“风口”上的大模型

 

      大模型，特别是与金融等行业结合产生的各类垂直大模型，是当前人工智能发展的“风口”，也是人工智能技术创新的前沿地带。

 

      “随着人工神经网络算法和算力的不断进化，人类通过数据驱动的大规模人工神经网络的预训练计算形成了基础大模型，从而让计算机从以人工编程为特征的‘信息处理’模式跃升到以自主学习为特征的知识处理模式。”北京大学计算机学院教授陈钟表示，人工智能的这一进展使得信息化从数字化、网络化正式进入了智能化的新高度。

 

      “我们在人工智能和大模型领域取得了显著成果。”据马上消费金融股份有限公司（以下简称“马上消费”）科技创新发展部总经理、马上消费研究院院长赫建营介绍，马上消费通过人工智能和大模型技术，实现了对C端用户的千人千面和定制化服务。

 

      “人工智能的高质量发展和应用成为金融发展的新引擎。金融机构采纳大模型技术后，将获得更广阔的发展前景，包括个性化产品与服务、价值链效率提升和决策科学性增强。”中央财经大学中国互联网经济研究院副院长欧阳日辉说。

 

      科技界人士也秉持相似的观点。中科闻歌董事长王磊表示，大模型对多源异构的数据的理解和认知以及数据生成带来革命性变化。未来，大模型将在金融决策、时间序列分析、投资组合优化、风险控制方面服务金融业实践。

 

      不过，也有专家认为，大模型应用总体上还处于早期探索阶段，仍面临不少挑战。一方面，金融数据的私密性和多模态特性，限制了共享和构建大规模数据集的能力，增加了模型建立和处理的复杂性，使大模型在金融垂直领域仍未出现涌现效应；另一方面，数据安全治理也是发展金融大模型绕不开的重要课题，亟须加快构筑形成组织、管理、技术、运营“四位一体”的金融数据安全治理体系框架，提升协同共治水平。

 

      应用创新方向何在

 

      结合自身大模型的发展经验，第四范式高级副总裁俞晖认为，真正发挥作用的行业大模型，是在实体经济核心业务场景的大模型，而不等同于行业大语言模型。

 

      尽管大模型迭代速度加快，是近两年人工智能极其热门的领域，但如何打破人工智能技术成果转化的瓶颈，让大模型更好地服务实体经济是当下最重要的行业课题之一。

 

      从大模型技术走向应用落地，需要金融行业的金融大模型与数据、场景相结合。

 

      在拓尔思金融和产业大脑中心总经理周宁捷看来，大模型在实际应用中需要兼顾经济性。“从工程化和产品化的技术路线看，可以尝试利用小样本微调，快速实现一些应用场景，真正让用户有一些非常好的智能化体验，进而建立比较好的消费闭环，形成一个反馈数据以后，再去训练模型，从而形成靠谱的行业大模型。”他说。

 

      谈及如何优化大模型以更好地服务金融高质量发展，专家建议从加强基础设施层建设，发展数据、算法模型和算力，促进科技企业和金融机构跨行业合作等方面来推动。

 

      从ESG角度来看，“构建大语言模型需要机器对大量人类撰写的文本进行分析，这些计算会消耗大量的电力，并产生大量的热量，数据中心需要抽水到冷却塔来保持机器的温度。”北京航空航天大学经济管理学院教授李平认为，在统筹布局人工智能大模型产业时，还需要高度重视并有效解决水资源消耗过大的问题，旨在确保产业发展和资源消耗之间的平衡，实现可持续发展目标。对此，她建议，北京乃至全国可摸底调查并统筹规划大模型产业；强调区域协同发展与资源共享，强化区域间算力中心的协同作用；在审批新的大模型开发项目时，强化对申请方节能降耗技术方案的要求，促使企业主动探索和实践节水节能技术，努力改进大模型的计算性能和训练效率，降低单位产出的能耗水平。