当前，全球正处于数字化转型加速深化的历史时期。各行各业都在积极利用数字技术（如云计算、大数据、人工智能等）对其业务流程、产品和服务以及商业模式进行根本性的改变，以适应或引领市场变化的过程。近年来，以ChatGPT为代表的大模型横空出世为产业数字化转型提供了更加有力的工具。作为数据密度最高，数字化产出效益最大的金融行业，如何有效运用新能力，带来新突破，正面临重大机遇和挑战。
金融业中技术的作用机理
技术创新主要通过要素禀赋结构升级和全要素生产率提升助力金融业高质量发展。
新结构主义经济学认为，经济发展需要通过要素禀赋结构升级。当原先符合比较优势的产业和技术不再具备比较优势，将推动企业进行技术创新和产业升级，从而升级要素禀赋结构，再次带动经济发展，实现高质量增长。具体到金融业，技术与金融的融合，促进了金融业的要素禀赋结构升级，使金融服务提质增效，并进一步赋能实体经济。
而依托索洛模型，技术创新能够助力金融业全要素生产率提升，主要包含以下几种路径：一是溢出效应。通过对前沿技术的开发利用、复制学习，形成外溢效应，实现全行业金融产业和服务的革新；二是竞争效应。金融机构通过对业务流程、商业模式、产品和服务的持续技术创新，实现了质量和效率的提升，对彼此构成竞争压力，促使科技应用不断进步；三是融合效应。技术与金融相融合，有助于提升金融的覆盖率、可得性和获得感，同时也可以提升风险管理能力和资源配置效率。
金融业数字化转型的发展阶段
技术助力金融数字化转型持续更新迭代，数据是关键驱动要素。纵观发展历史，金融业数字化转型主要分为五个发展阶段，即初始级、单元级、流程级、网络级及生态级。在初始级发展阶段，金融机构仅在小范围内初步测试数字技术应用；在单元级发展阶段，金融机构将金融数字化转型纳入战略规划，并开展单项业务的数据归集与分析、数字化基础设施建设和能力建设，比如将人工智能率先应用在客服等场景，与此同时，成立科研团队开展数字化转型的应用研发；在流程级发展阶段，金融机构将数字化能力融入全业务流程中，支持主营业务集成协同，数据互联互通，并形成了一套业务流程驱动的数字化系统；在网络级发展阶段，金融机构的数字化转型已纵横融通，可以进行决策部署、资源调配、远程监控和协同治理，也能够近乎实时的进行动态优化与互动；而在生态级发展阶段，金融业内的所有金融机构构建起泛在物联网级网络化，推动与生态合作伙伴间的资源、业务、能力等要素的开放共享和协同合作，以此发挥生态圈创新潜能，共创数字金融新纪元。
数字技术和数据要素双轮驱动下金融业的新特点
金融业作为服务社会主体最多、应用场景最丰富、联系实体最密切的行业，在数字经济中占据核心地位。而金融业的高质量发展越来越依赖于数据要素的驱动。
金融业是高经济价值行业。无论借贷投资、支付结算、财富管理都涉及巨额资金和财富，可以创造巨大的经济价值和社会效益，需要高度的安全性、准确性和时效性，对数字化有着内在依赖。
金融业是高数据密集行业。金融业数字化转型之所以能够走在前列，根源在于该行业与生俱来的对数据的高度依赖性和敏感度。随着信息技术的飞速发展，金融业与数据的融合日益加深，不仅数据量呈现爆炸式增长，而且这些数据的质量也达到其他行业无法企及的高度。高精度、高时效性的数据为金融业提供了强有力的决策支持。
金融业是高品质的服务业。作为与广大企业和个人日常生活息息相关的基础服务，需要维护长期稳定的客户关系，需要向客户提供优质的体验，以及个性化差异化的产品，而数字化工具可以提供更精准的客户画像，从而实现更高效的客户关系管理。
金融业是高合规性的行业。金融业受到严格的监管，包括资本充足管理、反洗钱、客户适当性管理、KYC等种种合规要求，需要报送海量监管报表，符合各类监管指标要求，数字化技术能够帮助银行满足这些合规性要求。
金融业是高科技投入的行业。金融业始终走在科技行业前沿，始终注重加大科技的投入，四大国有银行近五年每年的科技投入超过1000亿元，具备深入应用新技术的科技基础。
金融业一定要做数字化转型，但数字化转型要做什么？其实是三件事，一是建设数字化资产，也就是要完成信息-数据-数字化资产转换。二是凝炼数字化智慧，也就是将大数据中蕴含的知识规律提取出来。三是落地数字化应用，要把数字智慧运用到分析决策、产品服务中去。
建设数字化资产
数据之所以能够成为与土地、人才、资本、科技并列的生产要素，是因为数据能够带来经济价值。而数据之所以能带来经济价值，则是因为相互关联的数字内部蕴含着知识、规律、甚至智慧。大数据概念的推出和广泛应用，是因为当数据达到一定体量，突破相应的阈值，所蕴含的智慧能够更明确地显现出来，具有稳定的表现，具备可运用和创造价值的能力。
金融作为数据密集型行业，充分发挥数据价值是数字化转型的重中之重。通过破除“数据壁垒”和“信息烟囱”，将业务流程各环节、金融机构跨部门、金融生态跨领域的数据有目的、有方法的打包成为数据资产，成为技术能够识别和应用的制式和类型，方形成了高质量数字化金融服务的基础和前提。
凝炼数字化智慧
大数据中所含知识、规律与智慧有的已经被人类认识到，成为先验经验。有的则超出了人脑的认知能力，尚未被人类所认识到，或者总结出来的。人脑是最复杂高效的智能体，但人脑也有其局限，特别是对于多维空间，多维度数据缺乏想象力和认知力。人工智能等技术则在这些领域存在人类所没有的认识能力，更好地释放数据的潜力。比如深度学习，作为一种特殊的机器学习技术，通过建立深度神经，从结构化和非结构化的金融大数据中自动提取出有效的特征，完成分类、聚类等任务，得出规律性的结论，并应用这些规律进行预测。人工智能依赖大数据进行训练和学习，而大数据需要人工智能进行高效处理和分析，这种相互依赖和协同作用推动了技术在金融领域的快速发展和创新应用，也为金融业发挥高品质、高合规和高经济价值等增进了基础。
落地数字化应用
而根据技术的使用程度不同，数据应用主要分为三个层次：一是辅助决策，也就是为人的决策提供参考；二是自动决策，也就是对利用已知验证过的数据规律，借助实时数据自动决策；三是自主决策和生成，形成思维认知，自主形成解决方案，自主生成相应的素材。人工智能的技术进步，也是在按照这一主线在发展。从传统回归模型到众所熟知的大模型，人工智能的决策能力持续迭代，并在金融业的不同领域发挥着作用。比如通过主动采取数据挖掘、机器学习等手段精准刻画客户特征，自动决策和生成营销策略，实现金融服务的定制化和差异化，同时，辅助甄别高风险交易，在保障数据安全的同时，打通金融服务壁垒。
综上分析，数字化转型要解决两个问题，一个是数字问题，一个智慧问题，这就是我们通常所说的数智化。前者是关于如何建立数字资产，如何扩展数据的广度与深度，提升多样性和时效性的问题，后者是如何运用数字资产的问题。通常所说的算法、模型、甚至是人工智能都是将数字中隐藏价值挖掘出来，加以运用，并创造价值的手段与工具。可以说资产数字化为决策数智化提供了现实土壤和前提条件，决策数智化是企业进行数字化转型的一种必然。
零售金融作为直接面向广大C端客户(即消费者)的金融业态，拥有更大规模的客户，更大频次的交易，更大体量的数据，能够将数字化的优势发挥得淋漓尽致。通过数字化手段，零售金融机构实现了对客户需求的精准洞察和个性化服务的快速响应。借助大数据分析、人工智能等先进技术，零售金融机构能够深入挖掘客户的消费习惯、风险偏好及潜在需求，从而为客户提供量身定制的金融产品和服务。同时，数字化还促进了零售金融的线上化、智能化转型，使得金融服务更加便捷、高效，极大地提升了客户体验度和满意度。
当前，以马上消费为代表的众多金融机构，在将客户数据、运营数据、系统数据等进行数字化转换，形成数字资产方面成果斐然，积累形成了海量数据，并有效支撑了业务发展。但在数字化应用方面仍然有较大空间。特别是大模型技术的横空出世，给数字化智慧的凝练提供了新的工具。
以下以几个常见的业务场景进行分析。
智能客服
客服工作有两个基本要求，一是准确回答问题，二是更好的客户体验。马上消费将大模型应用至智能语音助手、辅助人工坐席决策等多个环节，支持客户服务过程中的自然语言多轮交互。一般来说，针对确切的事实类或固定流程问题,马上消费采用高效的小模型进行快速响应；而对于开放式或建议类问题,则由大模型提供深度和广度的解答。此外，对于部分开放性问题，大模型也要通过对小模型的调用，更好地界定问题，限制回答内容，确保准确性。反之亦然，当前即便是在处理贷后等复杂场景中，也能利用大模型的能力，结合对话上下文、历史数据与效果、业务场景不断学习进化，准确地识别用户意图，提升客户服务效率和用户体验。而在极端情境下，人工座席将负责处理和跟进，并将处理结果反哺给机器，以提升模型能力。当前，马上消费的智能客服意图识别率达90%，自助解决率已经达到了91%、用户好评率提升23%。
智能营销
智能营销可帮助金融机构显著提高销售效率，降低客户流失率。通过小模型满足播报阶段规范性程序要求以及快速信息传递要求，利用大模型在交互阶段实现与客户间的多轮深度交流，提高交流自然性，同时有效识别客户意图与关注点，进行标识，形成整体营销方案。进而决定是否进行多轮营销或人工营销，实现大小模型和人工协同应用。马上消费通过在营销策略中融入“AI+数据分析”技术，可以生成个性化的营销素材，还涵盖了精准的用户推荐系统。自金融大模型投用以来，马上消费大幅提升营销物料生产效率，营销效果提升30%以上，在与重庆某银行的合作中，大模型驱动的智能营销能将人工成本降低80%以上，产能是传统人工产能的6倍以上。
智能质检
智能质检是提升金融业呼叫中心客户服务体验和保护消费者权益的有效途径。马上消费将组合式AI融入智能质检创新方案，为金融机构提升质检水平拓展了新的路径。通过将“先验规则+NLP+大模型”三模型进行结合，面对严重违规质检情形，采用三模并集，以提升召回率；而对一般违规质检情形，则采用三模交集，重在提升准确率，经过持续的实践与探索，马上消费取得了突破性效果。据统计，该系统的质检录音覆盖率达到100%，严重违规情形查全率达到79%，而一般违规情形准确率达到83.5%，违规检出效率较人工质检提升了1141倍。
总的来说，大模型的横空出世为金融服务创新提供了新生的沃土，但茁壮成长仍需要充分结合现有的技术和力量。更重要的是，要加深业务特性的理解，加强数字资产的积累，加速数字化合理应用，更好更优的发挥技术的作用，解决好数字问题和智慧问题。
一是建议健全数据和算力基础设施。大模型通常需要海量数据帮助其更好地泛化，减少拟合风险。同时，需要大量的计算资源，比如高性能的GPU和大规模存储空间来训练和推理，既耗时，也耗能。建议向社会提供一体化数据汇聚、处理、流通、应用、运营、安全保障服务的一类新型基础设施，因地制宜、分类建设，持续支撑包括大模型在内的未来技术的数据和算力需求。
二是建议加强数据安全治理。大模型具有复杂的结构和大量的参数，依托海量数据学习特征、模式和关系，从而处理更加广泛的任务，具有更强的泛化能力。因此数据安全对用好大模型至关重要。建议进一步完善数据安全治理制度，大力发展数据安全保障技术，如隐私计算等，进一步明确各类主体在数据安全治理方面的责任，鼓励在具有保障措施的情况下推进数据共享与传输，进而健康有序支撑大模型的应用于发展。
三是建议加强大模型伦理治理。由于大模型具有复杂的结构和大量的参数，具备广泛的连通性和自主性，因此也更容易从海量数据中学习到偏见、歧视或错误信息，从而在决策中引入不公平性。建议建立健全的伦理治理制度，分类分级完善并实施伦理治理管控举措，开展科技伦理风险监测预警和评估，规范大模型生态的健康有序发展。
四是建议构建大模型幻觉监管框架。大模型具有黑盒特性，会将具有复杂关系的神经元进行非线性拟合，以端到端自主学习的方式生成决策结果，其过程难以直观理解，不利于控制和操作。建议构建规范清晰的监管框架，明确责权主体，改善数据来源，提升数据质量，鼓励相关主体加大技术研发并以科技反制科技，大力推动开放生态系统构建，共同参与高效精准的大模型治理。
五是建议金融机构协同应用大小模型。大模型具有强大的深层次意图理解能力和上下文语境结合能力，可以生成连贯且有创造性的文本、图像、视频、音乐、代码等。简单来说，其强项在于对于自然语言的意图识别与理解分析，以及多模态的生成。但由于其基于概率的基础特征和参数规模，其在可信度、准确性、可控性以及运用成本方面存在劣势。而小模型则在这些方面具备优势。建议扬长避短，通过组合式AI提升应用水平。具体来说，前端理解，后端生成主要通过大模型的能力实现，而中段主要利用大模型来提升准确性，或者以低成本小模型对简单问题进行前置处理，将复杂问题通过大模型进行深入分析。可以说，大小模型的协同应用是未来金融数字化转型的主要发展方向。
综上所述，随着数据要素禀赋的升级和技术能力的持续进步，尤其是大模型的横空出世，金融业正在不断革新数字化转型的速度与力度，但唯有解决好数字问题和智慧问题，方能保障数字化转型运转在健康有序的发展轨道上。
