随着AI大模型技术兴起，越来越多金融机构正将它应用在各个业务场景。
　　数据显示，当前逾70%的国内金融机构处于大模型调研阶段，8%处于立项阶段，17%开始进入测试阶段，部分金融机构甚至已将大模型技术投入实际应用。
　　一位城商行IT部门主管向记者透露，尽管金融行业对大模型技术的关注度和参与度日益升温，但在大模型实际落地过程，金融机构仍面临模型选择难、算力供应不足、应用成熟度不足等挑战。
　　兴业证券金融科技部总经理蒋剑飞指出，当前，算力不足与成本过高是制约金融机构应用大模型技术的主要挑战，但在未来，金融机构还将面临模型成效的挑战。
　　在他看来，当前证券公司的大模型应用仍处于逐步探索的起步阶段，不少点状的应用场景开始“爆发”，但是体系化、规模化的应用场景仍有待挖掘。当前金融机构要积极拥抱大模型技术，仍需稳健落实相关规划，聚焦成效与深耕业务场景。
　　国金证券首席信息官王洪涛认为，当前大模型技术研发应用面临的另一大挑战，是金融机构各个业务部门留存的大量数据尚未经过有效的规范整理与治理。由于大模型技术体系对数据安全性、实时性与数据连通性方面的要求较高，金融机构针对各业务部门数据治理与规范使用，仍需持续不断的优化。
　　在业内人士看来，随着大模型技术在金融场景的应用落地日益增多，未来大模型技术可能在金融领域带来体系化重构效应，其中包括重新定义人机交互方式与专业应用程序，重构金融机构原有的基础设施与管理体系等。在这种情况下，针对大模型技术的发展需求，金融机构还需完成从原有的云原生数字化架构，向大模型原生数字化架构的升级。
　　王洪涛指出，在大模型技术的早期成熟过程，或许由科技公司“主导”；但当大模型技术发展到一定程度并产生溢出效应后，金融机构或将主导大模型技术的发展应用方向。
　　大模型应用场景从“点状化”迈向“体系化规模化”
　　记者获悉，随着AI大模型技术的兴起，越来越多金融机构已将它成功应用在特定的业务场景。
　　近期，大模型技术正悄然在越来越多银行智能客服场景落地。
　　上述城商行IT部门主管向记者直言，其银行高层对大模型技术在智能客服场景的应用，抱有极高的期望值——一是希望它能令银行减少逾百位人工客服的人力成本，二是希望它能提供更具人性化与精准化的智能客服体验，提升银行的口碑。
　　记者获悉，当前不少银行推出了智能客服“数字人”，广泛应用在移动端APP、对公业务、财富管理等零售业务等众多场景。但是，这些智能客服“数字人”的智能化程度不够高，往往面对客户提出的复杂问题，要么出现答非所问的状况，要么无法准确理解用户提问上下文内容并给出正确的答案。
　　在这种情况下，越来越多银行开始寄希望AI大模型技术能给智能客服“数字人”装载“大脑”。
　　这背后，一是AI大模型在内容生成和语义理解方面有着卓越的表现，与智能客服需求有着较高的契合度。二是AI大模型还能在某种程度进一步提升智能客服的智能化程度。
　　在证券投资领域，部分券商已着手将AI大模型技术应用在投顾与投研等场景，帮助投资者与分析师快速高效地获取各类财经资讯以及核心内容。
　　一位券商IT部门人士告诉记者，针对大模型技术在投顾场景的应用，他们已开始内测。究其原因，以往AI投顾“机器人”回答的话术内容生硬专业，众多投资者反馈自己看不懂这些回答内容，因此券商希望能借助AI大模型技术，将一些专业术语在内容合规准确的情况下变得更通俗易懂，且问答语调更贴近投资者希望看到的风格，进一步提升投顾服务体验。
　　前述城商行IT部门主管透露，银行高层希望大模型技术先在智能客服场景创造降本增效与提升服务体验的双重效果，再将AI大模型技术应用推广到信贷风控、业务在线办理、智能营销等场景。目前，他们遇到的一大挑战，是AI大模型技术的应用场景越多，需要打通的银行各业务部门数据越广，但鉴于当前各业务部门的数据采集使用标准不一，其数据治理与规范整理过程将是新挑战。
　　数据治理与规范整理挑战
　　记者获悉，针对金融大模型的数据治理与规范整理，各家金融机构有着不同的做法。
　　申万宏源信息技术开发总部总经理助理石宏飞表示，申万宏源针对数据治理的总体规划思路包含四方面，一是数据治理全域化，要推进数据治理全生命周期的管理模式，即源头治理、过程管理以及最后的末端处理模式；二是数据资产的标准化，最终形成标准化的数据指标体系以及衍生指标，及一些低代码二次开发的衍生指标；三是数据服务自助化，通过“自助分析+标签工厂”提供数据自助加工；四是数据应用自助，包含大模型、AI、BI等。
　　一位股份制银行人士向记者透露，针对大模型技术应用所涉及的数据治理，他们主要分成三步走，一是从总行层面制定数据治理操作标准与数据规范整理操作指引，先由各个业务部门按照上述要求自行梳理，二是总部IT部门会组建专门团队，负责对各个业务部门数据治理成效进行评估与完善，三是将各业务部门完成治理且符合要求的数据纳入一个数据中台，作为大模型技术在更多业务场景应用的一项重要数据来源。
　　在他看来，当前令他们比较伤脑筋的，是如何全面评估金融大模型的能力表现。他们通过多轮内测发现，在智能客服、业务在线办理、业务合规审核场景，金融大模型的应用成效高于预期；但在信贷风控、智能营销等场景，金融大模型的表现则“差强人意”。
　　记者获悉，中国信通院联合相关机构着手设定金融大模型的评测标准，包含“L0-L1-L2”三层能力评测。其中，通用能力L0层包括基础常识、语义理解、数学计算、多轮对话能力、表格处理能力和安全能力等；金融领域能力L1层包括金融法律法规遵循、金融百科问答与实体识别；金融场景能力L2层包括投顾、投研、运营、合规等场景的专属任务评测。
　　在业内人士看来，若要金融大模型更好地应用在各个业务场景，除了全面考察评估金融大模型的能力表现，金融机构还需密切关注金融大模型生成内容的可控问题。尤其在金融领域，相关部门对金融业务话术内容的合规性与准确性要求非常高，不会容许任何“误导金融消费者”的行为出现。
　　前述券商IT部门人士透露，这需要金融大模型在语料安全、模型安全、模型评估等方面设立完善的安全机制，确保大模型生成内容的安全合规并符合监管要求。目前他们双管齐下，针对投顾场景的金融大模型语料采集，已相应减少财经大V版权语料并增加任务指令微调，更好地应对金融术语口语众多、知识幻觉、监管严格等挑战；针对投研场景的金融大模型语料采集，则通过新技术解决超长文本处理、图表文字混合排布、投研术语众多等问题，令研报观点抽取、舆情事件识别、资讯摘要、表格处理、公司实体识别等方面呈现更高的准确性。
　　在他看来，判断金融大模型技术能否有效落地应用，需从能否实质性改善用户体验、能否显著提高业务效率，能否提升业务盈利能力而非追求流量等三个维度判断。目前而言，金融大模型或许能在个别金融业务场景呈现不错成效，但要让它在更多金融业务场景发挥更大价值，仍需金融机构持续追加金融大模型的研发投入，确保它能在更大范畴赋能金融机构降本增效与提升金融服务体验。
（文章来源：21世纪经济报道）