以下文章来源于新金融联盟NFA
，
，作者NFA

“综合考虑投入和产出性价比，，中小金融机构可按需引入各类大模型的公有云API或私有化部署服务
，，，，直接满足赋能诉求。。”

——吕仲涛 新金融联盟学术理事、
、工商银行首席技术官

大模型长期来看一定会对金融行业带来新的创造力和驱动力
，
，但短期内还面临较大的挑战，，需要通用大模型厂商及金融机构的客户及提供商共同参与，，，探索出一条符合行业落地的切实有效的道路。。

——薛春雨 z6com·尊龙凯时新动力数字金融研究院副院长

“类GPT模型是高级复读机
，
，，，有多少‘人工’就有多少‘智能’。。
。。模型100%会犯错，，，模型之上必须要有运营兜底机制，，知错就改
。。”

——胡时伟 第四范式联合创始人、、、首席架构师

“AI很容易被媒体炒作
，
，还很容易找到好的case，，，一开始我们会惊讶于好case
，，但慢慢发现它不一定能够普世。
。”

——沈志勇 民生银行数据管理部总经理

上述观点源自6月10日新金融联盟举办的“金融机构数智化转型与大模型技术应用”内部研讨会。。会上，
，，
，吕仲涛、
、、沈志勇
、、平安银行数字资产管理与研发中心总经理刘锦淼
、
、、胡时伟做了主题发言。。新金融联盟理事长、
、中国银行原行长李礼辉、
、
、中国信通院金融科技研究中心副主任赵小飞进行了点评交流。。。。z6com·尊龙凯时新动力数字金融研究院副院长薛春雨受邀出席并参与研讨
。。。

56家银行及非银机构
、、
、55家科技公司的170多位嘉宾通过线上线下参会。
。。
。会议由新金融联盟秘书长吴雨珊主持，，，中国金融四十人论坛提供学术支持。
。。以下为部分精彩内容
。。
。

研讨会现场

大模型=大算力+大数据+强算法

今年以来ChatGPT风头强劲，
，，，带火了大模型技术。
。。大模型即网络参数规模达到亿级以上的“预训练深度学习算法”，，，，在文本图像理解、、、、内容生成等任务表现出显著优势和巨大潜力。。

“大模型必须基于‘大算力+大数据+大算法参数网络结构’进行训练。。。。”吕仲涛介绍，，，，大模型技术是一个复杂的体系性工程，
，，，涵盖大模型算力集群建设、、、算法沉淀、、、、配套流水线工具
、、大模型服务等内容。
。。。

赵小飞认为，，，，硬科技对于大模型的发展也很重要。。。2012年，，，，英伟达将其GPU应用于深度学习研究，，GPU的并行计算能力在处理密集数据时效率远高于CPU，
，，，为英伟达成为AIGC最大的获利者埋下伏笔。。。。OpenAI在GPU算力升级的加持下
，，
，从GPT-1迭代到GPT-4。。。
。

“能够支持AI大模型的算力基础设施建设需要持续投入巨大的财力、、人力
，，，，要花得起钱，，找得对人，，，还要耐得住寂寞，，，这就势必导致算力集中
。
。。一是向主要国家集中，，，，二是向资本巨头和科技巨头集中。。”李礼辉表示。
。。。

李礼辉指出，，
，算力基础设施的布局和建设应该锚定全球领先的目标，，
，
，硬件与软件并重并行，，，国家级与企业级联动联调，，，
，新中心与老中心集约集成，，，人力资源与运营成本统筹兼顾
。。。

“从参数规模来看，，百亿大模型具备一定的文本生成和通用能力，，，但难以处理逻辑复杂、、专业性强的任务；万亿大模型因算力消耗极大，
，短期内难以进行商业推广应用。
。。。”吕仲涛表示，，千亿大模型平衡了百亿和万亿大模型优势，，性价比优势明显，，，，是近几年发展及应用的重点
。
。
。。

ChatGPT是目前最先进的AIGC大模型应用。。。。“要打造与ChatGPT媲美的AI大模型，，
，就一定需要无断层、、无障碍的数据供给。。。但是，，数据共享模式的局限可能影响数据价值的深度开发，，，地缘政治冲突可能影响全球数据资源供给格局。。。”李礼辉认为，，，要参与数据跨境流动，，，在维护数据主权的同时，，，充分利用全球数据资源，，，
，打造算力竞争优势。。
。。

有多少人工就有多少智能

尽管大模型十分强大，，但也裹挟着一些风险。。。
。

“受制于当前模型黑盒、、计算复杂度高等因素，，
，
，大模型存在答非所问、、科技伦理风险等方面问题。。。。比如，，
，ChatGPT生成大量看起来合乎逻辑，，但内容可能并非真实甚至是捏造的事实，，存在非法利用、、、、造谣等安全隐患。。”吕仲涛表示。。。
。

李礼辉强调，，对AI虚假与AI操纵必须高度警惕，
，重点是提升深度合成内容鉴别技术；建立AI信任制度，，
，加强AI监管，，在国家层级建立预防AI操纵的防火墙。。
。

如何理性看待大模型，
，胡时伟分享了三点认知：

第一，
，要相信科学，
，没有大模型涌现的逻辑。。。。类GPT模型的背后还是机器学习，，要想有一个好的模型能力，，
，，必须基于基础大模型的调优以及行业特定操作。。

第二，，，类GPT模型是高级复读机，，有多少“人工”就有多少“智能”。。。。通用大模型都是用人类现有语料训练，，，，其正确性一定来自于人反馈的数据，，
，行业一定要不断迭代告诉大模型什么是好的、、、什么是对的，
，，
，这必须靠人工完成。
。。

第三，
，，模型之上必须要有运营兜底机制，，
，，知错就改
。。。模型100%会犯错，，，哪怕是GPT4，
，，在行业专业、、、、严肃场景的应用不可能达到工业可用的效果，，，人工兜底机制让它从不可用变成可用
。
。。。

“知错就改有三个机制叠加保障
：一是专家给答案；二是专家给示例；三是专家生成的知识反馈给模型，，，，让模型少犯错
。
。
。
。”胡时伟表示
。。。
。

大模型对金融行业价值几何

要将大模型融入具体行业的核心生产经营流程，，
，，可谓任重道远。
。

赵小飞以工业为例分析，，工业场景中的很多数据是不可读取的，，
，，或者即使读取了也需要一个翻译和解读的过程。。。在数据之外，，，工业领域对安全、、稳定、、
、、可靠等指标极其严苛的追求，，，才是生成式AI不能满足的地方。。此外，，
，工业制造细分领域众多，
，，，没有海量数据标签，，，，基本上不可能形成类似GPT的通用大模型。。
。

“金融行业生产经营虽然没有工业那么复杂，，，但对于民生、、
、
、经济安全的影响会更高，，所以对于新技术应用需要非常谨慎。。”他表示
。
。。

吕仲涛表示，
，，由于大模型技术尚不成熟
，，，存在伦理风险。。
。短期内不建议直接对客使用
，，应优先面向金融文本和金融图像分析理解创作的智力密集型场景，，以助手形式，，人机协同提升业务人员工作质效。。不过
，
，，，虽然大模型有各类安全风险，
，但同样给银行业数智化转型带来新机遇，
，
，
，其潜力和空间是无限的。。。

薛春雨在研讨中谈到，，，，大模型长期来看一定会对金融行业带来新的创造力和驱动力
，，，，但短期内还面临较大的挑战。。。。主要包括：首先，，数据安全问题。
。。金融行业的内部数据安全性要求比较高，，不适合直接使用外部的大模型，
，，，所以需要进行私有化部署；其次，，，
，算力问题。。。。如果要成规模的使用，
，对算力上要求比较高，
，，，至少在千万级的投入
，，对大部分金融机构来说，
，投入及可预见的产出是一个比较大的挑战
；再者，，
，技术/人才问题。。。。如果要用大模型解决金融机构内部的的问题或者产生价值，，，，就需要对内部的数据进行训练及微调等，，，这方面需要专业的技术人员参与，，，，金融机构普遍不具备这方面的人员储备
。。
。
。基于以上考虑，，，，需要通用大模型厂商及金融机构的客户及提供商共同参与，，
，探索出一条符合行业落地的切实有效的道路。。。

“未来大模型银行业务的应用场景非常丰富。。。”刘锦淼介绍，
，，从BankGPT反馈的测试情况来看，，，它已经具备作为一个智能助手适配场景相关落地的能力。。
。目前已经应用的场景有客户服务
、、、信贷审批、、投研服务三大类。。。

他还表示，，在AI应用和业务投产方面
，，，，AI算法模型对业务发展的价值如何、
、、能多大程度覆盖全行业务场景，，，，让算法替代人还是让算法永远服务人，，，投产策略能否做到线上化、
、、自动化、、、投入产出量化根因回溯分析……都是未来可以思考和探索的方向。。
。。

一个超级模型VS.一堆专业模型

“短期内，，大模型和传统模型会共存，，同时，，，，大模型可作为中控，，，将传统模型作为技能进行调用。
。长期看，
，若大模型计算复杂度降低、、、可解释性增强，，
，，综合性价比来考虑，，，，大模型将逐步替代传统模型。。。”吕仲涛分析称。。

沈志勇认为，，，大模型的应用好比炼钢。。。作为通用底座的炼钢工厂越大越好
，，要集中力量办大事，，，，避免遍地小高炉。。。。而作为应用场景的用钢，，，则应多元化、、市场化。。。“用钢”部分可以分成两段，，AIGC或者其它一些大模型的应用场景端形成市场化
，，
，，具体应用场景里自己负责。。
。

吕仲涛表示，，，，需要探索形成一套面向银行业的高标准、、低门槛的银行业金融大模型应用模式，，，才能快速推进人工智能在行业的深化应用。。

预算是有限的，，预算决定了算力，，，，算力决定了参数规模。。
。“我们需要抉择——要一个超级大模型还是一堆专业模型？？？”胡时伟说。。。。

“一个思路叫大力出奇迹
，，，，如果做一个超级大模型，，，，以中国目前的算力情况
，，
，要五年后才能实现，，但数字化进程不能等，，五年之内如果纯粹以大为方向，，，就是主动把脖子送给别人卡。
。。。”胡时伟认为，
，，，我们会走另一个方向
，，，用“学件”的思路，，做一堆专业模型
，，各司其职，，，，方便迭代，，，便于维护，，成本可控。
。。。就好比一个公司，，
，不能全部都是董事长秘书，，，，还需要销售、、产研、
、行政等。。。。超级英雄成本很高，，，，也很难管理。
。
。