【摘要】誰將領跑大模型金融產業應用

自2022年底以來，ChatGPT引發了人工智能新一輪創新熱潮，各大企業更是爭先拿出各自的大模型產品，尤其在中國市場的競爭，已經進入白熱化階段。由中國科學技術信息研究所、科技部新一代人工智能發展研究中心聯合相關研究機構編寫的《中國人工智能大模型地圖研究報告》更是顯示，中國已發布的AI大模型已有79個。

但近日，這場沒有硝煙的戰爭，風向仿佛發生了一些微妙的變化。首先是ChatGPT的月度流量首次出現下降——2023年6月份，ChatGPT網站在全球的桌面和移動端流量比5月減少9.7%，獨立訪客減少5.7%。

(資料圖)

擺在各行各業面前的一個問題是，除了聊天對話之外，還能解決什么問題、帶來什么樣的商業效益？畢竟，每一次對話背后都是大量的運營成本、計算資源的消耗。沒有哪家企業能夠長久扛下這種成本損耗。

正如中國市場上，消費互聯網向產業互聯網的發展一樣，C端免費的個人應用終將走向B端的收費服務，也就是產業應用，才能在人口紅利消失、各行各業降本增效的當下，真正創造價值。

賽事行至中場，這一場AI大模型之戰的賽點已然清晰：技術之外，大模型做好垂直產業應用才是王道。

基于這樣的洞見和對技術演進的判斷，馬上消費CTO蔣寧表示，近期馬上消費將正式發布自主大模型，聚焦“自主動態強化學習能力的大模型(AIGC+RLHF)、多種模型組合式的AI系統、多模態音視頻實時人機結合”三項核心關鍵能力，致力解決金融行業大模型在落地過程中的安全可控和隱私保護、基礎設施能力建設等方面的關鍵問題。

(一)賽點：搶跑還是深挖？

近日，由知名數據公司IDC發布的首份AI大模型評估報告出爐，名為《AI大模型技術能力評估報告》，對百度、阿里、智譜等14家國內主流企業的大模型平臺進行評比。

值得注意的一點，IDC這份《AI大模型技術能力評估報告》和其他不同的是，評估維度除了常見的“產品”、“服務”之外，還將“行業覆蓋”這一點作為關鍵的評估維度。

但周觀認為，該報告雖然詳實而權威，但作為一個面向通用平臺的能力評估，對于各個垂直產業選用AI大模型的參考價值并不大，至少對于金融、金融科技行業來說是如此。

其中的關鍵點在于，“行業覆蓋”僅僅只是解決了有沒有的問題，而不能解決“好不好用”的問題。

當然，該報告也正視了這一點，其指出，大模型的最終目的還是要落地于產業實踐。再看阿里、百度等企業在行業上的評分優勢，仍只是在于其過往積累的產業領域，例如阿里評分較高的在于電商、百度在于能源。

縱觀全行業來看，金融由于其行業的特殊性和獨特性，尤其對于風險和安全的可控性，目前仍未有哪家企業能夠有底氣拿出相應的殺手級應用。

至今仍被口口相傳的是，年初彭博推出的金融行業大語言模型BloombergGPT，涉及500億參數，這背后依賴于彭博社廣泛的金融領域數據優勢構建了3630億個標簽的特有數據集(363 billion token dataset)。

蔣寧也認為，金融行業天然有著數據密集型、技術密集型的屬性，一直在探索數據資產化，挖掘數據價值，同時又面臨著如銀行線下網點的價值傳遞效率問題、用戶體驗問題，需要機構持續創新。

也就是說，對于金融行業來說，大模型的關鍵不在于跑得快，而在于挖得深。無論跑得多快，終究還是得回歸行業本質，解決行業關鍵問題。

(二)難點：金融的特殊性與獨特性

蔣寧分析認為，除了數據、技術問題之外，目前金融行業大模型應用主要面臨四個關鍵挑戰。

第一，關鍵任務和動態適應性。

關鍵任務往往關系到生命或重大資產，比如自動駕駛、銀行存款，人工智能要做到100%的準確，并不容易。生成式人工智能大模型與工業界的判別式模型相結合的化學反應，目前尚無明顯效果。同時，與AlphaGo的封閉系統不同，大模型要想做到越來越聰明，就要想辦法在開放的體系里讓群體力量貢獻給模型，讓盡量多的用戶參與反饋，形成生態，對于金融行業來說，要想做到這一點還需要跨越巨大的行業鴻溝。

第二，個性化要求和隱私保護。

摒棄千篇一律的教條式服務，做到千人千面，大模型在為用戶提供個性化體驗的同時，又能確保用戶隱私，這也是一個需要解決的問題。

第三，群體智能與安全可控。

一方面，也就是前面提到的有效數據集問題，中文網絡世界的可用數據和有效數據，相比之下非常有限；另一方面，行業領域的數據往往是封閉的，存在巨大的“數據孤島”，難以打破共享。蔣寧認為，如何設計一個跨行業、組織的數據共享、權益共享且安全可控的機制，同樣面臨巨大挑戰。

第四，基礎設施能力。

以ChatGPT為例，按照國盛證券的報告《ChatGPT需要多少算力》估算結果來看，GPT-3 訓練一次的成本約為 140 萬美元；再以 ChatGPT 在 1 月的獨立訪客平均數 1300 萬來計算，每天光計算所耗費的電費就在 5 萬美元左右，這不是所有企業都能夠承受得起的硬性成本支出。

不僅如此，GPU、網絡、機房等基礎環境要針對大模型訓練、推理等方面的需求做出相應的改造，才能發揮最大的效能。例如最近國內就有云廠商相繼推出向量數據庫、高性能計算集群等產品，適應企業大模型訓練、推理的計算需求。

總結來看，垂直產業大模型的落地和應用，存在高成本、缺數據、缺算力、難以實現安全可控等諸多關鍵問題。和金融類似的，還有醫療、健康等行業，關乎錢袋子、資產安全，更關乎生命健康，也因此，這類垂直行業的容錯率往往更低、對于技術落地的精度和安全性要求也更高。

(三)破局：應用為王，產業至上

針對這些行業痛點和難點，蔣寧認為，馬上消費應該有自己的打法。

蔣寧指出，對于垂直產業來說，私有專屬模型是較好選擇，要聚焦“經濟”、“安全”和“可控”的大模型一體化解決方案，強化大模型私域數據的領域微調、精調訓練能力，并和外部企業形成生態互助，解決數據歸檔、脫敏、分層、評判價值等問題。

而作為金融科技的探索者和踐行者，馬上消費在金融大模型的落地應用上通過持續的技術積累，已經具備這樣的優勢和特點：安全可控、個性化決策和體驗、持續學習。蔣寧透露，目前馬上消費已經研發了實時人機決策模型、多模態大模型、數據智能模型等，并在內部正式上線測試。

這背后，馬上消費希望幫助解決金融行業的三個通用問題：

首先，個性化的服務和極致用戶體驗。金融業務有高價值、低頻的特點，很難提供個性化的體驗。傳統的做法是分層打標簽，提供不同的產品，但標簽是動態變化的，因此如何自動化地決策為客戶提供自動化的體驗，就需要產品與眾不同。

其次，高效的價值傳遞效率。雖然金融是技術密集型、數據密集型行業，但目前線下網點還是為數不少，因為人工智能尚不能做到不出錯，很多工作還要高度依賴人工操作。

最后，合規安全的決策智能，這與魯棒性相關。所謂魯棒性，是指在特性參數和系統內，維持某些性能的特性，例如金融行業尤為看重的合規、安全問題。

基于這三方面考慮，以及上萬臺的服務器，近千張的GPU卡，40PB的文字、聲音、圖片、視頻等形式的數據，馬上消費金融力求實現算力、算法、數據以及場景的閉環，并由此打造“三縱三橫”的AI戰略。

馬上消費金融的“三縱三橫”戰略

所謂三縱，是指實時人機決策、多模態大模型、數據智能。例如，要解決工業界的魯棒性問題，讓人接手人工智能解決不了的1%的問題。而馬上消費過去多年的實踐，已經積累了海量的語言、文字、圖片等素材，并圍繞其進行了大量的訓練，形成了一套完整的多模態的資產。解決數據智能的問題，背后離不開馬上金融早已經構建起來的2000+個模型，可以為2億多用戶提供自動化的營銷、風控等服務。

三橫即是指持續學習、模型控制、組合式AI：確保讓模型越用越聰明，同時更穩定、更安全可控。而不局限于單一模型，通過多種模型的組合應用，可以更高效解決問題。

據了解，目前馬上消費的人工智能技術主要應用在三大場景：一是金融智能對話，實現實時人機協作、持續學習、可信安全合規；二是金融數字人，通過大模型+組合式AI多模態能力，實現有溫度的數字人；三是金融服務的AI核心引擎，通過大模型的大腦與心理學的有機結合，實現有情感的人機互動體驗。

蔣寧將這些實踐和成果總結為一句話：“垂直領域的判別式模型與生成式模型等多種模型組合，構筑一個開放的持續學習、具備魯棒性、合規安全的體系，才是大模型的真正落地，而不是一個模型靠幾千億參數去落地，我們將為之而努力。”

以應用為王。不久的將來，或許大模型垂直產業落地應用難的問題，終將破局。

關鍵詞：