当下，从ChatGPT的推出到Sora的横空出世，生成式人工智能大模型在金融行业的应用引起了广泛的关注，这些模型在处理金融文本、预测市场趋势、进行风险管理、执行算法交易以及改善客户服务等方面展现了显著的潜力，被认为是银行业的“新质生产力”。从2022起一些大型银行开始布局大模型技术，2023年我们看到更多的上市银行紧跟大型银行的步伐，开启了生成式人工智能的探索和实践，并在金融大模型基础能力建设和业务场景搭建方面取得了新的进展和突破，其中也不乏城、农商行的身影。
在基础能力建设方面，建行实施“方舟计划”，推进金融大模型建设，已具备信息总结、推断和扩展、文本转换、复杂推理、金融知识等能力。农行依托人工智能创新实验室，加快推进大模型技术预研孵化，客服知识库上线答案推荐、知识库辅助搜索等功能。招商引入千亿参数大模型，用自有语料调优、训练、适配行内场景，同时跟进开源大模型技术的发展，在专业场景自研百亿参数大模型等。北京与头部企业联合成立“金融智能化创新实验室”，共同探索金融大模型构建，积极培育“大模型+小模型”驱动的新一代金融人工智能核心能力，前瞻打造“Al驱动的商业银行”，自研“京智大模型”的同时，引入多种主流开源大模型。
在业务场景应用方面，上市银行在智能投研、智能客服、营销辅助、知识问答、合规审查、智能风控、辅助编码、自动化报表生成等场景作出探索。
例如，工行率先实现大模型技术在座席助手等场景落地，保障成都大运会、杭州亚运会等重点时期多语言服务。建行上线“方舟”助手、“方舟”工具箱、向量知识库等金融大模型基础应用，实现智能客服工单生成、营销创意和文案自动化生产、投研报告摘要和点评快速生成、语音自动转成拜访记录、上市公司类客户调查报告自动生成等25项场景应用。邮储在研发测试、运营管理、客户营销、智能风控等领域多点开花，孵化“研发助手”，辅助需求分析、U设计、代码生成、系统测试等研发全流程，促进端到端研发效率提升；推出情感模型会话洞察与“灵动智库”服务，增强企业微信运营功能，提升基层精细化客户洞察能力；打造智能风控“智能审查助手”，辅助法审工作合规高效；并在消费者权益保护领域，研发基于大模型的投诉问题分类智能模型，实现消保投诉管理自动统计分析和智能监测等。中行探索大模型在内部知识服务、辅助编码等场景的应用；交行尝试大模型在办公助手、客服问答等场景的应用；招商则探索大模型在零售、批发、中后台的应用。兴业发布百亿级大模型ChatCIB，聚焦财富、投资、报告等垂直领域，上线6类数字助手，其中，企金产品助手知识问答准确率达90%；研报摘要助手每年可增效54人；代码生成助手辅助集团研发人员提升研发效能等，提升远程银行营销水平及智能运营效率。平安则将大模型技术用于零售贷款审批、运营管理数智化升级、消保降诉、汽车金融AI验车等场景，提高金融服务可获得性。民生在知识问答、代码辅助、客服坐席、办公写作、数据分析、营销文案等内部场景展开试点。北京形成宣传文案、智能周报、文章翻译、工作总结、会议纪要、通知撰写、代码生成、代码注释等基础应用场景；面向理财经理、大堂经理、客户经理、综合柜员、远程客服等岗位角色，部署“北银投顾”“财报助手”“运营助手”“智能客服”“京客图谱”“数币银行”“京行研究”等问答机器人，大幅提升员工工作效能。中原上线“生成式对话助手”，并在合规、人力、餐饮、流程、报表分析等5类场景落地，初步打通了大模型场景应用的落地路径。上海农商建立了感知能力群、认知能力群、决策能力群等技术框架，已应用在身份识别、智能客服、智能营销和智能风控等业务场景；大模型技术已在智能合规系统的应用方面取得亮点成果。
生成式人工智能大模型的探索和实践进一步革新了上市银行现有的产品、流程、运营方式乃至商业模式，为银行业带来了全新的转型和发展机遇。加之近期政府对金融业数字金融发展和数字化转型要求的不断加强，生成式人工智能领域一系列监管政策的及时发布，推动银行业数字化转型加速向数智化转型迈进。
然而，尽管大模型在银行领域的应用前景广阔，但在实际落地过程中也面临着一些挑战，例如，如何维护数据隐私和安全、提高模型的可解释性、预测的准确性以及伦理法律保护等。在探索和实践过程中，上市银行需紧跟技术发展态势，以实际的场景和用例为起点，以价值创造为导向，同时关注以下几个方面。
首先，在场景搭建方面，上市银行需结合自身总体战略及所处转型阶段，选择契合自身资源禀赋、具备投入产出价值的场景，将人工智能技术应用与最有可能利好自身发展的战略相结合，同时兼顾技术落地的可行性以及风险收益的平衡，最终形成适合自身发展的场景地图、用例地图及实施路线图，避免求大求全。
第二，在平台建设方面，为承接各类应用，上市银行需综合考虑数据标注平台、训练平台、提示词工程工具等平台的设计及管理。由于金融行业应用场景复杂，上市银行应基于不同的场景，合理应用不同的工具及平台，避免盲目使用、浪费科技资源。
第三，在模型应用方面，为支持各类场景和用例，上市银行需考虑通用大模型、行业大模型和小模型的应用范围及结合模式，根据不同场景选择适合的模型，基于大模型开源化趋势进行充分的技术分析，综合考量成本、基础设施、模型性能等因素，最终明确模型的调用或直采授权。
第四，在数据层面，由于金融业专业化程度较高，应用大模型时，上市银行需输入更海量、更高质量的数据以获得更精准的反馈，同时还应建立完善的数据治理和管理机制，选择合适的数据处理技术和工具，完善算力设施、提升算力资源利用效能，推动数据要素发挥最大价值、积累形成数据资产等。近期一系列政策的出台，如2023年12月国家数据局联合人民银行、金融监管总局等17个部门发布的《“数据要素x”三年行动计划（2024-2026年）》、2024年1月财政部发布的《关于加强数据资产管理的指导意见》以及近期发布的《银行保险机构数据安全管理办法（征求意见稿）》，将有利于大幅拓展数据要素应用的广度和深度，推进金融数据、公共数据和商业数据的高效流通，支持金融机构间数据的的共享共用，推动数据资产入表和完善数据安全管理制度等。
此外，人工智能的科技伦理道德风险也值得上市银行关注，如信息真实性、偏见，忽视老年人、残障人士等弱势或少数群体的需求等。上市银行在推进数智化转型的过程中，建议动态评估科技伦理表现，并通过提供教育和培训、优化服务和产品设计等方式加以完善。2023年7月发布的《生成式人工智能服务管理暂行办法》规范了生成式人工智能服务过程中的伦理道德、数据处理和个人信息保护等，为上市银行的伦理建设和人工智能领域的风险防范提供了指引。与此同时，上市银行在转型过程中，还应前瞻式地评估生成式人工智能落地的潜在风险，针对不同的使用场景形成数据管理、知识产权和客户隐私保护控制措施及模型准确性防护机制。
