银行客群，通过深擎的内容赋能，在内容端UB提升95%，UV提升63%。 *UB（User Behavior）是指用户的行为改进，包括用户在平台上的互动、使用频率、停留时间等方面的改善；UV（User Visits）是指用户的访问量，表示访问平台或内容的用户数量。 深擎科技解决方案矩阵，企业供图 飞笛科技 作为财经AIGC生成和分发平台，依赖基于全网财经信息的大数据引擎，飞笛将内容数字化+AIGC和AI投顾技术深度运用于赋能机构线上财富管理和买方服务中，强调以“买方”的视角设计数字化产品和服务，以帮助金融机构实现传统零售和经纪业务、财富管理业务的数字化转型，帮助用户获得更好的买方服务并实现可持续回报。 对于金融行业在内容科技方面的痛点，飞笛科技丘慧慧表示，2016年后，金融机构曾经有一轮要做“垂直今日头条”的建设高潮，但金融机构本身没有那么多的数据，也没有足够量级的用户和足够量级的免费内容，很难依靠算法做到千人千面。 其次，相比互联网平台容错率比较高的兴趣推荐，金融更偏向于是“价值推荐”，容错率低，彼时，基于专家系统的AIGC可以很好地解决该些难题，但并没有被充分运用起来，金融行业的那时候走的弯路现在仍在继续。现在新的一轮基于大模型的AI浪潮又来了，但是显然，上一轮没解决好的按“价值”逻辑进行生成和推荐的问题，大模型时代仍要率先面对并解决。 飞笛将自身的竞争壁垒归纳为：基于全网海量信息大数据的实时“算力”，赋能金融机构内部场景下的数据治理、服务与内容生成、业务场景和用户个性化分发，以提升金融机构“运力”，提升机构运营的ROI和用户满意度。 她特别强调，金融场景下，首先要解决AIGV，实时价值发现问题，其次才是AIGC，因为用户信息过载+金融信息高频的特点，通过外部信息数据能力的导入，为机构内部提升运营效率非常重要。数字化的运营决策力、内容生产力、按业务场景和用户的个性化分发力，都使得机构的整个运营过程变得更加敏锐且灵活。 飞笛科技数据-内容-智能交互流程，企业供图 • 投研中的人工智能 • 熵简科技 主要服务于基金/资管、证券公司等机构的熵简科技，依托大数据、云计算、AI等技术，为资管机构提供智能投研辅助决策的工具，并实现投研数字化。 熵简科技费斌杰以石油行业研究为例，对特定领域进行了深入分析。在分析石油行业时，中高级分析师会审视一系列高频指标，供需因素、页岩油信用债扩张周期、政治因素、沙特和欧佩克的减产计划等，都是石油行业的关键分析框架。在此基础上，仅仅简单地询问GPT可能无法获取详尽的信息，这对于投资决策是远远不够的。投资决策需要基于市场信息作出买入卖出决策，这也是为什么要在细分领域寻求专业化的原因。 熵简科技又以海上风电为例，在研究该行业，补贴退坡、并网情况等都是重要指标，而再往前又可再追溯到一系列前瞻性指标（装机情况、吊装情况、招投标、核准等）。在投研过程中，每一个环节都包含许多关键的高频指标，如何将这些数据和逻辑串联起来并形成一个能够投资的AI，是未来AI厂商可拓展和思考的方向，而这一领域的价值毋庸置疑。 文构财经 文构财经基于多年积累的数据的先发壁垒，其数据范围覆盖中国沪深、中国香港、美国、新加坡、英国等证券交易所，近20年的海量财经数据，清洗出共计近500G的中英文财经语料（目前数据状态为均已清洗、标定、学习后）。 通过AI理解能力与应用场景的深度结合，文构财经为用户提供了基于财经文本的全新深度处理后的数据、指标、分析师报告，从而为学术研究、量化投资、经济监管等提供多方位支持。 文构财经数据库，企业供图 -4 AI+金融：挑战与展望 • 关于挑战 • 未来，随着AI技术在金融领域的更深入发展，更加迫切地需要人才端与业务端的深度结合，以应对日益增长的合规要求。这种深度结合不仅涉及了专业技术的应用，还涉及了跨学科的整合，以及对市场的敏锐洞察。 飞笛科技的丘慧慧表示，在未来的金融领域，人工智能预计将迎来更加广阔的发展空间。然而，这种发展也面临着一定的挑战。其中一个关键的挑战是金融机构自身的组织结构。金融机构能否以用户为中心进行组织架构的调整，是决定企业能否成功进行结构转型的关键因素，而跨界人才的挑战是企业所面临的重要挑战。 有连云认为，金融领域，对于不同业务场景的理解需要长期积累经验。金融业务有复杂性和专业度，不是简单能驾驭。有连云系统能够实现高效的AIGC生成，这是通用大模型难以完成的任务，而打造具有较高黏性的产品，需要有足够的业务Know-how，并懂得如何进一步优化客户的使用体验。 深擎科技表示，AI在金融领域的挑战主要在于B2B领域的商业化实施过程，金融行业分支机构和总部的数字化协作难以有效打通这个矛盾。作为一家创业公司，面临着与客户个性化、定制化需求及标准化产品之间的冲突。深擎科技柴志伟认为，还是要在产品理解上超越客户，充分把握客户的需求和特性，以便为客户打造价值产品。 此外，公司还需要积累大量的行业案例和实践经验，以更好地指导和支持客户需求和发展。轻咨询是一种值得采用的服务模式，它可以通过团队在早期与客户的沟通和交流，影响客户的规划和预期，帮助客户将想法收敛到一个可以标准化实施的解决方案，从而实现客户需求的合理满足，以及双方共赢的局面。 在人才与技术挑战方面，熵简科技费斌杰认为，AI科技的发展，其核心仍是技术层面的探讨。技术问题并非一蹴而就，它需要深厚的专业积累。倘若把AI视作一个黑盒，训练的关键在于持续优化这个建模过程，如果技术人员未曾尝试过此类操作，那么相关的经验积累无疑将是一片空白，即使能了解大致的操作流程，但要想深入理解这类技术性的经验，仅仅通过理论学习是不够的。这也是在第一线亲自操作和实践的重要性。例如，技术人员至少需要亲自调优过GPT模型。然而在全球范围内，这样经验丰富的专业人士实际上是稀缺的，不仅仅在国内，在海外也同样如此。 • 关于模型的迭代 • 从一个中立的角度对金融领域中各类模型进行比较，就现有技术而言，如GPT、BloombergGPT、FinBert等，各模型间存在着一定的差异。在实际金融领域的应用中，随着参数量及数据集、数据类型及权重、所应用的垂直任务不同，模型的效果也不同（Nan, etc., 2023; Markus, 2023）。 对于模型的迭代，摸象科技表示，模型迭代需要新数据的加入及渐进式优化，其中数据也非越多越好，数据的来源选择很重要，比如金融的模型，加入太多物理学权重的数据可能会出问题。此外，协调数据处理、筛选将是模型训练中比较重要的工作。 熵简科技表示，公司在2020年成功研发了FinBert模型，FinBert模型继承了Bert的设计理念，两者都基于先进的Transformer架构，而FinBert在金融投资研究领域中也成为了一项预训练模型，也帮助熵简服务于金融、资产管理和投资银行等机构。 在GPT面世后，熵简更是基于GPT做上游，进行Fine-Tuning，并附加Promt工程。而对于模型的升级，其中的研发工作需关注细节以及结合学术研究成果，并转化出相关的工程代码，再在业界实践中迭代反馈，从而实现学术思路的工程化，比如通过LoRA，用更少数据训练模型，通过调整细节实现性能提升。 *LoRA ：Low-Rank Adaptation, 低秩自适应，是一种基于低秩矩阵分解的个性化推荐算法，能够在推荐系统中应用于提供用户定制的推荐服务。其自适应的机制，可以根据不同用户和项目之间的关系调整模型的参数。 • AI技术的拥抱现状 • 总体而言，AI在金融领域应用广泛，但挑战在于对先进技术的实际应用，以及监管适应性。金融机构对AI有一定认知，随着AI场景的深度和广度的逐渐提高，监管环境对新技术的重视将越发提高。对于新技术，金融行业、赛道中的金融厂商整体偏向开放且积极拥抱的态度。对于AI技术，各厂商在表示积极拥抱的同时，也对目前金融机构对AI技术的态度提出了看法。 其中，有连云表示，AI及AIGC已成功地推进了本行业，挑战在于如何将先进的技术成功应用到实际情况中。这一全新的发展阶段的到来并不遥远，当前正处于一个充满活力的时期。各行各业需要调整自身来适应这样的变化。以ChatGPT为例，它在某些通用场景中可以帮助用户提高工作效率，金融领域和通用领域在文本、图片和视频等方面有共通之处，并已取得了持续的应用成果。同时，当前的监管环境对于新技术的接受度相对较宽松，整个进程在稳步推进。 熵简科技表示金融机构处于观望态度，关键原因在于数据安全问题。金融数据在国家安全方面也占据重要地位，因此直接使用 ChatGPT 模型可能并不合适。因此，未来的趋势会偏向于私有化模型部署。 深擎科技柴志伟表示，目前这波AI浪潮中，AI从1.0（2016年，小模型、垂直AI领域）到现在2.0（通用大模型，强AI）时代，技术发生了比较大的冲击和转变，金融领域表现得比较务实。目前的金融机构已对新的AI技术有一定认知，但场景还有待做大做深，基于国内对金融服务的潜在庞大需求，AI在金融领域的发展仍有很大的空间。 • AI+金融的展望 • 未来，AI厂商将有机会依赖共性技术应用到更多的垂直业务场景，使AI技术在金融行业得到更长远的发展。 有连云从金融业务角度出发，表示依托于技术共性，未来AI的应用将打开更多垂直业务场景。依托于需求的共性，有连云将加大研发投入，通过产品力提升用户体验，从而增强用户黏性。飞笛科技认为，未来AI厂商的战略壁垒在于不断发展数据化，加强内容与金融场景、用户广度、深度及密度的有机组合，实现在各个场景中应用的落地。 摸象科技从银行业角度出发，表示基于中国银行业庞大的业务体量及增速，未来AI在金融市场应用的前景将越发广阔，而摸象也计划将数字员工拓展至银行各个层级的员工，以扩大市场规模。同时考虑到金融行业的广度和深度，AI在垂类市场将会有巨大的发展空间。 深擎科技从金融从业人士角度出发，以销售为例，认为在AI的赋能下，未来线上销售行为将会被数字化，而其中头部销售的能力、经验等稀缺能力将会被沉淀、分析及模块化（话术、策略），从而帮助初级销售提高能力，此方式在国外已经逐渐得到发展，在国内券商、银行大量的客户经理将有机会被服务及赋能，以帮助更广的潜在客群。 熵简科技从AI模型的角度，表示AI已经不再仅仅作为辅助工具，而是在多个领域发挥着日益显著的影响。开源必将成为AI在金融领域发展的未来趋势。目前，开源与闭源模型在这一领域各自拥有显著的黑洞效应，这两个领域有可能分别诞生类似谷歌和苹果的头部企业，形成双重队列格局。目前，已有多家公司在开源大模型领域争夺领导地位，如Facebook的LLaMA等模型，性能方面不断提升。然而，何时能够追赶GPT-4的表现仍有待观察。 *LLaMA（Large Language Model Meta AI，大语言模型元AI）,是Meta AI公司于2023年2月发布的大型语言模型。它训练了各种模型，这些模型的参数从70亿到650亿不等（维基百科，2023）。 总结 在如今热闹非凡的国内人工智能热潮中，各个细分行业的AI厂商迎来了较大的机会。人工智能技术在金融领域已经展现出了深厚的应用前景，覆盖了智能客服、内容科技、投资决策等诸多领域，这无疑凸显了AI技术的无穷潜力。 随着AI技术在金融领域作用的日益凸显，随之而来的挑战也日益突出。数据安全问题将会是一个不容忽视的议题，由于金融行业的专业知识壁垒，对于数据的深度挖掘和应用人才的需求也随之增加。 AI创业者将在金融赛道中看到的，不仅有机会，也有必须跨越及克服的特定门槛，只有克服这些门槛，配合底层技术的优化迭代，加之与业务场景的深度结合，才能充分发挥AI在金融领域的优势，为金融机构提供更加智能化的解决方案。 参考文献 [1] Epam (2023) AI for Fintech. Be the One to Change the Industry [Online], Available from: https://anywhere.epam.com/business/artificial-intelligence-in-fintech [Assessed July, 2023]. [2] Nan, H., Peng, L. and Xu, Y. (2023) Whetting All Your Appetites for Financial Tasks with One Meal from GPT: A Comparison of GPT, FinBERT, and Dictionaries in Evaluating Sentiment Analysis [Online], Available from SSRN: https://ssrn.com/abstract=4426455 [Assessed July, 2023]. [3] insider intelligence (2023) Artificial Intelligence in Financial Services: Applications and benefits of AI in finance [Online], Available from: https://www.insiderintelligence.com/insights/ai-in-finance/ [Assessed July, 2023]. [4] Markus, L. (2023) 'Sentiment spin: Attacking financial sentiment with GPT-3',Finance Research Letters, volume 55/part B. [5] The Business (2023) Global AI in Fintech Market Report 2023: Forecast Market Size, Growth Rate and Key Drivers [Online], Available from: https://www.thebusinessresearchcompany.com/press-release/ai-in-fintech-market-2023 [Assessed July, 2023]. [6] Xianzhi, L., Xiaodan, Z., Zhiqiang, M., Xiaomo, L. and Sameena, S. (2023) 'Are ChatGPT and GPT-4 General-Purpose Solvers for Financial Text Analytics? An Examination on Several Typical Tasks', Department of Electrical and Computer Engineering & Ingenuity Labs Research Institute Queen's University & J.P. Morgan AI Research. [7]. 艾瑞咨询 (2023) 中国AI+金融行业发展研究报告. 风险提示：界面有连云呈现的所有信息仅作为参考，不构成投资建议，一切投资操作信息不能作为投资依据。投资有风险，入市需谨慎!lg...
北美站
