拆解首个零售金融大模型：仍有四个关键难题

历经了上半年激烈而又多元的大模型论战之后，下半年的焦点终于到了“落地”层面。

通用大模型仍在含苞待放，垂直领域的专业大模型开始崭露头角。在金融领域，投研决策、数据分析、智能交互、场景联通、风控全流程强化等业务方向涌现出多个大模型，各类金融机构与科技公司大显身手，一同推动了金融大模型的快速落地。

近日，马上消费金融股份有限公司（以下简称“马上消费”）发布了其零售金融大模型——“天镜”，马上消费首席信息官蒋宁对该大模型表达了这样的期望：“我们希望在任何情况下，它给客户的回答都是合规的，并且在任何不可预期的情况下它的结果是稳定的。”

这是零售金融领域首个大模型，它面向金融大模型的可信与安全两大核心难题。马上消费踌躇满志，在金融领域跑出“马上速度”，底气何在？

金融大模型要走向实用层面，必须完全满足金融领域的特性。

安全是一切金融业务的发展核心。金融领域对数据精度与安全、风险控制、信息实时性要求较高，通用大模型在落地金融行业时，会面临数据准确性、金融常识、业务理解程度等层面的问题。

在这一特性的限制下，懂金融又懂科技的金融机构与长期服务于金融机构的科技公司，在金融大模型的发展与竞争中具备一定的经验优势，也将成为推动金融大模型向前的主力军。

同时，金融行业从业者对金融大模型的期待也极高。根据毕马威发布的《2023中国金融科技企业首席洞察报告》，九成以上金融科技企业看好生成式人工智能（AIGC）金融应用前景。金融业是典型的创新驱动型和数据、技术密集型行业，在ChatGPT引爆AIGC技术应用和金融机构数字化转型逐渐深化的当下，金融业有望成为AIGC落地的“试验田”和“前沿阵地”。

在金融领域，大模型已成为兵家必争之地。据不完全统计，当前金融领域各类大模型已超过20个。

要推动金融大模型的发展，其核心痛点是如何在数据融合应用和安全保护间取得平衡。

围绕这一痛点，马上消费“天镜”大模型提供了四点思路。第一是要真正解决企业尤其是零售金融企业的核心痛点问题；第二是要基于团队合作的精神，让大模型和已有的系统与模型融合，成为功能更强、解决问题更多的大模型；第三，在与业务结合的过程中要做到安全合规；第四，要主动适应现有的系统。

基于这种设计思路，蒋宁介绍，“天镜”大模型问世后，仍面向人工智能的四个关键难题。

第一，关键性任务与动态适应性。一言以蔽之，大模型要在特定任务中，基于海量模型与分析能力，不管外界环境怎么变化，始终能保持决策准确性。

第二，个性化要求和隐私保护。金融行业需要为用户提供个性化服务，这样的服务在使用个人数据时会涉及个人隐私数据保护问题。

第三，群体智能与安全可控。蒋宁认为，美国大模型保持领先的其中一个因素在于已经形成了完整生态，而中国暂时没有形成完整生态，很难形成群体智慧。一面要积累群体数据，最终形成正向反馈，共建行业模型；另一面也要基于可信安全，对数据是否可共享做出明确区分，保证共享数据的安全可靠。

第四，基础设施的能力挑战。金融大模型需要的运算架构不一样，要不断优化底层基础设施，以适应垂直领域、金融领域大模型的发展。

蒋宁提及三个思考方向：一是大模型的持续学习能力，实现越用越聪明；二是强化鲁棒性决策，实现金融领域要求的100%合规与安全，保证金融大模型在任何场景下能够实现可信、安全、稳定的输出结果；三是组件式AI，要将金融大模型的自适应能力、机器分辨能力、语言理解能力、声音感知能力进行整合，构建新兴的金融大模型体系。

蒋宁介绍，未来要用大模型将金融业务流全部优化，提供个性化资讯生成、营销助手、坐席辅助、智能质检、知识引擎等全方位服务，跑出金融领域的“马上速度”。

要实现金融大模型的可信与安全，数据准确性是核心。

欧洲科学院外籍院士、清华大学人工智能研究院常务副院长孙茂松认为，通用大模型的落地是一大挑战，需要痛苦、艰苦的智力劳动才能达到预期的效果，但在数据层面并不敏感，比如ChatGPT经常在数据上犯错。金融领域的数据都是结构化的知识图谱，怎么把结构化的数据应用到金融领域来，是构建金融大模型的主要挑战。

马上消费人工智能研究院院长陆全表示，结构化数据是金融领域内含金量最高，也是最为常见的数据，它的处理非常依赖于数据分析师的挖掘，这种依赖也会限制相关企业对结构化数据的运用价值，这是非常可惜的。

天镜大模型的“出生”正是着力于引爆企业数据潜能，从而帮助企业打捞数据富矿。陆全介绍了“天镜”大模型在汇集智慧、唤醒知识、众创价值、数字分身的四大核心领域的探索。

汇集智慧主要集中在人工客服场景，天镜大模型依托积累的大量绩优客服真实通话数据，汇聚成群体智慧，拥有一对多客户服务的能力，也可作为人工坐席的辅助角色，帮助推荐、优化回答、提高效率。在智能客服方面，天镜意图理解准确率达91%，相较于传统AI的68%有较大提升；客户参与率61%，高于人工坐席平均28%的水平。

唤醒沉睡知识是天镜大模型处理结构化数据中隐藏的非结构性数据的能力。例如，将企业招股书、财报、经济预测数据等结构化数据上传至“天镜”大模型后，后者可以深入解析金融领域专业术语、同时查询定位多个不同文档、洞悉金融图表隐含的信息和强大归纳总结能力，充分释放数据价值。

众创数据价值降低了结构化数据的使用门槛，天镜大模型SQL生成平台不再需要代码等指令，可直接向AI用大白话输入问题，它自动理解需求，展开检索、生成答复。当前，每日线上SQL生成数量650多次，线上SQL生成可执行比例75%，SPIDER标准数据集EX得分75.2，线上使用者满意反馈比例82.3%。

数字人方面则是打造员工的“智能秘书”。每个员工上传一些参数可生成“数字员工”，稍加训练便可代替员工完成大量工作。

依托四大核心领域，“天镜”大模型对零售金融领域带来的意义非凡。

用户服务层面，零售金融具有开放、智能和下沉三个主要特征，人工客服场景与数字人场景的相关功能大幅提升了金融机构对零售用户交互层面的深度与广度，以此满足不同圈层、不同区域、不同社会属性的用户需求。

员工层面，该大模型在可信、安全的前提下降低了员工使用门槛，又提供了更为强大的信息提取与总结归纳能力，增强了员工效率，降低了人力成本，尽可能地规避了“有多少人工，才有多少智能”的问题，为金融领域的大模型应用提供了全新的发展方向。

蒋宁认为，“天镜”大模型同时也将对整个金融行业产生影响，包括个性化的服务和极致用户体验、高效的价值传递效率、提供安全合规的决策。

大模型“群体智能”特性的存在，使得越早投入市场应用，越能在未来的竞争中占据功能完善、智能交互上的先机。

“天镜”大模型发布会上，蒋宁表达了希冀：希望未来在垂直大模型领域成为行业第一，依托纯线上数字化营销、运营、客服、贷后等行业应用，找到关键的合作伙伴，为整个人工智能生态提供补充，以此让大模型变得更加合规安全。

为了实现这一目标，马上消费提出“三纵三横”战略。三纵是数据智能、多模态大模型、实时人机决策三个纵向场景做深做透；三横是通过持续学习技术、模型合规、组合式AI系统技术形成安全、合规、可信的鲁棒性决策能力。

实现“完善人工智能生态”的两条路径，是马上消费一面利用“天镜”大模型的实际应用，获得更多用户交互、智能业务层面的宝贵经验，进行敏捷迭代与模型进化。另一面则将大模型转变为同业科技输出解决方案的一部分，提升自身定制化能力，也为更多中尾部机构提供利于发展的大模型“底座”，成为数字化转型过程中的有力推进器。

这种C端内部用户与B端伙伴的齐头并进，也是大模型赋予金融领域的强大能力，更是金融领域依托科技能力向“专精特新”发展的有效路径。