开启智能金融新时代——中国金融大模型发展白皮书

核心观点

• AI大模型成为新质生产力的重要组成部分，全球主要地区科技公司正加速布局。
• 金融行业AI大模型的研发投入和应用较为显著，且具有一定的应用特殊性和应用挑战。
• 金融行业对数据质量、推理准确性及响应速度，以及在管控、合规、安全层面的要求更高。
• AI大模型在金融行业的应用场景正从简单到复杂加速分步推进。
• 金融机构应根据其资源能力选择不同的大模型应用路径，并需打造多样化的能力要素。
• 多模态技术、AI智能体、以及通过大小模型协同应用和构建大模型生态资源共享平台是金融机构落地大模型的主要趋势。

关键数据和研究结论

• 2023年，中国金融行业AI and Generative AI投资规模达到XX亿元，到2025年将达到XX亿元，增幅达到XX%。
• 全球已有XX%的企业在生产环境中引入了几个GenAI增强的应用，中国的这一比例仅为XX%，但中国开始投资或做POC测试的企业达XX%。
• 未来GenAI投资分配上，中国和全球企业几乎都会平均分配在生产力提升应用场景、跨行业水平职能应用场景、以及垂直行业专属应用场景上。
• 金融机构落地大模型的主要阻碍因素是算力限制及技术投入成本高。
• 金融机构在落地大模型的过程中，需要综合考虑数据价值链管理、模型的选择与部署、AI平台搭建、以及AI治理等要素。
• 多模态模型、AI智能体、大小模型协同应用和构建大模型生态资源共享平台是金融机构落地大模型的主要趋势。
• 随着大模型在预训练及推理过程中算力成本的降低以及模型性能的提升，其在管理和业务决策类场景中也将发挥出更大的应用价值。

应用场景

• 金融机构当前落地较成熟的场景：智能客服、内部运营、智能投顾/财富管理、智能营销、风险管理。
• 未来几个月金融机构主要的落地场景：支付清算、智能投研、内部研发、数据分析、欺诈/洗钱/威胁监测、资产管理。
• 银行业生成式AI应用可以贯穿到银行业务链条的各个环节，包括面向员工的管理和支持到面向市场的数字营销和运营自动化、从产品研发到风险合规管理等环节。
• 保险行业生成式AI的应用主要分为数字投资产品、数字风险服务、仿生操作、智能风控以及数字运营弹性等类别。
• 证券与投资业生成式AI的应用场景较为丰富，主要分为合规与报告、客户沟通和支持、员工管理和支持、运营自动化以及风险管理和金融犯罪等类别。

应用路径

• 金融机构自主主导开发和训练大模型。
• 基于通用大模型/开源模型，叠加金融服务领域数据，通过使用参数微调、提示词工程/检索增强生成等方式优化基础模型推进金融业务场景的落地。
• 按需接入各类大模型API（按需付费的SaaS订阅模式）。
• 与战略合作伙伴协同推进GenAI的场景落地。

关键能力要素

• 数据价值链管理：提升数据可用性和数据质量。
• 模型的选择与部署：考虑开源模型、闭源模型、模型部署方式、模型优化方式等因素。
• AI平台：从模型管理到应用搭建的一站式开发与服务平台。
• AI治理：构建大模型在金融场景稳定且安全的应用保障，包括模型治理、风险治理、以及满足负责任的AI的要求。

发展趋势

• 大模型技术创新与发展趋势：大模型参数规模显著增长，多模态模型普遍应用，AI智能体应用潜力迸发，开源服务与开放生态成为主流趋势，软硬件、工具之间协同也能优化降低大模型开发和应用成本。
• 行业应用场景的拓展趋势：随着大模型在预训练及推理过程中算力成本的降低以及模型性能的提升，其在管理和业务决策类场景中也将发挥出更大的应用价值；大小模型协同也能驱动金融机构在更加多样复杂的场景中的应用。