ChatGPT带来的AIGC（人工智能生成内容）热潮仍在持续。
继各互联网大厂躬身入局之后，金融科技公司也开始进军大语言模型。近日，某金融科技公司宣布，将组建一级战略部门大模型部。《中国经营报》记者采访了解到，目前头部的金融科技企业均在尝试应用AIGC技术，具体包括进行训练封闭域的生成式对话引擎等。
用户关心的是，尝试训练与实际应用之间还需要多长时间？应用的实际效果如何？在采访中，业内对此有不同的预期。部分观点认为在年内便有望实现技术应用；也有部分观点认为，受制于数据质量、合规问题等原因，落地或许仍需时日。而共识在于，AIGC在金融领域的应用需要更复杂的金融数据“投喂”，这需要从体制、行业和商业举措多方面促进才能不断提升数据质量，从而提升技术的应用效果。
(资料图)
AI的智能化升级
业内普遍认为，AIGC在金融领域有较多契合的场景。陆金所控股（06623.HK）CTO毛进亮告诉记者，AIGC很可能导致所有的“专家系统”领域都会受到冲击，包括咨询顾问、代码技术专家等。具体将在金融行业的智能运营、智能风控、智能投顾、智能营销、智能客服等多个场景产生影响。在金融服务方面，AIGC能够将原本更加依赖专家“个体”知识与经验的服务，扩展到可以支持到所有的从业者，不仅提升整体行业服务水平，也会大大提升服务能力。由此，毛进亮认为，在机器人对话领域会越来越多地采用类ChatGPT训练架构，不过大部分是封闭域的训练，尤其是贷款等金融领域。
全联并购公会信用管理委员会专家安光勇也表示，随着人工智能技术的发展和应用，金融机构也将逐渐意识到AIGC技术的重要性和应用价值。AIGC技术可以帮助金融机构在客户服务、风控、投资管理等方面提高效率和准确性。可以认为，金融科技公司入局AIGC正在成为行业趋势。
近日，奇富科技（3660.HK）首席执行官兼董事吴海生向公司全体员工发布内部邮件，宣布将组建一级战略部门——大模型部（以下简称“大模型部”），并向CEO汇报。据悉，奇富科技大模型部将致力于开发和运用各种深度学习算法、生成式人工智能技术、在金融领域的场景化应用。大模型部具体职能包括：推进公司在人工智能领域的技术创新；探索如何将生成式人工智能技术应用于公司的产品和服务中，提高用户体验；改善工作方式，用人工智能提升工作效率；为机构客户提供强大的人工智能产品。
关于大模型部的具体情况，奇富科技首席算法科学家费浩峻向记者介绍，大模型部已经完成基础组建工作，先期已经有六十多名员工加入。目前，部分岗位在持续招聘中。费浩峻还表示，该公司业务对于AI的诉求，并不是因为AIGC的出现而突然出现。实际上，该公司从很早就开始探索AI对于业务的改进，并在业务的某些环节实现了AIGC参与的降本增效。比如核心的业务风控环节，以奇富科技自研的金融大模型基座为核心衍生的智能征信解读，可以帮助金融机构更加全面、高效地理解和判断用户，这种模式的进一步升级和优化，有可能替代和优化过去在智能征信解读上千万级变量衍生和众多深度模型建设工作。也就是说，大模型是对无数AI模型更智能化的替代。
毛进亮也表示，目前陆金所控股通过结合人工智能、大数据等技术，打造出智能机器人，能够与客户进行多轮对话，已经应用在业务当中。例如，在业务流程中全面应用AI智能贷款解决方案“行云”，通过拟人AI客服小惠全程与客户“面对面”交流，可实现最少零文字输入、大幅降低等待时间。该AI客服可同时在线服务数百位客户，一方面节省大量人力成本，另一方面能更智能地服务好客户，让客户足不出户就可完成整个贷款流程。此外，陆金所控股正在尝试训练封闭域的生成式对话引擎，以更好更智能地满足客户服务的多样化需求。
在信也科技（FINV.N）算法科学家倪博溢看来，目前有实力的企业应该都在尝试基于AIGC技术服务于业务，首先会有在企业内部的应用（知识搜索、办公、代码辅助）和一些务虚场景，如企业形象、外宣等场景，这些甚至已经有部分实例。其次，比如客服、营销和各种与业务结合的服务会不断涌现，预计2023年会有很多企业乐意做“第一个吃螃蟹的人”，在实际业务中运用AIGC生成真实产品或服务成果。
落地时间与效果待观察
从组建模型开始，到实际应用至产品与服务中，还有哪些路要走？安光勇告诉记者，从组建AIGC模型到实际应用，大致需要以下几个步骤：数据采集和清洗、模型训练、模型测试和评估、部署和应用。目前可以看到，互联网厂商已发布的模型还需要不断迭代和优化，才能取得更好的效果。相比较而言，金融领域的AIGC应用可能会更加复杂，需要考虑数据的安全性和合规性等问题。至于我国AIGC能否应用在金融业务中并产生有效成果，取决于不同的应用场景和数据质量。一些应用场景可能已经具备了较好的数据基础，效果可能更容易突出；而一些应用场景可能需要更多的数据采集和“清洗”等工作，需要更多的时间和精力。
天使投资人、互联网专家郭涛认为，AIGC大模型研发需要深厚的人工智能相关技术沉淀、海量的训练数据、持续优化的算法模型和完善的生态体系等，从研发到商业化应用需要较长的时间，基于AI大模型的AIGC耗费的时间需要更长，面临的各类阻碍也更复杂，商业化的时间少则几年多则数十年。
在萨摩耶云科技集团首席经济学家郑磊看来，大部分金融科技公司所做的应是基于大模型的AIGC应用类产品研发，要从零开始训练一个大模型，所需的成本和时间是大多数企业无法承受的。AIGC可以将已有的大模型作为基座，开发行业垂直应用。但需要注意的是，目前的语言大模型输出结果仍不够可靠，内容不一定正确，有些时效性不强，在金融等对安全性、准确性有较高要求的行业，距离“可使用”还存在不小的差距。同时，基于大模型的AIGC产品需要使用行业数据进行更多训练和微调，而数据的使用是否安全、合规存在疑问，需要进一步作出规范或制定相关标准，这些工作很难在短时间内完成。此外，AIGC除了可以基于大模型，也存在其他技术路线，企业在产品研发过程中有较高的不确定性，这类产品更多是试验性的，可能有助于提高一些岗位的工作效率，产品本身需要不断完善和迭代升级。
北京社科院研究员王鹏也表示，AIGC应用在金融行业，数据的合规确实是一大挑战，具体到个人隐私的保护、数据本身的合规性与风险，是需要行业共同讨论的话题。对此，企业需要紧跟有关部门出台的相关规定，行业内部可以建立自律性组织，也可以通过技术方法来增加合规性，或根据行业发展及时作出必要的调整以增加灵活性。
对于如何应对数据质量和合规挑战的问题，费浩峻认为，对于数据质量问题，可以从数字化改造的源头进行标准化建设，以大模型基座对数据进行“清洗”和筛选，做增量可积累的数据清洗工作，最重要的是对数据质量问题有充分的重视，并且设置有严格一致性的评估指标和方法。而在合规方面，商用级需要重点解决的问题是轻量级和易用性。未来，金融领域对于大模型的应用一定是在其私有化部署之上的应用，私有化部署的专业垂类金融大模型，加上与之匹配的可扩展的API（应用程序编程接口），二者相结合将会充分保护数据。
对于AIGC应用与金融业的前景，倪博溢表示，作为公共服务的大模型技术在快速持续迭代之中，它背后的数据质量才是主要因素，提升数据质量需要从体制、行业和商业举措多方面促进才能实现。合规问题也是同样的逻辑，企业自身的应用是最后一个把关者，企业的私有数据决定了最终应用的效果和边界。总体而言，AIGC的发展使得数字内容的质量、生产效率都有了巨大提升。有AIGC的赋能后，未来的金融产品个性化一定更为精细。此外，考虑到AIGC有与元宇宙等其他技术结合的潜在空间，可以想象未来的金融客户体验能够得到极大提升。
（文章来源：中国经营网）
