“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“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。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。“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。}