、安全性、伦理性、稳定性、准确性、数据安全、合规性等风险的挑战更加严峻，需要加强模型和算法风险管理制度，规范技术应用。

二是数据能力的提升。要训练出性能好的大模型，需要大量高质量数据的支撑。算法可以被视为模型效果的基础，而数据则是模型效果的上限，没有高质量的数据，即使是最先进的算法也无法发挥其潜在作用。因此，应用人工智能技术要有良好的数据获取、储存、加工能力。金融行业的一大优势是拥有海量数据，大数据为算法提供了发挥作用的基础。金融机构的数据能力，体现在以数据为基础，通过各种数据处理手段将数据充分利用。如果可以对自身拥有的数据做好深入的加工、探索和分析，并运用相应的算法发掘其潜在价值，将有助于提升各个业务领域的响应速度和效率。

三是模型管理能力的提升。引入大模型使金融行业能够基于一个大模型解决多种问题，但同时也带来了更多场景及大量针对这些场景的提示词。无论是管理众多传统模型还是应对大模型的多样化场景，企业都面临着更高的管理需求。企业管理者往往无法从全局视角掌握模型的运行及应用情况，进而缺少对模型上线前后的统筹管理和整体监控。为了整合模型资源、管理模型运营和监控模型性能，需要搭建完善的模型管理系统进行统筹管理，提升模型生产效率，提高数据分析产能，从而更有效地提升企业的数字化运营能力。

四是与实际业务场景的融合。大模型进入金融业务场景，需要针对业务属性进行增量训练，真正解决业务问题。金融机构应构建分析思维能力，更加合理有效地发现和解决问题，将梳理好的数据、算法、业务问题贯通起来，发现数据中蕴含的有价值规律。在合规前提下，通过大模型让业务产生真正价值，还需要很长的路要走。

总之，AI大模型的风口已然到来。为了适应科技带来的改变，金融机构需要结合技术和实际场景来选择最高效的模式赋能业务，在新技术的红利下，为行业、为用户带来更多的便利和最佳的体验。

（作者系索信达控股首席运营官）