1956年,达特茅斯会议在一个小镇召开,会议首次使用了“人工智能”一词,从此拉开了AI发展的序幕。但此后的几十年间,人工智能发展几经波折,有过高潮,也曾陷入过沉寂。直到时间来到2013年,工程师通过深度卷积神经网络将图像中对象分类的错误率降低到了18%为起点,人工智能才开始又受到瞩目。而让AI真正走进大众的视野,莫过于2016年AlphaGo战胜韩国围棋棋手李世石这一标志性事件了。

与此同时,2013年金融领域也进入了新的历史阶段,互联网金融横空出世了。此后十年,一场涉及到整个金融产业的革命(包含银行、保险、互联网金融、消费金融、汽车金融等几乎所有产业主体)进入了波澜壮阔的十年。

金融产业良好的数字化和信息化基础,为人工智能的发展奠定了基础。人工智能第一次发展浪潮与金融产业在过去十年形成了历史性交汇。

在第一次浪潮中,判别式AI是主角。判别式AI的技术特性决定了它不需要穷尽所有信息,而只需要部分较为精准的信息,即能给出明确的决策结果,进行“好”与“坏”的分类,“是”与“否”的判别,这对于彼时正快速线上化、数字化的金融机构来说,判别式AI可谓占据了天时地利人和。

在判别式AI的驱使下,以银行为代表的金融产业经历新旧范式的转变,金融数字化转型正在各个层面如火如荼展开。经过近十年的深耕和发展,判别式AI为金融机构带来了从文化思维、技术产品、管理流程、业务模式到人才生态等层面的重塑和变革。

以2019年中国人民银行印发《金融科技(FinTech)发展规划(2019—2021年)》为标志,以保守稳健著称的金融机构,完成了对AI从怀疑、观望到全面拥抱的转变。

而当下,以生成式AI为代表的第二波AI浪潮正席卷而来,技术引发变革的广度和烈度都将远超以往。

以百融云创为例,百融云创基于深度学习Transformer框架,结合NLP、智能语音等技术,打造了场景驱动的产业大模型——BR-LLM。百融云创自主搭建了大模型底层框架,通过深度微调能支持百亿级参数的训练。

在AI开发层面,大模型展现出强大的代码自动化生成能力。在金融机构中,传统的机器学习模型开发在某种程度而言是一种“手工作坊”的模型,一个场景一个模型,模型之间的经验也不能互相积累和复用。大模型的自动生成能力将颠覆这一现状,面向不同金融场景的业务诉求,通过大模型工程师只需要下达清晰的指令,用文字描述出需求,即能自动生成模型,极大提升机器学习的开发效率和生产模式。开发人员的角色也会随之发生变化,如果说此前开发人员只需要做好技术的工作,有了大模型的加持,开发人员还要做好“提问者”的角色。

在智能交互方面,大模型能提供“真人级”对话效果,对客户的语音识别准确率可达到99%以上。同时,大模型还有“高人一筹”的表现。

比如,当人工向客户推销金融产品时,客户问到一些如近十年某基金收益率这样的专业性问题,工作人员无法及时给出准确的反馈,客户可能就此流失。而大模型跨模态、跨语言的深度语义理解与生成能力,在处理复杂和专业性金融知识上,具有人工所不具备的能力。

一家大型银行动辄几千万的客户,有了大模型的能力加持会为每名客户提供一个7×24小时的专属服务,这将为金融客服、智能投顾、产品营销等带来一个质的飞跃。

在分析决策方面,以判别式AI为代表的小模型已经发挥了重要作用,大模型的进场将进一步激发小模型的能量。

数字化转型的快速推进,使得银行内部形成了大量的非结构化数据,这对信息质量要求比较高的判别式AI而言是一片无法触及的领域。当训练的信息量超过一定阈值,大模型就会出现“涌现现象”,即“在较小的模型中不存在,但在较大的模型中存在的能力”。

大模型能够凭借强大的信息挖掘能力,唤醒金融机构大量沉积的信息,就像是一块巨大的磁石,做关键信息的抽取,为判别式小模型进行赋能。比如,在风险决策、信用评估、反欺诈等场景下,大模型能丰满信息的维度,挖掘出小模型无法覆盖到的区域。大模型对于小模型并非是替代或“消灭”,相反,两者将是相互协作的关系,大模型与小模型相互搭配,将大大提升金融决策的精准度和效率。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。