大模型在金融業：從熱情高漲到理性回歸

ChatGPT問世後，金融業立即感受到了焦慮。這個對技術有信仰的行業擔心被時代洪流甩在身後。這種焦灼氛圍甚至一度波及到寺廟。一位業內人士透露，她5月在大理出差時，在寺廟裏都能碰到討論大模型的金融從業者。

不過，這種焦慮正逐漸平息，人們的思路也變得更加清晰和理性。軟通動力銀行業務CTO孫洪軍描述了金融業對大模型態度的幾個階段：二三月份大家都很焦慮，擔心落後；四五月紛紛組建團隊開始行動；之後幾個月在尋找方向和落地上遇到困難，開始變得理性；現在則是關注標杆，嘗試驗證過的場景。

一個新趨勢是，許多金融機構已經開始從戰略層面重視大模型。據不完全統計，A股上市公司中至少有11家銀行在最新半年報中明確提出正在探索大模型應用。從近期動作來看，他們正在從戰略和頂層設計層面進行更清晰的思考和路徑規劃。

從熱情高漲到理性回歸

年初ChatGPT剛出現時，金融業對大模型的熱情很高，但對其本質和應用方式了解有限。一些大型銀行率先採取行動，開始進行各種宣傳。同時，一些頭部金融機構的科技部門積極與大型科技公司討論大模型建設事宜。

5月後情況逐漸變化。受限於算力資源緊缺、成本高昂等因素，許多金融機構開始從單純希望自建模型轉向更關注應用價值。大型金融機構可引入業界領先的基礎大模型，自建企業大模型，同時採用微調形式，形成專業領域的任務大模型。中小金融機構則可綜合考慮投資回報，按需引入各類大模型的雲服務或私有化部署。

由於金融行業對數據合規性、安全性、可信性等要求高，一些人認爲該行業大模型落地進展略滯後於年初預期。金融機構正在尋求解決落地過程中的各種障礙，如在算力方面出現了幾種解決思路：

1. 直接自建算力，成本較高但安全性好，適合實力雄厚的大型金融機構。

2. 算力混合部署，在敏感數據不出域的情況下，接受從公有雲調用大模型服務接口，同時通過私有化部署處理本地數據服務。成本較低，適合中小型金融機構。

3. 探索行業共享模式。一些監管機構正在研究是否可以牽頭搭建面向特定行業的大模型基礎設施，集中算力和通用大模型資源，讓中小金融機構也能使用大模型服務。

此外，越來越多金融機構開始加強數據治理，構建數據中臺和數據治理體系。一些銀行正通過大模型結合MLOps方式解決數據問題，實現多源異構數據的統一管理和高效處理。

從外圍場景切入

過去半年多，大模型服務商和金融機構都在積極探索應用場景，包括智慧辦公、智能開發、智慧營銷、智能客服、智慧投研、智能風控、需求分析等。

每家金融機構對大模型都有豐富的構想。但在實際落地時，普遍採取先內部後外部的策略。這是因爲當前大模型技術尚不成熟，而金融行業又是強監管、高安全、高可信的領域。

目前，代碼助手和智慧辦公等場景已在多家金融機構落地。但業內人士認爲，這些廣泛應用的場景實際上還不是金融機構的核心應用，大模型距離深入金融行業的業務層面還有一定距離。

在此之前，一些頂層設計層面的改變正在進行。多家頭部金融機構已基於大模型搭建了包含基礎設施層、模型層、大模型服務層、應用層等多個層級的分層系統框架。這些框架體系普遍具有兩大特點：一是大模型發揮中樞能力，將傳統模型作爲技能進行調用；二是大模型層採用多模型策略，內部競爭選出最優效果。

人才缺口依然龐大

大模型的應用已開始對金融行業的人員結構帶來挑戰和變革。一些崗位面臨被替代的風險，但同時也出現了新的人才需求。

一些銀行並不希望大模型帶來減員，而是希望通過提升員工服務質量和工作效率，釋放部分員工去做更多高價值的工作。這既考慮到人員和結構穩定性，也是因爲許多崗位仍存在人才缺口。

大模型的快速發展導致短期內稀缺人才供給難以匹配激增的需求。金融機構在將大模型能力應用到核心業務流程中面臨人才挑戰。直接應用大模型的人才需求相對簡單，但自建行業或企業大模型則需要一支精幹的垂直大模型技術隊伍。

一些機構已經採取行動，如聯合設計培訓課程、建立聯合項目組等方式提升企業人員能力。在這個過程中，金融機構的人員結構也將迎來調整和變革，掌握大模型技能的開發人員可能更容易在新環境中生存。

總的來說，大模型在金融業的應用仍處於探索階段。雖然已有一些初步成果，但要真正發揮其在核心業務中的價值，還需要更多的技術突破、人才培養和實踐積累。