如何用好數據——金融機構在移動互聯網時代就存在的難題，在AI時代同樣存在

▼  ▼  ▼  ▼  ▼   ▼  ▼  ▼  ▼

文 | 周公子

編| 周星星

近期，一份來自銀行的千億級別大模型采購結果公布，引發不少科技公司關注。與此同時，也有不少銀行密集發布了“大模型”相關的需求調研、項目采購信息，有部分中標信息已經公示。小周整理了部分公開的招投標文件發現，目前已有明確“落地”需求的多為大型商業銀行，并且需求多與模型訓練、語言模型、數據處理相關。

一方面，這些公告固然是金融大模型正式“走出紙面規劃”，開始落地到行業應用的信號；

另一方面，綜合公告的情況亦可窺見，目前金融行業大模型談“效果”依然為時尚早，這些需求后面真正的“難題”被看見，也許只是開始。

這種現狀，或許恰好印證了此前恒生電子(600570)對數百家金融機構的走訪調研結果：AI大模型在金融領域的應用只有8%在立項階段，17%在測試階段，超過70%的金融機構還處于調研階段，在實際落地應用過程中的是極少數。

Part 1

多家銀行公布大模型招投標項目

除了大家熟知的“大廠”們，銀行供應商“預選”之列也讓業內看到，“外腦”還有更豐富的選擇。

今年10月，招商銀行(600036)披露了“招商銀行預訓練基礎大語言模型（千億級）采購項目”結果，中選供應商為“上海稀宇科技有限公司”。

據悉，這家中標招行大模型項目的上海公司，也就是MiniMax，國內最早入場大模型創業的公司之一，創始團隊出身中科院系，創始人是前商湯科技副總裁、通用智能技術負責人閆俊杰。MiniMax成立于2021年，比剛殺入AI大模型市場的另一家明星公司百川智能，還要早成立2年。今年，MiniMax還拿到了來自騰訊的2.5億美元投資。而和MiniMax一起參與招行招標的還有清華大學系的智譜AI和all in大模型的百度。

招商銀行之外，工商銀行、建設銀行、郵儲銀行、華夏銀行(600015)等也在最近公布了他們在大模型方面的招投標項目或結果。

其中，華夏銀行的招標項目也與大語言模型應用相關，具體項目名稱為“華夏銀行大語言模型應用（智能算例部分）”，主要為系統硬件設備采購。

此外，中信銀行(601998)信用卡也于今年11月7日發布了“中信銀行信用卡中心大模型訓練GPU服務器需求調研公告”，雖只是前期項目需求調研，不作為入圍或招標入選依據，但亦可窺見其對大模型相關服務的潛在需求。

據現有公開資料不完全統計，目前銀行大模型相關招標項目并不多，且集中于大中銀行。

來源：周觀新金融根據銀行官網公開資料整理

可見，落到實際應用當中，不少銀行依然考慮引入“外腦”，借助科技公司的力量完善自身大模型建設和應用。

Part 2

銀行現階段重點需求較為集中

而結合招投標、業界討論及財報等公開資料來看，銀行等金融機構關注的大模型落地應用需求較為集中。目前，業內的共識性關注的，可降本提效，亦可廣泛應用場景的場景主要包括客戶服務、智能研投、風險控制、欺詐檢測、運營管理等。

從各家銀行更為詳細的半年報亦可窺見，大模型和人工智能被給予厚望，場景也離不開上述幾種。

例如，招商銀行的半年報就提到，要提升大模型的建設能力，打造面向智能化時代的應用平臺：

加快新技術應用推廣，提升GPT類自然語言處理大模型的建設能力，并重點發掘其在全流程財富管理中的應用，投產FinGPT創意中心，加快大模型應用模式探索。推進智慧財富引擎、智慧營銷引擎、智慧運營引擎、智慧風控引擎、智慧客服引擎五大引擎建設，打造智能化時代的智慧應用平臺。

招商銀行之外，平安、興業、農行、交行、工商銀行等，無一不在半年報中提到了大模型的戰略展望，以及零星的布局進展。

例如，工商銀行提到，“完成人工智能AI大模型能力建設應用規劃，在國內同業率先實現百億級基礎大模型在知識運營市場、金融市場投研助手等多個場景應用。”

比如智能客服，只能機械回復“設定指令”的情況依然比較普遍，對進一步靈魂響應客戶訴求、服務響應等，依然遠遠不夠。用消費者視角來概況就是，目前多數銀行的智能客服，從“人工智障”真正進化到“人工智能”，依然有比較大的進步空間。

而基于大模型的智能客服，普遍被認為有更好的語音、語義理解能力，甚至是圖文生成能力，是提升多種自動化服務客戶體驗感的關鍵。

Part 3

核心難點：用好數據

技術之外，安全和數據才是短時間內金融大模型落地最難邁過去的坎。

由于對安全、合規要求較高的特殊性，金融機構通常不會在第三方基礎大模型上構建專業大模型，而是采用數據私有化、模型私有化、本地私有云方式構建大模型。

最直觀的對比是，ChatGPT是開放環境里用開放數據，除技術之外也坐擁大量公開數據，雙管齊下才能“大力出奇跡”，快速搭建護城河。而金融機構是在自己家的安全保密環境里用自家數據訓練自家的AI大模型，這種方式雖然安全，但問題是成本高、技術門檻高，不是誰都有錢有實力能干。

換句話說，金融大模型落地到應用時，出于安全性、行業競爭性等因素考慮，其可用數據更多來源于自身，如何用好“窄而垂直”的數據會是一大挑戰。

一個正面例子是彭博的Bloom?bergGPT，同樣是金融賽道的選手，它突圍的關鍵因素之一，就是用好數據。

2023年3月底，彭博發布了500億參數、基于開源大模型Bloom研發的金融大語言模型Bloom?bergGPT，這是全球首個金融大模型，隨后也引發了全球市場對金融垂直領域大模型的關注。

在Bloom大模型的基礎上，Bloom?bergGPT在其積累超過多年的金融行業專有數據基礎上再進行精調訓練——3630億Tokens金融數據集、3450億Tokens公共數據集上進行了訓練。

正是因為有這樣的高質量的行業專屬數據集和數據基礎，在金融領域自然語言處理（NLP）任務上，Bloom?bergGPT的表現明顯優于其他類似規模的開放模型，在一般NLP基準上的表現也達到甚至超過同行的平均水平。

正因為如此，上半年業界普遍認為 “大模型+垂直行業數據”模式預會成為 AI 落 地 垂 直 行 業 的 典 型 范 式。而進入下半年之后，行業大模型的演進路線也確實是如此。

彭博的金融大模型基于BLOOM的開源模型結合金融專業數據進行精調訓練

“我們要解決數據的問題。” 劉曙峰在談及金融大模型應用時也特別提及，要解決現有的數據、私有的數據、公有的數據，以及數據如何不斷的產生、獲取和形成數據飛輪的閉環。

所以，金融大模型應用，核心難點遠不僅是技術能力問題。

數據非常關鍵，更關鍵的是，如何“合規”、“安全”地用好數據。

相比制造、交通等行業，金融領域的數字化更早、更深，數據本來應該是優勢所在，但由于監管、安全等緣故，數據的價值挖掘并沒有被充分利用——金融機構曾經在移動互聯網時代就存在過的問題，如今面對來勢洶洶的AI時代，亦同樣存在。

未來，金融大模型的應用能否沖破這個局限，且拭目以待。

—THE END—

原創文章，未經授權，請勿轉載。

投資有風險，入市須謹慎，以上觀點分享不構成投資建議。

本文首發于微信公眾號：周觀新金融。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。