GPT+金融：和产学研专家碰撞AIGC在金融行业的无限可能

2023-05-18

前言

ChatGPT的出现引发了大众对大模型的关注和探索，它展现的强大能力，让其成为近几年最受关注的科技热点。站在金融行业的角度，我们尝试从宏观趋势出发，理解LLM在金融行业为什么会获得高关注度？它在金融行业应该如何推进落地？金融从业者改该如何面对AIGC大浪潮？以下内容选自K+Talk大咖对话第49期专家分享，一起来探索ChatGPT在金融行业的无限可能。

节目对话嘉宾：

李智——易观智慧院院长/首席分析师

袁兰——摸象科技联合创始人/总裁

王晓雷——海思算法专家

肖然——Thoughtworks创新技术总经理

全文字数：5951字

阅读时间：约6分钟‍‍‍‍‍

肖然（本期主持人）：
从宏观趋势角度看，为什么现在金融行业（包括银行、券商等）对LLM 有这么高的关注度？

李智：

第一，金融行业的数字化转型，其中一个非常重要的维度和视角就是以用户为中心，去做面向用户旅程等各个方面的业务创新和升级。但是在用户体验的过程当中，拿金融行业跟其他行业去做比较，我们只能说金融行业过往跟自己相比有了很大的提升，但是金融行业的体验视角还是有很大提升空间。

在体验维度上，一方面可以通过人更多地去服务用户，也可以通过数字化的方式，比如说非常多的金融行业，包括银行、证券把 APP 作为一个非常好的抓手，但是它仍然需要在体验的过程中，更加智能的以情感的方式跟用户去建立对话和连接。

如果没有大模型应用，也许智能客服等这样的方式已经在金融行业比较广泛的应用，但是我们能看到这种应用的层次相对比较浅，而且从体验的视角也是不够的。但是有了 ChatGPT 给我们带来的多轮对话和情感智能的冲击，我们可以看到金融行业的用户体验还是有很多可以提升的地方，体验的背后就是真正回归到怎么能够实现以用户为中心。

第二，能够优化内容生产的创意效率。AIGC 在数字化营销的其他行业已经有广泛的应用，但是金融行业在这个点上仍然是非常振奋。其中一点是金融行业的数字化营销做了多年，但是在营销物料的快速生产和补充上，还是存在短板。

所谓千人千面的营销，也许过往金融机构做了非常多的事情比如KYC（Know-Your-Customer），但是除了对用户非常好的了解之外，也需要有足够丰富的物料才能够去满足千人千面的个性化营销，所以从这个维度上内容生产的创意和效率是非常重要的。整体上说，无论是用户体验维度，还是内容生产维度，或者降本提效维度，金融行业还是非常看重大模型可能带来的价值。

袁兰：

当一种新的技术出现，银行是最有资格用的，一方面它有庞大的客户群，任何一个技术在银行如果能提升1%，都值得去做。第二就是它有充足的预算。但是其实AIGC 在银行很难落地，因为从目前跟客户接触的实际情况来看， AIGC 产出的内容由 AI 直接输出，那么 AI 输出的机理背后是神经网络，它的想法是不可溯源的。

因为不是简单地去拼接一段话，而是它通过自己的学习和神经网络产生了自己的话，这段话的产生机理不可溯源，也就无法风控，所以看起来容易做的事情，反而很难做。

肖然：
金融行业打开LLM模型的正确方向和姿势是什么？

袁兰：

将来如果真的有一个大模型的话，它的智力应该是远远超过我们这些普通人类的。

如果大模型吃掉了所有金融的相关数据和金融现象，那我认为它应该学的技能是投资炒股、资产配置。陪聊和提升用户体验这件事虽然也重要，但是如果我是一个用户，机器人陪聊天贡献的情绪价值，不一定要从它身上获取，我可以从同事朋友身上获取，如果它能帮我赚钱，我愿意为此付费。

如果以后有这种金融的垂类大模型的话，它主要解决的功能跟这种泛通用的大模型不一样，不是说它去帮我写程序或者是帮我画画，而是应该帮我把金融的规划做好。这个方向是我认为未来最有前途的方向。

要学成一个金融专家，他所经历的训练可能有一些像语言大模型，像下围棋，要经历不同的范式去进行训练，然后能训练出专家。在国外跟中国的模型可能还不同，因为大家知道国外的金融包括股票和投资，跟我们都有非常大的区别。在中国如果真的要做这个金融大模型的话，有非常大的挑战，所以我认为它是非常有前途，我们肯定是能看到这一天的，只不过不知道是在 5 年还是 10 年后。

肖然：

大模型的潜力还是能突破，现在只有 VIP 才能享受一些服务，这某种意义上也是一种金融普惠，现在可能必须是高净值客户才能享受，那未来可以把这种 VIP 的服务通过大模型技术进行一种普惠。

李智：

我们换一个维度去看待这件事情，金融行业我们需要看的是无论是银行、保险还是券商，对于财富管理业务是很关注的，但是这个事情的关注点是源自于中国有一个庞大的用户基数，它具备理财和财富管理的这个基础和可能性。但是同时他们又跟美国、欧美不太一样的地方是，他们是理财的小白，他处于需要逐步地培养他们的财商和最终他们做财富管理的这个事情。所以咱们算投入产出比，把更多 AI 的可能性放在怎么能让这个庞大的用户基数真正意义上变成财富管理的潜在用户，并且往高价值的用户方向走，它可能触及到的用户的规模，用户的价值的升级空间是很大的。

王晓雷：

其实金融领域最近五年给我带来印象最深的可能是周志华老师（南京大学教授，机器学习与数据挖掘研究所(LAMDA)所长），之前和他畅聊AI 未来发展的话题，我们赌了矩阵，因为我们做芯片的需要当期的产品具有很高的ROI，我们认为将来会看到 transformer 这样一个架构，其实本质上也是矩阵和向量的乘法。

周志华老师当时走了深度森林这条路线，在软件和硬件上，做了一个系统设计，这个模型最占优势的就是金融领域。有本书叫《概率图模型》，对于这种可解释的，有 reasoning 的阶段，尝试着把知识图谱框架融入进去，可能会对金融领域的解释性有一个很好的帮助。

大模型本身的可检视性如果能和知识图谱这样显示的规则融合起来，应该会在这个方向上有一些突破和进展。

肖然：
LLM在金融行业会不会像支付一样发牌照？

袁兰：

支付本质上是一个牌照为先导的领域，但是大模型其实是底层能力的领域，我觉得它对整个业界的影响不是非常的大。可能会发在上面的 AIGC 层，比如用大模型来做 ToC 的服务，以后有可能是要发牌照的。

李智：

支付必须发牌照，因为支付其实是整个资金流通路非常重要的一个部分，尤其是非金融机构也做非常重要的监管动作，所以有必要通过发牌照的方式来约束监管。但是对应到比如说大模型以及大模型在金融行业的应用，如果真的要发牌照，也许国家应该针对的是大模型本身，而大模型在金融行业的应用，包括肖然提到的制造行业，其实大模型在非常多的行业都会有应用，我们应该对安卓和 iOS 有一个比较严格的或者是合规的管控，但是上面的生态应该百花齐放。如果将来大模型上的应用有上百万，那发牌照的意义就不大了。

王晓雷：

如果先给结论，我不认为大模型在金融领域会发牌照。首先要看牌照怎么定义，我不觉得支付这个领域和大模型是一类，因为支付本身是预决算，国家对于支付是要托底的，如果泛化一点来看，像智能客服这类是不需要托底的，所以我不认为金融领域会发牌照。

谈起大模型的牌照，就好像当时芯片进国产化的白名单一样，比如国家要采购这类的产品，就要先有白名单或者短名单。

如果纯从大模型的应用领域来谈牌照，可能最 critical 的一个领域是上次聊的自动驾驶。如果主体是 AI 员工、智能客服等，因为它本身不造成资产的损失和结算，我觉得不会发牌照，除非政府要大规模地采购。

肖然：

明年的今天，也许我们有机会再聚到一起，我们可以再看监管机构是怎么考虑这个事情的，到底会不会发牌照。从我个人角度来讲，其实我跟三位的观点不太一样，我相信监管机构会发牌照，它和理财产品是一样的，某种意义上理财没有绝对保本的，大家可以想象一下银行快速应用大模型，然后生成了一些客户界面的信息，这些信息的后果不论怎样政府都是要兜底的。

肖然：
金融机构自有模型现实吗？会不会成为一个 showstopper ？

李智：

原来金融行业在做很多AI场景应用的时候，会希望 AI 是可信的，金融机构看重的是可解释性。比如 GPT-4 它去年已经训练完成，中间 OpenAI做的所有的事情就是保障它更稳定、更准确、更安全地推向市场，金融机构在拥抱大模型的过程当中，在可信度上它要求的一定比 OpenAI 要求得更高，保障它的稳定、准确、安全。

第一，针对于大模型，监管机构如何去界定，并形成监管机制，进一步地约束金融机构更好地保障数据源和数据安全。

第二，如果监管机构也同样的不要求可解释性，在可信度上可能也需要设定一些规则，比如说它的稳定、准确、安全，甚至在不同的场景下它可能的要求会是什么样。从监管机构的角度，在大模型上去复制逻辑，然后来推动创新。

袁兰：

作为一个产品，我们叫它 AI 员工，这个员工不仅指的是 RPA 的那种帮着处理单据的员工，而是有点接近于客户经理，可以直接通过电话或者微信触客跟客户做交流的员工。

这个过程中已经涉及到了人机交互的环节，我们这个环节里用到的模型，不是 AIGC 的大模型，用的是谷歌 Bert 模型，它主要是用于智能决策。

LLM这种大模型大家都知道，历史的机遇已经摆到这里，除了各个银行、金融管制的机构，高校、大厂接下来会有垂直大模型的一个机遇。但是真的要做这件事其实是非常的困难的。

第一个门槛是钱，即使是一个垂直的模型，最少需要几百张 A100 ，只硬件就投入几千万；第二个门槛是金融是很难被定义的，最简单的金融就是它的容错率很低的金融业务，但是这件事根本不需要大模型，因为首先它容错率很低，其次它信息量很小，固定的产品和字段，用一般的配置式的方法就已经足够应付了。

但是为什么大家还是要去做金融大模型？因为金融现在已经跟衣食住行都关联在一起，成为生活类的东西了。如果你在金融行业里面想做一个有温度的、有智慧的大模型，你不能只训练金融的数据，还得理解人情世故，理解消费场景。

肖然：
AIGC在金融行业最有可能的应用场景是哪些？

李智：

金融机构当中无论是程序员，还是各种职能的员工，自发地在尝试利用大模型来提升自己的工作效率。比如有一些科技部的程序员们已经开始应用大模型，辅助自己做代码的生成、检测、测试等等这样的工作。从机构的视角看，全行级或者是全公司级去推，会存在比较大的控制风险。因为金融机构一定是非常谨慎的，第一波一定是员工自发的应用，真正生产环境大规模推广可能是在员工。

肖然：
在AIGC浪潮下，智能投顾会复活吗？

袁兰：

普惠大众的金融需求不一定是投资，实际上普惠大众它需要的是类似于私人财务顾问的角色，能够规划好怎么存钱、买保险，并不是让钱变成更多的钱，是让钱更加合理地去做分配，这是非常需要用到自然语言交互能力的。

金融在中国有可能跟社会的热点有关，因为中国这个群众是个巨大的金字塔，它底下的这些群众是一层一层往下传，这上面的精英他们的事情是有逻辑的，越到下面其实就越是很从众的心理。这个时候也许从这个语言模型、舆情挖掘，还有其他角度，可以使投资策略发生变化。

李智：

券商在做财富管理的这个转型的过程当中，会面临一个问题。一般用户的日常想法，比如说去看电影，或者喝杯咖啡，但是用户不会说买个理财产品。即使是券商在做转型过程当中，也需要去探索用户生活轨迹、遇到的场景，无论是医疗还是教育还是其他方向，通过场景化的设计来去帮助券商把有财富需求的事情挖掘出来。大模型让 AI 普惠，那 AI 普惠的过程就应该让普通的用户和消费者也享受到金融的普惠。很多金融机构在做这个事情的过程当中，非常注重的就是金融素养的教育。金融素养的教育其实一定程度上也是需要通过场景和投教的方式，让金融素养或者金融知识更加普惠的一个过程。所以可能不见得是一个投顾的复兴，而是整个大模型会让人类社会的群体的知识有一个比较大的提升。具体到金融，一定是金融素养有更大规模的提升，无论是通过场景的方式，还是通过投教或者是其他方式。

肖然：
金融行业的人才结构未来会发生什么变化？面对这一波技术的挑战，他们需要如何去适应未来的AIGC浪潮？

袁兰：

现在可以从过去 20 年看到一个趋势，第一个趋势就是工具越来越个人化，也就是说以前的工具都是给大机构用的，现在一个小的直播公司就能够拥有；第二个是组织的缩小化，以前要搞直播公司得几十人，现在做直播，老板一个人就够了；还有一个是协同的泛化，之前我们要协同得招一堆人，现在我们要协同的，可能社会上有很多的资源，我们只做自己那一段就可以了。所以我认为以后整个世界的机构或者人类组织会发生巨大的变化，会两极分化。

模型出现以后，整个 IT 行业所有的人每天都在关注，但目前没有人有一个真正清晰的答案，因为这些东西在历史上没有出现过，而且也不知道应该怎么去应对它。

将来机器做很多事情都是比人力更有效率的，人类跟机器不一样的地方就是洞察人心的力量。目前最难被取代的岗位是领导和喝茅台，这个虽然是个段子，但实际上喝茅台就意味着人和人之间的社交磋商，还有建立信任的过程，这件事是 AI 永远不能替我们去做的。

拼多多的出现，不是一个技术创新，它完全是一个基于对人类的消费和社交习惯的深度把握。做出产品这件事我觉得机器做不了，机器它可以给我们提供很多的选择，就像L4 一样。但是真正来做决策还有最后的信任关系等等，这些东西都要人类来构建。

李智：

第一，需要做的事情就是工具个人化，我们怎么更好地用工具来为自己赋能；第二，是协同的泛化。我的理解是人与人之间的链接，很多的工作如果他跟外界完全没有任何的联系，或者即使是在一个组织内部也没联系的话，我坦白讲他未来有可能被取代的可能性是非常大的。所以在协同泛化的事情上，反而是每一个人需要变得更加社会，社会资源的链接其实反而变得更加重要了。

从分析式到生成式会压缩程序员的生存空间，因为软件的需求量一定比以往高非常多，如果我们在软件的需求总量不变的情况下，不需要这么多的程序员，但是当我们认为有足够多的事情是可以通过机器和AI的方式去解决，那么软件的需求量就会爆炸式的上升，不再需要那么多 1- 3 年、 3- 5 年的程序员，只要软件的需求量在涨，那就意味着更多能够驾驭 AI 辅助自己来写代码的工程师的数量一定也会保持一个动态的增长或者是稳定的平衡。

技术永远是工具，文明本身才是目的，如果世界观和文明之后还是和现在一个方向，那么技术永远就是工具。但是个人的选择一定是不一样的，用这种工具是做什么？是用还是不用？我觉得还是由人决定。如果文明是目的的话，那就看每个人给自己的规划就好。

肖然：

我相信老师的观点 95 后、 00 后会很喜欢，有大量的 95 后和 00 后在很多比较好的分支网点直接辞职。我问他们为什么辞职，他们说，肖老师，我觉得我人生不应该是这样，所以我觉得乐观看的话，虽然 AI 技术在蓬勃发展，但是也有新一代人类不同的想法，他们在创造新事物。

大咖对话

如果想进一步了解GPT相关内容，请关注5月24日晚8点K+Talk大咖对话，本期K+Talk邀请到招商银行信息技术部/陈展文、文因互联董事长&创始人/鲍捷博士、海思算法专家/王晓雷以及Thoughtworks创新技术总经理/肖然共同做客直播间，深入探讨“GPT+银行：大模型唤起的银行智能技术热潮真金白银在哪里？”

银行离大模型广泛应用有多远？
面对大模型银行人需要准备哪些新技能？
大模型在银行将面对怎样的监管？
API vs Self-host 银行大模型怎么选？
银行科技力量能够驾驭大模型吗？

未完待续

如果想要了解更多关于软件研发行业内最新资讯与顶尖案例，请关注即将于6月9-10日在上海举办的K+全球软件研发行业创新峰会，本届峰会以“数字时代的企业拓界与创变”为主题，整合国际前沿技术实践，致力于打造最高效和前沿的技术交流平台，构建多元融合的科技发展创新生态圈，非常期待您的报名与加入！

上一篇 : 软件工程3.0前传：AI赋能软件研发下一篇 : 大模型时代，程序员的技能哪些重要、哪些不再重要？返回列表