科技云报道原创。

到了现在，大模型的狂欢盛宴仍在持续，而金融行业得益于数据密集且有强劲的数字化基础，从一众场景中崭露头角。

愈加多的公司开始布局金融行业大模型，无论是奥创、奇富科技、度小满、蚂蚁如此的金融科技公司，还是百度智能云、华为、腾讯云等网络和科技大厂，都推出了金融行业大模型及解决方法，期望抢到金融大模型的“头啖汤”。

从过去的一年看，金融大模型已涉及运营、客服、推广、风控、研究与贷后等多个场景，但金融机构对大模型的应用仍集中在探索、研发或试用阶段。

据北京商报《2023金融大模型报告》显示，商业银行出于其审慎经营、风险管控的原则，近70%的银行在金融大模型的应用中都仍然处于内部测试、联手建模、团队搭建甚至内部探讨阶段。

一边是行业进展轰轰烈烈，另一边是金融业小心落地，大模型在金融行业到底发挥了什么样的用途？还有什么挑战妨碍着大模型在金融行业的大规模落地？

大模型赋能金融业

一直以来，金融机构都在通过数字化技术持续挖掘数据价值，譬如业内广泛使用的人工智能技术，在客服、内容生成、视觉辨别等范围已带来了明显的价值提高。而大语言模型技术的出世，更是给金融行业的人工智能技术应用注入了一针“强心剂”。

北京商报《2023金融大模型报告》显示，金融业对大模型在金融范围中的应用都很看好，有95.45%的机构表示看好金融大模型的应用前景，且有超越一半的机构觉得金融机构“很需要”大模型的应用。

业内常见觉得，大模型在推广、客服、投顾、风控等范围具备广泛的应用价值，能够帮助金融机构提高服务效率及客户体验、优化风控决策能力、高效响应用户需要，达成金融机构经营效率及服务方法的升级转型。

对此，腾讯公共事务副总裁、腾讯研究院高级顾问冯宏声表示，大模型对金融场景的赋能会有两个方向：

**一是，原有场景的升级，**即原来金融行业的业务场景、业务内容，可以借用大模型进一步地去强化，提供更自动化、更人性化的服务方法。

受制于原有些一些技术条件，金融机构的数字化建设只不过用于特定业务的步骤管理。

但大模型的加持，使得金融机构可以在更多的具体业务场景得到辅助，甚至替代掉原有工作中重复性的部分，包含替代规则化、逻辑化的一些场景。

一个典型的金融场景是风控。传统的风控模型会遇见建模成效有限、小样本数据不足的状况下，会致使性能不达标，单点的防御能力和风险预测能力非常难适应业务迅速进步的需要。

但基于大模型的风险治理升级会对传统的风控业务步骤进行改造，可以达成达成高频率、高精度的专家级建模，全步骤自动建模自动上线，跨风险种类的能力泛化。

再譬如，在智能交互方面，大模型能提供“真人级”对话成效，对顾客的语音辨别准确率可达到99%以上。同时，在处置复杂和专业性金融常识上，大模型也具备人工所不拥有的能力，这将为金融客服、智能投顾、产品推广等带来一个质的飞跃。

在剖析决策方面，大模型可以凭着强大的信息挖掘能力，唤醒金融机构很多沉积的信息，对重点信息进行抽取，为辨别式人工智能小模型进行赋能。

在风险决策、信用评估、反欺诈等场景下，大模型能前凸后翘信息的维度，挖掘出小模型没办法覆盖到的地区。大模型与小模型相互搭配，将大大提高金融决策的精准度和效率。

**二是，新场景的变革。**大模型的出现意味着技术路径转换和技术能力的增强，可以在不少场景当中来替换原有些小模型，譬如对话、抽取、内容理解，同时也可以基于大模型开发出不少场景。

譬如，在中后台场景中，代码是一个最根本的保障。

通过基于大模型的人工智能代码助手，可以打造代码补全、智能化测试、代码诊断、技术对话的能力，减轻人工写作代码的负担，也可以提高代码水平，进一步提高敏捷开发的效率。

在人工智能开发层面，大模型的自动生成能力也将颠覆传统机器学习模型开发“手工作坊”的模式，大模型工程师仅需下达明确的指令，用文字描述出需要，即能自动生成模型，很大提高机器学习的开发效率和生产模式。

长期去看，目前的大模型技术也会叠加一些外设的设施，产生更多的Agent（智能体），从而不断去重构应用场景。

金融大模型落地面临多重挑战

尽管金融业常见看很大模型的将来进步，但在说到落地时，金融机构大多觉得需较长期才能解决大模型所面临的合规、安全、隐私等问题。更多的金融机构和服务商觉得，3-5年内金融大模型才会大范围落地，也有少部分机构觉得落地时间需要5-10年甚至更久。

最重要的挑战来自数据安全合规。

金融行业本身对数据安全和隐私合规有着严格的需要，注定了金融大模型在采集、传输、加工及处置信息的每个环节，都要比通用大模型乃至其他行业大模型更为小心。

数据是不同金融机构的核心生产力，关系着自己的护城河问题。

大模型进步需要优质数据集，同时又受限于自己远远不及通用语料的数据规模，就势必需要不同业态完成数据共享。怎么样构建一个合理且安全的机制，考验的是整个金融行业的智慧。

第二，靠谱性仍是大模型在金融范围落地的鸿沟。

金融机构对模型精度和效率需要高，特别是一些专业性强、常识密度高的范围，大模型的表现存在输出结果不受控、可讲解性较差、可信程度较低等状况，从而限制了其应用场景。

因此，金融大模型的进步，要处置好金融业务数据怎么样融入到大模型中，与怎么样控制幻觉问题等模型缺点问题。

所谓“幻觉”，指的是AI模型生成的内容，不是基于任何现实世界的数据，而是大模型自己想象的产物，即给出事实错误或者是一些看起来权威正确的不真实信息。

假如没办法有效发现“幻觉”中的漏洞，那样将非常可能致使金融大模型出现理解或判断上的偏差，直接影响应用成效。

为了将大模型更好地“缝合”到业务场景中，提高靠谱性、安全性和流畅度，各大厂家的主流策略有三种：

一是将大模型与专业范围的小模型结合，大模型负责认知、理解、交流、创作，小模型负责把握风险、承载严谨的逻辑；

二是将大模型的参数常识与结构化、显性化、靠谱的金融常识图谱相结合，此举能非常不错地为大模型注入靠谱性；

三是将开放QA（问答）和封闭QA的结合，让大模型得到请求指令后，在专业常识范围内进行检索，大幅提升准确性。

最后，本钱也是金融大模型走向商业化落地的要紧原因。

金融的本质是风控，大模型在优化金融业务步骤和客户体验的同时，也需要减少大模型高昂的迭代和练习本钱。

一些金融机构选择借助云数据的整理，在垂直范围精调模型，以小规模算力塑造轻量级精调模型，将本钱降到最低。

除此之外，在大模型技术的应用过程中带来的伦理道德、价值观等问题，需要法律法规的约束，这类在将来都需要进一步厘清和给出明确的规定引导。

总的来看，金融数据不充分、研发本钱较高、大模型在金融垂直范围仍未挖掘出涌现效应等挑战，使得大模型落地实质成效和预期业务价值之间存在差异。

金融大模型落地的真的难题在于，能否在产业中扎得更深；其颠覆性也更打造在，纵深到产业中去，赋能金融行业的数字化进步。

从更大的视角来看，伴随金融大模型标准的落地，数据合规、隐私安全和练习工艺等问题一一得到解决，金融大模型必然会撬动更多的岗位，解决当下没办法解决的问题，带来更大的产业价值。

【关于科技云报道】

专注于原创的企业级内容行家——科技云报道。成立于2015年，是前沿企业级IT范围Top10媒体。获工信部权威认同，可信云、全球云计算大会官方指定传播媒体之一。深入原创报道云计算、云数据、AI、区块链等范围。

Tags：金融大模型