魏炜：大模型技术在金融行业中应用的挑战、应对与展望
The following article is from 北大汇丰PFR Author 魏炜 黄洪武
随着行业的不断发展，全民化的生成式AI或将成为2024年的科技趋势。越来越多的实践证明，大模型深入企业运行的方方面面，可以帮助企业通过丰富的语义理解来提升业务效能。
北京大学汇丰商学院管理学教授魏炜及合作者深圳市司普科技有限公司CTO黄洪武共同在《北大金融评论》撰文表示，企业可以利用大模型强大的解析和生成能力，更高效地梳理和分析海量数据，但是，现行的大模型技术和中心化的商业模式亦带来了明显的挑战和风险。
为了解决这些问题，魏炜教授团队提出数智金融技术架构新范式，在这种架构中，生成型的大模型与辨识型的小模型相结合，并且引入了Agent系统，以提供更精准和全面的数据处理及决策支持功能。他表示，随着技术的不断发展，企业需要持续更新其模型和算法，以保持竞争力和效率。通过与行业专家的合作，企业可以确保其大模型的应用既符合最新的技术进步，也符合道德和法律标准。
本文将刊登于《北大金融评论》第18期。
在金融行业，大模型技术的出现标志着信息处理和决策智能化的新纪元。这些先进的模型凭借其强大的数据处理能力和复杂的算法结构，在理解和生成语义内容方面具有独特的优势。无论是文本、音频、图像，还是视频数据，大模型都展示了其强大的解析和生成能力。金融机构借此可以更高效地梳理和分析海量数据，提升决策的速度与精度，从而在激烈的市场竞争中获得优势。尽管如此，现行的大模型技术和中心化的商业模式亦带来了明显的挑战和风险。首先是所谓的“幻觉”问题，即大模型有时候会生成看似合理却根本无法应用于实际情境的非事实性内容。在金融领域，这可能导致错误的投资建议和风险评估，给用户带来不可预知的损失；其次，大模型往往依赖于海量的历史数据进行训练，但这些数据不总是实时更新或有确切来源，导致模型输出的决策支持缺乏时效性和准确性。在快节奏且变化无常的金融市场中，实时性是至关重要的。缺乏实时数据支持的模型，其分析结果很可能在发布时就已过时；更大的挑战是用户数据隐私和数据产权的问题。中心化模式下，大模型公司掌握和处理大量用户数据，不仅增加了隐私泄露的风险，也可能侵犯数据产权。在金融领域，这种做法可能会遭遇用户的强烈反对，毕竟金融数据往往包含敏感信息。
为了解决这些问题，我们提出一种新的技术架构和商业模式。在这种架构中，生成型的大模型与辨识型的小模型相结合，并且引入了Agent系统，以提供更精准和全面的数据处理及决策支持功能。生成型的大模型能够创造高质量、高相关性的内容，而辨识型的小模型则负责识别内容的准确性和实用性，确保生成的信息与现实世界的数据和情境相符合并能溯源。Agent系统在这里扮演着关键角色，处理那些单靠提示词难以实现的复杂业务场景，进而达到高效的自动化决策。在这个体系中，非中心化的商业模式至关重要。这意味着大模型的所有权应该分散至用户手中，确保数据的隐私和产权得到尊重。用户不仅能控制自己的数据，还可以根据自己的需要对模型进行训练和定制，从而更好地满足个性化的金融服务需求。这种模式可以激励用户更积极地提供和创造新数据和知识，因为他们知道自己在为自己的利益而不是仅仅为大模型公司的利益贡献力量。
综上所述，大模型在金融行业的应用前景广阔，但要发挥其潜力，就必须克服现有的限制，并发展新的技术架构和商业模式。通过这种方式，我们不仅可以最大限度地发挥大模型的优势，还可以有效地减少其潜在的风险。
数智金融技术架构新范式：生成型大模型、辨识型小模型与AI Agent系统的融合应用
生成型的大模型能够处理并分析海量历史交易数据、新闻报道和市场动态，并据此生成详尽的投资报告和市场预测。然而，这些模型生成的内容需要经过严格的筛选和校验，以确保其符合现实世界的逻辑和准确性。
此时，辨识型的小模型可以发挥关键作用。这些模型，虽然规模较小，但专注于特定任务，可以完成高精确度的文本解析、情感分析、知识图谱构建等，它们能够高效地从大模型生成的内容中筛选出有用信息，分类和追溯数据的来源，以及进行必要的校正。例如，通过BERT或T5等预训练模型对用户反馈进行情感分析，可以帮助金融机构更好地理解其产品的市场接受度，进而进行精准的市场定位和产品改进。
然而，仅有模型的生成和辨识能力还不够。在金融决策的各个环节中，AI Agent（智能体）系统的引入成为提升决策智能化水平的关键一环。用户可以使用AI Agent输出自己想要的、内容可控的文本，它们还具有自主学习和决策的能力，能够根据实时市场状况和投资者需求，动态调整大模型和小模型的参数和行为。这一点在金融交易自动化中尤为重要，AI Agent可以分析市场趋势，自动执行交易策略，从而在确保投资决策合理性的同时，提高交易的速度和效率。
在更高的层面上，这种自主智能体可以作为虚拟的金融投资顾问平台的协调者，整合来自不同智能体的数据分析、算法设计和用户界面的输入，实现高效的团队协作。AI Agent不仅仅是自动化的工具，它们还能够模拟人类行为，理解并预测客户需求，提供个性化的客户服务，以及管理和维护客户关系。
总之，通过结合生成型大模型的数据生成能力、辨识型小模型的分类和筛选能力，以及AI Agent系统的动态决策执行能力，数智金融领域的服务将变得更为智能化、个性化和自动化。这种综合的技术架构为金融服务的未来发展提供了新的可能性，它不仅提高了操作效率，降低了错误率，还为用户提供了更加丰富、精准的金融解决方案。
为了确保大模型的能力得到最佳应用，我们可以对其能力进行层次分级，根据不同的业务需求选取或定制合适的模型层次。
问答能力（Level 1）：在金融服务中，客户咨询是常见的交互形式。大模型在这一层级可以快速响应各种标准问题，例如产品信息、账户查询等。通过领域特定的训练，这些模型在问答方面可以达到较高的精度和可靠性。
问答与智能搜索能力（Level 2）：为了提供更深入、更具体的信息，大模型需要结合智能搜索功能。在这一层级，模型能够从海量的知识或在线数据中筛选出最相关的信息，比如在提供投资建议时，模型能够搜索最新的市场报告和财经资讯，提供更具深度的答案。
问答、智能搜索与校正溯源能力（Level 3）：信息的准确性对金融决策至关重要。在此层级，大模型不仅提供问答和搜索功能，还要进行信息校正和溯源。这一能力确保了模型输出的信息不仅是最相关的，也是最可信的。例如，在自动化的投资分析中，模型能够校验不同数据源的信息，确保其与事实相符。
问答、智能搜索、校正溯源与任务导向的自动化Agent迭代（Level 4）：自动化Agent的引入能够实现任务的自动化和优化。在金融风险评估或投资决策等方面，自动化Agent可以不断学习和优化，通过迭代过程提升决策的精确度，实现更加高效的工作流程。
问答、智能搜索、校正溯源、任务导向的自动化Agent迭代与增强逻辑推理能力/Human-Level AI（Level 5）：在此层级，大模型不仅具备前述所有能力，还加入了例如谓词逻辑和因果逻辑，从而实现接近人类的逻辑推理能力。这使得大模型在处理如并购、资产配置等复杂金融决策时，能够进行综合判断，考虑市场趋势、法规合规等多维度因素，为用户提供全方位的决策支持。
金融行业中应用大模型技术的六种商业模式
在金融行业，可以存在六种应用大模型技术的商业模式，这些商业模式都可以解决大模型中心化模式导致的用户数据安全问题和用户数据利益权属的问题。
第一种：一体化的大模型商业模式。在这种模式下，企业将预训练和微调过的通用大模型授权给客户，客户可以私有化部署并能够根据自己的需求定制专属的领域大模型。这一模式的优势在于能够通过标准化的基础设施建设，确保较高的安全性，同时满足客户对个性化开发的需求。然而，这也意味着企业和客户都需要具备较强的数据处理、算力底层及编程能力，同时前期的资本投入较大，这对双方都提出了更高的要求。
第二种：平台型商业模式。这种模式下，企业不仅开发自有的通用大模型，还提供一个平台，使第三方公司能够在此基础上开发各自的通用大模型。相对于第一种模式，这种商业模式降低了机构的开发能力要求，提供了更为灵活的业务环境，第三方公司（客户）可以更快捷地进行模型开发并实现私有化部署。这种模式的核心在于平衡了开放性与安全性的需求，为金融行业提供了一个既灵活又安全的模型开发环境。
第三种：专业领域适应性的二次微调模式。在这一模式中，企业从已有的开源或闭源的可私有化部署的通用大模型出发，进行针对特定领域的适应性微调，以满足企业自身的特定需求。这种方式降低了客户的开发门槛，但要求客户在模型私有化部署后能够持续地进行自主微调，以适应不断变化的业务需求。
第四种：领域大模型的客户微调模式。这种模式通过提供领域大模型（模型文件）给客户，并允许他们基于私有数据进行微调，简化了客户的开发流程。虽然这种模式能够加快通用模型的迭代速度，但相对较低的安全性和易于复制的低壁垒是其劣势。
第五种：领域大模型与专业知识图谱结合模式。此模式通过提供领域大模型和专业知识图谱，赋能客户以较小的前期投入、较低的业务风险和成本参与到大模型的应用中。这种模式的难点在于构建并维护专业知识图谱，它要求企业拥有专业知识的积累和高质量数据的支持。
第六种：行业垂直集成模式。企业在这种模式下，不仅提供领域大模型，还会结合专业数据公司的数据构建专业知识图谱，从而为不同的行业企业客户和个人用户提供定制化的服务。这一模式的优势在于其能够构建较高的行业壁垒，满足多元化终端行业的需求，但它对专业知识图谱的依赖性很高，要求企业在专业领域拥有深入的理解和大量知识积累。
总体而言，这些商业模式展示了大模型在金融行业应用的灵活性与多样性，同时也指出了不同模式下的技术和商业挑战。对于金融机构而言，选择适合自身发展阶段和业务需求的商业模式，能够更有效地利用大模型的能力，以促进业务创新和竞争力的提升。
大模型技术在金融行业的价值增值应用及前景展望
在当前金融行业的快速发展中，大数据和人工智能技术已成为推动行业创新的关键动力。大模型技术作为这些变革中的先锋，不仅在传统业务活动和管理活动中大放异彩，而且在解决过去的棘手问题和创造全新应用场景方面展现了巨大的潜能。
金融企业正在通过大模型的应用走向价值增值的快车道。在营销领域，金融机构利用大模型进行智慧营销，实现了从简单的产品推广到精准个性化营销的转变。大模型通过分析海量的客户数据，不仅优化了营销策略，还提高了营销文案的生成效率，使得金融产品和服务更加契合客户的独特需求。奇富科技的实践是一个典型案例，它通过构建大模型来提升其电话销售系统的效率，从而实现了更加快速的客户响应。第四范式通过其精准的理财产品推荐模型，不仅显著提升了银行的营销响应率，而且大幅增加了成交金额。
在风险管理方面，大模型的应用同样令人瞩目。金融机构利用大模型进行财务风险评估，优化财务预测，为决策提供支持。这些模型可以对大量的财务数据进行深度学习和分析，迅速识别潜在的风险点。例如，百融金服的一体化风控解决方案能够高效地监测和响应贷款过程中的风险，显著提高了市场的稳定性。
在投资管理领域，智慧投顾正在借助大模型的力量，为客户提供量身定制的理财方案。利用机器学习算法，大模型能够基于客户的个人资料和风险偏好，提供个性化的投资建议。恒生电子的智能投研平台通过提高投资者的工作效率和投资能力，帮助他们作出更明智的投资决策。而文因互联的TalentGPT则利用大模型技术，快速识别人才的亮点和异常点，提升了人才招聘和管理的效率。
后台管理是金融企业运营的重要组成部分，而大模型在这一领域的应用也同样重要。智能招聘系统有了大模型的帮助，在筛选候选人时提高了准确性和效率。智能培训系统则使用大模型来定制培训内容，针对员工的学习进度和效果进行优化，大幅提高了培训的质量和效果。
整体来看，大模型技术在金融行业的应用不仅局限于改进现有的操作流程，它更是通往新的可能性的大门。金融机构不再受限于传统的分析工具和方法，而是可以通过大模型进行更深层次的数据挖掘，提炼出更加精准的业务洞察，从而在激烈的市场竞争中取得先机。随着大模型技术的不断进步和成熟，我们可以预期，它将继续在金融行业的各个领域中扮演更加重要的角色，帮助金融机构达成更高的业绩目标。例如，大模型可以完成以前很难实现的任务或无法完成的任务，甚至创造出以前无法想象的新的应用场景。
在企业内部活动中，大模型的应用展现出巨大潜力，从情报分析到业务自动化，都有显著的提升。特别是在情报分析方面，大模型能够处理和分析大量复杂的数据集，比如金融交易数据、客户信息、市场趋势以及风险管理数据。利用自然语言处理能力，这些模型可以识别和理解客户行为的复杂模式，提供更为个性化的销售和服务解决方案。例如，通过深度学习算法，大模型可以预测个别客户的未来购买行为，从而有针对性地推动销售策略，优化库存管理，降低过剩或短缺的风险。
在商业智能（BI）领域，大模型提供了一种新的解决方案，通过自然语言处理和高级数据分析功能，降低了技术门槛。传统BI工具依赖于数据科学家和分析师编写复杂的查询和维护报告，而大模型则能够自动生成查询，甚至提供直观的数据可视化，使得非技术背景的业务人员也能参与到数据驱动决策的过程中。
此外，大模型在业务流程自动化方面的应用也正在改变企业运作方式。通过自然语言生成的提示（Prompt Engineering），企业能够编写复杂的规则和脚本，让模型自动执行库存管理、网络规划和客户支持等任务。这不仅提高了工作效率，减少了人为错误，也使得员工能够专注于更有创造性和战略性的工作。
进入金融领域，大模型工具的应用正逐步重塑业务分析和决策流程。在这个数据密集型的行业中，模型能够克服传统数据处理方法的局限，如不一致的数据质量、信息遗漏和复杂性。通过将复杂的数据处理工作委托给模型，业务分析师可以集中精力进行更深入的分析和策略规划。利用大模型进行的数据分析不仅效率更高，而且准确性更高，为制定复杂的金融产品和服务提供了坚实的数据支撑。
在供应链金融领域，大模型尤其表现出其强大的潜力。模型可以代理供需双方，不仅能自动匹配买家和卖家，还能基于市场动态进行决策和调整。这种自动化程度的提升对于控制成本和风险管理至关重要。例如，通过算法分析，大模型可以优化供应链金融的信用评估过程，预测财务风险，并为供应链融资决策提供实时的数据支持。
尽管大模型在企业应用中显示出巨大的潜力，但仍然存在挑战，如模型的透明度、偏见、隐私和安全问题。因此，企业必须谨慎地将这些工具融入其运营中，并确保监管合规。此外，随着技术的不断发展，企业需要持续更新其模型和算法，以保持竞争力和效率。通过与行业专家的合作，企业可以确保其大模型的应用既符合最新的技术进步，也符合道德和法律标准。
创造出新的应用场景
人力资源管理的革新
在人力资源管理领域，传统的方法面临着匹配效率低下和人才培养不精准的双重挑战。大模型技术的应用，使得新项目与人才的匹配变得更加迅速和精准。这种技术可以通过分析大量的员工数据和项目需求，快速识别最合适的人选，有效地将人才与项目需求对接，显著提高了人力资源配置的效率和质量。
此外，大模型技术也推动了个性化培训的发展。通过分析员工的工作表现、职业发展路径和个人兴趣，这些模型可以提供定制化的学习方案和资源，从而更准确地满足员工的发展需求，提高培训效果和员工满意度。
知识管理的突破
在知识管理方面，大模型技术正彻底改变信息的存储、搜索和编辑方式。通过自动化的分类和索引系统，企业可以快速地整理和检索大量的文本、图片、语音和视频资料。自动化的解析工具不仅能够提取文本信息，还能够识别图片、语音和视频中的元素，甚至分析它们之间的关系，实现信息的深度整合和高效管理。
大模型与区块链的融合
而将大模型技术与区块链结合，为语料确权和应用开辟了新天地。通过在区块链上存储私有语料，企业可以确保数据的安全和可追溯性，同时利用大模型进行高效的数据分析和利用。这种模式还能够通过计费系统，根据语料的使用频率为企业带来新的收益来源。
模型包的应用及其经济模型
更具前瞻性的是模型包的应用。企业通过将已有的数据和模型定义微调训练进入大模型中，可以创建出专门的模型包，这些模型包在后续的业务过程中可以直接被调用，提供有针对性的数据分析和决策支持。模型包的使用不仅增强了企业的业务能力，也为其带来了新的经济模型，即通过模型包的调用次数来计费，为企业提供了灵活的收入模式。
这些新的应用场景不仅增强了企业的内部运营效率，也提升了客户服务的质量。未来，随着大模型技术的不断发展，其在各个行业中的应用将更加广泛和深入，企业将能够开发出更多创新的服务模式和商业模型，以适应不断变化的市场需求。大模型技术正成为推动企业数字化转型的重要引擎，为各行各业的可持续发展注入新的动力。
本文将刊登于《北大金融评论》第18期
现在征订全年刊和三年刊，
本文编辑：杨静雯
精品课程
联系我们