大模型在金融业：从热情高涨到理性回归

ChatGPT问世后，金融业立即感受到了焦虑。这个对技术有信仰的行业担心被时代洪流甩在身后。这种焦灼氛围甚至一度波及到寺庙。一位业内人士透露，她5月在大理出差时，在寺庙里都能碰到讨论大模型的金融从业者。

不过，这种焦虑正逐渐平息，人们的思路也变得更加清晰和理性。软通动力银行业务CTO孙洪军描述了金融业对大模型态度的几个阶段：二三月份大家都很焦虑，担心落后；四五月纷纷组建团队开始行动；之后几个月在寻找方向和落地上遇到困难，开始变得理性；现在则是关注标杆，尝试验证过的场景。

一个新趋势是，许多金融机构已经开始从战略层面重视大模型。据不完全统计，A股上市公司中至少有11家银行在最新半年报中明确提出正在探索大模型应用。从近期动作来看，他们正在从战略和顶层设计层面进行更清晰的思考和路径规划。

从热情高涨到理性回归

年初ChatGPT刚出现时，金融业对大模型的热情很高，但对其本质和应用方式了解有限。一些大型银行率先采取行动，开始进行各种宣传。同时，一些头部金融机构的科技部门积极与大型科技公司讨论大模型建设事宜。

5月后情况逐渐变化。受限于算力资源紧缺、成本高昂等因素，许多金融机构开始从单纯希望自建模型转向更关注应用价值。大型金融机构可引入业界领先的基础大模型，自建企业大模型，同时采用微调形式，形成专业领域的任务大模型。中小金融机构则可综合考虑投资回报，按需引入各类大模型的云服务或私有化部署。

由于金融行业对数据合规性、安全性、可信性等要求高，一些人认为该行业大模型落地进展略滞后于年初预期。金融机构正在寻求解决落地过程中的各种障碍，如在算力方面出现了几种解决思路：

1. 直接自建算力，成本较高但安全性好，适合实力雄厚的大型金融机构。

2. 算力混合部署，在敏感数据不出域的情况下，接受从公有云调用大模型服务接口，同时通过私有化部署处理本地数据服务。成本较低，适合中小型金融机构。

3. 探索行业共享模式。一些监管机构正在研究是否可以牵头搭建面向特定行业的大模型基础设施，集中算力和通用大模型资源，让中小金融机构也能使用大模型服务。

此外，越来越多金融机构开始加强数据治理，构建数据中台和数据治理体系。一些银行正通过大模型结合MLOps方式解决数据问题，实现多源异构数据的统一管理和高效处理。

从外围场景切入

过去半年多，大模型服务商和金融机构都在积极探索应用场景，包括智慧办公、智能开发、智慧营销、智能客服、智慧投研、智能风控、需求分析等。

每家金融机构对大模型都有丰富的构想。但在实际落地时，普遍采取先内部后外部的策略。这是因为当前大模型技术尚不成熟，而金融行业又是强监管、高安全、高可信的领域。

目前，代码助手和智慧办公等场景已在多家金融机构落地。但业内人士认为，这些广泛应用的场景实际上还不是金融机构的核心应用，大模型距离深入金融行业的业务层面还有一定距离。

在此之前，一些顶层设计层面的改变正在进行。多家头部金融机构已基于大模型搭建了包含基础设施层、模型层、大模型服务层、应用层等多个层级的分层系统框架。这些框架体系普遍具有两大特点：一是大模型发挥中枢能力，将传统模型作为技能进行调用；二是大模型层采用多模型策略，内部竞争选出最优效果。

人才缺口依然庞大

大模型的应用已开始对金融行业的人员结构带来挑战和变革。一些岗位面临被替代的风险，但同时也出现了新的人才需求。

一些银行并不希望大模型带来减员，而是希望通过提升员工服务质量和工作效率，释放部分员工去做更多高价值的工作。这既考虑到人员和结构稳定性，也是因为许多岗位仍存在人才缺口。

大模型的快速发展导致短期内稀缺人才供给难以匹配激增的需求。金融机构在将大模型能力应用到核心业务流程中面临人才挑战。直接应用大模型的人才需求相对简单，但自建行业或企业大模型则需要一支精干的垂直大模型技术队伍。

一些机构已经采取行动，如联合设计培训课程、建立联合项目组等方式提升企业人员能力。在这个过程中，金融机构的人员结构也将迎来调整和变革，掌握大模型技能的开发人员可能更容易在新环境中生存。

总的来说，大模型在金融业的应用仍处于探索阶段。虽然已有一些初步成果，但要真正发挥其在核心业务中的价值，还需要更多的技术突破、人才培养和实践积累。