有點數·數字經濟工作室原創 作 者 |有 叔

大模型“入侵”金融業。

不斷迭代升級的生成式AI，開啟了一場盛大的科技革新，推動金融業的數字化升級，全面進入到了數智化階段。

對于金融機構來說，深入推進數智化建設正成為未來最大的確定性之一，在實現精準觸達、優化客戶體驗、提升運營效率、防范業務風險等方面提供了新范式、新思路、新動能。

如今，螞蟻、騰訊等互聯網巨頭也早已躬身入局，推動“人工智能+金融”往縱深挺進。

0 1 | 。各顯神通，大模型全面融入金融業

ChatGPT引爆生成式AI熱潮以來，大模型無疑成為此后的技術熱點。

金融業對大模型的趨勢已有共識——獲客方面，基于算法可以分析大量結構化和非結構化的數據，建立全面動態的用戶畫像并助力實施精準營銷；運營方面，自動化的決策和處理流程可幫助機構提供更高效、個性化的客戶服務；風控方面，通過監測和分析交易數據識別異常與欺詐行為，提升風險評估和預測質量，并降低合規風險等。

工商銀行、農業銀行、興業銀行、中信銀行、北京銀行等10家商業銀行已經率先行動，宣布已發布大模型或者處于籌備中。

民營銀行中，微眾銀行推出微創投平臺，突破性地應用AI大語言模型提升投融資匹配效率。其打造的可遷移、可自我進化的人機交互系統平臺，提供身份核驗、語音客服、智能質檢應用服務，助力企業客服管理全流程智能化無人化，實現24小時秒級響應。網商銀行也表示正把AI和大模型應用于小微金融實踐。

基于其長期在人工智能技術上的積淀，馬上消費從算法、數據、算力等維度做了一些嘗試和探索，率先發布了零售金融領域首個大模型——“天鏡”，目前已應用在營銷獲客、風險審批、客戶運營、客戶服務、安全合規、資產管理等典型金融場景。

在智能營銷和客服方面，“天鏡”的意圖理解準確率達91%，相較于傳統AI的68%有較大提升；客戶參與率61%，高于傳統模型43%和人工坐席平均57%的水平，明顯提升金融服務質效。

螞蟻集團提出了“大模型+知識+服務”驅動的架構，以金融專屬任務評測集Fin-Eval為基礎，在萬億量級Token的通用語料基礎上，注入千億量級Token金融知識，構建金融大模型內核。

仿金融專家多智能體協同推理能讓智能客服具備邏輯能力，比如針對“汽車分期付款怎么辦”這類的問題，它會細致到車輛類別、用戶偏好等多個場景，歷經十多個推理環節，最后給出建議。

在用足夠多的高質量指令集進行微調后，螞蟻金融大模型已經掌握95%的金融意圖識別，達到專家水平。其可信AI的技術架構蟻鑒2.0還能夠應用于反欺詐、反洗錢、企業聯合風控、數據隱私保護在內的多個消費金融場景。

騰訊的路徑略有不同，更專注于隱身幕后。其為金融機構提供了一站式MaaS服務, 金融機構可根據不同細分場景的業務需求，靈活選擇各類大模型，降低大模型使用成本。

在騰訊金融云的落地實踐中，通過從遠程身份認證和貸款審批自動化兩方面著手，糅合了語音、計算機視覺、活體檢測等多項AI技術，使傳統信貸業務效率大幅提升。在相關產品的體驗中，最快30秒就可以完成貸款審批的全流程。東風日產融資租賃借助騰訊云的風控大模型，在只有較少樣本的情況下就完成了定制化風控建模，建模時間節省了70%。

前身為360數科的奇富科技的路徑則更加專注于場景和業務邏輯。

奇富科技推出的高級客服QI感通可以通過語音情感計算，識別6種語言，同時有效理解、分析用戶語音中的情感信息，避免潛在沖突和投訴。在應用QI感通后，用戶服務滿意度提升至99.2%。

02 | 。秒級評價，重塑授信流程

除了智能客服、智能營銷等領域，互聯網銀行正將大模型應用放在更為核心、要求更嚴格、挑戰更大的信貸風控上，探索利用大模型強大的處理能力助力授信與風控的效率提高，打通產業鏈識別的“最后一公里”。

當信息收集與處理能力得到極大提升后，助貸企業與經營主體之間的信息誤差也在降低。

4月10日舉行的2024數字產業鏈金融行業峰會上，網商銀行宣布升級大雁系統，首次將AI大模型的能力應用于產業鏈金融。大模型破解識別難題，從前端走向后臺，強大的認知能力讓信審精細度接近于人工。網商銀行此次升級的大模型主要應用在兩方面，用知識抽取能力構建產業鏈圖譜；通過信息解析能力，對小微企業的經營情況進行秒級評價。

大模型通過知識抽取能力，從海量信息中理解數據，形成產業鏈圖譜，再通過多模態數據融合、協同推理等技術識別小微企業的主營業務，將其精準掛載到產業鏈上。

比如汽車產業鏈，大模型“看到”發動機廠商、4S店、軸承廠商等環節，然后看見每個環節分布著哪些企業，將它們編織成一張網。整個過程中，大模型就像一盞探照燈，照亮產業鏈上下游每一家小微企業。

此外，大模型能夠自動讀取大量研報，生成最適合描述小微用戶的經營畫像。

這個過程就像一個AI產研專家，研究產業——形成趨勢判斷——分析小微的各項經營數據——形成對它經營情況的評分。這些評分，一定程度上代表著它的還款能力。在大模型引入之后，強化了認知畫像的維度，使得其在量化的基礎上精細度更接近于人工審核，又降低了成本。

在傳統融資流程中，小微企業常常因為缺少抵押物以及存在經營風險被拒之門外。

因此，小微企業所經營的產品信息、上下游原材料關系就成為識別其信貸額度的關鍵因素。為此奇富科技利用大模型在信息抽取上的先天優勢，打造了小微產品知識圖譜。該圖譜收錄了1.9萬個不同領域的產品實體，能夠深入挖掘商品之間的關聯，對產品鏈路進行預測，以便更好的對產品進行估值。

隨著模型不斷完善，該圖譜在2024年第一季度再度補充了591萬泛小微用戶的行業信息，覆蓋率達到95.1%。截至2024年一季度末，奇富科技已與159家金融機構建立合作關系，幫助它們為超過5230萬小微企業和個人消費者提供授信服務。

奇富科技的資產信用全景分析技術，僅通過小微經營者的納稅記錄、經營流水、收入證明等材料，就可以分析經營者的資產和信用狀況，并精準計算授信額度。目前，奇富資產信用分析系統支持十余種資信類別，服務了60%的小微用戶，支持優質用戶平均授信達16萬元以上，2024年第一季度為泛小微用戶額外放款額超過400億元。

03 | 。少即是多，大模型要向精準發力

可以說，AI大模型和金融，正史無前例地互相需要著。

國際數據公司IDC的一項調研顯示，超半數的金融機構在2023年投資AI大模型技術。一些大模型企業高管透露，目前公司早期客戶都來自金融行業，他們對技術的泛化能力更緊迫，更需要生成式AI帶來的生產力提高工作效率、降低人員成本。

在具體實踐層面，大模型與金融的結合，依然有很多問題需要解決。金融行業對專業性的要求很高，對生成內容的容錯空間很低；提供金融服務不但要面對可量化評估的產品數據，還要有能力處理圖片、視頻、分析報告等非結構化內容；在信貸業務中風控、合規、客戶隱私等剛性要求，對大模型也是一個挑戰。

針對金融行業這個特定場景，通用型大模型并不好用，即使是ChatGPT-4也沒有辦法理解全部金融詞匯，如果因此做出一些虛假的、誤導性的陳述，就會造成嚴重的后果。因此，對于金融大模型而言，模型精度才是實現技術落地的關鍵。

金融大模型雖然參數較少，但要做得足夠精、足夠細，才能更實用。在這一點上，具有早期金融經驗的互聯網企業更具優勢。以奇富科技為例，擁有超2億的私域用戶，5230萬已授信用戶，這些都是優質的數據集。這意味著，奇富大模型可以從中學習到更豐富的語言知識，并打造一些差異化產品。

從最直接的數據層面來看，奇富GPT的參數規模在130億左右，而通用大模型參數一般在萬億級。雖然奇富大模型的參數小了，通用型弱了，但是對金融領域的理解更為深刻，不僅能形成用戶畫像，還能捕獲用戶真實意圖，甚至能夠用擬人化的語言自然的與客戶進行交流，在復雜的通話環境下，語音識別綜合準確率超過93%，意圖識別功能準確率超過95%，能夠迅速而準確地識別用戶需求并做出響應。

當大模型向精準處去，效率也會提高。比如螞蟻集團打造的消費金融風控體系，把風險挖掘、風險識別和風險打擊的速度提升至秒級；度小滿軒轅大模型，能將征信報告解讀出40萬維的風險變量，用來識別小微企業主的信貸風險。奇富科技將AIGC與大模型技術相結合，客戶觸達規模提升了21.4%，授信成本優化了9%。

目前頭部大模型廠商對于金融大模型的共識是，不過度追求大參量、大算力，保留開放生態和生長空間的同時，專精于推動現有金融場景和應用的更迭和升級。