曾刚:
大模型是 AI 的一种应用形态,对所有产业的影响都是极其深远的。当然不同的行业因为产业特点、监管环境的不同,应用的进程也会有所差异,但从原则上来讲,可想象的空间是很巨大的,各个领域都应该看好,只不过在实践过程当中会有前有后。
具体在金融行业中,我们之前做了一些研究和调研。理论上来讲,银行的前中后台各个环节上都有AI 大模型应用的空间,前端和客户的触达,不光是客服,还有前端的洞察,产品的创设,再到客户的维护和服务,银行内部的管理等各个环节上都会涉及AI应用,进程也各不相同,所以理论上来讲空间是很大的。
但是从实际落地环节要考虑两件事,一是成本,从银行角度来讲,大概率是把AI当作降本增效的手段,前期就需要大量的投入,银行希望在过程当中能得到回报,这种回报一般来说体现在成本的节约、客服体验提升等方面,这块意味着,可能需要考虑短期回报的问题,因此如何节约成本,特别是人力成本,成为当下应用的方向。
二是提高服务能力,在成本可控范围之内提升辅助。现在很多银行的实际应用过程中,将 AI 大模型应用在客服、风险管理人员,甚至包括决策人员,为他们提供知识导图,分析底层基础,或者在与客户交互的对答范围,这都能提高服务客户的质量,但现在更多还是辅助作用,并没有替代人。
理论上看,AI在客户接触服务有很大空间,在业务过程当中,这块有很多的不确定性,因为它不光涉及降本增效的问题,还是涉及到监管问题,应用到业务层面是需要比较成熟的成果才能进行应用,因此应用也要关注到监管可能会形成的边界。成果落地产生效益空间的同时也要在监管许可范围之内进行继续探索。其实中国在AI客户触达领域在全世界也算是领先的,除去监管劣势,中国数字化进程比好多其他国家要领先,在银行层面也是在非常有限的局部范围当中在尝试相应的探索。
黄艾舟:
我觉得目前大模型在金融机构的应用还是以内部应用为主,一些金融科技公司开发的深层次的大模型,产生比原来的知识图谱更可视化,或者更可对话的形式,包括智能营销和智能客服都是在 GPT 层面的应用,目前已有不少银行已经开始应用 GPT 的技术帮着进行代码优化或者代码代写等开发的辅助工作。
所以未来银行内部或者金融机构内部用大模型的人会越来越多,这部分的应用也会逐步成熟和开放起来。但对外确实是较复杂的问题,尤其是很多人想做所谓的智能投顾,但由于监管要求,比如理财师是需要有牌照的,因此机器的决策提议更多是对内的应用。现在国内外对GPT的探索仍然停留在语言模型上,对 GPT 多模态的探索仍不够,更不用说应用到推理能力上,或者智能风控和智能决策上,在短期内还是不太容易具备的。
目前受算力的制约严重,很难真正意义上训练出大模型,并且金融机构又涉及到大量的数据信息安全,所以真正的大模型应用有待观察,目前来说还是以内部赋能、减负为主,然后慢慢拓展。