金融成大模型应用落地最快场景之一，但要防范隐私偏见

近年来，以大模型为代表的AI技术进入发展快车道，工信部发布的数据显示，截至2023年6月，我国人工智能核心产业规模已经达到5000亿元，人工智能企业数量超过4400家。

伴随大模型技术的飞速发展，全球人工智能技术发展和应用迭代速度都得到了极大提升，大模型技术也被认为是通用人工智能技术的核心引擎。但在业内专家看来，大模型技术在发展应用中面临算力、算法和数据层面的三大挑战。

在大模型的实践应用中，金融行业由于具备数字化程度高、商业化应用场景潜在价值高等优势，成为了AI大模型落地应用的最佳场景之一。但有分析人士指出，受到行业合规性、数据安全性、低容错率等因素影响，当前大模型技术在金融领域的发展相对谨慎。

金融是AI大模型落地最快场景之一

“从大模型的落地应用情况来看，当前在产业升级和金融领域的落地步伐最快。”7月2日，在微众媒体学院系列活动中，澜舟科技合伙人、联席CEO李京梅在向《华夏时报》等媒体记者分享时援引了一份人工智能大模型行业应用分析报告指出，2023年各领域大模型公开招投标统计数据中，产业升级相关大模型项目招标金额最多，占比高达32.5%，金融领域紧随其后，占比达到了28.2%。

金融行业积淀了包括金融交易数据、客户信息在内的海量数据，良好的数据基础为AI大模型的落地应用提供了条件。在大模型的实践应用中，金融行业由于具备数字化程度高、商业化应用场景潜在价值高等优势，成为了AI大模型落地应用的最佳场景之一。

李京梅指出，金融领域应用大模型的市场驱动力较强，且结合点较多。但由于金融行业在大模型的应用落地上面临着诸多挑战，当前金融行业发展AI大模型较为谨慎。

具体来看，金融成大模型应用落地最快场景之一，但要防范隐私偏见一方面，金融行业监管严格，对大模型的输出结果准确性、安全性、合规性都具有较高要求，且金融机构数据隐私性较强，大模型产品往往需要进行私有化训练及部署，这对于金融机构的算力资源提出了新的挑战。另一方面，金融机构对私有化部署的依赖会引发大模型知识持续学习等问题。

当前，AI大模型在金融领域中的应用分为生成式和决策式两种，已经在银行、证券等金融机构中实现落地。麦肯锡的研究报告显示，应用生成式AI大模型每年为企业端带来的经济价值为2.6-4.4万亿美元；其中，全球银行业使用大模型可使其每年营业收入提高2.8%-4.7%，这一比例高于全球制造业、零售业、旅游业、运输业和物流业等所有其他行业。

金融机构持续探索AI大模型建设

近年来，多家银行将金融AI大模型建设和应用作为金融科技战略以及科技金融大文章的重要内容，在金融AI大模型领域开展实践研究，促进了AI大模型技术在金融行业的广泛应用。

以微众银行为例，该行以业界领先的隐私计算联邦学习技术为特色，构建起了能够支撑和服务金融业务的场景化生成式AIAgentStore（人工智能业务助理矩阵）。

微众银行首席人工智能官杨强向《华夏时报》等媒体的记者表示，大模型的应用落地涉及数据管理、算法优化、系统设计和成本控制等多方面的综合挑战，需要持续的技术创新和策略调整，以推动AI技术更加成熟、高效地服务于社会各个领域。他进一步指出，“AIAgent（人工智能业务助理）是大模型面向应用端发展的下一阶段，其基于大模型的通用能力，并结合相关领域知识适应不同场景需求。”

据了解，在业务实践中，微众银行自研的生成式AI技术能够有效解决大模型幻觉（大模型在生成内容时产生错误或误导性结果）等技术难点，满足监管合规要求，已深度应用于客服、营销、质检、反欺诈、科技金融等核心业务场景，覆盖金融服务“前—中—后台”各个环节，提升金融服务的质效。

而在业内专家看来，大模型技术在发展应用中显现三大挑战：一是从算力角度，大模型的训练过程中需要庞大的硬件算力资源支撑，大模型参数规模呈持续扩张趋势，对算力提出了更高要求；二是从算法角度，大模型生成内容可能存在安全风险，同时广泛存在隐形偏见的可能性；三是从数据角度，近年来各项法律法规对私域数据的使用有“数据可用不可见”的要求，在医疗、金融等行业都存在海量自治的高质量数据，但受限于隐私无法共享利用。

微众银行人工智能首席科学家范力欣认为，联邦学习作为一种先进的分布式机器学习范式，允许参与方在不直接共享原始数据的情况下协作训练模型，为解决大模型应用落地的技术难题提供了创新路径。

“联邦大模型技术路线通过其独特的设计，不仅解决了数据时效性、模型幻觉、专业知识融合及算力资源消耗等挑战，而且在保护数据隐私和促进AI技术公平性方面迈出了重要一步，为大模型在以金融为代表的各领域的广泛应用开辟了新的可能。”范力欣表示。

责任编辑：孟俊莲主编：张志伟