从外围场景到核心决策，大模型准备好了吗？

在技术新浪潮涌动之下，一切都在改变，一切都可能发生。

——馨金融

洪偌馨、伊蕾/文

最近，在全球科技巨头的助推下，生成式AI以及其背后的大模型发展一日千里。

就在不久前，OpenAI发布GPT-o1。在上一代大模型强大交互能力的基础上，新一代大模型的「思考能力」显著提升，能够对更复杂的问题进行拆解和推演。

其CEO奥特曼也在博客中预言，超级人工智能将在几千天后到来，人类将步入智能时代。

作为最早步入「AI时代」的行业之一，新技术还能为金融行业带来怎样的突破与变革？在最近举行的2024年香港金融科技周活动上，「大模型在金融行业的应用」也成为了最受关注的话题。

「以o1推理大模型为代表的新一波生成式AI技术在金融领域的应用，将从外围场景深入到核心业务，直接影响金融行业的核心决策质量，在为客户的产品和服务体验上带来巨大突破的同时，将会重塑金融科技行业。」度小满CEO朱光在科技周主论坛上表示。

此前，大模型在金融领域的应用主要聚焦于智能客服、内部办公提效等外围场景，但随着大模型的加速迭代和能力提升，情况正在迅速发生变化。

朱光分享了度小满用推理大模型在业务侧进行的一些创新性探索。其中，在信贷和保险领域，通过分析客户的个体情况，大模型已经可以给出具体的决策建议和执行方案。

另外，在量化投资领域，通过大模型也可以挖掘高价值的因子，进而优化投资算法。

这不仅为市场展现了大模型应用更具想象力的未来图景，也在一定程度上揭示了行业发展的未来趋势——从外围场景到核心决策，从降本增效的辅助工具进化为真正的数智化「生产力」。

1、潜力无限

过去一年，金融行业迎来一场「大模型」盛宴，包括云厂商、金融机构以及金融科技公司等在内的各类市场参与者都在加紧布局。

作为典型的数据密集型产业，金融行业确实是大模型应用的理想领域。虽然发展的时间不长，但它已经渗透到许多企业的日常工作流程中。

以度小满的实践来看，作为国内首个千亿级金融大模型「轩辕」的开发者，大模型已经应用在度小满的各个业务场景，从营销、客服、风控、办公再到研发。

比如，在代码助手方面，用大模型辅助生成的代码采纳率能够达到42%，帮助公司整体研发效率提升20%；在客服领域，大模型推动服务效率提升25%；在智能办公领域，大模型目前的意图识别准确率已达到97%。

这些应用不仅可以提升服务效率，也能够替代一部分的人力，降低金融机构的服务成本。

然而，相较于人们对于「智能时代」的想象与期待，大模型显然还有更大的潜力可以挖掘。

朱光认为，生成式AI技术要对一个行业带来巨大变革有两个前提，「一是必须让核心的客户体验发生巨大改变；二是必须对业务的核心决策产生影响。比如信贷业务，只有当大模型能够对于客户的金融服务体验带来影响、对风险决策、经营决策这样的核心业务决策产生重大影响的时候，才真正释放出大模型的潜力。」

根据度小满的测试结果，在信贷领域，推理大模型可以通过分析客户的银行流水，推理出其还款能力，不仅能够提供是否放贷的简单决策结果，还能给出更具体的贷款额度建议。

而在保险业务方面，GPT-o1大模型也可以根据不同客户的个体情况给出承保决策和差异化保险定价方案。

朱光表示，「推理大模型的决策质量我们还在做更多的测试去验证，但它已经掌握了风控知识并具备推理能力，让我们看到了未来核心决策应用上的巨大潜力」。

这也为整个金融行业带来了更大的想象空间。

清华大学经管学院在此前发布的《2024年金融业生成式AI应用报告》中指出，生成式AI重新定义客户体验，正在形成新服务。

预计1-2年内，首批大模型增强的金融机构会进入成熟应用期，3年后将会带动金融业生成式AI的规模化应用，并且有望为整个金融业带来3万亿增量。

在此基础上，如果大模型能够在客户体验、业务决策等更多核心场景中加速落地，它也将真正重塑金融机构的业务流程、商业模式，为金融行业释放更多新的生产力。

2、越过「山丘」

当然，任何新技术的开发与应用都不会是一片坦途，着眼于当下，大模型要越过「山丘」，还面临着重重挑战。

一个最核心的问题是：处理复杂决策问题需要大模型的底层技术能力提供足够支撑，而这需要更多的数据、算力、资源和时间去「喂养」。

比如，GPT-o1通过思维链大幅提升了推理能力，它能够将复杂的问题拆解为更简单的步骤，还会在当前方法无效时，尝试其他方式。

但研究显示，思维链仅对1000亿以上参数模型的推理有显著提升，这直接拉动了算力需求的增长。

与此同时，如何将技术与具体的业务场景相结合，则对机构的能力提出了更高要求。尤其对于金融行业来说，风险控制永远是第一「生命线」。

以风控业务为例，长久以来，居于核心地位的风险判断和决策环节属于传统人工智能的监督学习范畴。

如果想要将更多工作交给大模型，就要妥善解决它存在的幻觉问题、出现缺乏可解释性行为的可能。

这使得市场参与者们必须保持更加审慎的态度，寻求稳妥和可靠的解决方案，需要更多既懂技术又了解业务的复合型人才，基于更多实践和验证，建立更高效和可靠的人与机器、甚至机器与机器的协作模式来减少潜在风险。

在此基础上，机构还要考虑成本、效率、投资回报等问题，毕竟，无法真正实现商业可持续的技术很难找到真正的出路。

这也是金融企业面向未来进行布局时必须思考的问题，如果大模型的应用是行业发展的必然趋势，是金融业迈向新阶段的「基础设施」，他们到底该采取怎样的行动路线。

尤其对于一些中小金融机构而言，在整个行业日益迈向开放、协同的趋势之下，自己进行「从零到一」的开发不仅面临着巨大的成本压力、缺乏规模效应，还可能因为参数不足面临更高的风险。

如果能够结合自身的业务发展需求，通过与巨头协同合作获得更好的底层能力支撑，并将更多重心放在应用侧，未偿不是一个更好的选择。

而对于一些资源禀赋更好的头部机构来说，发挥自身优势去开发和部署、调整和训练模型，探索业务发展的更多可能、不断打破技术的「天花板」，也是他们必须承担起的使命。

事实上，在今年5月度小满开源了大模型「轩辕」之后，短短几个月内，它不仅通过了《生成式人工智能服务管理暂行办法》备案，而且第三代大模型「轩辕3.0」已经发布。

根据「轩辕3.0」在金融场景中的任务测评结果，其在金融事件解读、金融业务分析、投研应用能力和风险管理等测量维度上已经超越OpenAI发布的上一代模型GPT-4o。

从这个角度来看，在技术新浪潮涌动之下，一切都在改变，一切都可能发生。