大模型引发金融业变革

ChatGPT的出现在金融业引发了巨大反响。最初,许多金融机构对此感到焦虑,担心落后于技术发展。然而,随着时间推移,人们对大模型的认识逐渐理性和务实。

金融业对大模型的态度经历了几个阶段:

• 2-3月:普遍焦虑,担心落后
• 4-5月:纷纷组建团队探索
• 之后几个月:寻找方向,遇到落地困难,变得理性
• 目前:关注标杆案例,尝试验证过的应用场景

越来越多的金融机构开始从战略层面重视大模型。多家上市银行在半年报中明确提出正在探索大模型应用,并在战略规划上有了更清晰的思路。

从热情到理性

年初时,金融机构对大模型的了解还很有限。一些大行率先行动,开始做各种"蹭热度"的宣传。随后,头部金融机构开始与大厂探讨大模型建设。

5月后,受限于算力资源和成本等因素,金融机构开始更关注大模型的应用价值。大型机构倾向于自建企业大模型,中小机构则更多考虑引入公有云API等服务。

由于金融行业对数据合规性、安全性等要求高,大模型落地进展略低于预期。不过,一些机构已开始解决落地中的障碍,如:

1. 自建算力:成本高但安全性好,适合大型机构
2. 混合部署:公有云+本地部署,成本较低,适合中小机构
3. 行业共享基础设施:正在探索中,可能由监管部门牵头

同时,越来越多金融机构加强了数据治理,构建数据中台和数据湖平台。一些银行还通过MLOps方式解决数据问题。

从外围场景切入

金融机构和服务商都在积极探索大模型应用场景,涵盖智慧办公、智能开发、营销、客服、投研、风控等多个领域。

业内共识是先内部后外部应用。短期内不建议直接对客户使用大模型,而是优先用于提升内部工作效率。

目前落地较多的场景包括:

1. 代码助手:如工行智能研发体系,编码助手生成代码占比达40%
2. 智慧办公:如基于大模型的网点问答系统

这些场景多为非核心应用。业内预计年底前会出现一批在金融机构核心业务中应用大模型的项目。

在顶层设计方面,金融机构正在重新架构系统,采用分层模式整合大模型与传统模型。多家机构已搭建包含基础设施层、模型层、服务层、应用层的框架体系。

人才缺口依然庞大

大模型对金融行业人员结构带来挑战。一些数据分析等岗位面临被替代,但也催生了新的人才需求。

多数金融机构希望大模型能提升员工效率,而非减员。原因包括:

1. 现有IT需求工期已排至明年底
2. 大模型人才供给远不及需求增长速度

目前金融行业在大模型人才方面面临巨大缺口,特别是在AI算法、模型训练调优等领域。一些机构已开始采取措施,如联合培训、组建项目组等,以提升内部人才能力。

业内认为,大模型的成功应用需要金融机构内部深入融合需求的专业团队。未来,会使用大模型的开发人员可能更容易在行业中生存。