会议简报 | 立言首都金融论坛·第42期： “《生成式AI大模型：赋能金融业变革》新书发布 暨数字金融助力新质生产力研讨会”成功举办
【会议简报】
立言首都金融论坛·第42期：
“《生成式AI大模型：赋能金融业变革》新书发布
暨数字金融助力新质生产力研讨会”成功举办
3月23日下午，由北京立言金融与发展研究院与金融科技50人论坛联合主办，人民日报出版社提供出版支持的“《生成式AI大模型：赋能金融业变革》新书发布暨数字金融助力新质生产力研讨会”在京举办。本次会议是立言首都金融论坛系列活动第42期会议。
新质生产力写入今年的政府工作报告，并被列为2024年十大工作任务的首位。科技创新是发展新质生产力的核心要素，金融业又是使用科技最主要的领域之一。数字金融正是数字科技不断向金融领域渗透，与数字经济高度契合的金融新形态。
过去一年，我们见证了数字科技的加速度。每个人都身处变革巨浪之中，既对大模型的突破进展无比兴奋，也对未来充满了无限憧憬。随之而来，金融行业也正经历着一场革命性的变革，金融垂直领域模型构建与金融数据的结合成为推动金融科技创新和发展的重要动力，但是在应用环节仍面临挑战。在人民日报出版社的出版支持下，《生成式AI大模型赋能金融业变革》邀请到十余位业内知名专家学者共话数字金融助力新质生产力，对金融领域大模型的技术、应用、合规、监管等方面进行深入阐释，力图共同构建更强大、安全、可靠的金融垂直领域基础模型，切实为经济高质量发展提供助力。
首先是致辞环节，由人民日报出版社社长刘华新做致辞发言。本次会议由北京立言金融与发展研究院对外合作与培训部主任崔红蕊主持。
刘华新：人民日报出版社社长
人民日报出版社社长刘华新提出，近年来，全球兴起的生成式人工智能发展浪潮引起了公众和相关领域的极大关注，我国在这场全球科技竞争中不断加快脚步。
科技创新是发展新质生产力的核心要素。今年两会的政府工作报告提出，要深化大数据、人工智能等研发应用，开展人工智能+行动，打造具有国际竞争力的数字产业集群。作为科技领域的重要突破，生成式AI不断拓展着人类想象力的边界，改变着人们的生产和生活方式，也为千行百业的转型升级提供了新的机遇和可能。在此背景下，人民日报出版社与金融科技50人论坛继续深入合作，聚焦金融领域的诸多热点话题，此次出版的《生成式AI大模型：赋能金融业变革》一书就是深度合作结出的又一重要果实。
本书围绕理论和实践两方面，对生成式AI提出了未来展望和针对性建议。一方面，本书从多个层面详细阐释了生成式AI大模型在金融领域的具体应用，包括提高金融机构的工作效率，提升工作人员面向客户的服务能力，以及识别潜在的金融风险。同时，本书讨论了大模型落地的挑战，例如优质数据集的稀缺、相关监管法律法规的滞后、以及数据窃取与泄露的伦理问题等。另一方面，本书包含了金融从业者对大模型应用的分析与思考。深入金融风险管理、银行财富管理、基金投顾等细分领域，金融从业者们在这本书里进行应用场景分析，针对大模型应用模式展开思考，使读者对大模型如何赋能垂直领域的金融业有更为清醒的认识。
“欲致其高，必丰其基；欲茂其末，必深其根。”金融是国之大者，是推动经济社会发展的重要力量。如何做好数字金融这篇大文章，如何使得生成式AI大模型更好落地金融业并惠及民生，这些问题值得思索。相信本书可以为广大读者和金融领域从业者拓宽思路，提供思考，贡献智慧和力量。
第二部分是主题发言环节，国家金融与发展实验室副主任、图书主编杨涛进行分享。
杨涛：国家金融与发展实验室副主任、图书主编
国家金融与发展实验室副主任、图书主编杨涛围绕生成式AI大模型在金融领域应用的机遇和挑战进行了分享。
一是衡量生成式AI大模型为做好数字金融大文章带来的价值。首先，从数字金融的供给侧来看，生成式AI大模型与持续推动金融供给侧结构性改革密切相关。其次，从数字金融的需求侧来看，大模型如何更好地发掘、培育、分析客户需求，由此更有效地促进金融供给，带来了新的机遇和挑战。再次，从数字金融的环境要素来看，可着眼于大模型对硬件的基础设施，软性的金融文化、金融制度、金融信用等产生的促进作用。最后，从数字金融的开放条件来看，尽管我国数字金融发展在某些细分领域已获得全球领先地位，但在开放视角下仍面临“走出去+引进来”，以及规则、规范、标准等与制度相关的外部约束。
二是直面大模型在金融领域应用时的现实问题。第一，应首先考虑数据、算法、算力等基础性制约问题。在大数据时代，行业的数据基础、数据质量同样面临突出挑战。第二，金融作为垂直领域在拥抱新技术时，应做好短期与长期的权衡。在大模型等新技术的探索中，既要防范“一哄而上”的短期高估，又要避免后期预期下降带来的价值低估。第三，应始终关注效率与安全的问题。一方面，利用大模型努力使得金融发展“提质增效”；另一方面，充分考虑大模型应用中可能带来的风险与挑战。
最后，对于大模型在金融领域应用的讨论，一方面在宏观和中观层面，需要政策、监管、行业、学界形成一些有价值的共识；另一方面在微观层面，如何使大模型在金融领域的应用带来一些切实的价值或好处，需要从业者在感性和理性地结合下，推动更多的研究和探索。
第三部分是研讨发言环节，邀请到中国社会科学院哲学所科技哲学研究室主任段伟文，北京国家金融科技认证中心资深专家温昱晖，中国农业再保险有限公司首席投资官俞勇，民生银行数据管理部总经理沈志勇，华夏银行信息科技部副总经理王彦博，清华大学全球证券市场研究院首席科学家、交叉信息核心技术研究院(清华大学设立)金融科技顾问徐之恺，蚂蚁集团研究院院长李振华展开分享。本环节由金融科技50人论坛执行秘书长、图书副主编闵文文主持。
段伟文：中国社会科学院哲学所科技哲学研究室主任
中国社会科学院哲学所科技哲学研究室主任段伟文基于人与生成式AI之间关系的平衡关系进行了分享。
首先，大模型带来了新型的知识生产方式。大模型生产的是一种平均化的知识，这种知识通过语言、图像、音频等媒介呈现，并且这种资料能够使人们接触到以往难以获得的信息和语料，从而开启了新的知识获取途径。大模型带来了三个空间，一是生活的现实空间，二是互联网发展产生的数据空间，三是大模型产生的生成空间。他提出，我国除了在芯片和算法上存在追赶压力，在数据空间方面也存在着包括伦理和监管方面的问题。其中监管优先考虑国家安全、网络安全和经济安全，而伦理则需要关注在商业和产业的发展实践中暴露出的问题。
其次，大模型在生成内容上存在瓶颈。一方面，在互联网语料中，汉语所占比例很小；另一方面，在政务大模型中，由于公文使用的复杂特点，带来了政策信息提取的困难。这些都是生成空间中所产生的瓶颈，导致内容生成逻辑混乱等问题。而合成数据为应对这一问题提供了全新契机。
最后，要应对大模型在人工智能发展中的挑战。在技术系统的运作过程中，可能会出现人类与人工智能之间信息不对称带来的矛盾。一方面会出现知识不对称，即大模型掌握的知识远多于人类；另一方面会出现决策模式不对称，即大模型决策的模式和人类决策方式之间存在差异。在此背景下，大模型在金融领域的应用可能带来期望的偏差。因此，在应用中应关注如何实现人工智能与人类价值的对齐。
温昱晖：北京国家金融科技认证中心资深专家
北京国家金融科技认证中心资深专家温昱晖就大模型赋能金融业务的情况，以及金融行业如何平衡与技术跃进式发展的关系分享观点。
一是大模型赋能金融应用的业务发展情况。首先，从应用场景来看，当前大模型在金融行业的应用场景还处于“辅助”的早期阶段。大模型应用主要出现在产品创新、客服服务、改进运营管理、风险管控等方面，而并没有大规模地应用于金融核心业务及其业务流程中。一方面，这反映出金融行业应用大模型的审慎态度；另一方面，说明了目前大模型赋能金融应用的覆盖度有限，还有较大的发展空间。其次，从技术角度来看，大模型在工程应用中的技术路线逐渐成型。目前应用技术上，普遍采用AI Agent、RAG(检索增强生成)等技术，来解决领域内专业知识、实时信息、自主行动能力不足等问题。丰富的应用场景结合大模型工程化技术路线的明确，使得未来金融行业大模型的应用会更加广阔。
二是大模型在金融业务上如何健康、负责任地发展。对金融行业而言，传统的合规技术应用、业务发展，都是遵循国家政策法律法规、行业技术标准等开展技术应用治理工作。然而大模型技术在不断迭代更新，行业场景也在不断丰富，大模型行业应用标准研制工作要跟上行业应用面临着挑战，金融机构继续按照传统思路开展技术应用治理也面临着挑战。在面对国内外强竞争的环境背景下，人工智能技术的应用，尤其是在核心场景中的应用，不可因噎废食。
大模型的健康发展需要全行业、不同机构的共同协作。大模型应用试错成本很高，不能仅仅依赖某几个头部企业或机构承担试错成本，希望有更多金融从业机构分享应用经验。建议行业机构共同合作，整合行业的应用经验和最佳实践，按照技术场景进行领域分类分级，形成“最佳行业实践方案”供行业管理和应用参考。此外，应该采取敏捷方式结合应用评估等方法，对方案“边用边完善”，当技术及其应用场景趋于完善时，可推荐为行业标准进行推广，这样以适应技术和场景应用快速发展的需要，最终实现健康负责任的大模型行业应用落地。
俞勇：中国农业再保险有限公司首席投资官
中国农业再保险有限公司首席投资官俞勇围绕中美人工智能差异的对比，以及生成式AI在丰富场景应用上的开发提出了建议。
首先，中美在人工智能的三大基础上存在一定差异。在人工智能的三大基础，数据、算力和算法上，我国并不存在绝对优势。一是数据，由于计算机语言必须从英文的基础角度出发，中文就形成了一个天然的语言障碍。二是硬件，尽管中美总算力差距并不大，但从最快的人工智能芯片的服务器GPU来看，我国的硬件水平落后许多。三是算法，中美差异在于我国不擅长从0到1，但我国也具备一定优势，擅长实现从1到10的应用场景的转变，形成了强大的应用端。
其次，生成式AI在金融中的应用必须重视场景的开发。无论数据、硬件、算力上存在多大的差异，都应当做好应用的实现。AIGC的应用包括三个阶段。第一个阶段是增能，即办公场景的应用、审批、投顾上增加现在的金融风险管控。第二个阶段是赋能，在这一阶段可能会取代部分人工，增加人的风险管理。第三个阶段是产能，即生产好的收益以使人从生产中脱离出来。对于金融和风险行业而言，丰富场景意味着要彻底释放现有的人工智能大模型的价值，既要释放前台尚处于赋能阶段的投顾、营销、客服环节，也要重视风险管理的中台及后台大模型价值的开发。
最后，金融业要积极拥抱生成式AI大模型。在应用上可以考虑以下三个原则。一是平衡好收益与风险，关注投入产出和财务风险。二是要专业化和实事求是，承认人工智能在现阶段的局限性。三是增加体系规划，实现由点到面的推进。
沈志勇：民生银行数据管理部总经理
民生银行数据管理部总经理沈志勇就大型模型的快速进步对AI技术范式和商业模式的影响进行了思考，并分享了观点。
首先，大模型技术的飞速发展带来了一系列挑战，但AI技术基本范式并未发生改变。从实际应用层面来看，目前国内主流的大型语言模型的落地场景中，很多仍聚焦于自然语言处理（NLP）领域的传统任务，如对话生成、文本摘要、信息抽取以及搜索优化等。同时，大型模型技术的崛起并未动摇AI技术的底层哲学基础。这包括机器学习领域的基本原理，以及来自心理与认知科学领域的相关理论解释，如人类认知过程的模拟、知识表示与推理机制等。
其次，人们对大模型技术的期待，不仅限于对业务环节的优化，更在于它能否引发商业模式的深层次变革。新技术的崛起到商业模式的转变，既需要时间沉淀，也需要规范引导。而这些因素，往往超出了技术人员的能力范畴，相信本书以及类似的专业书籍，能够有效地将这些新兴技术传递给商业模式的引领者和规范的制定者，使他们能够更好地理解、应用和管理这些技术，以满足现实世界的需求，并推动社会的进步与发展。
王彦博：华夏银行信息科技部副总经理
华夏银行信息科技部副总经理王彦博就“大语言模型在银行财富管理领域的应用”进行分享。
第一，介绍了金融大模型“20R”应用框架方法论体系。华夏银行积极推进金融大模型应用框架方法论体系的构建；所谓“20R”是由20个以字母“R”开头的英文字词形成的。在“20R”的应用场景层，面向金融行业关注的“精准营销”“智慧经营”“智能风控”和“监管合规”，形成Revenue & Profit（收入和利润）、Return on Investment（投资回报率）、Risk Management（风险管理）和Regulatory Affairs（合规监管事务）四大方向。“20R”的核心是Request（请求）；任务模式层包括：Response & Reaction（响应），Research & Search（研究与搜索），Recommendation（推荐），Recognition & Prediction（识别与预测），Report, Code, Image & Video Generation（报告、代码、图像与视频生成），Reasoning（推理）和Representation（表现）；以及对应任务模式层所涉及的技术方法层，包括：Random & Probability（随机与概率），Records of Knowledge Data（知识库），Rule Mining（规则挖掘），Results of Machine Learning（机器学习结果），Reality Analog & Simulation（现实仿真与模拟），Reinforcement Learning（强化学习）以及Robotic Process Automation（RPA 机器人流程自动化）。
第二，分析了银行财富管理的业务痛点。一是从智能投顾视角看，财富管理专业人才匮乏。传统财富管理服务的门槛较高，商业银行能够为客户提供专业咨询和资产配置建议的专业人员较少，基于运营成本考虑，相关人员往往优先服务高净值客群，难以覆盖长尾客户。二是从智能投研视角看，传统数据分析和投研效率较低。多数理财顾问只能提供一些基础的产品介绍和推荐，缺乏对规模庞大、维度多样、瞬息万变的金融市场数据开展全面、深入、灵活、有效的分析，投研效率不高。三是从智能投资视角看，难以满足客户的不同风险偏好和差异化资产配置需求。金融市场的复杂化和多元化增大了资产配置难度投资风险分析和投资策略制定等业务具有较高的专业性，且不同客户风险偏好投资策略不尽相同，相关业务人员难以有效应对。
第三，分享了大模型在银行财富管理领域的应用研究探索。华夏银行将智能投顾、智能投研和智能投资相关内容划分为12个典型问题。在智能投顾方面，包括客户画像、投资知识普及、产品续接提醒和客户服务支持；在智能投研方面，包括数据分析挖掘、研究报告检索、指标计算和情报监测；在智能投资方面，包括资产配置、编写策略代码、实时投资监测和风险管理。
未来，华夏银行将围绕“20R”应用框架方法论体系，进一步探索大模型在金融行业的创新技术应用。
徐之恺：清华大学全球证券市场研究院首席科学家，交叉信息核心技术研究院(清华大学设立)金融科技顾问
清华大学全球证券市场研究院首席科学家，交叉信息核心技术研究院(清华大学设立)金融科技顾问徐之恺围绕数据要素在生成式AI大模型中的重要作用和地位进行分享。
首先，大模型价值很大程度依赖于原始数据。在过去，数据通过传统模型，辅助经济活动中的决策。例如，企业风控通过企业财务信息、现金流等判断是否逾期或违约。然而，在生成式AI中，由于训练样本对模型十分重要，数据价值被进一步提升了。从数据的角度出发，若想在大模型使用领域取得长足发展，需要对数据价值进行确认。
其次，对数据的底层价值分析与评估尤为重要。要让通用大模型在垂直领域发挥价值，很大程度依赖于高质量的数据反馈。模型体现了高质量数量级的价值，因此需要对数据进行底层价值分析和评估，并提供相应的激励机制，这需要好的经济学原理和市场运作机制，以激励技术的长足发展。
最后，要关注数据版权问题。大模型和生成式AI的版权问题，最终要回归到数据的问题。例如，如何判断两个大模型或垂直领域的具体场景应用是否存在侵权，还是要回溯到对数据价值的确认上。
李振华：蚂蚁集团研究院院长
蚂蚁集团研究院院长李振华围绕生成式AI在金融领域的应用提出了建议。
一是AI在金融领域应用的特点。一方面，目前生成式AI主要服务的金融领域是归集、分析、生成等非决策环节。另一方面，海内外对生成式AI在金融领域的应用路线上存在差异。海外着重放在云化部署，而国内则关注私有化部署，二者存在很大差异。此外，金融行业积极解决AI应用可能带来的挑战，包括强化训练数据质量、推动模型迭代、生成式AI与判别式AI互补，以及布局全链条安全监测和防御等。在未来，一方面要通过不断丰富模型生态，逐渐形成个性化的应用场景；另一方面，可以基于海量实时信息处理能力，帮助监管机构完善科技能力，加强风险监测的灵敏度。
二是对国内生成式AI赋能金融产业升级的建议。第一，在AI的治理上形成新模式，在金融行业建立权威的大模型技术规范和评测标准。第二，探索更多人工智能在金融领域应用的分类分级监管机制。第三，建设行业的基础大模型形成共用能力。通过云绑定降低生成式AI成本，形成基础服务能力。第四，提高公共数据开放度，着力建立金融业跨主体的数据归集机制。第五，建立金融大模型技术生态，降低行业应用成本。
