杨涛（中国社会科学院金融研究所研究员）

伴随ChatGPT在全球的快速应用，我国也掀起了一轮AI创新浪潮。据不完全统计，截至目前国内已发布80多个拥有10亿参数规模以上的大模型，基于大模型的生成式AI成为各方关注的焦点。

(资料图片仅供参考)

其中，生成式AI在金融领域的应用，成为金融科技创新的热点领域，金融机构也积极进行布局。如evident数据显示，摩根大通今年2月到4月在全球招聘了3651个与人工智能相关的职位。

通常看，现有生成式AI大模型的参与者有三类，一是对标ChatGPT基础层，试图打造基础设施类通用大模型；二是侧重中间层来打造行业大模型，与底层通用大模型合作共赢；三是基于通用大模型或行业大模型开发AI工具，落地具体场景应用。

而就金融领域的应用看，生成式AI已经在几个层面逐渐展现其价值。一是在提升面向客户的服务能力方面，可为金融机构员工的专业化营销、渠道维护提供支持；二是在改善机构工作流程与效率方面，可进一步提升业务链条智能化与办公模式自动化；三是在文本处理方面，对于金融机构的一般文本、专业合规文件及业务所需的信息，都能够更低成本、高效地提供技术支持；四是对金融机构实现了IT支持，其代码生成功能提升了IT基础工作的效率。

虽然金融机构对于生成式AI大模型的长远意义都高度重视，但短期内的实际需求仍具有差异性。具体看，大型银行的资源与实力较强，通常希望提前进行大模型布局，为AI的长期应用做好算力准备。就中型银行而言，有的试图推动数字中台升级，实现更好的自动化与智能化，强化各信息系统的一体化、集成化水平，提升数字内容管理和运营能力；有的则期望生成式AI给业务带来突破性应用，真正提升机构的创新力与盈利能力。对小型银行来看，由于缺乏足够的资源支撑，则更多是希望通过与技术企业的合作，来为数字化转型奠定更好的基础设施“底座”。

应该说，ChatGPT已经使AI走到新拐点，而根据麦肯锡2022全球AI调研报告，我国AI使用率暂时落后于全球平均水平，迫切需要利用大模型赋能产业。金融业作为经济社会健康运行的“基石”之一，也是特殊的信息处理行业，完全应该抓住机会、创造条件，利用AI来推动自身高质量发展，使得服务更加高效、便捷、有温度。对此，需直面生成式AI大模型面临的如下挑战。

一是数据保障。生成式AI预训练大模型的快速发展，需要高质量、大规模、多样性的数据集，其在金融业的应用更需要丰富的行业数据支撑。目前国内虽然数据资源丰富，但由于数据挖掘、治理、交易等都存在不足，使得中文优质数据集仍然稀缺。金融业的数据基础虽然优于多数行业，但也存在非标准、碎片化、分割化的问题。由此，迫切需要推动数据资源、数据要素、数据资产的优化升级。

二是算力保障。当前，我国AI算力规模已居于全球前列，但算力质量仍有待提升。尤其是2022年7月美国众议院通过《芯片与科学法案》，又持续对AI领域的关键技术和硬件实施面向我国的出口管制，对于生成式AI大模型的算力“上限”冲击较大。因此，如何提升国内算力的创新能力和适应性，以及改善国际科技贸易环境，都是题中应有之义。

三是产业政策保障。网信办已发布《生成式人工智能服务管理办法（征求意见稿）》，意味着我国进入“生成式AI”立规新阶段。未来既要注意遵循国际共识，对其发展设置风险原则与底线，也要防止政策与规则过于超期反而阻碍技术进步，同时避免对创新责任的泛化、技术路线的低效约束等，真正以政策“护航”来抓住新技术革命机遇。

四是行业监管保障。当AI在金融领域应用时，更需关注大模型的可审计性、可解释性等难题，以及参与金融活动引发的风险特征变化、数据保护、责任分担、合规边界等问题。同样，生成式AI在可信性方面的不足，以及可能给金融诈骗带来的“魔高一丈”，都给金融应用带来新的挑战。当然，在多国金融监管者都持观望态度时，如果我国能够处理好效率与安全的监管“跷跷板”，将促使生成式AI成为完善金融服务实体的强大助力。

标签：