人工智能技术是金融业数字化转型迈向智能化发展阶段的核心驱动力。以大模型技术的应用为例，我们知道大模型在不同场景的能力是不一样的，真正在金融行业中应用必须要确保准确性。就我们目前实际场景使用而言，有4块能力是比较实用的：查，抽，写，核。
1.查，知识检索。
通过训练公司内部知识，实现各类产品问答、客服、法规问答等。
2.抽，知识抽取。
大模型读取公告、合同，提取有价值信息，如合同要素抽取和公告商机挖掘。
3.写，写材料、写代码。
大模型擅长写材料和代码，公司内应用广泛，每天辅助写作和编码超过1000次，大幅提升办公效率。
4.核，审核材料。
审核投行文档、研报的错别字和上下文逻辑等，行业内已有很多公司应用。
虽然大模型在简单推理方面已实用，但复杂场景可靠性有待验证，我们也在测试最新大模型。这些能力汇总能提升效率，挖掘价值，如：
- 智能投行：
为债券发行、股权激励、定增等业务提供一站式智能助理服务，提升数据可视化、分析智能化、问答自动化、服务场景化。
- 智能投研：
打造赋能多业务、多领域、多场景的一站式智能投研平台，大幅提升业务人员工作效率。
- 智能办公：
利用前沿技术提升知识问答、报告撰写、内容翻译、代码研发等日常办公效率。
- 智能风控：
基于隐私保护计算、机器学习等AI技术构建隐私计算平台，提升公司国际化、一体化风险管理能力。
此外，在智能投顾、智能运营、智能客服等方面，公司内也有很多落地应用。
我们认为，目前大模型等AI技术在金融领域落地主要面临算力短缺、模型幻觉（即准确率不足）、数据安全和业技融合困难等方面的问题。
一是算力。
大模型的训练和推理都需要大量的算力资源。一台200万的8卡机器，能支持并发也就几十个，而每天模型的调用有十几万次，对算力的需求非常多。现在英伟达的高端GPU卡买不到，信创GPU的适配能力还有待提升。这块需要国家和行业的力量共同推进解决，提升国产算力资源的数量和质量。
二是算法模型。
大模型是概率模型，不能确保100%准确。而金融行业对准确率要求非常严格。这不仅需要底层大模型能力的提升，还需要我们在应用过程中对各类算法的优化，通过一定的限制和约束，把大模型应用从可演示做到可实用和好用。
三是数据安全。
大模型的应用离不开大数据的支撑，面对高度敏感的金融数据，确保数据安全和隐私保护是至关重要的。这就要求我们需要构建数据保护架构下的大模型应用能力，实现数据处理的匿名化和本地化。
四是业技融合。
大模型虽然具备很强的通用能力，就像一个清华北大毕业的高材生，很聪明。但是想要真正发挥出大模型的能力，还需要大量业务经验的输入，这就需要技术和业务的深度融合。我们的经验做法是采取试点策略，在局部，一些小型、中型的场景初步探索，验证能力和价值，提升业务的参与意愿后，再逐步推广。
AI+金融不是简单的技术累加，而是一种深度融合和创新的应用过程。我们需要以智能化的视角出发，以优化业务流程、提升客户体验、强化风险管理、增强价值创造为目标，去重塑金融产品和服务的新业态、新模式，从而推动金融行业的高质量发展。
当前阶段，我们认为AI+金融的前景非常广阔，大有可为。
一方面
我们已经认识到人工智能技术带来的巨大变革潜力，
另一方面
金融行业自身拥有着大量复杂的业务场景，如何将两者有机地联结起来，关键在找到合适的应用场景。以券商为例，有很多公司都在做智能投顾，智能投研，智能营销，智能客服相关的一些工作，取得了一些成效。我们一直认为，大模型就像培养一个新员工一样，是需要时间培养和积累的。
大模型应用从可演示，到可实用，再变得好用，需要一个过程。虽然还没到爆款的程度，我们也看到了越来越多的AI能力逐步应用到各类场景中产生价值。随着底层技术的越来越智能，场景中积累的数据和能力越来越多，应用的价值也会越来越大，“AI+金融”应用这块未来国内会有很多发展。
