以下文章來源于新金融聯盟NFA ，作者NFA

“綜合考慮投入和產出性價比，中小金融機構可按需引入各類大模型的公有云API或私有化部署服務，直接滿足賦能訴求。”

——呂仲濤 新金融聯盟學術理事、工商銀行首席技術官

大模型長期來看一定會對金融行業帶來新的創造力和驅動力，但短期內還面臨較大的挑戰，需要通用大模型廠商及金融機構的客戶及提供商共同參與，探索出一條符合行業落地的切實有效的道路。

——薛春雨 神州信息新動力數字金融研究院副院長

“類GPT模型是高級復讀機，有多少‘人工’就有多少‘智能’。模型100%會犯錯，模型之上必須要有運營兜底機制，知錯就改。”

——胡時偉 第四范式聯合創始人、首席架構師

“AI很容易被媒體炒作，還很容易找到好的case，一開始我們會驚訝于好case，但慢慢發現它不一定能夠普世。”

——沈志勇 民生銀行數據管理部總經理

上述觀點源自6月10日新金融聯盟舉辦的“金融機構數智化轉型與大模型技術應用”內部研討會。會上，呂仲濤、沈志勇、平安銀行數字資產管理與研發中心總經理劉錦淼、胡時偉做了主題發言。新金融聯盟理事長、中國銀行原行長李禮輝、中國信通院金融科技研究中心副主任趙小飛進行了點評交流。神州信息新動力數字金融研究院副院長薛春雨受邀出席并參與研討。

56家銀行及非銀機構、55家科技公司的170多位嘉賓通過線上線下參會。會議由新金融聯盟秘書長吳雨珊主持，中國金融四十人論壇提供學術支持。以下為部分精彩內容。

研討會現場

大模型=大算力+大數據+強算法

今年以來ChatGPT風頭強勁，帶火了大模型技術。大模型即網絡參數規模達到億級以上的“預訓練深度學習算法”，在文本圖像理解、內容生成等任務表現出顯著優勢和巨大潛力。

“大模型必須基于‘大算力+大數據+大算法參數網絡結構’進行訓練。”呂仲濤介紹，大模型技術是一個復雜的體系性工程，涵蓋大模型算力集群建設、算法沉淀、配套流水線工具、大模型服務等內容。

趙小飛認為，硬科技對于大模型的發展也很重要。2012年，英偉達將其GPU應用于深度學習研究，GPU的并行計算能力在處理密集數據時效率遠高于CPU，為英偉達成為AIGC最大的獲利者埋下伏筆。OpenAI在GPU算力升級的加持下，從GPT-1迭代到GPT-4。

“能夠支持AI大模型的算力基礎設施建設需要持續投入巨大的財力、人力，要花得起錢，找得對人，還要耐得住寂寞，這就勢必導致算力集中。一是向主要國家集中，二是向資本巨頭和科技巨頭集中。”李禮輝表示。

李禮輝指出，算力基礎設施的布局和建設應該錨定全球領先的目標，硬件與軟件并重并行，國家級與企業級聯動聯調，新中心與老中心集約集成，人力資源與運營成本統籌兼顧。

“從參數規模來看，百億大模型具備一定的文本生成和通用能力，但難以處理邏輯復雜、專業性強的任務；萬億大模型因算力消耗極大，短期內難以進行商業推廣應用。”呂仲濤表示，千億大模型平衡了百億和萬億大模型優勢，性價比優勢明顯，是近幾年發展及應用的重點。

ChatGPT是目前最先進的AIGC大模型應用。“要打造與ChatGPT媲美的AI大模型，就一定需要無斷層、無障礙的數據供給。但是，數據共享模式的局限可能影響數據價值的深度開發，地緣政治沖突可能影響全球數據資源供給格局。”李禮輝認為，要參與數據跨境流動，在維護數據主權的同時，充分利用全球數據資源，打造算力競爭優勢。

有多少人工就有多少智能

盡管大模型十分強大，但也裹挾著一些風險。

“受制于當前模型黑盒、計算復雜度高等因素，大模型存在答非所問、科技倫理風險等方面問題。比如，ChatGPT生成大量看起來合乎邏輯，但內容可能并非真實甚至是捏造的事實，存在非法利用、造謠等安全隱患。”呂仲濤表示。

李禮輝強調，對AI虛假與AI操縱必須高度警惕，重點是提升深度合成內容鑒別技術；建立AI信任制度，加強AI監管，在國家層級建立預防AI操縱的防火墻。

如何理性看待大模型，胡時偉分享了三點認知：

第一，要相信科學，沒有大模型涌現的邏輯。類GPT模型的背后還是機器學習，要想有一個好的模型能力，必須基于基礎大模型的調優以及行業特定操作。

第二，類GPT模型是高級復讀機，有多少“人工”就有多少“智能”。通用大模型都是用人類現有語料訓練，其正確性一定來自于人反饋的數據，行業一定要不斷迭代告訴大模型什么是好的、什么是對的，這必須靠人工完成。

第三，模型之上必須要有運營兜底機制，知錯就改。模型100%會犯錯，哪怕是GPT4，在行業專業、嚴肅場景的應用不可能達到工業可用的效果，人工兜底機制讓它從不可用變成可用。

“知錯就改有三個機制疊加保障：一是專家給答案；二是專家給示例；三是專家生成的知識反饋給模型，讓模型少犯錯。”胡時偉表示。

大模型對金融行業價值幾何

要將大模型融入具體行業的核心生產經營流程，可謂任重道遠。

趙小飛以工業為例分析，工業場景中的很多數據是不可讀取的，或者即使讀取了也需要一個翻譯和解讀的過程。在數據之外，工業領域對安全、穩定、可靠等指標極其嚴苛的追求，才是生成式AI不能滿足的地方。此外，工業制造細分領域眾多，沒有海量數據標簽，基本上不可能形成類似GPT的通用大模型。

“金融行業生產經營雖然沒有工業那么復雜，但對于民生、經濟安全的影響會更高，所以對于新技術應用需要非常謹慎。”他表示。

呂仲濤表示，由于大模型技術尚不成熟，存在倫理風險。短期內不建議直接對客使用，應優先面向金融文本和金融圖像分析理解創作的智力密集型場景，以助手形式，人機協同提升業務人員工作質效。不過，雖然大模型有各類安全風險，但同樣給銀行業數智化轉型帶來新機遇，其潛力和空間是無限的。

薛春雨在研討中談到，大模型長期來看一定會對金融行業帶來新的創造力和驅動力，但短期內還面臨較大的挑戰。主要包括：首先，數據安全問題。金融行業的內部數據安全性要求比較高，不適合直接使用外部的大模型，所以需要進行私有化部署；其次，算力問題。如果要成規模的使用，對算力上要求比較高，至少在千萬級的投入，對大部分金融機構來說，投入及可預見的產出是一個比較大的挑戰；再者，技術/人才問題。如果要用大模型解決金融機構內部的的問題或者產生價值，就需要對內部的數據進行訓練及微調等，這方面需要專業的技術人員參與，金融機構普遍不具備這方面的人員儲備。基于以上考慮，需要通用大模型廠商及金融機構的客戶及提供商共同參與，探索出一條符合行業落地的切實有效的道路。

“未來大模型銀行業務的應用場景非常豐富。”劉錦淼介紹，從BankGPT反饋的測試情況來看，它已經具備作為一個智能助手適配場景相關落地的能力。目前已經應用的場景有客戶服務、信貸審批、投研服務三大類。

他還表示，在AI應用和業務投產方面，AI算法模型對業務發展的價值如何、能多大程度覆蓋全行業務場景，讓算法替代人還是讓算法永遠服務人，投產策略能否做到線上化、自動化、投入產出量化根因回溯分析……都是未來可以思考和探索的方向。

一個超級模型VS.一堆專業模型

“短期內，大模型和傳統模型會共存，同時，大模型可作為中控，將傳統模型作為技能進行調用。長期看，若大模型計算復雜度降低、可解釋性增強，綜合性價比來考慮，大模型將逐步替代傳統模型。”呂仲濤分析稱。

沈志勇認為，大模型的應用好比煉鋼。作為通用底座的煉鋼工廠越大越好，要集中力量辦大事，避免遍地小高爐。而作為應用場景的用鋼，則應多元化、市場化。“用鋼”部分可以分成兩段，AIGC或者其它一些大模型的應用場景端形成市場化，具體應用場景里自己負責。

呂仲濤表示，需要探索形成一套面向銀行業的高標準、低門檻的銀行業金融大模型應用模式，才能快速推進人工智能在行業的深化應用。

預算是有限的，預算決定了算力，算力決定了參數規模。“我們需要抉擇——要一個超級大模型還是一堆專業模型？”胡時偉說。

“一個思路叫大力出奇跡，如果做一個超級大模型，以中國目前的算力情況，要五年后才能實現，但數字化進程不能等，五年之內如果純粹以大為方向，就是主動把脖子送給別人卡。”胡時偉認為，我們會走另一個方向，用“學件”的思路，做一堆專業模型，各司其職，方便迭代，便于維護，成本可控。就好比一個公司，不能全部都是董事長秘書，還需要銷售、產研、行政等。超級英雄成本很高，也很難管理。