近年来大模型的研发取得了较大进展，大模型的横空出世为人工社会打开了智能时代的新篇章，如同各个行业一样金融企业也纷纷入局加码，但大模型在金融业的实际落地应用中仍面临诸多卡点。8月23日来自产学研的各界人士在“北大光华-度小满金融大模型技术与应用论坛”上共同探讨了金融大模型如何落地应用等话题。

与会人士指出，金融行业作为人工智能应用场景密集的行业，是大模型技术落地的最佳领域之一。以大模型为代表的新一代人工智能技术将加速金融数字化和金融智能化的发展，重塑现有业务流程，改变产业格局。对于金融机构而言，使用大模型仍需面临风险、隐私、成本和能力等四大挑战，尤其在成本方面，需要长期大量投入。

清华大学人工智能研究院常务副院长孙茂松指出，大模型必然会导致相关产业重新洗牌，金融大模型正在重新定义金融科技。

(资料图)

在金融领域发挥大模型的能力还面临三个挑战

中国农业银行研发中心大模型研发负责人耿博指出，AI大模型面临算力需求大、训练和推理成本高、数据质量不佳、隐私和安全问题等挑战。目前，大模型和场景融合是一个不断演进、探索的过程，数据是大模型的生产要素，基础设施是大模型的入场券，场景应用是大模型的驱动力，AI大模型未来发展将趋于通用化与专用化并行。

北京大学光华管理学院商务统计与经济计量系教授王汉生认为，好的人工智能算法、模型最终要解决的是业务问题，数据模型落地最重要的是寻找应用场景，比如在金融科技实践中，需要落地客服、销售、风控等业务场景。

对于如何解决大模型在金融行业落地应用的这些难题，度小满CTO许冬亮认为每家机构独立去解决这些问题既是不现实的，也是不经济的，科技公司和金融机构在金融大模型上的合作非常有必要，科技巨头提供通用大模型，或者技术能力强的金融科技公司提供金融行业大模型，具体的金融机构基于这个行业底层模型，用自己的业务数据去做私域的训练，然后做私有化的部署和应用。

许冬亮表示，现阶段，如何在金融领域发挥大模型的能力，目前还面临着三个挑战：第一个挑战是通用模型能力不能满足金融场景需要。首先是通用大模型本身精度不够，当前大模型原生的幻觉问题、可控性问题和可解释性问题都限制了生成内容的准确性和可控性，而金融又是一个对精准性、可控性要求很高的行业；其次是通用大模型金融知识的缺失；再次是大模型更新迭代困难，金融是高时效的，模型必须能够实时跟踪金融市场的变化和趋势。

第二个挑战是大模型如何高效植入现有业务场景。一个团队既要懂业务场景的know-how，又要理解大模型的使用方法，而且还需要具备比较强的工程能力，这样才有可能选择出适合应用大模型的场景，高效地将大模型嵌入到实际业务流程。

第三个挑战是大模型应用于金融业中产生的安全合规和隐私保护问题。金融本身是个高合规要求的行业，大模型又是具有颠覆性的新技术，社会各界对它的风险还没有完全了解，随着大模型落地的不断推进，如何平衡大模型落地收益和潜在合规风险，会是越来越突出的问题。

怎样构建完善金融领域大模型的底层知识基础

与会人士认为，未来要联合产学研各界，共同探索大模型在金融领域的技术创新和业务价值，共享AI大模型技术发展的红利，为产学研提供借鉴案例。

光大信托数据公司总经理祝世虎认为，大模型在金融行业的应用需要大创新。目前为止，大模型在银行的应用主要在智能客服、智能运营、写文章、写邮件等方面，但这些应用均不是银行的核心应用，银行的核心应用还是在风险管理、资本管理和监管科技等几个方面。

对于未来金融机构和科技公司的合作模式，许冬亮认为，大模型底层的生产资料是数据，但现实中数据的分布是比较分散的，尤其是高质量的数据。因此长期而言，科技公司和金融机构的深度合作模式，才能把金融领域大模型的底层知识基础构建完善。

具体而言，科技公司提供不同类型的通用大模型，金融科技公司在通用大模型的基础上提供金融行业的大模型。金融机构内部根据自己适配的场景二次预训练已有的大模型，得到其适配的应用。

（文章来源：新京报）