從外圍場景到核心決策，大模型準備好了嗎？

在技術新浪潮涌動之下，一切都在改變，一切都可能發生。

——馨金融

洪偌馨、伊蕾/文

最近，在全球科技巨頭的助推下，生成式AI以及其背后的大模型發展一日千里。

就在不久前，OpenAI發布GPT-o1。在上一代大模型強大交互能力的基礎上，新一代大模型的「思考能力」顯著提升，能夠對更復雜的問題進行拆解和推演。

其CEO奧特曼也在博客中預言，超級人工智能將在幾千天后到來，人類將步入智能時代。

作為最早步入「AI時代」的行業之一，新技術還能為金融行業帶來怎樣的突破與變革？在最近舉行的2024年香港金融科技周活動上，「大模型在金融行業的應用」也成為了最受關注的話題。

「以o1推理大模型為代表的新一波生成式AI技術在金融領域的應用，將從外圍場景深入到核心業務，直接影響金融行業的核心決策質量，在為客戶的產品和服務體驗上帶來巨大突破的同時，將會重塑金融科技行業?！?/strong>度小滿CEO朱光在科技周主論壇上表示。

此前，大模型在金融領域的應用主要聚焦于智能客服、內部辦公提效等外圍場景，但隨著大模型的加速迭代和能力提升，情況正在迅速發生變化。

朱光分享了度小滿用推理大模型在業務側進行的一些創新性探索。其中，在信貸和保險領域，通過分析客戶的個體情況，大模型已經可以給出具體的決策建議和執行方案。

另外，在量化投資領域，通過大模型也可以挖掘高價值的因子，進而優化投資算法。

這不僅為市場展現了大模型應用更具想象力的未來圖景，也在一定程度上揭示了行業發展的未來趨勢——從外圍場景到核心決策，從降本增效的輔助工具進化為真正的數智化「生產力」。

1、潛力無限

過去一年，金融行業迎來一場「大模型」盛宴，包括云廠商、金融機構以及金融科技公司等在內的各類市場參與者都在加緊布局。

作為典型的數據密集型產業，金融行業確實是大模型應用的理想領域。雖然發展的時間不長，但它已經滲透到許多企業的日常工作流程中。

以度小滿的實踐來看，作為國內首個千億級金融大模型「軒轅」的開發者，大模型已經應用在度小滿的各個業務場景，從營銷、客服、風控、辦公再到研發。

比如，在代碼助手方面，用大模型輔助生成的代碼采納率能夠達到42%，幫助公司整體研發效率提升20%；在客服領域，大模型推動服務效率提升25%；在智能辦公領域，大模型目前的意圖識別準確率已達到97%。

這些應用不僅可以提升服務效率，也能夠替代一部分的人力，降低金融機構的服務成本。

然而，相較于人們對于「智能時代」的想象與期待，大模型顯然還有更大的潛力可以挖掘。

朱光認為，生成式AI技術要對一個行業帶來巨大變革有兩個前提，「一是必須讓核心的客戶體驗發生巨大改變；二是必須對業務的核心決策產生影響。比如信貸業務，只有當大模型能夠對于客戶的金融服務體驗帶來影響、對風險決策、經營決策這樣的核心業務決策產生重大影響的時候，才真正釋放出大模型的潛力?！?/p>

根據度小滿的測試結果，在信貸領域，推理大模型可以通過分析客戶的銀行流水，推理出其還款能力，不僅能夠提供是否放貸的簡單決策結果，還能給出更具體的貸款額度建議。

而在保險業務方面，GPT-o1大模型也可以根據不同客戶的個體情況給出承保決策和差異化保險定價方案。

朱光表示，「推理大模型的決策質量我們還在做更多的測試去驗證，但它已經掌握了風控知識并具備推理能力，讓我們看到了未來核心決策應用上的巨大潛力」。

這也為整個金融行業帶來了更大的想象空間。

清華大學經管學院在此前發布的《2024年金融業生成式AI應用報告》中指出，生成式AI重新定義客戶體驗，正在形成新服務。

預計1-2年內，首批大模型增強的金融機構會進入成熟應用期，3年后將會帶動金融業生成式AI的規?；瘧?，并且有望為整個金融業帶來3萬億增量。

在此基礎上，如果大模型能夠在客戶體驗、業務決策等更多核心場景中加速落地，它也將真正重塑金融機構的業務流程、商業模式，為金融行業釋放更多新的生產力。

2、越過「山丘」

當然，任何新技術的開發與應用都不會是一片坦途，著眼于當下，大模型要越過「山丘」，還面臨著重重挑戰。

一個最核心的問題是：處理復雜決策問題需要大模型的底層技術能力提供足夠支撐，而這需要更多的數據、算力、資源和時間去「喂養」。

比如，GPT-o1通過思維鏈大幅提升了推理能力，它能夠將復雜的問題拆解為更簡單的步驟，還會在當前方法無效時，嘗試其他方式。

但研究顯示，思維鏈僅對1000億以上參數模型的推理有顯著提升，這直接拉動了算力需求的增長。

與此同時，如何將技術與具體的業務場景相結合，則對機構的能力提出了更高要求。尤其對于金融行業來說，風險控制永遠是第一「生命線」。

以風控業務為例，長久以來，居于核心地位的風險判斷和決策環節屬于傳統人工智能的監督學習范疇。

如果想要將更多工作交給大模型，就要妥善解決它存在的幻覺問題、出現缺乏可解釋性行為的可能。

這使得市場參與者們必須保持更加審慎的態度，尋求穩妥和可靠的解決方案，需要更多既懂技術又了解業務的復合型人才，基于更多實踐和驗證，建立更高效和可靠的人與機器、甚至機器與機器的協作模式來減少潛在風險。

在此基礎上，機構還要考慮成本、效率、投資回報等問題，畢竟，無法真正實現商業可持續的技術很難找到真正的出路。

這也是金融企業面向未來進行布局時必須思考的問題，如果大模型的應用是行業發展的必然趨勢，是金融業邁向新階段的「基礎設施」，他們到底該采取怎樣的行動路線。

尤其對于一些中小金融機構而言，在整個行業日益邁向開放、協同的趨勢之下，自己進行「從零到一」的開發不僅面臨著巨大的成本壓力、缺乏規模效應，還可能因為參數不足面臨更高的風險。

如果能夠結合自身的業務發展需求，通過與巨頭協同合作獲得更好的底層能力支撐，并將更多重心放在應用側，未償不是一個更好的選擇。

而對于一些資源稟賦更好的頭部機構來說，發揮自身優勢去開發和部署、調整和訓練模型，探索業務發展的更多可能、不斷打破技術的「天花板」，也是他們必須承擔起的使命。

事實上，在今年5月度小滿開源了大模型「軒轅」之后，短短幾個月內，它不僅通過了《生成式人工智能服務管理暫行辦法》備案，而且第三代大模型「軒轅3.0」已經發布。

根據「軒轅3.0」在金融場景中的任務測評結果，其在金融事件解讀、金融業務分析、投研應用能力和風險管理等測量維度上已經超越OpenAI發布的上一代模型GPT-4o。

從這個角度來看，在技術新浪潮涌動之下，一切都在改變，一切都可能發生。