21世纪经济报道李览青 上海报道
人工智能写研报、做投顾的时代或许来临了。
2月5日，财通证券李跃博团队采用聊天机器人撰写了一篇医美行业研究报告《实测：提高外在美，增强内在自信——医疗美容革命》。
在这份由独立撰写的研报中，对医美行业的定义、发展史、项目分类、产业链进行了详尽描述，阐述了全球医美市场发展动态、监管情况，介绍了当下轻医美的崛起、中国医美市场现状及相关法律法规、合规要求，盘点了全球医美行业主要参与者，甚至对疫情后中国和全球医美市场进行了预测。
这款在11月30日由人工智能研究实验室发布的聊天机器人，在今年1月份的月活跃用户预计已达到1亿。而今在实现商业化落地后，A股市场、AIGC概念股持续走热，赛为智能、海天瑞声、云从科技、初灵信息、汉王科技等概念股领涨，上周涨幅均超过60%。
对于金融行业而言，的横空出世，在惊艳众人之余带来了一个更为现实的问题，在智能投研、智能投顾不断发展的背景下，未来投研分析师、投资顾问的职位是否可能会被机器人取代？
向认知智能迈进一大步
“像个人，从能力与情商上接近于一名中级员工。”
在体验后，一位券商投顾团队负责人向记者发出这样的感慨。和以往一些人工智能客服相比，对投资相关泛性问题的回复非常得体，对不了解的内容也很坦诚。
的“类人化”，得益于其认知智能水平的进一步提升。
“的意图理解能力，已经达到了非人类理解人类语言所从未达到的巅峰。”恒生电子首席科学家白硕告诉记者，模型爆火的原因，在于其理解人的语言、生成人的自然语言已经达到一个新的境界。
人工智能的三个层次分别是计算智能、感知智能、认知智能，而代表着人工智能在认知智能方面向前迈了一大步。
据通联数据资深算法专家薛伟介绍，目前机器存储和计算的能力早已超越人类，而视觉、听觉、触觉等机器感知能力也在各行各业有广泛应用，其中最有挑战的就是认知智能，机器的认知智能，需要具有理解和思考的能力，在掌握大量知识储备后进行推理和决策。
“模型中存储了大量的知识，并且能够做一定水平的推理，表现出了一些在之前的小模型中不曾出现过的能力。”薛伟指出，打破了模型性能相对于模型规模的线性增长定律，实现了指数增长，未来随着使用更大规模的语料数据，以及其他的技术上的进步，大模型有望继续提升认知智能的水平。
白硕向记者表示，具备强大的指令学习能力，其能够理解的任务指令不仅包括回答问题，还包括信息检索、文章写作、问题求解、程序设计、作曲等等。同时，能够精准捕捉上下文所确定的代词所指，在多轮对话中准确进行意图识别。
如何进行研报等需要逻辑支撑的文献写作？
他指出，生成的文本之所以具备逻辑性，是基于“思维链”技术。机器通过接受人类的指导训练，学会如何将零散的事件、观点和证据装配成缜密的叙述或论述，要在“论点-论据”这么大的颗粒度上实现现场组装，需要人类高强度的训练，排除很多不可能正确的路径和分支，这就是基于人类反馈的强化学习。
分析师和理财顾问会失业吗？
对于金融行业而言，可以独立撰写研报、服务水平相当于中级投顾的，能否取代投研分析师和理财顾问？
对此，给记者的回答是：“不能替代投资顾问，投资顾问可以根据客户的独特情况为其提供个性化的投资建议，这是我无法替代的。”风险方面，表示，其应用是基于客户信息，存在着隐私泄露的风险。同时，坦言，其应用也存在着一定的准确性问题，因为它是基于人工智能技术，其准确性取悦于使用的算法和训练数据，而且它也无法取代投资顾问的人际关系和投资经验。但表示，自己可以替代投研分析师，因为其可以根据公司的需求，结合市场趋势分析和数据分析，为公司提供投资决策建议，推动公司利润增长。
在使用撰写研报后，财通证券指出：“不可否认的是，在文字表意、标题撰写等方面均具有较高水平，但采用该种直接生成+翻译模式形成的报告具有标点和术语存在明显错误、无法得知引用数据来源及可靠性、部分复杂语句翻译后表意不清晰等问题。”
“像一个优秀的实习生。”某券商债券分析师团队负责人向记者表示，当下这是一个好的工具，但由于国内训练数据更新不及时，其知识储备还存在不足。
另一家券商的债券分析师告诉记者，目前还只能做最基本的科普研究，主观性较强的内容还难以替代，每个领域都有一套自己的研究逻辑，目前还没能掌握。
在投顾领域，目前国内在智能客服、智能投资顾问方面已展开探索。
据浙江大学金融科技研究院首席金融科技专家邵辉向记者介绍，国内线上理财的智能客服往往通过识别用户意图，并匹配到特定的对话模板来实现服务。如2017年支付宝的理财客服“支小宝”的前身“安娜机器人”试图将金融知识图谱与客服机器人和闲聊机器人结合，期望通过基于深度学习的自然语言处理模型处理复杂的市场信息，帮助个人客户做出理性投资，但是存在许多问题，其中一个主要问题，是当时的对话模型缺乏多轮对话能力，如今在多轮对话上取得了重大突破，但对于金融理财或投资仍存在问题。
“金融投资需要多样性。”邵辉指出，当投资者向提问时，可能会得到类似的答案，这主要是由于大规模预语言训练模型难以保证出现多样化答案，因此在智能投顾流程中，只能作为重要环节，而非主导环节，个人偏好也应由用户自己决定，而不是由机器决定或诱导。
通联数据智能投研业务中心总经理许丹青则认为，机器人目前难以替代人工投资顾问的情感陪伴价值。她表示，在不同的市场情况下，投资顾问需要对投资者进行情感陪伴与长期投资者教育，但对于回答的真假认定尚不清晰，理财领域需要的专业市场知识、以及资产配置模型等尚有欠缺，另外在情感陪伴方面，暂时无法像真人一样提供场景化、兼具专业与同理性的顾问服务。
在金融领域的落地畅想
在金融领域，以及其代表的AIGC（人工智能技术生成内容）的商业化落地还有多远？
据薛伟介绍，在投研领域，主要应用的大规模预训练语言模型技术已被广泛投入使用。
数据结构化方面，通过在金融领域经过优化的大模型，实现公告和研报等数据的结构化，大幅提高数据生产效率。另类数据挖掘方面，通过大模型在海量的非结构化文本中挖掘投资信号，针对股票、债券等各类标的，生产丰富多样的情绪数据。在搜索引擎中，大模型能够大幅提升语义搜索的能力，面对复杂多变的语言数据，准确的找到满足用户需求的结果。内容生成方面，基于大模型强大的语言生成能力，完全依赖模型或者通过辅助人工的方式，提高内容生成的效率和质量，包括辅助研究员写研报等场景。投顾领域的技术主要在于知识库的结构化整理、智能问答的实体抽取与上下文识别，对答案进行结构化整合等。
若将引入金融业，白硕表示，还需要解决在金融领域落地的“最后一公里”。
白硕告诉记者，如今可以在公网部署，在运营使用中不断迭代，这是基于它这个大模型的原始能力。但当其引入垂直金融领域落地时，其预训练环节还需要调整。一方面需要做加法，用金融领域的私有、专有数据对其进行增强样本的训练，补足通用模型在金融领域的短板；另一方面需要做减法，将超大模型中金融领域用不到的资源摘除。
“未来，需要将专业性的应用系统，如金融领域已有的专业数据库、专业知识图谱及其他资源，与的意图理解能力、语言生成能力以及场景掌控能力进行对接，解决商业化落地的最后一公里。”白硕表示。
相关文章
