《中国人工智能产业发展联盟:金融大模型落地路线图研究报告(2024年)(56页).pdf》由会员分享,可在线阅读,更多相关《中国人工智能产业发展联盟:金融大模型落地路线图研究报告(2024年)(56页).pdf(56页珍藏版)》请在三个皮匠报告上搜索。
1、 版权声明版权声明 本报告版权属于本报告版权属于中国人工智能产业发展联盟中国人工智能产业发展联盟,并受法,并受法律保护。转载、摘编或利用其它方式使用本报告文字或者律保护。转载、摘编或利用其它方式使用本报告文字或者观点的,应注明观点的,应注明“来源:来源:中国人工智能产业发展联盟中国人工智能产业发展联盟”。违反上述声明者,违反上述声明者,编者编者将追究其相关法律责任。将追究其相关法律责任。编制说明编制说明 本报告自 2024 年 5 月启动编制,分为前期研究、框架设计、文稿起草、征求意见和修改完善五个阶段,面向金融大模型落地应用的技术供应方、服务集成方、应用需求方深入开展了问卷调查和深度访谈等工
2、作。本报告由中国人工智能产业发展联盟金融行业推进组联合中国建设银行股份有限公司、马上消费金融股份有限公司、上海澜码信息技术有限公司牵头编写,参编单位包括南京新一代人工智能研究院有限公司、中国邮政储蓄银行股份有限公司、交通银行股份有限公司、平安银行股份有限公司、兴业银行股份有限公司、海通证券股份有限公司、东方财富信息股份有限公司、蚂蚁科技集团股份有限公司、广电运通集团股份有限公司、北京容联易通信息技术有限公司、软通动力信息技术(集团)股份有限公司、深圳市矽赫科技有限公司。前前 言言 近年来,以大模型为代表的新一代人工智能技术与金融行业日益交汇融合,进一步拓展了金融行业数字化转型的广度和深度。面向
3、金融行业特点构建落地路线图体系,挖掘金融要素价值、深入金融场景需求,将有效促进行业最佳实践的推广,进一步助力金融行业高质量发展。本报告重点围绕金融大模型应用落地的诊断、建设、应用、管理四个阶段开展研究,从发展概述、基础诊断、能力建设、场景应用、运营管理及趋势展望六个章节分别阐述。发展概述章节阐述了大模型技术能力及其在金融业务场景中的应用赋能,分析了金融大模型面临的主要挑战,积极探索最佳落地方案。基础诊断章节剖析了金融机构在数据、人才、资源方面的储备情况,深度挖掘各类能力需求,设计科学合理的建设目标。能力建设章节论述了金融大模型在基础设施、算法模型、应用服务等方面的建设方案,夯实金融科技的坚实底
4、座。场景应用章节分析了技术赋能金融、行业科技监管以及应用效能评估等多种方式,充分激发金融服务的价值。运营管理章节阐述了金融数智化运营管理模式、风险防范机制以及监管治理体系的优化与完善措施,推动金融行业的长足发展。趋势展望章节聚焦数据、技术、应用三个维度对金融大模型进行展望,推动金融数据、金融科技以及金融体系的高质量、可持续发展。未来,随着金融大模型基础底座不断夯实、技术能力革故鼎新、场景应用走深向实、合规监管趋于完善,金融科技与金融业务 将持续深化融合,金融行业将向着更高效、更安全、更智能的方向迈进。当前大模型技术正处于快速发展阶段,金融大模型应用落地路线研究工作还将持续深化开展,报告中如有不
5、足之处还请各方专家读者不吝指正。目目 录录 一、金融大模型发展情况概述.1(一)全面拓宽技术能力边界,强化核心金融服务质效.1(二)多元赋能金融业务场景,全力加速数转智改进程.3(三)金融需求亟待深度挖掘,积极探索最佳落地方案.5 二、诊断金融大模型能力基础.7(一)剖析金融要素就绪情况,系统性评估机遇和挑战.7(二)聚焦细分领域业务特性,深度挖掘各类能力需求.9(三)科学诊断金融机构基础,合理设计多维建设目标.13 三、筑牢金融大模型技术底座.15(一)加固金融算力设施根基,强化高质量数据集建设.15(二)开发高可靠低幻觉模型,增强可解释性可追溯性.18(三)实现大小模型共生同治,夯实金融科
6、技坚实底座.21 四、革新金融大模型应用范式.25(一)深耕金融核心业务场景,充分激发金融服务价值.25(二)加强金融行业科技监管,由浅及深推动范式革新.30(三)评估算法模型应用效能,提升金融服务用户体验.34 五、构建金融大模型管理体系.37(一)优化数智运营管理模式,逐步实现降本增效提质.37(二)积极完善风险防范机制,动态监测保障稳定运行.40(三)建立健全监管治理体系,合力助推金融长足发展.41 六、金融大模型发展趋势展望.44(一)释放金融数据要素价值,全方位培育新质生产力.44(二)推动金融科技创新升级,发展可持续性金融模型.45(三)践行绿色普惠发展之路,绘就智慧金融体系蓝图.
7、46 图图 目目 录录 图 1 中国建设银行企业级金融大模型建设体系.11 图 2 金融应用方能力基础就绪度.14 图 3 多模态大模型系统应用架构图.15 图 4 AskXBOT平台技术架构图.21 图 5 PowerAgent 架构图.24 图 6 支小助产品矩阵.27 图 7 容犀 Copilot 架构图.30 图 8“慧小喵”审计大模型.34 图 9 建设银行金融大模型能力体系.37 金融大模型落地路线图研究报告(2024 年)1 一、金融大模型发展情况概述(一一)全面全面拓宽技术能力边界,强化核心金融服务拓宽技术能力边界,强化核心金融服务质质效效 生成式人工智能技术突破,激发金融数字
8、化转型新动能。以ChatGPT 为代表的生成式人工智能在技术、产业和投资领域都引发极高热度。大模型技术标志着新一轮科技周期的开始,通过变革传统人工智能的研发方式、数据处理模态、任务类型及适用场景范围实现模型能力的显著提升。在人机交互方面,大模型可准确理解用户意图并进一步匹配内容,结合应用软件层面的专业性和易用性需求,金融机构可以基于大模型打造专业“助理”级交互能力。在内容生产方面,大模型生成能力覆盖文本、图片、音频和视频等多种模态,打造出高质量、大规模、智能化的内容生产平台,重塑金融业内容生产生态。在决策智能方面,决策大模型的动态环境适应能力强,可以解决一些传统方法难以应对的“动态环境智能决策
9、”问题。随着模型技术成熟度加强及应用规模化加深,大模型有望成为人类生产生活的新型基础设施,激发广泛的应用场景,变革金融业产品及模式,加速金融业数字化进程。大模型感知及认知能力突出,成为推动金融科技发展的重要引擎。大模型综合能力显著提升,广泛且深入地赋能金融行业,与产业上下游共建金融生态。感知能力方面,大模型多模态感知能力聚焦意图识别、信息抽取、语音识别、声纹识别、目标检测等多类任务,大模型能够处理多模态信息,捕捉复杂数据中的价值,为金融金融大模型落地路线图研究报告(2024 年)2 决策提供坚实的数据基础。认知能力方面,大模型具有强认知能力,包括理解生成、推理决策及自主学习能力等。通过多模态理
10、解、逻辑推理和决策规划等高级功能,大模型在金融环境中提供精准的判断和决策支持。大模型能够根据环境、任务变化自动调整参数和结构,不断接收、处理新的数据加强自主反馈能力,保持其竞争力和适应性。通过将大模型技术能力与金融科技融合,拓宽技术能力边界,加强在营销、风控和运营等场景的产品服务能力。一是打造由基础大模型和行业大模型、垂直大模型构成的大模型能力底座。二是打造面向金融开发者的大模型开放平台和面向员工的 AIGC 应用市场,构筑能力共享体系,释放创新潜力。三是基于大模型升级文本、图像、语音、知识图谱等人工智能技术的智能化水平,拓宽现有场景应用的广度。积极探索金融创新应用场景及产品,革新金融机构业务
11、流程和发展模式。基于资源优势,场景创新成为金融机构的破局之道。当前各类金融机构正基于自身资源优势探索大模型的应用落地,期待借助大模型技术实现智能化能力的整体提升,推动金融服务的智能化变革。银行、证券、保险等金融机构拥有丰富的行业经验及成熟的合规框架,在技术积累、数据获取、资源投入等方面具备构造金融大模型的优势,有助于将大模型技术应用于复杂的金融决策和客户服务中。金融科技公司的核心优势主要体现在将基础技术转化为具体解决方案的创新应用、注重产品设计的用户体验以及灵活调整策略金融大模型落地路线图研究报告(2024 年)3 快速响应用户需求的市场适应性方面。同时具备良好的技术基础、专业化解决方案及高效
12、的集成能力,在大模型技术的加持下能够更好地服务企业客户,实现交易管理系统、财务管理软件、借贷平台、企业保险解决方案等服务的升级。(二二)多元赋能金融业务场景,多元赋能金融业务场景,全力全力加速加速数转智改数转智改进进程程 金融机构致力于建设可持续发展的大模型研发范式、专注金融业务场景的大模型能力、开放共享的应用生态,在智能营销、智能投研、智能客服、智能办公等多个业务场景的成功试点展现出大模型在金融领域的广阔前景。聚焦数字化服务、数字化运营和数字化管理三个方面,系统性阐述大模型在金融行业数字化转型中的应用场景与成效。1.数字化服务的应用 大模型在金融行业数字化服务中赋能了大量业务场景,形成更具竞
13、争力的产品服务模式。在线上客服场景中,金融机构结合RAG 技术通过构建专业的金融语料知识库打造以对话能力为核心的智能客服助手,不仅能更好的理解用户意图,还能精准解答用户问题、优化用户体验。在信用卡业务中,金融机构将文本类大模型能力嵌入到营销文案生成和客户互动环节中,结合不同客群特征生成个性化物料、精准挖掘借贷商机。同时将 AI 绘画能力嵌入到物料设计中台中,在助力设计师提效的同时,亦可协助一线运营经理自助出图,将时间缩短至分钟级。在智能投研场景中,大模型为投金融大模型落地路线图研究报告(2024 年)4 资决策提供有力的支持,通过自动化抓取和分析庞杂报告中的关键性信息,快速获取报告核心数据并分
14、析预测市场,从而提升投研团队的速度和效率。2.数字化运营的应用 大模型正成为金融行业数字化运营新基建,极大提升人工智能在前中后台运营场景中的应用广度及深度。在营销场景中,结合用户特点,高效生成个性化营销物料,打造 KYC 营销方案。在资料审核场景中,金融机构涉及大量资料识别、抽取和审核业务。部分金融机构采用 OCR 技术,解决多类文档信息抽取难题,已用于贷款审批等场景中。大模型可覆盖传统人工智能尚未触及的复杂文档,提升合同审核、基金营销海报审核等业务的自动化率。在研发场景中,金融机构依托多语言代码生成大模型,基于行内数据微调,打造更契合自身的代码生成 Copilot,持续提升金融机构开发人员的
15、效率。在文本写作场景中,金融机构基于大模型文本生成能力搭建的金融智能办公助手已实现在邮件起草、公文润色、文档撰写、报告文案生成等写作类工作场景的覆盖,提供个性化智能办公解决方案。3.数字化管理的应用 金融机构基于海量业务和风控知识打造风控场景大模型能力,进一步夯实数字资产核心防御屏障。其一,金融机构致力于研发制度法规检索问答、稽核审计报告生成等工具,减少手动查询时间,提升风控人员的效率与体验。其二,大模型产品可基于内外部风险金融大模型落地路线图研究报告(2024 年)5 数据实时识别数据异动并标识风险,实现更快速、精准和敏捷的风控能力。金融机构基于大模型能力,将历史审计报告等作为数据语料,打造
16、审计报告编写助手,实现对审计报告的编写、续写、纠错和格式审核、智能生成标题以及摘要提炼总结等功能,显著提高报告生成效率。(三三)金融需求亟待深度挖掘,积极探索最佳落地方金融需求亟待深度挖掘,积极探索最佳落地方案案 金融机构在大模型技术探索落地过程中取得了一定的进展和突破,同时在数据质量及治理、算力支撑、人才资源、标准规范等多维度面临困难和挑战,迫切需要金融大模型落地路线图作为参考,以探索最佳落地方案。1.金融数据质量及治理掣肘 金融数据资源面临数据质量难以保证、数据治理困难等问题。数据是金融大模型训练的基础,高质量、多领域的业务数据可以有效训练和优化大模型。数据质量方面,金融大模型需要大量的高
17、质量数据来进行训练和预测,但金融数据的质量常常受到数据源的限制,包括数据的准确性、完整性和时效性等方面。金融数据来源复杂不确定性高,数据的遗漏也将影响数据完整性,金融市场变化较快,过时数据无法反映真实情况,金融数据难以保证高质量。数据治理方面,金融数据治理也存在数据安全风险突出、数据集成交互和共享困难、数据治理策略不完善等多种难点。金融机构经常受到黑客攻击、数据泄露等威胁,安全保障机制待健全。不同系统的数金融大模型落地路线图研究报告(2024 年)6 据格式和结构差异巨大,数据集成交互和共享困难。金融领域缺乏统一的标准和流程导致非结构化数据治理效果不佳。2.金融大模型算力支撑不充分 金融算力设
18、施存在算力成本高昂、算力规模不足、自主可控受限等诸多挑战。算力成本方面,金融领域的大模型构建普遍要求私有化部署,金融大模型落地应用给金融机构带来较大的成本压力,建立和维护计算基础设施所需的硬件成本、能耗成本、人力成本高昂。算力规模方面,金融大模型规模快速发展,已达到万亿级参数规模,亟需建设规模更大、效率更高的大模型算力集群。自主可控方面,AI 芯片国产化需求激增,国内芯片产业相对于全球领先水平而言存在一定的技术差距,国产芯片在生态、稳定性、算力等方面存在制约。3.缺乏复合型金融大模型人才 大模型在金融领域的应用对金融大模型应用人才提出了更高的要求。技术能力方面,金融机构开发和应用人员对大模型技
19、术的认知、研究和应用的整体水平仍有待提升。大模型更需要提示工程相关的内置模板,与原有的机器学习、深度学习等模型工作方式有较大差别,也增加了相关人员的工作难度。复合型能力方面,大模型在金融行业的应用涉及风险评估、信贷审批等核心业务,需要技术人员对金融相关业务有深入的了解和认知,以保证大模型的应用效果。同时,大模型的训练和调优涉及到大量金融数据和计算资源,需要技术人员在数据安全和隐私保护等方面有深入的理解和把握。金融大模型落地路线图研究报告(2024 年)7 4.缺乏指导依据和体系规划 适用于金融大模型应用评估工作的指导依据及体系规划相对匮乏。金融大模型应用测评体系不完善。当前金融大模型测评体系建
20、设存在应用测试数据集构建与维护难度大、测评技术复杂度较高、检测工具与检测环境等配套设施尚不健全等问题。金融大模型应用顶层设计不健全。当前金融机构多为大模型场景探索验证阶段,多以建算力、搭平台、找场景的方式构建大模型基础设施,但是资产预测、风险管理、市场分析和量化交易等金融任务具有场景复杂性和数据敏感性的特点,使得通用大模型产品难以直接应用于金融行业。二、诊断金融大模型能力基础(一)剖(一)剖析析金融金融要素要素就绪就绪情况情况,系统性评估机遇和挑,系统性评估机遇和挑战战 金融应用方应结合自身的发展现状,全面分析在数据资源、人员储备以及战略规划等方面的就绪情况,以便金融机构更加清晰地认知在大模型
21、应用中的潜力和能力,为全面发展和挖掘需求做准备。1.剖析应用方在数据资源方面的能力现状 金融机构的数据资源是大模型应用的基础,金融应用方应系统性剖析金融行业数据在数据规模、数据质量、数据敏感性等方面的现状。数据规模方面,金融机构每天产生大量的交易数据、客户数据和市场数据,这些数据分布在不同的业务系统和部门中,金融应金融大模型落地路线图研究报告(2024 年)8 用方应客观评估数据整合和数据共享的难度。数据质量方面,金融数据涵盖文本、图像、音频、视频等多种类型,数据结构复杂,包括关系型、非关系型、半结构化和非结构化数据等,且银行、证券、保险等不同业务注重的数据特征不同。金融机构的数据来源多样,数
22、据格式和标准不统一,金融应用方应评估数据的准确性、一致性和完整性情况,核算数据的利用效率。数据敏感性方面,金融数据包含大量敏感信息,数据泄露和违规使用的风险较高。金融机构在数据使用过程中,应严格审查大模型是否遵循相关法律法规,保护用户隐私。同时,保障数据跨域流动或跨境流动方面的安全性。2.剖析应用方在人才储备方面的就绪情况 人才是推动金融大模型应用的核心,金融应用方应评估金融领域的人才储备情况,剖析人才的多样化、培养机制以及稳定性等。人才多样化方面,随着金融科技的发展,市场对人工智能和大数据人才的需求旺盛,金融大模型的开发和应用需要大量的专业人才,包括数据科学家、人工智能专家、系统工程师等。金
23、融机构应评估具备金融行业背景的复合型人才储备情况,以缓解人才紧缺的困境。人才培养方面,金融应用方应结合自身现状评估企业培养机制的完善性。金融机构需要建立系统的培训计划和职业发展路径,提升现有员工的技术能力和业务素养。人才稳定性方面,金融应用方应评估人才的稳定性,并采取有效措施,增强人才的归属感和忠诚度,防止核心人才流失。金融应用方还应注重员工职业发展,提供金融大模型落地路线图研究报告(2024 年)9 广阔的发展平台,营造积极向上的企业文化,增强员工的工作满意度和归属感。3.剖析应用方在科技金融方向的发展规划 制定科学的战略规划不仅能够明确发展目标和方向,还能够充分挖掘大模型应用的潜力,为金融
24、业务的创新和效率提升提供强大的支撑。发展目标和方向上,在制定金融大模型应用战略时,金融应用方应首先明确自身的发展目标和方向,结合机构的业务特点和发展需求,设定具体的应用场景和目标。技术创新上,金融应用方在战略规划中应评估对技术创新的重视程度,积极探索大模型在各类金融业务中的应用,以实现业务的创新升级。管理机制上,金融应用方应评估管理机制的安全性,通过加密技术和访问控制等措施保障客户数据的安全和隐私,防止数据泄露和滥用。同时金融应用方应评估大模型应用是否符合监管要求,以及在开发和应用过程中是否遵循法律法规。(二二)聚焦细分领域业务特性,聚焦细分领域业务特性,深度深度挖掘挖掘各类能力各类能力需需求
25、求 金融大模型的应用主要集中在内部流程优化和辅助决策上,随着大模型技术的深入应用和业务模式的创新变革,正在经历从内部助手的智能化升级演变为核心业务的深度参与及变革,最终转变为提供直接面客的服务。1.内部助手的智能化升级 金融应用方应评估金融大模型在完成繁琐、重复性的工作以及金融大模型落地路线图研究报告(2024 年)10 承担更多高级、复杂任务等方面的能力。在处理繁琐、重复性的工作方面,金融应用方应分析金融大模型作用为内部员工的办公助手等方面的需求。如自动整理会议纪要、撰写报告等文档工作,以及实现软件研发和数据生产等环节的重构。在承担高级、复杂的任务方面,金融应用方应分析在学习和理解更复杂的金
26、融知识和业务规则等方面的需求。如进行市场分析、预测股票价格走势等高级金融分析工作。此外,金融大模型还可以自动生成个性化的营销文案、工单智能填写等,进一步提升金融机构的客户服务水平。金融大模型落地路线图研究报告(2024 年)11 2.核心业务的深度参与及变革 金融应用方应分析大模型在风险管理、资产配置等核心业务领域的需求。随着金融大模型能力的不断提升和应用场景的拓展,金融大模型逐渐从内部助手转变为推动核心业务变革的关键力量。在风险管理方面,金融应用方应分析在实现对市场风险的实时监控和中国建设银行企业级金融大模型应用案例中国建设银行企业级金融大模型应用案例 运用金融大模型在多轮对话、逻辑推理、文
27、本生成、情感搜索等方面的优点,建设银行已成功研发投产 AI 助手、AI 工具箱、向量知识库三大基础应用。AI 助手为员工提供业务知识问答、文案写作、表单填写、客调报告生成等多样化功能。AI 工具箱是 AI 助手的“技能编辑器”,以无代码的开发方式让具有简单基础的员工应用各种行内提供的“人工智能工具”,快速构建服务自身工作、属于自己的“智能体”。向量知识库是 AI 助手、AI 工具箱的“专业图书馆”,提供海量的金融大模型可理解的向量化行内业务知识。来源:中国建设银行 图 1 中国建设银行企业级金融大模型建设体系 金融大模型落地路线图研究报告(2024 年)12 预警等方面的需求。金融大模型可以利
28、用大数据分析和模式识别技术,自动识别和评估各种风险因素,提供精准的风险预测和量化的风险评估结果,帮助金融机构做出更科学、合理的风险决策。同时,金融大模型还可以协助进行信贷审批、反欺诈等风险管理工作,提高审批效率和准确性,降低信贷风险和欺诈风险。在资产配置方面,金融应用方应分析在提供个性化的投资建议和资产配置方案等方面的需求。根据市场趋势、投资者偏好和资产组合特性等因素,大模型可以预测市场的走势和各类资产的价格波动情况,帮助投资者制定科学的投资策略并优化资产组合。3.面向客户提供个性化服务 在满足法律法规以及监管要求、消保要求的前提下,金融应用方应分析大模型在提供服务方面的需求。金融大模型将成为
29、直接面客的服务提供者,通过构建智能化的金融服务平台,金融机构可以提供不间断的服务以及绘制精准的客户画像,满足客户多样化的金融需求。在提供极致的客户体验方面,金融应用方应以满足法律法规以及监管要求为前提,分析在提供极致的客户体验等方面的需求。通过智能语音交互和个性化推荐等技术,大模型可以准确理解客户的需求和意图,提供个性化的产品推荐、业务咨询和问题解决等服务。在提供精准的客户画像方面,金融大模型可以通过对客户对话文本进行深度分析等方式,构建出精准的客户兴趣、偏好和需求等,帮助金融机构更好地了解客户需求。此外,金融大模型还可以自动生成个性化的营销文案和客户服务回复,进一步提升客户满金融大模型落地路
30、线图研究报告(2024 年)13 意度和忠诚度。(三)科学诊断(三)科学诊断金融金融机构机构基础基础,合理设计,合理设计多维多维建设建设目目标标 通过深度整合先进的基础设施、海量优质的数据资源、创新精准的算法模型、灵活多样的应用服务和严格全面的安全可信措施,赋能金融服务的全链条智能化升级,聚焦于实现“基础设施的高效支撑、数据洞察的精准决策、智能驱动的业务创新、安全可信的服务环境、生态共建与合作共赢”五大核心价值,全面分析大模型发展路线和目标。1.分析模型能力现状,划分多层就绪等级 金融应用方应多层面进行能力诊断,科学客观制定诊断原则。诊断层面上,通过技术能力诊断,帮助金融应用方评估其在技术方面
31、的优势和不足,从而制定更有效的发展策略。通过应用场景诊断,让金融应用方更好地了解市场需求和竞争环境,从而调整产品或服务的定位以满足用户需求。通过能力诊断,促进金融应用方在竞争激烈的市场中明确定位和方向,从而制定长期发展规划。诊断原则上,根据应用方在基础设施、数据资源、算法模型、业务场景、人才储备、战略规划、客户服务等方面的能力现状,综合研判金融应用方能力基础的就绪度。根据就绪情况,划分为 L1、L2、L3、L4、L5不同等级。金融大模型落地路线图研究报告(2024 年)14 来源:公开资料整理 图 2 金融应用方能力基础就绪度 2.聚焦各类资源需求,制定多维发展目标 为有效应用大模型,金融应用
32、方应结合自身基础情况制定多维发展目标。在基础设施方面,为满足金融实时性、安全性及专业可信需求,金融应用方应设计从 AI 服务器、到存储、再到网络的全栈解决方案。建设高效可靠的计算和存储基础设施,制定计算性能提升、数据存储容量扩展等方面的发展方案,确保大模型的高效运行和数据安全存储。在数据资源管理方面,构建完善的数据治理体系,确保数据的全面性、时效性和合规性,利用金融大模型深挖数据价值,为风险管理、市场分析、投资策略等提供精准预测和决策依据,提升金融机构的决策质量和效率。在研发和优化算法模型方面,金融应用方应根据不同业务场景的需求,制定算法模型优化目标,提升应用效果。同时,开发智能应用以提升客户
33、服务满意度和业务效率。在安全和隐私保护体系方面,建立从底层数据保护到上层应用安全的全方位防护体系,采用领先的安全技术与合规策略,确保用户数据隐私与交易安全,维护金融系统的稳定与信任,构建金融大模型落地路线图研究报告(2024 年)15 用户、监管、企业多方信任的金融生态环境,以确保大模型的安全、合规和可信运行。三、筑牢金融大模型技术底座(一一)加加固固金融算力设施金融算力设施根基根基,强化强化高质量数据高质量数据集建集建设设 算力已成为金融发展的重要力量,从内部管理系统到核心业务系统,金融业务的发展离不开精准、高效的算力支持。加强金融算海通证券大模型海通证券大模型应用案例应用案例 海通证券大模
34、型应用通过搭建“1+X”混合模型一体化 AI平台,形成了一个综合性的大模型平台和六个中心多模态大模型体系。证券垂直领域大模型应用技术架构分为资源层、平台层、应用层、安全列,通过系统内部消息总线与海通集团的各个系统对接。整体架构具备良好的扩展性、可用性、安全性、可靠性和可移植性,为海通证券数字化转型提供了有力支持。来源:海通证券股份有限公司 图 3 多模态大模型系统应用架构图 金融大模型落地路线图研究报告(2024 年)16 力建设,将改变金融机构的生产及服务模式,促进各类金融场景服务效率的提升。金融机构应积极加强金融算力设施建设,推动数据标注产业快速发展。1.加强金融算力设施建设 金融机构应从
35、需求侧和供给侧两个维度出发,以构建高质量的算力基础设施,提升数据管理和治理能力,支撑金融大模型的稳定、高效、安全运行。在需求侧,根据金融行业数据密集型特点,金融机构需要大量算力开展数据分析,以及时响应市场变化和客户需求。金融大模型的训练及推理需要海量金融专业数据作为支撑。金融机构应加速金融数据要素价值化,提升数据要素的管理、治理、合规等能力,强化数据要素在风险控制、投资决策、客户服务等场景中的应用。在供给侧,构建高质量的算力基础设施,包括高性能计算芯片、存储和网络共同构成的大规模算力集群,确保算力的稳定和高效。优先选用 GPU、NPU 等计算加速设备,以支撑金融业务交易、客户服务等场景下的实时
36、性、并发性需求。选择高容量、大速率存储,满足金融市场数据、信用数据、操作数据的读写需求。同时,应增强网络安全保障能力,强化数据安全保护能力,确保金融数据的安全和算力设施的平稳运行。2.构建高质量算力基础设施 加强金融算力设施建设是实现金融行业数字化转型的关键,需要从多元供给、技术创新、高效应用和自主可控等多个方面进行综合施策。在多元供给与优化布局方面,金融领域应推动算力资源的金融大模型落地路线图研究报告(2024 年)17 多元供给和优化地域布局,构建通用、智能和超级算力协同发展的供给体系,以满足金融等行业的高标准算力需求。在云算力底座建设方面,金融云算力底座的建设应具备高精度、高实时性、高稳
37、定性等特性,以满足金融机构在业务交易、智能客服、内部管理和风险控制等多个领域对算力的需求。在算力应用与赋能方面,金融领域应根据高实时响应或非实时性的金融应用场景需求,选择适配的算力底座。针对高实时响应的客服对话、知识搜索等应选择高算力底座,针对非实时人工智能场景如报告编写、文档审查、会议纪要等可采取低算力底座。在自主可控方面,应优先考虑国产技术和产品,实现国产算力资源适配,特别是在高性能存储、AI 芯片、模型训练推理框架等关键领域,以减少外部风险。3.推动金融数据标注产业发展 为推动金融业垂类大模型的高质量发展,应从数据、技术、质量等多个方面着手形成综合推进机制。积极推动金融数据标注产业发展,
38、提升金融大模型高质量数据供给能力。在金融高质量数据集构建方面,金融数据集包括但不限于市场交易、信贷评估、风险管理等,通过融合线上交易记录、线下客户交互、公开市场信息和内部私有数据,增强数据的全面性和多样性。各金融机构应积极梳理构建专业、准确、安全、高质量的金融数据集,以保障训练出的大模型符合金融价值观和监管要求,适应金融领域的专业性和复杂性。在技术创新和工具支持方面,应加大对自动化数据标注工具的研发和应用力度,例如,基于人工智能的辅助标注工具可以利用机金融大模型落地路线图研究报告(2024 年)18 器学习和自然语言处理等技术,自动完成部分标注工作,可大幅提升金融大模型数据标注的自动化程度和效
39、率。在质量控制机制方面,应建立完善的金融数据标注的标准规范和质量评估体系,包括标注数据的准确性、一致性和完整性等方面的评估标准。同时,还应加强对金融数据标注过程的监督和管理,建立健全的质量控制机制,及时发现和纠正标注数据中的问题,保障金融大模型数据的高质量供给。(二)开发高可靠低幻觉模型,增强可解释性可追溯(二)开发高可靠低幻觉模型,增强可解释性可追溯性性 大模型的幻觉、黑盒等问题会严重影响用户对模型的理解和信任,甚至引发金融风险。金融应用方应开发高可靠、低幻觉的大模型,引入向量数据库和检索增强生成等技术手段,增强模型生成结果的可解释性和可追溯性。借助金融智能体能力,加速金融数字化、智能化转型
40、。1.金融大模型解决方案构建 金融应用方应从数据质量、算法优化、增强模型透明度三个环节进行技术开发,提升模型的可解释性和可溯源性。一是数据质量把控应稳固根基,防微杜渐。金融数据多样繁杂,利用先进的数据合成技术和增强技术,弥补现实数据中的不足,丰富模型学习的样本空间,以减轻过拟合现象。通过 RLHF、SFT 对模型进行训练和优化,使用特定的金融领域语料进行有监督的微调,确保模型在金融领域的专业性和准确性。二是算法优化策略上应精炼模型逻辑,金融大模型落地路线图研究报告(2024 年)19 削弱幻觉效应。引入集成学习策略、正则化技术、对抗训练机制等方法,针对金融特有的时间序列预测任务,融入因果推断和
41、时间序列分析的方法,确保金融大模型预测结果的准确性和可信性。同时,采用多模型集成推理的方法,通过结合多个模型的推理输出结果,降低单个模型的幻觉风险。三是增强可解释性与可追溯性,透视模型黑盒,确保决策透明。金融应用方应开发专门的解释工具,提升模型的预测逻辑透明度。建立完善的模型版本管理和日志记录系统,确保每一次预测都能追溯到具体的输入数据、模型版本及参数设置,便于审计和问题排查。2.融合向量库和检索增强生成 金融应用方应引入向量数据库和 RAG 技术,提升金融大模型生成内容的可信程度和准确率。通过向量数据库和检索增强生成技术,高效组织金融知识,提升模型的创造力和结果准确性,为金融科技领域带来变革
42、。其一,金融应用方可将向量数据作为模型理解金融市场的关键信息,通过高效存储和检索向量数据,实现金融知识的有效组织和应用。其二,金融应用方可以利用向量数据库对金融文本、图像、视频等多种类型的数据进行向量化处理,构建丰富的金融知识图谱,为模型提供更加全面和准确的数据支持。其三,金融应用方可以通过检索增强生成技术,充分利用已有的金融知识和数据资源,通过检索和生成相结合的方式,增强模型的生成能力和创造力,提高生成结果的准确性和可靠性。其四,金融应用方可利用向量库专业知识增强模型上下文理解能力,提高生成内容的准金融大模型落地路线图研究报告(2024 年)20 确性。此外,可结合用户的特定问题和历史对话,
43、实现个性化的金融分析和建议。3.金融智能体应用 金融智能体针对金融业务场景,通过自主学习和环境交互,发挥从感知记忆、推理规划到决策执行的全流程能力,在提升效率、优化客户体验以及降低风险方面表现出一定优势。立足金融行业高时效、严监管的特点,结合智能体的能力特性,助力金融领域的业务创新和效率提升。在基础能力方面,金融智能体将智能体的关键技术能力与专业的金融知识背景、金融业务场景相结合。通过大模型的感知、认知、决策能力,实现任务目标的自主记忆、自主规划、自主行动,满足业务领域对多样化数据、专业知识,动态决策的需求,为金融科技领域带来全新变革,推动金融行业加速迈向高质量发展的新阶段。在业务场景方面,金
44、融智能体凭借其智能交互、自主学习及灵活适应等特性,已在银行、保险、证券等行业落地,应用于智能风控、智能尽调、智能研发、合规审查等场景。聚焦金融领域在前、中、后台的业务场景,专注于金融领域的复杂流程规划与执行,金融智能体不仅能够自动化处理繁琐的业务流程,还能够为企业提供精准的风险评估、市场预测等服务,显著提升金融机构的业务效率,助力企业实现可持续发展。金融大模型落地路线图研究报告(2024 年)21 (三)实现大小模型共生同治,(三)实现大小模型共生同治,夯实夯实金融科技金融科技坚实底座坚实底座 应用方应打造统一模型底座,发挥大模型和小模型的各自优中银消费金融中银消费金融 Text To BI
45、Agent 应用案例应用案例 Text To BI Agent 是基于澜码自研的企业级 AI Agent 平台AskXBOT 开发,提供数据查询、数据分析、可视化图表等核心功能的商业智能解决方案。此平台通过搭建指标知识库,解决数据量大、字段多、数据结构/逻辑复杂等问题,提升大语言模型在 SQL 生成上的准确率。用户可以直接使用对话方式发起数据查询请求,快速获取所需要的数据信息,并发现数据中隐藏的趋势和模式。同时,平台可提供强大的数据分析和图表展示功能,将查询结果通过视图形式展示给业务人员,使得数据的解读和理解变得直观和易懂。让任何人无需深入理解复杂的 SQL 语法,都能轻松地查询和探索数据。来
46、源:澜码科技 图 4 AskXBOT平台技术架构图 金融大模型落地路线图研究报告(2024 年)22 势,实现大小模型共生同治,构建更加健壮、高效、精准的金融科技生态系统,为金融行业的可持续发展提供有力支持。1.金融领域模型底座构建 金融应用方应构建金融大模型底座并最大化利用推理算力,以实现在不同规模和需求场景下的模型灵活应用。一是基于大模型的通用能力,结合金融专业知识展开训练。基于通用大模型叠加金融领域的数据和专业服务经验进行预训练,可以使模型更加符合金融行业的特点和要求,提高模型在金融领域的适应性和准确性。二是构建弹性可扩展的推理算力平台,优化模型部署和调度策略。金融应用方应根据任务需求和
47、系统资源情况,动态调整模型的部署位置和计算资源分配,以确保模型推理的高效性和稳定性。同时,应引入智能调度算法,根据实时负载情况自动调整模型推理的优先级和并发量,实现资源的最大化利用。三是引入模型压缩和加速技术,提升推理效率。金融领域普遍采用专用、自主可控的私有化部署模式,以满足数据安全性、保密性及数据所有权的需求。金融应用方应优化模型的参数和结构,确保在维持性能的同时,减小模型的大小与复杂度,通过模型压缩、小样本训练等方式降低计算成本。2.大模型与小模型的协同共治 金融应用方应合理配置大模型与小模型协同工作,提升系统整体智能化水平。大模型通过其庞大的参数规模和丰富的训练数据,能够掌握金融领域的
48、通用知识和模式,为各类应用提供基础性支持。而小模型则专注于具体细分任务,通过精细化学习和优化,满金融大模型落地路线图研究报告(2024 年)23 足特定业务需求。一是将大模型作为核心引擎,为各类金融产品和服务提供统一的智能化处理能力。大模型应广泛学习金融市场的各种数据和信息,捕捉市场趋势、风险特征、客户行为等维度的共性规律,形成金融业务通用理解和分析能力,为各类金融应用提供基础性的预测和决策支持。二是小模型针对特定金融任务定制,提升适应性。小模型应针对具体细分任务进行精细化学习和优化,应根据不同金融产品和服务的业务特点和需求,进行特征定制、算法选择和参数调整,以更好地适应和满足特定任务的要求。
49、三是建立大小模型之间的协同机制,实现知识的共享和互补。利用大模型为小模型提供基础知识和能力支持,小模型将金融具体任务的学习成果反馈给大模型,促进大模型的持续优化和升级。通过强化模型间的联动效应,提升整个金融科技生态系统的智能化水平。金融大模型落地路线图研究报告(2024 年)24 3.金融大模型全生命周期 金融大模型的应用落地涉及产品构建期、模型使用期和迭代维护期。产品构建期,金融大模型落地路线由开源大模型、商业化闭源大模型、产学研大模型共同推进。金融机构在前期探索阶段通常会采用开源大模型进行测试、研究,后期以通用大模型为底座,结一站式大模型应用构建平台一站式大模型应用构建平台-PowerAg
50、ent 应用案例应用案例 PowerAgent 是一站式大模型应用构建平台,具备“一站式模型训推、低成本构建大模型应用”的核心优势。其一,低成本高效率模型训练和推理能力。在资源受限或需要快速响应的环境中,通过 CPU/GPU 异构并行,集群高效管理等实现效率提升。其二,大小模型训推一体化标准能力,显著降低了模型开发难度和用户使用成本。业务系统集成大模型能力以及联调效率大幅提升,大模型应用平均交付时间从 90 天缩短至 50 天。其三,组合式 AI 能力。通过多模态大小模型+工具组合+人机协作的控制方式,针对不同场景可选择最佳的策略组合,达到最优的效果。来源:马上消费 图 5 PowerAgen
51、t 架构图 金融大模型落地路线图研究报告(2024 年)25 合金融领域的专业知识和数据,进行定制化的模型训练。大型金融机构一般采用三路并行的模式。模型使用期,金融大模型应关注结构优化、专用功能增强和业务能力提升等方面的能力,以在资源需求、生成效率和问题解决专业度方面获取优势。相比于传统通用大模型,金融大模型应更轻量化,以降低使用门槛和金融机构的模型使用成本。迭代维护期,金融大模型应具备灵活性和应变能力,模型的结构特征应具备精简化、轻量化、专业化,以降低后续维护迭代的复杂度及成本,提升产品的普适性,以快速响应市场变化和政策引导,提供及时、准确的业务解决方案。四、革新金融大模型应用范式(一一)深
52、耕深耕金融核心业务金融核心业务场景场景,充分,充分激发金融服务激发金融服务价价值值 大模型应用正在拓宽金融业数字化转型的广度和深度,然而,技术的广泛应用并非盲目追求数量的堆砌,而是要在精准的场景中寻找与业务深度融合的最优解。确定大模型技术在金融机构中的快速落地与价值创造路径,涵盖银行、证券、保险等领域,聚焦智能营销、智能风控、智能客服、智能投研等场景,助力金融服务降本增效。1.大模型赋能多场景金融应用 金融应用方应充分分析大模型在金融核心业务领域的赋能切入场景,通过多场景发力实现核心业务提质增效。在智能营销领域,做好客户分析与个性化营销方案生成,提供有针对性的内容和推金融大模型落地路线图研究报
53、告(2024 年)26 荐,提高营销效果并降低营销成本。在智能风控领域,利用金融大模型提高对海量异构金融数据的处理能力,实现对风险因素的高效识别预警,并支持信审报告等业务文档的自动生成与核实审批,提高风控能力与合规管理水平。在智能客服领域,自动化抽取知识并高效检索,快速响应客户提出的业务咨询、业务办理、投诉反馈等问题,实现功能导航和业务引流等作用,引导客户高效完成业务目标。在智能投研领域,实现对广泛来源的研报信息深度检索与综合分析,自动生成研报内容,结合数据洞察市场与经济走势,识别优质投资机会等。金融大模型落地路线图研究报告(2024 年)27 蚂蚁支小助应用案例蚂蚁支小助应用案例 支小助是基
54、于大模型技术的 AI业务助手,旨在显著提升专家工作效率,已在理财和保险业务中的多个金融应用场景中成功应用,包括销售、理赔、财务撰写及营销创新,经过广泛验证,效果显著。市场分析场景中,支小助|投研拥有 9 大类 30+专家分析方法论、全球金融市场信息知识库、724 小时主动感知分析能力,通过学习分析师的分析方法论,模拟人类专家的思考过程,实现金融领域的专业分析工作。服务销售场景中,支小助|销售贯穿客户的整个销售动线,借助 AI线索和数字化精准洞察客户需求,通过对话理解科技训练企业独有可成长的“销售分析”与“实时销售辅助”模型,让沟通科技更好地提升企业和销售形象。理赔场景中,支小助|理赔凭借海量保
55、险、医学知识注入和专家过程标注,一次性理解近 200 张病历单、医疗发票等资料,像理赔专家一样精准给出结论。互联网运营场景中,支小助|创意以 AIGC 能力为核心引擎,以生产可直接商用的高质量创意广告为目标,结合 AI投放能力,助力生态伙伴降本提效,促进业务增长。来源:蚂蚁集团 图 6 支小助产品矩阵 金融大模型落地路线图研究报告(2024 年)28 2.大模型提升金融管理服务效率 大模型技术在金融领域的运用,可以极大提升运营服务、技术开发和内部管理效率。在运营服务方面,尤其是投资顾问角色,金融大模型实时解析市场资讯和趋势,生成投资报告和策略建议,助力投顾人员提供及时准确的投资建议,增加客户满
56、意度和投资回报。在技术开发方面,大模型通过自动生成、优化代码等功能,减少手工编码需要,提高开发效率和质量。在内部管理效率方面,大模型技术在降低金融领域知识和数字化工具应用门槛方面也有显著效果,通过强大的自然语言处理和知识抽取能力,快速从庞杂的非结构化金融数据中提取并生成易于理解的知识库,显著提高专业知识获取效率及业务效率,加快信息处理和决策的速度,为金融业的数字化转型提供了强有力的技术支持。3.大模型推动金融业务升级 大模型技术可以推动金融业务升级,重塑交易决策支持、产品创设及营销规划等业务环节。在交易决策支持方面,通过深度分析海量数据,大模型为交易员提供精准的市场趋势和投资机会判断,提高决策
57、准确性,减少人为误差。在产品创设方面,利用金融大模型的内容生成能力,针对市场需求和客户特点设计个性化金融产品。在营销规划方面,则能识别目标客群,制定个性化营销策略,通过模拟对话提供智能客服,提高转化率和客户满意度。在文档审核方面,大模型技术在错别字、敏感词、异常语境识别等领域有着良好的表现,利用大模型等新技术识别海量文档中潜藏的问题和错金融大模型落地路线图研究报告(2024 年)29 误,解决海量底稿文档的自动化审核痛点,防范项目风险提升文档质量。4.大模型促进金融服务体验优化 大模型技术可以促进金融服务体验优化,提升客户服务智能化水平。一是通过意图识别和情感分析,大模型能够准确洞察客户需求和
58、情绪,提供更加人性化的响应,未来有望成为客户的随时陪伴,带来革命性的人机交互体验。二是与依赖人工顾问的传统金融服务相比,大模型能够利用知识图谱等技术快速整合并传递专业金融知识,以易懂的方式向客户解释,实现随时随地的专业服务,从而提高服务深度和质量。三是伴随大模型智能体创新平台的发展和繁荣,金融服务的应用生态将变得更为丰富,促进更多样化、智能对公客户调查报告自动生成应用案例对公客户调查报告自动生成应用案例 对公客户调查报告自动生成应用功能初期以制造业类上市公司客户为突破口,实现了此类客户调查报告基本内容的自动撰写。后续持续拓展应用的广度和深度,已拓展至存量大中型信贷客户。该功能利用大模型和知识库
59、技术,实现了对大中型信贷客户信息文档的自动提取、归纳总结和数据分析,并将结果填充至客户调查报告模板,大幅度减少了基层客户经理撰写报告所需的时间,从原先所需的 20 小时左右时间缩减到 14 小时以内,平均节省了 30%以上。来源:中国建设银行 金融大模型落地路线图研究报告(2024 年)30 化金融服务的产生,并进一步加速金融服务内容和形式的多元化与个性化。(二)(二)加强加强金融金融行业行业科技监管,由浅及深推动范式革科技监管,由浅及深推动范式革新新 金融科技的革命性创新推动了金融行业迈向新时代,也意味着容犀容犀 Copilot 应用案例应用案例 容联云容犀 Copilot 为其定制保险客户
60、服务大模型解决方案,引入大模型在数据分析和处理的强大能力,打造覆盖业务沟通全场景的大模型会话洞察代理 Insight Agent,且专门针对保险行业客服场景,如保险行业特定术语、行业文档进行模型训练学习,确保了模型的准确性和可靠性。容犀 Copilot 采用分层设计,包括数据管理、数据存储、模型层、应用层和用户界面层。支持结构化、非结构化和半结构化数据的接入,并通过 Hadoop 大数据集群、MySQL、Redis、Elasticsearch 等组件提供存储服务。模型层利用自建大模型和NLP技术提供丰富的 AI能力,如意图识别、情绪识别等。来源:容联云 图 7 容犀 Copilot 架构图 金
61、融大模型落地路线图研究报告(2024 年)31 传统金融监管将迎来范式革新。技术驱动的金融创新可能带来技术、信息和合规等方面的风险,借助人工智能赋能金融科技监管,可以建立基于技术驱动的监管科技,实现金融监管的转型和现代化。1.完善金融监管机制,提高金融监管效率 大模型技术在金融监管中的应用可以成为提升监管效果的关键手段。通过大数据模型和人工智能算法,监管机构能够实现对海量数据的深度挖掘与智能分析。一是提升金融监管效率。通过实时分析市场交易数据和金融活动,监管机构可以及时发现异常行为和潜在风险。智能化监管手段大幅度提升了监管效率,使得监管机构能够更迅速地响应市场变化和潜在危机。二是丰富传统金融领
62、域。大模型技术丰富了传统征信、营销、支付、交易和风控等领域的内涵。通过深度挖掘和分析金融数据,监管机构可以对信用风险进行更精准地评估,提高征信系统的可靠性和准确性。三是提升监管科学性和预见性。采用人工智能算法,监管机构能够更科学地进行风险评估和预测。通过建立预测模型,模拟各种市场情景和风险因素,对未来可能发生的风险事件进行预警,进而降低系统性风险,提升监管的科学性,增强金融市场的稳定性和安全性。2.助力多方征信系统,打击洗钱欺诈行为 大模型技术在企业与个人征信、反洗钱和反欺诈领域具有重要的应用价值。一是提升征信系统的精准度和可靠性。通过对客户支付清算、电子货币、网络借贷等数据的实时分析,金融机
63、构可以全金融大模型落地路线图研究报告(2024 年)32 面了解客户的信用状况。大模型技术能够处理和分析大量多维度数据,包括交易历史、消费行为、社交网络和职业背景等,从而构建更加精准和可靠的信用评估体系。二是强化反洗钱机制。金融机构可以利用大模型技术对客户交易数据进行实时分析,及时发现和预警潜在的洗钱行为。通过智能合约和智能同步技术,金融机构可以在交易过程中自动执行合规检查和风险控制。三是增强反欺诈能力。通过实时分析客户的交易数据和行为模式,金融机构可以迅速识别异常交易和潜在的欺诈行为。此外,大模型技术可以结合指纹识别、面部识别等生物识别技术,进一步增强身份验证的安全性,防止身份盗用和欺诈交易
64、。3.驱动衍生品市场,实现智能化应用 在衍生品市场中,大模型技术通过与金融科技和监管科技的结合,显著提升了交易的智能化应用水平。在交易、清算、监控、服务和分析等方面,大模型技术为市场的高效运作、安全性和透明度提供有力支持,推动衍生品市场的持续发展和创新。在金融交易和清算效率方面,大模型技术与金融科技的结合显著提升了衍生品市场交易和清算的效率。金融机构应根据大数据分析和智能算法,实现对金融市场动向的实时监控和分析,从而快速响应市场变化并优化交易流程。清算时应结合大模型技术实时计算交易风险和资金需求,确保资金及时到位,减少清算过程中的延迟和错误,提升市场运作的效率和安全性。在市场监控和风险管理方面
65、,应结合大模型技术实现对市场中的异常交易行为进行实时监测和分析,监控市场金融大模型落地路线图研究报告(2024 年)33 中的异常价格波动和交易量变化,及时识别潜在的市场操纵行为和系统性风险以提升市场的透明度和公正性,确保市场的稳定运行。4.颠覆传统监管,推动范式变革 大模型技术引发了金融监管的范式变革,推动监管从传统的人工模式向智能化转变,提高了监管的效率和准确性。一是提升数据分析和风险评估的效率。传统的监管模式主要依赖人工检查和分析,效率较低且容易受到人为因素的影响。金融大模型能够自动进行大规模数据分析和风险评估,大大提高了监管的效率。二是增强监管的准确性和可靠性。金融大模型依赖客观的数据
66、和先进的算法,能够更精确地评估风险。监管机构可以建立复杂的风险评估模型,分析各种风险因素的关联性和影响程度,从而更全面地评估市场风险和监控市场。三是推动金融监管的智能化转型。大模型技术推动了金融监管从传统人工模式向智能化转型。通过大模型技术,监管机构可以实现自动化的监管流程,减少人工干预,提高工作效率。此外,大模型技术还可以支持跨市场、跨地域的综合监管,提升全球金融市场的协同监管能力。四是改善监管的覆盖面和精细度。通过大模型技术,监管机构能够更全面地覆盖市场和细化监管内容。传统的监管模式往往局限于重点领域和重点对象,而大模型技术可以实现全市场、全链条的监控和分析。金融大模型还可以针对不同的业务
67、场景和风险类型,提供精细化的监管策略和措施,从而提高监管的针对性和有效性。金融大模型落地路线图研究报告(2024 年)34 (三)评估算法模型应用效能,提升金融服务用户体(三)评估算法模型应用效能,提升金融服务用户体验验 平安银行“慧小喵”审计大模型应用平安银行“慧小喵”审计大模型应用案例案例 “慧小喵”审计大模型深度挖掘大模型技术在审计检查领域的应用场景,围绕查、问、析三大审计核心场景,赋能审计稽核场景全流程提质增效,提高审计工作效率和质量。“慧小喵”当前在银行内控领域的信息输出准确率高达 80%,能够准确高效地满足总行分行从事审计、监察、合规内控等人员在日常监督工作知识需求。当前“慧小喵”
68、在稽核监察部用户使用率 90%,已全方面向 40 家分行基层合规和纪检人员推广,其中,用于合规知识问答占比 70%,辅助审计问题定性占比 20%,辅助撰写文档报告等占比 10%。来源:平安银行 图 8“慧小喵”审计大模型 金融大模型落地路线图研究报告(2024 年)35 金融机构应构建覆盖算法模型、应用服务、安全可信等层面的大模型应用评估体系,形成诊断、建设、应用和评估的有效闭环。同时,围绕数据隐私和安全、模型准确性等强化大模型应用安全风控体系。在大模型应用过程中,遵守道德和伦理,构建覆盖大模型生命周期的伦理治理框架。1.评估算法模型综合性能 算法模型层面应评估模型综合性能,涵盖输出准确性、可
69、扩展性、可维护性及适应性等。输出准确性上,应评估金融大模型在金融知识、金融事件、客观事实、广告营销、金融推理等任务上的输出内容准确性。可扩展性上,金融大模型应具备模型可扩展能力和应用可扩展能力,实现金融应用与业务服务的扩展。金融应用方应评估模型二次开发的支持度以及对客户数据、关系数据、交易数据和风险数据等的分模块存储能力。可维护性上,应评估金融大模型的模型可运维、平台可运维以及应急恢复能力。应评估模型的自动化更新能力,确保模型能够及时响应市场和业务变化。适应性上,应评估模型的跨场景适应能力、应对市场变化的能力以及用户反馈机制。例如反洗钱模型应当能够针对不同国家和地区的市场环境识别出可疑交易,能
70、够根据业务人员和客户反馈意见进行自主优化和学习。2.评估应用服务场景体验 应用服务层面应从场景丰富度、场景适用性、用户体验、系统集成与互操作等方面进行评估。大模型在金融领域的应用以服务客金融大模型落地路线图研究报告(2024 年)36 户方面的降本增效、场景变革和产品升级为目标。场景丰富度上,应评估金融大模型覆盖的营销、风控、客服、投研、投顾、文档处理、知识管理等通用场景,以及银行、保险、证券、基金、资管等专用场景的丰富程度。场景适用性上,应评估大模型与金融业务需求的匹配度、场景覆盖度以及用户接受度,同时结合场景评估大模型在提升业务绩效、降低运营成本、优化客户体验等方面的应用效果。用户体验上,
71、应评估场景的交互体验、界面设计、响应时间、服务稳定性、个性化推荐与设置等,同时还应评估应用服务的用户支持渠道、问题解决速度,并定期进行用户满意度调查。系统集成与互操作上,应评估大模型与金融机构现有系统的集成能力,以及大模型在不同系统和平台之间的互操作性。3.强化模型安全风控体系 建立稳固的金融大模型安全风控体系,应强化数据安全、模型安全、系统和网络安全及伦理安全,确保金融大模型应用安全可控可信。数据安全上,应对数据进行脱敏、加密、匿名化处理以及分类分级管理,应根据金融行业规范和业务特性设计分级体系,对不同级别的数据采取不同的保护措施,确保数据不被泄漏和滥用。模型安全上,金融大模型应具备对抗攻击
72、防护能力、加密措施和安全监测能力,金融大模型在商业机密、隐私数据、业务合规及伦理合规方面应具备防范机制。系统和网络安全上,实施网络安全防护,对系统进行安全加固,实施严格的身份验证和授权机制,对模型运行进行实时监控,从硬件、软件、框架、操作系统及网络传输等全金融大模型落地路线图研究报告(2024 年)37 方位实施安全防御保护。伦理安全上,应遵守科技伦理和金融伦理,坚持“以人为本、科技向善”,构建金融大模型的全生命周期伦理治理框架,从开发、应用、部署到持续监控和改进等各个阶段,确保大模型的应用符合伦理性与合规性。五、构建金融大模型管理体系(一一)优化数智运营管理模式,逐步实现降本增效提优化数智运
73、营管理模式,逐步实现降本增效提金融大模型能力体系构建案例金融大模型能力体系构建案例 建设银行根据金融行业实际需求,遵循生成式人工智能服务管理办法的相关要求,从通用能力、安全合规、金融需求三方面为出发点,设计了金融行业的大模型能力体系,支持模型评估与应用。该能力体系可分为通用能力、安全能力和金融能力三大能力域及九大一级能力,结合关键技术指标,助力建设银行在评估模型能力与生成式 AI 场景应用中取得了不错成效。来源:中国建设银行 图 9 建设银行金融大模型能力体系 金融大模型落地路线图研究报告(2024 年)38 质质 金融应用方通过优化数智运营管理模式,实现战略规划协调、技术市场适应性和产学研用
74、合作,以大模型技术为核心,推进降本增效提质。注重管理制度与流程优化、持续的技术评估与升级以及行业合作,确保竞争优势和市场响应速度,最终实现业务的高效、智能和可持续发展。1.协调战略规划与业务发展 推进数智化运营管理模式的过程中,战略规划与业务发展协调至关重要。在战略规划与目标设定上,金融应用方应制定明确的战略规划,确定大模型技术在业务发展中的作用和目标。通过设定清晰的短期和长期目标,以确保大模型技术的发展与整体业务战略相一致,从而实现有效的资源分配和优先级排序。在管理制度与流程优化上,金融应用方应建立和完善管理制度。规范优化技术研发、风险评估、应用开发以及能效评估等各个环节的流程和方法,以提高
75、大模型的迭代速度和市场响应能力,同时确保质量和合规性。在协调机制与实时控制上,金融应用方应建立完善的协调机制,以实现跨部门、跨团队的协作,确保大模型管理体系的有效运作。金融机构应开发实时监控系统,以便快速识别问题并采取措施,保持业务发展的连贯性和一致性。2.技术的进步与市场适应性 在推进数智化运营管理模式的过程中,技术进步与市场适应性是确保金融机构长期竞争力的核心要素。在持续的技术评估与升级金融大模型落地路线图研究报告(2024 年)39 上,金融应用方应建立持续的技术评估机制,以跟踪最新的技术发展和市场趋势。通过定期的技术研讨会和行业会议,金融机构可以及时了解新兴的数据分析工具和算法优化技术
76、,从而不断升级金融大模型的预测准确性和处理能力。在系统的可扩展性与灵活性上,金融机构的大模型运营管理体系应具备高度的可扩展性和灵活性,以适应市场环境的快速变化。金融大模型系统应能够根据不同产品线的需求快速调整模型配置,集成新的技术组件,以适应不同的业务需求。在数据安全与隐私保护上,金融应用方应采用数字加密技术、匿名化处理和访问控制等措施,加强数据安全和隐私保护能力,以确保客户数据的安全和合规性。3.产学研用合作与行业联盟 推进数智化运营管理模式的过程中,产学研用合作与行业联盟的建立是推动金融创新和确保技术合规的关键策略。在跨界对话机制的建立上,金融应用方应与政府、监管机构建立对话机制,及时了解
77、政策动向和监管要求,确保金融大模型管理体系与国家法律法规同步。在学术界的深入合作上,金融应用方应与高校和研究机构等建立密切的合作,获取前沿的研究成果和理论支持。通过深入参与金融大模型的基础研究或资助研究项目,共同开发新的算法或优化现有模型,促进学术成果的商业化应用。在行业合作伙伴的协同上,各金融应用方应合作促进技术和市场信息等资源的共享,在确保金融大模型管理体系合规性和先进性的前提下,加速金融大模型技术的发展和应用,提高整个行业的服务效率和风险管理能力。金融大模型落地路线图研究报告(2024 年)40(二二)积极完善风险防范机制,动态监测保障稳定运积极完善风险防范机制,动态监测保障稳定运行行
78、金融大模型的稳定高效对市场秩序和机构竞争力至关重要。金融机构应完善相关的风险防范机制,实现金融功能监测及应用服务监测。通过实时数据分析构建风险预警系统,实现快速响应,从而降低金融风险,展现金融机构的责任感并促进市场的稳定发展。1.完善相关的风险防范机制 金融应用方应致力于完善风险防范机制,以确保金融大模型的健康、安全和可持续发展。在构建完善的政策体系上,金融应用方在注重技术创新和应用的同时,应更加重视针对金融行业的人工智能政策和治理体系的制定和遵守。通过构建全面的政策体系,确立合规标准、知识产权保护规则以及数据权益保护措施,金融应用方能够规范金融大模型的发展,并制定研发、训练和部署的详细指南。
79、在加强监管与风险管理上,金融应用方应加强监管,制定安全要求和最佳实践,实施风险管理和伦理审查评估,有助于及时发现和解决潜在的风险点,保障金融系统的稳定性和客户的利益。在跨学科和跨行业的合作与创新上,金融应用方应鼓励跨学科和跨行业的合作与创新以提升金融大模型的质量和多样性。通过在风险评估、信贷审批和市场分析等关键金融领域,有效整合深度学习模型,提高模型的可解释性、稳定性和适用性,并提升金融服务的质量和效率。2.监测金融系统的功能活动 金融大模型落地路线图研究报告(2024 年)41 对金融系统各项功能活动的监测和分析是确保金融大模型稳健运作的核心环节。在金融机构的运营情况监测上,金融应用方应对金
80、融数据进行统计分析,实现对金融机构的利润表、资产负债表、非经营性损益表等财务报表的监测。在金融市场的运行情况监测上,金融应用方应对金融市场的交易数据、交易价格、客户信息等进行监测,以便及时发现并响应金融系统中存在的异常事件。金融应用方应对市场动态、经济指标变化及交易行为模式保持敏感,确保金融大模型能够适应市场的不断变化。在金融风险的状态监测上,金融应用方应对金融风险的种类、程度和趋势进行监测,根据金融数据的统计分析结果和风险评估,采取相应的监测与预警措施,降低金融风险。3.监测应用服务的运行状态 金融应用方对应用服务运行状态的监测是确保大模型高效运作和提供卓越用户体验的关键。在服务流程实时监控
81、上,金融应用方应对金融服务流程进行细致的实时监控,以确保金融数据资源的质量,同时持续跟踪模型的响应速度和稳定性,有助于快速识别交易延迟或系统中断等性能瓶颈,确保金融服务的连续性和可靠性。在关键指标评估上,金融应用方应通过关键指标来量化评估服务的运行效果,包括交易处理时间、风险评估准确率、客户请求响应时间和系统正常运行时间等。在监管合规性上,金融应用方应密切关注监管合规性指标,确保业务操作符合金融行业的监管要求。(三三)建立健全监管治理体系,建立健全监管治理体系,合力合力助推金融长足发助推金融长足发金融大模型落地路线图研究报告(2024 年)42 展展 建立健全监管体系对金融大模型健康发展至关重
82、要,金融应用方需在监管下确保合规、数据安全、保护消费者权益,促进市场公平。借鉴先进治理经验,提高模型的透明度,确保模型的可解释性、公正性,建立问责机制,以增强信任、激发创新,推动技术与社会福祉双赢。1.国外金融大模型治理方案 国际社会正在努力完善全球性的人工智能治理方案,以确保人工智能技术的负责任使用,实现创新与风险管理之间的平衡。立法层面,在国外金融大模型治理领域,美国、欧盟和英国的监管治理经验为全球提供了宝贵的参考。通过出台相应的措施和政策法规进一步加强了对大模型安全性和可靠性的要求,通过严格的红蓝攻防测试和隐私保护措施,推动构建公平、开放的大模型生态系统。科创层面,国际清算银行表示,人工
83、智能正在改变经济和金融系统,各央行迫切需要“提升自身能力”,以应对这种技术带来的挑战和机遇。德国、美国、英国等发达国家在科创金融方面的成效相对较好,包括由政府主导、依托强大的多层次市场化资本体系、资本市场和政府引导相结合三种模式。2.国内金融大模型监管治理政策 我国正依托其雄厚的产业基础,积极融入大模型科技的创新潮流中。我国正积极把握人工智能发展机遇,深化大模型技术在金融领域的应用。科技创新方面,金融监管部门进一步细化科技金融发金融大模型落地路线图研究报告(2024 年)43 展的举措,加大激励科技创新发展力度。中国人民银行、金融监管总局等联合印发关于扎实做好科技金融大文章的工作方案,围绕培育
84、支持科技创新的金融市场生态,提出一系列有针对性的工作举措。此外,金融监管总局发布关于加强科技型企业全生命周期金融服务的通知,对做好科技创新金融服务提出要求,以推动完善有利于科技型企业发展的金融政策环境。科技金融体制方面,金融领域相关政策的陆续出台,为实现高水平科技自立自强、因地制宜发展新质生产力提供服务保障。党的二十届三中全会审议通过的中共中央关于进一步全面深化改革 推进中国式现代化的决定提出,构建同科技创新相适应的科技金融体制,加强对国家重大科技任务和科技型中小企业的金融支持。3.金融大模型标准评估体系建设 聚焦金融领域应用发展所需,金融大模型标准评估体系正在逐步成熟,为金融行业的智能化转型
85、提供了强有力的技术支持和标准规范。标准研制方面,聚焦金融学术知识、金融业务知识、金融技术应用能力、金融安全能力以及金融智能体能力等多个维度,建立标准评估体系,确保金融大模型在实际应用中的准确性、稳定性与安全性,促进金融产业的高质量发展。可信 AI 大模型评估体系 3.0针对模型化、能力化、工程化、产业化、领域化以及落地应用等需求,目前已形成面向行业的大规模预训练模型技术和应用评估方法 第 1 部分:金融智能体技术要求与评估方法 第 4 部分:金融智能体等多项标准。基准测试方面,金融大模型基准测试是评金融大模型落地路线图研究报告(2024 年)44 估和优化金融大模型的关键环节,包括模型开发、应
86、用落地和模型管理等阶段。基准测试贯穿金融大模型的全生命周期,确保了模型的高效性、准确性和可靠性,对于推动金融人工智能技术的创新和应用具有重要意义。中国信息通信研究院已正式发布“方升”大模型基准测试体系,体系全面涵盖测试指标、测试方法、测试数据及测试工具。六、金融大模型发展趋势展望(一一)释放金融数据要素价值,全方释放金融数据要素价值,全方位位培育新质生产培育新质生产力力 充分发挥金融数据要素价值,凝聚多源、异构金融数据,建立安全开放的金融数据共享生态系统是由监管要求、客户期望以及创新和数据驱动决策需求推动的迫切需要。1.建立健全数据使用机制体系 在金融机构的经营发展中,数据要素具有基础性、全局
87、性和引领性作用。完善数据治理方法和制度,促进数据要素合法、安全、有效流通,充分发挥数据要素价值是新时代金融机构面临的重要课题,有助于加快培育新质生产力。其一,积极探索面向大模型的数据“采集、清洗、管理、应用”方法和体系。金融机构应梳理场景应用数据需求,建立并完善大模型应用数据使用机制。其二,提升数据集的规模、质量和多样性,保障模型微调与投入生产后的数据连贯性、稳定性。其三,研究建立针对数据偏见、技术滥用、数据滥用等问题的风险管控机制,做好大模型私域管理和权限隔离,保金融大模型落地路线图研究报告(2024 年)45 证数据在可控范围内流动,并通过区块链存证技术强化管控,确保各个环节的数据可追查、
88、可溯源且不可篡改。2.多源、异构金融数据构建金融数字底座 多源、异构金融数据的整合与应用是构建高效、准确金融大模型的基础。多源、异构数据的整合与标准化将有助于打通数据孤岛、提高数据质量、实现数据共享、降低数据管理成本。数据应用机制体系与人工智能技术的高效结合是构建多源、异构金融数字底座的关键手段。基于金融数字底座,金融机构可释放数据资产的全部潜力。金融数字底座提供统一的数据服务和 API 接口,满足了大模型在应用中的数据需求,提高了模型的可用性。金融数字底座建立完善的数据治理体系,明确了数据的责任和权限,为大模型的应用提供了制度保障。(二二)推动金融科技创新推动金融科技创新升级升级,发展可持续
89、性金融模发展可持续性金融模型型 1.多智能体协同 多智能体协同技术正不断发展,在金融领域应用广泛。多智能体协同的架构上,协同的智能体具备任务规划和执行能力,能够在无需人类干预的情况下自动处理复杂问题。构建协同工作的多智能体系统,将有效完成金融复杂任务,成为提升金融领域整体效率的主要方式。多智能体应用场景方面,智能体的集成和应用是金融大模型落地的主流方向,金融机构应加强大模型加持的多智能体的探索应用。大模型支持的智能体应用,包括基于大模型赋能的智能体金融大模型落地路线图研究报告(2024 年)46 数字员工、具身智能体和机器人员工等形态,可集成 RPA、BPM等传统智能工具,提供动态实时的业务流
90、程优化,极大提高效率和生产力,有望成为金融大模型规模应用的主要产品形态和解决方案。2.数字人技术 数字人技术提升大模型可用性,推动金融大模型创新应用。多模态融合与交互上,未来,数字人技术将进一步融合视觉、语音、手势等多种模态,实现更加自然流畅的人机交互体验,为大模型在金融场景中的应用提供有力支撑。情感计算与对话管理上,数字人技术在情感计算和对话管理方面将更加智能化,能够更好地感知用户情绪,做出恰当的情感反馈,提升大模型在金融咨询等场景中的自然度和专业度。个性化与定制化上,数字人技术将更加注重个性化和定制化设计,根据不同的金融场景和用户群体,打造具有独特个性化形象和交互方式的虚拟人物,提升用户体
91、验和黏性。(三三)践行绿色普惠发展之路践行绿色普惠发展之路,绘就智慧金融体系蓝,绘就智慧金融体系蓝图图 1.加强金融垂直领域应用场景探索 金融机构可以统一收集内部人工智能需求,分析并搭建大模型金融应用底层架构和提示语,探索大模型与金融业务的结合所需的前提条件和能力边界。选取业务价值高、实施完备度成熟、风险可控的业务场景,按需、分阶段地有序推进大模型赋能工作。其一,应用赋能风险管理领域。金融大模型通过分析海量的金融数据和用金融大模型落地路线图研究报告(2024 年)47 户行为模式,可以自动检测异常交易、识别欺诈行为,帮助金融机构在第一时间发现并应对风险,降低损失,保障金融机构的资产安全和客户信
92、任度。其二,应用赋能金融服务领域。金融大模型通过对话能力深挖智能客服和智能投顾等金融服务场景,提供个性化的金融建议和解决方案,从而提高客户满意度,降低人工成本,提升服务效率和质量。其三,应用赋能反洗钱与反欺诈领域。金融大模型可以利用金融科技底座中的反洗钱法规、犯罪模式、可疑交易指标等知识,并结合客户交易数据和行为数据,监测和识别可疑金融活动,提高反洗钱和反欺诈系统的效率和准确性。其四,应用赋能金融市场和产品创新领域。未来,创新发展将引领金融行业的智能化转型与可持续增长。大模型在高频交易、量化投资等金融市场领域的研究,可以帮助投资者更精确地进行交易决策,提升投资效率。基于大模型的智能交易助手、智
93、能合约等金融创新产品为金融市场注入了新的活力。2.促进绿色金融和普惠金融深度融合 绿色金融和普惠金融已成为金融业的重要发展方向,大模型在绿色金融和普惠金融领域的应用具有重要意义。提升绿色金融决策效率与精准度。绿色金融大模型可以应用于优化投资组合、设计绿色金融产品、生成信息披露报告等场景,帮助金融机构在绿色金融领域做出重要贡献。提升绿色金融客户服务水平。大模型为金融机构提供更精确的风险评估,从而帮助金融机构做出更稳健的投资决策。在推广投资产品时,大模型可以帮助金融机构更精准地定位目金融大模型落地路线图研究报告(2024 年)48 标客户群体,提高营销效率和客户满意度。拓宽普惠金融服务边界。在普惠
94、金融方面,金融大模型的应用打破了传统金融服务的物理限制,使得金融服务能够覆盖到更广泛的人群和地区。金融大模型可根据用户的具体需求,提供个性化的金融产品和服务,满足普惠金融的多元化需求,促进金融服务的公平性和包容性。金融大模型落地路线图研究报告(2024 年)49 缩略语缩略语 AI Artificial Intelligence 人工智能 AIGC Artificial Intelligence Generated Content 人工智能生成内容 API Application Programming Interface 应用程序编程接口 BPM Business Process Manag
95、ement 业务流程管理 GPU Graphics Processing Unit 图形处理器 KYC Know Your Customer 了解你的客户 NPU Neural Processing Unit 神经网络处理器 OCR Optical Character Recognition 光学字符识别 PMF Product Market Fit 产品市场匹配度 RAG Retrieval Augmented Generation 检索增强生成 RLHF Reinforcement Learning from Human Feedback 人类反馈强化学习 RPA Robotic Process Automation 机器人流程自动化 SFT Supervised Fine-Tuning 监督微调