□倪博溢
在人工智能方面，特别是自然语言处理领域取得的巨大进展，它展现出来的语言文字和知识的组织能力是前所未有的，给大家带来的体验上的冲击相当大。仅是这一轮AI变革的序幕，我们应该及早为各种变化做好准备。此外，面对海外科技公司在类似等产品的创新引领后，国内的一些公司和投资者，也应有实力和定力投入AI研究，进而引领更大的新的AI应用浪潮。
除了用数据作为决策依据，金融科技服务企业也已经注意到用科技提升客户信贷体验。以前人工智能更聚焦特定领域能力，如今，像这样的大模型带来的是生成能力的突破，某种程度上是一种通用智能的突破。可以预计，将来人们对人工智能应用的期待值将大大提高。同时这样的模型已经有一些应用能力，可以在各行业（包括金融行业）找到适当的场景来落地。交互对话就是的一个强项，其基础理论“自然语言处理”已在金融科技行业探索并应用多年，用以提升平台对客户的服务效率和质量。经过适当的方法，把业务知识注入后，它可以服务好很大比例的常规客户需求，并且能保证客户体验不被降低。对于业务导向更明确的领域，比如营销，可能还有一些解决方案的设计和调试磨合过程，但毫无疑问，的能力也可以使对话体验更接近于真人。由于机器的稳定性远好过人，一些服务领域的满意率预计会比人工座席更高。
还有更多的应用场景，比如，其也可以做一些理解类的任务，对客户进行更好的“千人千面”服务。它跟数字人、虚拟人、元宇宙等领域交叉结合后，会产生很多很有实用价值的新功能，非常值得期待。
不仅，其他一些生成式的AI模型，都在飞速地发展。其中AIGC的发展使得数字内容的质量、生产效率都有了巨大的提升。此外，通过布局通用大模型，能够帮助大部分公司在人工智能领域中占据更加有利的地位，这在金融产品上也同样会有多方面的应用。未来的产品个性化一定是更为精细的，同时，如客服、投顾等都可以完全定制化，为未来的发展奠定坚实的基础。
但在金融通用大模型的研发过程中，仍有很多问题需要解决：
一是数据和隐私安全。金融领域对数据安全性和隐私保护的要求是比较严格的，因此，在建立（训练）通用大模型时需要充分考虑这一问题；不仅如此，在应用大模型的时候，仍然要考虑如何保证使用方的安全。二是模型可解释性。许多金融领域的服务需要模型具有可解释性，以满足监管和业务的要求，这一点需要大模型能充分理解数据，并具备一定的分析和推断能力。三是数据偏见。人工智能的表现依赖于数据，而数据本身可能存在着各种原因导致的偏差，需要在数据层面做良好的设计，以消除这种偏差对不同人群带来的不公正、不合理的解读。四是业务适配性。金融领域的业务种类繁多，通用大模型时需要充分考虑业务适配性问题，以满足不同业务的需求。这些挑战，都需要我们不断地优化模型算法和技术手段，才能更好地应用大模型技术于金融领域。
另外，大模型在金融领域的应用中，还存在一些难点。
首先，数据敏感性和隐私问题。这一问题可能不仅是如何清洗数据、训练和预测的问题，还需要配合政策和法律层面一起，对金融领域大模型的服务方式有一个合理的设计。
其次，非结构化数据处理。金融领域的数据类型形式很多，包括文本、图像、时间序列等。大模型需要能够处理这些非结构化数据，以实现更全面的分析。这实际上需要多模型的模型结构甚至是融合一些外部数据分析服务。好在目前像，等，正在逐步尝试去解决这些问题。
最后，服务实时性、可靠性要求。金融市场变化迅速，对实时性要求很高，同时金融业务对服务可靠性要求也非常高。目前，可以看到，大模型的性能上还有很大的优化空间，以达到高效、稳定、可靠的服务。
是一个基于一堆文本数据+人工强化训练出来的模型，它的表现主要还是取决于训练数据以及人工偏好。在带来诸多好处的同时，我们会发现目前的模型还存在很多不足，如臆测、伪造、似是而非的逻辑、无法完成简单计算或推理。因此，想要高度依赖于这样的模型作为生产工具，无论在安全、道德、法律等方面，都可能会有潜在的风险。
“我们只要牢记：仅把科技成果当成工具，去研究开发它好的方面，尽力约束它可能带来的风险，才能让AI成为真正给人类带来福祉的好东西。”笔者认为，我们不知道未来的金融体验会是什么样的，如同20年前我们无法想象今天的支付、借贷、保险等服务的便捷程度。我们也相信实现人工智能的这一天会越来越快地到来，相信科技会使金融变得更为美好。
（作者系信也科技算法科学家）
相关文章
