自2022年ChatGPT發(fā)布以來，AIGC技術(shù)得到各行業(yè)廣泛關(guān)注，并逐漸發(fā)展為集圖像識別、語義理解、視覺感知于一體的多模態(tài)、全應(yīng)用大模型體系。金融機構(gòu)基于豐富的數(shù)據(jù)基礎(chǔ)，率先構(gòu)建各自的金融大模型，推動大模型技術(shù)賦能自身業(yè)務(wù)。目前，金融領(lǐng)域大模型滲透率已超50%，是大模型滲透率最高的行業(yè)。
金融大模型發(fā)展現(xiàn)狀
1.政策市場雙輪驅(qū)動金融大模型發(fā)展
一是國家對數(shù)據(jù)資源管理、基礎(chǔ)設(shè)施建設(shè)及金融科技發(fā)展的政策支持推動金融大模型發(fā)展。第一，國家推進數(shù)據(jù)開發(fā)、流通標(biāo)準(zhǔn)建設(shè)，為金融大模型發(fā)展提供數(shù)據(jù)資源，據(jù)《國家數(shù)據(jù)標(biāo)準(zhǔn)體系建設(shè)指南》，到2026年年底將基本建成國家數(shù)據(jù)標(biāo)準(zhǔn)體系；第二，國家支持超算中心、數(shù)據(jù)中心與金融機構(gòu)合作開展技術(shù)研發(fā)，為金融大模型運行提供算力和運行環(huán)境支持；第三，國家推出《金融標(biāo)準(zhǔn)化“十四五”發(fā)展規(guī)劃》等金融科技政策，提出到2025年將基本建成與現(xiàn)代金融體系相適應(yīng)的標(biāo)準(zhǔn)體系�；诖耍袊磐ㄔ骸督鹑谛袠I(yè)大模型標(biāo)準(zhǔn)》、馬上消費《金融大語言模型技術(shù)要求標(biāo)準(zhǔn)》等相關(guān)標(biāo)準(zhǔn)相繼立項、發(fā)布。
二是市場需求和競爭推動金融大模型發(fā)展。第一是提升金融服務(wù)質(zhì)量與效率的需求動力。如金融大模型實現(xiàn)的智能客服功能可快速理解問題并高質(zhì)量回答，減少客戶等待時間，滿足市場對優(yōu)質(zhì)金融服務(wù)的需求。第二是行業(yè)內(nèi)部競爭動力。一方面，金融機構(gòu)之間為爭奪客戶資源和市場份額，需在服務(wù)質(zhì)量、風(fēng)險管理、產(chǎn)品創(chuàng)新等方面取得優(yōu)勢；另一方面，國內(nèi)近12萬家金融科技公司，已對傳統(tǒng)金融機構(gòu)構(gòu)成威脅。競爭迫使其通過金融大模型提升自身的數(shù)字化水平和服務(wù)能力。
雙輪驅(qū)動下，預(yù)計2025—2029年，金融大模型行業(yè)市場規(guī)模將由41.23億元增長至310.44億元，期間年復(fù)合增長率65.65%。
2.大模型技術(shù)、行業(yè)數(shù)據(jù)、基礎(chǔ)設(shè)施發(fā)展為金融大模型應(yīng)用奠定基礎(chǔ)
一是大模型技術(shù)發(fā)展，兩條技術(shù)路線賦能金融行業(yè)。一種是在通用大模型基礎(chǔ)上加入金融語料進行訓(xùn)練，如GPT系列、百度文心等模型能解答金融問題；另一種是直接構(gòu)建金融垂類大模型，如彭博BloombergGPT等。通用大模型路線存在數(shù)據(jù)欠缺、訓(xùn)練成本過高、精確性和適用性不足等痛點，在實用性上低于金融垂類模型。二是金融行業(yè)數(shù)據(jù)基礎(chǔ)相對較好，推動金融大模型落地。波士頓咨詢公司（BCG）測算，銀行業(yè)每創(chuàng)收100萬美元平均產(chǎn)生數(shù)據(jù)量達(dá)820GB，遠(yuǎn)高于電信（490GB）和能源行業(yè)（20GB）。三是算力基礎(chǔ)設(shè)施持續(xù)完善，存力短板補齊，為金融大模型運行提供有力支撐。金融業(yè)務(wù)具有準(zhǔn)確性、實時性、并發(fā)性特點，且業(yè)務(wù)流程涉及海量數(shù)據(jù)和跨系統(tǒng)交互，需由強大算力集群支持。而存力易成為算力集群短板，制約其效能。目前，政策及產(chǎn)業(yè)界均已發(fā)力存力，《算力基礎(chǔ)設(shè)施高質(zhì)量發(fā)展行動計劃》已提出“加速存力技術(shù)研發(fā)應(yīng)用”；華為打造存算網(wǎng)協(xié)同的算力中心，將整網(wǎng)有效吞吐從50%提升到95%。
圖1 通用與金融垂類大模型優(yōu)劣對比
（資料來源：東吳證券研究所）
3.大模型在金融行業(yè)主要被應(yīng)用于非決策類場景
一是在營銷和運營環(huán)節(jié)提升展業(yè)質(zhì)量和效率。一方面是智能客服，直接在金融咨詢、業(yè)務(wù)辦理等方面服務(wù)客戶，如螞蟻集團的“AI金融助理”支小寶2024年已解答845萬問題。另一方面是輔助客服、銷售人員，間接服務(wù)客戶，如百度智能云“度曉�！�，提供專業(yè)產(chǎn)品解讀及對比，快速生成專業(yè)營銷話術(shù)，賦能營銷人員產(chǎn)能增加超20%。二是在分析決策環(huán)節(jié)，提取、歸納、分析金融信息以輔助決策。受限于模型推理精度、安全合規(guī)要求，大模型較少直接承擔(dān)決策任務(wù)，而是聚焦其他環(huán)節(jié)。如百度智能云智金·資產(chǎn)智評應(yīng)用，可快速高效收集、加工和整理海量信息，輔助員工完成投資決策、信用評估等工作，并撰寫各類研究報告。三是在運營支持環(huán)節(jié)，實現(xiàn)內(nèi)部運營降本增效。如海通證券在企業(yè)內(nèi)應(yīng)用基于商湯代碼小浣熊的智能研發(fā)助手“e海言道”，實現(xiàn)開發(fā)提效40%。
圖2 大模型在金融領(lǐng)域賦能的各細(xì)分場景及業(yè)務(wù)細(xì)分環(huán)節(jié)
（資料來源：螞蟻研究院、OpenAI官網(wǎng)、中金公司研究部）
4.各類金融機構(gòu)因業(yè)務(wù)特性不同對大模型需求各有側(cè)重
一是銀行、保險機構(gòu)對于營銷、獲客有強烈需求，且具有高風(fēng)險敏感性，需求集中于前、中臺1應(yīng)用。前臺，打造前端智能客服，建立多元化客戶標(biāo)簽，實現(xiàn)“千人千面”精準(zhǔn)營銷；中臺，挖掘客戶數(shù)據(jù)，提升智能風(fēng)控水平。如平安銀行大模型BankGPT可判斷客戶意圖，針對性推薦產(chǎn)品、自動生成話術(shù)；寧波銀行利用大模型升級大數(shù)據(jù)分析平臺，擴展風(fēng)控覆蓋面，提高風(fēng)險識別、判斷和分析效率。二是證券機構(gòu)需求聚焦中臺，優(yōu)化投研流程，支持投資決策。如中信建投打造基于大模型的智能投研平臺，可一天讀取市場新增的1000+份研報，提取關(guān)鍵信息，并生成研報初稿。三是金融科技企業(yè)需融合金融服務(wù)與新興技術(shù)，全面升級前、中、后臺2，以提升整體運營效率和金融服務(wù)質(zhì)量。如度小滿“軒轅”系列金融大模型已成功應(yīng)用于從前臺營銷、客服到中臺風(fēng)控，再到后臺研發(fā)等多個業(yè)務(wù)場景，其中，在客服領(lǐng)域，大模型推動服務(wù)效率提升25%；在研發(fā)領(lǐng)域，大模型輔助生成代碼采納率為42%，幫助公司整體研發(fā)效率提升20%。
金融大模型參與玩家及優(yōu)勢能力
金融大模型市場主要的參與玩家包括模型提供商、金融科技企業(yè)、傳統(tǒng)金融機構(gòu)等。金融大模型市場競爭激烈，據(jù)統(tǒng)計，2024年金融大模型中標(biāo)項目的累計數(shù)量從上半年的24個激增至第三季度的66個，主要中標(biāo)廠商包括百度、科大訊飛、智譜AI、阿里云、深擎科技等。
圖3 中國金融大模型應(yīng)用廠商圖譜
（數(shù)據(jù)來源：極客邦科技雙數(shù)研究院）
1.模型提供商以傳統(tǒng)金融機構(gòu)為主要目標(biāo)客戶群，憑借軟硬技術(shù)優(yōu)勢搶占市場份額
模型提供商從兩方面發(fā)力，爭奪傳統(tǒng)金融機構(gòu)客戶。一是夯實基礎(chǔ)設(shè)施和MaaS能力，構(gòu)筑穩(wěn)定高效、簡單易用的大模型支撐底座。如華為金融大模型解決方案提供“算網(wǎng)存云”協(xié)同的智能底座，從集群訓(xùn)練、模型保護、綠色節(jié)能三個方面為大模型提供算力，實現(xiàn)token處理時延降低至100ms內(nèi)、網(wǎng)絡(luò)能效比從0.1提升到0.5PFLOPS/KW等；軟硬件和模型開發(fā)平臺集成上下游伙伴，提供模型微調(diào)、數(shù)據(jù)工程、應(yīng)用開發(fā)、安全工程等系列工程化套件，降低客戶應(yīng)用門檻。截至目前，華為金融大模型解決方案已在多家金融機構(gòu)落地超50個場景。二是強化大模型技術(shù)攻關(guān)，引領(lǐng)前沿技術(shù)應(yīng)用落地。如百度智能云聯(lián)合浦發(fā)銀行在2022年5月領(lǐng)先發(fā)布浦發(fā)-百度·文心大模型；商湯科技基于領(lǐng)先的多模態(tài)大模型技術(shù)和“云、端、邊”全棧大模型產(chǎn)品矩陣，聯(lián)合海通證券發(fā)布業(yè)內(nèi)首個面向金融行業(yè)的多模態(tài)全棧式大模型“e海言道”。
模型提供商與金融機構(gòu)合作，技術(shù)、業(yè)務(wù)優(yōu)勢互補，打造金融大模型解決方案。如百度智能云聯(lián)合泛華控股集團打造保險業(yè)第一款A(yù)I智能體“度曉�！�，基于百度智能云的金融智能體應(yīng)用“智金”，結(jié)合泛華在保險領(lǐng)域的深厚經(jīng)驗，為保險銷售人員和客戶帶來革命性服務(wù)體驗。
2.金融科技企業(yè)將行業(yè)know-how結(jié)合技術(shù)能力，創(chuàng)新直擊行業(yè)痛點
金融科技企業(yè)多基于自身行業(yè)積累自研大模型，并推出貼合客戶具體需求與痛點的產(chǎn)品。一是推出面向企業(yè)端的大模型產(chǎn)品，通過訂閱等模式獲取持續(xù)性盈利。如宇信科技以企業(yè)在信貸管理、數(shù)字銀行渠道、低代碼快速開發(fā)等方面所積累的金融業(yè)務(wù)源代碼為訓(xùn)練語料，推出面向金融行業(yè)應(yīng)用軟件開發(fā)人員的編程輔助工具CodePal。二是結(jié)合金融機構(gòu)的實際業(yè)務(wù)需求，提供定制化解決方案。如京東科技基于服務(wù)海量金融客戶的真實業(yè)務(wù)實踐，在靈犀大模型支撐下，為金融機構(gòu)提供一套全渠道、全場景、一體化、數(shù)智化整合營銷增長方案。三是與自有產(chǎn)品集成，提升企業(yè)現(xiàn)有金融產(chǎn)品或服務(wù)的智能化水平。如螞蟻集團通過百靈大模型將螞蟻“AI金融管家”升級為“螞小財”，并在支付寶APP內(nèi)全量對外，能夠更加實時解讀熱點。四是將大模型能力以開放平臺方式提供給中小金融企業(yè)，降低企業(yè)開發(fā)門檻。如宇信科技推出面向企業(yè)用戶的可視化大模型應(yīng)用開發(fā)平臺，具備靈活的流程編排能力，預(yù)置知識庫問答、分析報告生成等多個開箱即用的大模型應(yīng)用場景。
3.傳統(tǒng)金融機構(gòu)聚焦業(yè)務(wù)需求開發(fā)自用金融大模型，根據(jù)自身能力選擇研發(fā)模式
行業(yè)機構(gòu)對大模型需求可分為對內(nèi)及對外，對內(nèi)作為工作助手，優(yōu)化內(nèi)部工作流程，提高工作效率，如智能研發(fā)、會議助手等；對外主要為不涉及強金融建議的智能對話、信息收集分析，如報告生成、智能問答等。各企業(yè)基于獨特的內(nèi)部數(shù)據(jù)和業(yè)務(wù)場景，往往選擇自建金融大模型以滿足需求，并保證數(shù)據(jù)安全性。一是企業(yè)規(guī)模大、模型能力需求高、保密需求強的頭部企業(yè)與算力、科技企業(yè)合作共研，追求技術(shù)全棧掌控。這些企業(yè)需要構(gòu)建的千億級參數(shù)大模型，算力、數(shù)據(jù)、技術(shù)要求高，僅靠企業(yè)自身資源難以實現(xiàn)。因此，為保證模型可用性與數(shù)據(jù)安全性，相關(guān)企業(yè)多與算力、科技企業(yè)通過成立聯(lián)合實驗室等形式，共研大模型技術(shù)、應(yīng)用場景等，實現(xiàn)技術(shù)全棧掌控。如交通銀行與科大訊飛、華為成立聯(lián)合實驗室，發(fā)布技術(shù)全�？煽氐摹敖恍拇竽Ｐ汀�；國泰君安與上海財躍星辰智能科技有限公司合作研發(fā)“君弘靈犀大模型”，完全基于企業(yè)自身全棧信創(chuàng)的環(huán)境實現(xiàn)千億參數(shù)的大模型工程。二是具備一定技術(shù)能力的企業(yè)基于開源大模型或大模型平臺自研大模型。如東吳證券和中國農(nóng)業(yè)銀行自研“秀才GPT”和“ChatABC”；中國人保自研大模型主體，訊飛大模型能力作為輔助；興業(yè)銀行的“AML-GPT”基于百度千帆大模型平臺進行自研。三是研發(fā)能力較弱的企業(yè)為模型提供商提供業(yè)務(wù)場景，使用其模型底座打造金融大模型。如海通證券與商湯合作，海天證券提供業(yè)務(wù)場景，商湯以“日日新SenseNova 5.0”為模型底座，幫助其打造“泛海言道大模型”。
未來，隨著大模型技術(shù)發(fā)展、金融大模型場景拓展、治理體系持續(xù)完善，金融大模型將進一步賦能金融機構(gòu)及行業(yè)客戶。下篇將針對金融大模型的發(fā)展趨勢及建議進一步展開論述，敬請關(guān)注。
注釋
1.前臺：主要承擔(dān)直接面向客戶、與客戶進行交互的業(yè)務(wù)，如營銷、客服；中臺：主要通過內(nèi)外部分析，為前臺提供專業(yè)管理和指導(dǎo)，如風(fēng)險管理、戰(zhàn)略指導(dǎo)、決策支持
2.后臺：主要為前臺和中臺業(yè)務(wù)提供技術(shù)和運營支持
本文作者
趙曄蕾
戰(zhàn)略發(fā)展研究所
二級分析師
碩士，主要從事工業(yè)互聯(lián)網(wǎng)、大數(shù)據(jù)產(chǎn)業(yè)發(fā)展趨勢研究，長期專注產(chǎn)業(yè)數(shù)字化研究。
王曉娣
戰(zhàn)略發(fā)展研究所
助理分析師
大連理工大學(xué)碩士，就職于中國電信研究院，專注于人工智能、工業(yè)互聯(lián)網(wǎng)等領(lǐng)域技術(shù)及產(chǎn)業(yè)研究工作。
張媛玥
戰(zhàn)略發(fā)展研究所
一級分析師
就職于中國電信研究院，長期從事人工智能、工業(yè)互聯(lián)網(wǎng)等領(lǐng)域的技術(shù)及產(chǎn)業(yè)研究。
趙明明
戰(zhàn)略發(fā)展研究所
二級分析師
碩士，主要研究方向為工業(yè)互聯(lián)網(wǎng)、人工智能、金融科技、產(chǎn)業(yè)數(shù)字化等領(lǐng)域。
李國欽
戰(zhàn)略發(fā)展研究所
二級分析師
中級經(jīng)濟師，聚焦產(chǎn)業(yè)數(shù)字化和數(shù)據(jù)要素等領(lǐng)域，從事行業(yè)洞察研究等相關(guān)工作。
占安居
戰(zhàn)略發(fā)展研究所
一級分析師
碩士研究生，副研究員。主要從事行業(yè)研究、市場研究、產(chǎn)業(yè)生態(tài)研究等工作。
