金融大模型 在黎明破曉前

　　8月31日，首批大模型產(chǎn)品將陸續(xù)通過《生成式人工智能服務管理暫行辦法》(以下簡稱《暫行辦法》)備案，可正式上線面向公眾提供服務。

　　包括百度文心一言、抖音云雀大模型、智譜AI的GLM大模型、中科院的紫東太初大模型、百川智能的百川大模型、商湯的日日新大模型、MiniMax的ABAB大模型、上海人工智能實驗室的書生通用大模型、科大訊飛星火大模型，以及華為、騰訊的大模型產(chǎn)品，共計11家。

　　懸而未決的政策準入已然落地。而通過備案的主體包含了互聯(lián)網(wǎng)大廠、AI獨角獸、科研國家隊三方，也基本明確了國家對不同主體路徑的肯定。

　　據(jù)上海申浩律師事務所對《暫行辦法》進行了解讀，《暫行辦法》的規(guī)制重點在于服務應用層的信息內(nèi)容安全，限制境外AIGC提供服務。更重要的是，《暫行辦法》對境外AIGC的限制不包括垂直領(lǐng)域如工業(yè)、科研等場景，只要其不向公眾提供服務。

　　換言之，目前《暫行辦法》備案的關(guān)鍵在于“向公眾提供服務”。這對于大模型企業(yè)而言，顯然可以優(yōu)先在面向C端的模型應用中積累用戶、數(shù)據(jù)，更利于產(chǎn)品打磨。而未通過備案的企業(yè)組織也不會因此在研發(fā)上遭遇阻礙，反而在能獲取海外AIGC調(diào)用能力的情況下，技術(shù)演進的進程有可能相對更快。

　　這或許會引發(fā)大模型玩家們形成落地偏向與技術(shù)偏向兩條路徑。

　　更值得注意的是，通過備案、面向公眾提供服務的資質(zhì)顯然加快了金融、教育、法律等嚴肅場景的模型落地的進程。

　　以金融大模型為例，金融領(lǐng)域合規(guī)先行的特點一度限制了模型能力在實際業(yè)務中的應用，導致行業(yè)整體處于場景探索的階段。而今首批模型產(chǎn)品獲批開放，金融大模型賽道的轉(zhuǎn)折點也已到來。

　　1、明面務虛，私下務實

　　今年3月，頭部財經(jīng)資訊公司彭博社發(fā)布了專門為金融領(lǐng)域打造的大模型BloombergGPT，試圖將其積累40年的財經(jīng)資訊數(shù)據(jù)價值得到釋放。

　　彼時的彭博社可能沒有想到，金融在大洋彼岸已經(jīng)成為垂直領(lǐng)域大模型的搶跑者。

　　盡管早在彭博社開始著手搭建訓練BloombergGPT前，已有不少研究表明使用特定領(lǐng)域數(shù)據(jù)訓練的垂直大模型能在特定領(lǐng)域效果拔群，但當行業(yè)大模型的風吹到我們這時，有吸引力讓垂直領(lǐng)域公司投身大模型，而非等待整體解決方案的似乎只有金融一家。

　　早在今年5月，度小滿便發(fā)布了自研千億參數(shù)金融大模型“軒轅1.0”，目前“軒轅2.0”已開源。奇富科技、馬上金融、螞蟻集團等金融科技企業(yè)緊隨其后，先后組建了自研大模型團隊并投身其中。

　　當然，金融領(lǐng)域外的互聯(lián)網(wǎng)大廠與科技公司也希望就金融大模型分一杯羹，去年10月于科創(chuàng)主板上市的大數(shù)據(jù)企業(yè)星環(huán)科技同在5月推出面向金融量化的大模型“無涯”，騰訊云、科大訊飛、恒生電子等玩家也就金融領(lǐng)域的風控、客服等細分賽道推出自己的大模型解決方案。

　　金融一直是前沿科技希望結(jié)合與落地的垂直領(lǐng)域，甚至可以說金融史中暗藏著科技史的發(fā)展脈絡。早在2016年為國際金融穩(wěn)定理事會(FSB)定義的金融科技迎來大模型這一輪風口，當下局面其實并不出人意料。

　　無論是面向消費者市場與小微企業(yè)的金融普惠、面向金融機構(gòu)的智能投研還是面向投資者的大數(shù)據(jù)洞見，大模型在金融領(lǐng)域的應用都有充足空間嵌入并釋放價值。

　　大模型作為繼互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)后的第三波浪潮，再次將金融機構(gòu)拉回同一起跑線。

　　有BloombergGPT這個基礎(chǔ)案例珠玉在前，為金融大模型的落地指明方向�？傮w看來，目前金融大模型的落地方向有以下幾大類，幾乎囊括了金融領(lǐng)域的方方面面：1、大數(shù)據(jù)風控的進一步迭代

　　2、金融相關(guān)文本生成，如財報、新聞、評論等

　　3、輔助決策的智能投顧、智能投研與輔助運營的智能客服

　　4、金融行業(yè)的“copilot”，包含債券發(fā)行、IPO、審計、評級等金融業(yè)務

　　當方向明朗之時，落地成果便成為檢驗產(chǎn)品的*標準。只是我們可以在公開信息中聽到不小的聲量，但卻沒法尋到落在實處的案例。這并非玩家們“藏拙”，而是金融大模型在落地途中不斷遭遇兩方面的掣肘：技術(shù)不成熟與場景不適配。

　　某公募基金經(jīng)理告訴光子星球，金融大模型真正能落地應用的功能較少，且落地場景集中在中后臺的客服、新聞播報等較為簡單的to C生成式內(nèi)容上。

　　“面向C端投資者的券商會應用多些，我們基金機構(gòu)的監(jiān)管更加嚴格，所以對創(chuàng)新會保持關(guān)注，這種新技術(shù)應用落地一般會滯后很多”，該基金經(jīng)理稱。

　　或許機構(gòu)視角更為審慎，可是在互聯(lián)網(wǎng)大廠視角下，金融大模型的八字依然沒一撇。

　　一位騰訊高級架構(gòu)師直言，金融大模型的應用還需要探索場景，明確的賽道僅智能客服、輔助編程等寥寥幾項。在“模型在具體場景的打磨還有許多工程性問題未決”的前提下，應用與商業(yè)化還無從談起。

　　上述人士表示，“技術(shù)成熟度、場景適配性兩個問題解決后，行業(yè)需求和產(chǎn)業(yè)共計之間還需要找到一個投資回報的平衡點。應用推廣除了是技術(shù)問題外也是商業(yè)問題。”

　　或因如此，盡管金融大模型的風吹了一陣又一陣，我們也未能在各大對應用與理論侃侃而談的發(fā)布會、論壇中看到真正應用在金融場景的大模型案例，基本上是技術(shù)較為成熟的風控場景與封閉性較強的智能客服。

　　這并不奇怪，金融領(lǐng)域本身存在大量時效數(shù)據(jù)，結(jié)合當下大模型普遍存在生成內(nèi)容不可解釋性，面對以嚴謹著稱的金融行業(yè)，碰壁是可想而知的事。

　　正如國家金融與發(fā)展實驗室副主任楊濤撰文指出那般，當人工智能大模型在金融領(lǐng)域應用時，更需關(guān)注大模型的可審計性、可解釋性等難題以及參與金融活動引發(fā)的風險特征變化、數(shù)據(jù)保護、責任分擔、合規(guī)邊界等問題，并強化數(shù)據(jù)倫理、算法倫理、主體倫理、行為倫理等方面的治理。

　　合規(guī)先行者已經(jīng)出現(xiàn)，但合規(guī)也無法完全解決金融大模型的既有問題。唯有褪去光環(huán)，我們才能更好地梳理金融大模型的前世今生和未來，找到大模型在金融領(lǐng)域搶跑的答案。

　　2、回歸提效本質(zhì)

　　我們簡單回顧此前的金融科技創(chuàng)新，不難發(fā)現(xiàn)暢想中的大模型應用早已存在，不過一直處于“雛鳥”的狀態(tài)。

　　例如金融科技業(yè)務中占核心地位的智能投研便誕生于2016年前后，而迄今為止稱得上成熟且步入商業(yè)化的應用還是處于較初級的階段——金融數(shù)據(jù)與資訊終端，例如Wind、ifind等SaaS金融資訊軟件，定位是為業(yè)內(nèi)外人士提供垂直信息平臺。

　　更進一步的應用也早已沒了聲音，就像曾被標普500以5.5億美金收購，如今泯然眾人的智能投研企業(yè)Kensho。

　　“金融數(shù)據(jù)信噪比太低了，和工業(yè)界的數(shù)據(jù)相比是數(shù)量級的差距。再考慮到金融數(shù)據(jù)的時序性與時效性，無論是機器還是人都難以找到可持續(xù)的模式。AI可以根據(jù)風險邏輯去拿Beta(與市場相關(guān)的可預測收益)，但一直很難拿到Alpha(與市場不相關(guān)的超額收益)”，一位業(yè)內(nèi)人士直言。

　　據(jù)多位業(yè)內(nèi)人士介紹，金融數(shù)據(jù)經(jīng)NLP(自然語言處理)提取后交由機器學習，將成果以預輸入的投資規(guī)則在智能化交互界面輸出是幾年前的智能投研范式。大模型的引入不過是加強了機器學習的記憶、決策等能力，而且輸出的結(jié)果，按從業(yè)者的話說是“跟蒙眼投資差不多”。

　　實際上，大模型為金融行業(yè)帶來的并不止是單獨業(yè)務能力的躍升，而是大模型的“large”所提供的泛化能力。

　　金融機構(gòu)在過去智能化進程中，早已在風控、投研、投顧、評級等業(yè)務線構(gòu)建模型與中臺，輔助從業(yè)者推進業(yè)務的同時也在不斷積累文本數(shù)據(jù)。而大模型的出現(xiàn)提供了一個將打亂的中臺整合為一體的契機，既不需要多次建模也能打破各中臺之間的數(shù)據(jù)孤島。

　　最終呈現(xiàn)是以金融大模型為底座從而整合并不斷延展機構(gòu)的能力，好比阿里曾經(jīng)在組織變革中提出的“大中臺，小前臺”。

　　于金融機構(gòu)而言，這不僅是效率的提升，更是效益的躍升。當然，如今距離這項堪稱“圣杯”的目標還有不小的距離，而大模型相對早先NLP、CV時期的能力演進已經(jīng)在部分業(yè)務中得以體現(xiàn)。

　　以ESG資管企業(yè)秩鼎為例，其創(chuàng)始人劉相峰稱，秩鼎的金融大模型能力應用正逐漸鋪開，目前已在初級的數(shù)據(jù)收集整理與研究工作上做到了人效躍升。雖然ESG與傳統(tǒng)金融存在一定距離，尤其是在數(shù)據(jù)信噪比方面，但作為為數(shù)不多的落地案例，有一定參考價值。

　　據(jù)了解，秩鼎的內(nèi)部模型訓練采用的同樣是“預訓練——精調(diào)(STF)——對齊(RLHF)”的范式，不同之處在于其實體識別系統(tǒng)可以將初步提取后的ESG相關(guān)事件匹配到*主體上。這對于模型知識圖譜的構(gòu)建，尤其是中文領(lǐng)域是一次不小的進步。

　　結(jié)合BloombergGPT僅以500億參數(shù)規(guī)模做出一定效果，我們或許可以下一個判斷：即金融大模型乃至行業(yè)大模型的落地收效如何，看的不一定是大力煉丹，而且訓練精調(diào)以及應用工作流后的一些細小動作。

　　例如軒轅2.0在常規(guī)垂直模型訓練混合大量通用數(shù)據(jù)，避免災難性遺忘導致模型“變笨”，還在此基礎(chǔ)上將預訓練的數(shù)據(jù)以及指令微調(diào)數(shù)據(jù)進一步混合，其論文中將這種把預訓練和精調(diào)融為一體的范式稱為Hybrid-Tuning。

　　未來的范式演進我們猶未可知，但這細小的每一步都在為模型與金融行業(yè)提效，推動行業(yè)向?qū)嵦幾呷ァ?/p>

　　3、金融大模型破曉前

　　金融大模型已經(jīng)來到了價值釋放的前夕。

　　政策準入一定程度上打消了場景方面的顧慮，更多能力可以在實際業(yè)務中得到應用，而技術(shù)成熟度亦在細小創(chuàng)新中緩慢提升。在破曉前的微妙階段，金融大模型的商業(yè)模式與格局的前瞻性思考是有必要的。

　　結(jié)合《暫行辦法》中對公眾開放服務的審慎態(tài)度，接下來一段時間的金融大模型大概率不會過早向C端釋放其能力，而是在內(nèi)部業(yè)務的應用試錯中迭代。

　　這意味著當下各個機構(gòu)的研究部門更多會“刀刃向內(nèi)”，試圖于工作流中提升研究工作的效率和效益，圍繞研究業(yè)務本身展開。而且出于數(shù)據(jù)隱私等方面的考量，在模型部署上會更看重私有化部署甚至是端側(cè)部署。

　　即使存在自主可控的強需求，讓每一家金融機構(gòu)都從零開始儲備算力、招募人才并訓練機構(gòu)的大模型，也顯然是不現(xiàn)實的。更大的可能是由資源更多的主體或是基于某一底座或是完全自主構(gòu)建出金融大模型，再以服務的方式就模型做私有化部署。

　　所以我們也不難發(fā)現(xiàn)度小滿、奇富、馬上金融、螞蟻等金融科技頭部紛紛投身自研模型的原因：并非只是自身已有充分的技術(shù)與數(shù)據(jù)儲備，而是前方有大量存在確定性需求的中小金融機構(gòu)客戶。

　　B端應用方面，接入模型能力后的工作流勢必也將發(fā)生改變，就像Kensho曾揚言“用AI干掉證券分析師”，屆時金融機構(gòu)的組織制度也將生變。

　　當機構(gòu)內(nèi)技術(shù)團隊不斷壯大，技術(shù)演進讓內(nèi)部效率達到一定高度后，屆時金融大模型才可以強調(diào)業(yè)務的外部性。將價值釋放面向的群體由B端轉(zhuǎn)為C端，例如幻覺問題可控后，具備可解釋、可溯源的AI投資能力。不過這一階段的到來顯然還需要很長的時間。

　　無論如何，合規(guī)進程在《暫行辦法》的實施與備案中已前行一大步。冰山之下，各家金融大模型已蓄勢待發(fā)，我們很可能在接下來的9月感受到國內(nèi)大模型行業(yè)，繼4月密集發(fā)布、6月垂直轉(zhuǎn)向后的一個新節(jié)點。大模型的下一戰(zhàn)——金融，市場等待玩家們的答案。