1 2 3 4 数智新应用 5 趋势一：大模型对场景普遍渗透，以“中控”为核心的生态范式初步定型 趋势简介 近期，国内外出现了许多大模型并形成了百模大战的现状。研究指出，金融行业头部机构会在未来1年内在相对成熟的场景中尝试引入大模型，以及生成式AI能力。大语言模型时代的到来，为投研、投顾、风控、研发提效等场景带来了新的想象空间，行业在关注大模型本身建设的同时，作为连接大模型与应用的“中控”成为了行业未来大模型生态的核心。 趋势阐述 国内外大模型的涌现，呈百模大战的态势，例如：OpenAI的ChatGPT、谷歌的PaLM、Meta的LLaMA、清华的智普、华为云的盘古、百度的文心、阿里的千问、科大讯飞的星火、商汤的日日新等。预计2024年，已针对人工智能有领先性的探索且硬件配备较完善的金融机构，会尝试在一些业务场景中引入大模型以及生成式AI能力。此外，RPA作为扩展Al落地的“最后一公里”，将助力大模型扩展其应用边界，且通过易于使用、易于管理的部署来帮助Al加速转型，增强认知决策能力以处理复杂的长链条业务，降低运维成本来提升应用价值。未来，金融行业在推动大语言模型的应用落地过程中，将会遇到生成式深度合成类应用行业的强监管以及数据安全境内保护的强监督。 专业化的面向资本市场的金融大模型：金融领域具有复杂的金融知识和特殊的投资决策需求。为更好地满足行业特性，研发金融领域垂直大模型势在必行，典型代表有彭博的BloombergGPT和恒生的LightGPT。这类模型能够触达金融 6 市场动态，学习和掌握投资组合优化、风险评估、金融法律法规等相关领域的知识。 与大模型本身建设相比，大模型配套基础设施建设同样重要。通俗来讲，有了新工具，新工具的使用指南，也十分重要。构建连接大模型和行业应用的“中控”基础设施，对于像金融这样受到强监管的垂直细分行业在内容合规、业务适当性、部署模式和数据流向等数据安全方面都是至关重要的。 “中控”基础设施，由三大部分组成：共性大模型插件、大模型工具链（任务编排和指令流水执行）、行业资源图谱。 金融大模型插件：减少幻觉——连接文档、数据库、API、元数据 金融领域存在大量数据需要连接，如行情、上市公司信息、基金基础信息、金融机构内部知识库文档等，因此需要大量共享插件能力，例如文档的解析处理能力、自然语言转SQL能力（NL2SQL）、智能API调用能力等。这些能力以插件的方式存在，构成对大模型能力的重要补充。 更加智能的工具链：规划和执行——智能体（Agent） 与大模型配套的转接工具链，是大模型“中控”的基础部分之一。它负责处理输入输出、数据转换和模型部署，特别是任务编排和指令流水执行等任务。幸运的是，目前已经有很多这样的开源组件被证明是有效的，可供选择，但是现阶段基本是靠手工拆分任务和规划。 为了更加智能化地处理、执行未见过的复杂任务，AI Agent 是时下热门的一个方向。在 OpenAI 应用研究负责人 Lilian Weng 撰写的一篇万字长文中，她提出 Agent = 大模型+ 记忆 + 规划技能 + 工具使用，以「输入一段指令自动实现复杂任务拆分和函数调用」的场景为例来构建基础 Agent 流程，并侧重讲 7 解如何通过「基础模型选择」、「Prompt设计」等来成功构建「任务拆分」和「函数调用」模块。例如问“某个基金经理怎么样”，通过大语言模型拆分任务，对基金经理基础信息（姓名、学历等）、任职情况、历史收益等因素进行拆分，并完成相应的Prompt设计，最后调用相关基金经理卡片的API得到最后的结果，从而完成相对复杂的任务。 更专业的行业资源图谱 与大语言模型相配套的基础设施还包括应用侧的资源组织。从金融等垂直行业的需求来看，由于语料原因，单纯依赖大模型本身可能在短时间内没法快速满足金融业务场景的深度需求，需要在运行过程中结合丰富的应用侧专业化数据资源和计算资源，才能为面向特定应用场景的人工智能赋能。比如近几年新出现的向量数据库和图数据库，在应用侧资源组织中发挥着重要作用。 向量数据库主要应用于大模型训练、推理和知识库补充等场景，在接入层、计算层和存储层等方面已实现了全面的语义化。向量数据库可以用于大模型预训练数据的分类、去重和清洗等任务。在大模型学习阶段，向量数据库接收多模态数据进行向量化表示，让大模型在训练时能够更高效地调用和处理数据。在大模型训练方面，向量数据库的应用也非常广泛，此外大模型在调用API过程中，向量数据库通过对API进行检索，也可以确保API调用后执行得到相应的实时数据。 因此，数据库、图数据库对于组织企业和行业内部的数据要素资源、应用接口资源、流程角色资源和业务逻辑资源至关重要。我们可以将其打造成“中控”核心引擎，实现与大模型的统一对接，通过工具链将大模型解析的用户意图与企业和行业资源进行编排，按需集成和通联。这一环节也是未来制定大型语言模型行业标准的核心环节，具有重要的战略价值。因为在垂直领域的场景中，以大模型为 8 中心的插件联盟模式并不适用，而以中控为中心的企业和行业人工智能能力中心模式，将更具领先优势。 典型场景 大模型正深刻影响着金融行业的智能化水平和数字化程度，开启了金融行业智能化转型升级新的大门，从场景层面来看，大模型与金融行业有很多结合点，包括但不限于以下几点： 1）投顾 大语言模型可用于辅助投资顾问工作，针对投资者生成个性化的投资建议，供投资顾问参考，极大地提高了投顾工作效率。通过分析客户的投资偏好、风险承受能力以及市场动态，大语言模型能够为客户初步生成符合其需求的投资策略。此外，大语言模型还可以用于辅助资产配置、组合优化、基金筛选等投资管理工作，提高投资效率和收益。 2）客服 金融机构可以利用大语言模型搭建智能客户服务系统，针对客户咨询提供24小时不间断的在线服务和有效的解决方案。智能客服可以处理包括账户查询、交易操作等各种类型的问题，人工客服的工作量将大量减少。同时，智能客服还可以实时学习和优化，不断增进对客户的洞察理解，提升服务品质，这种进化能力超越很多金融从业者。 3）舆情风控 大语言模型可以赋能金融机构监测舆情，及时挖掘潜在风险。大语言模型在海量数据基础上进行预训练，通过对互联网上的新闻、社交媒体等公开信息进行实 9 时分析，可以挖掘出可能对金融市场产生影响的重要事件和趋势，更好地理解和响应客户需求。 4）运营 金融机构可以利用大语言模型对内部运营数据进行深入分析，发现业务流程中的痛点和优化点。大语言模型可以辅助金融机构挖掘客户需求、优化产品组合、提高市场推广效果等，进一步提升运营效率和客户满意度。 5）投研 在投资研究领域，大语言模型可以辅助分析师快速获取和处理大量信息。例如，对公司财报、行业研究报告等文本数据进行自动摘要、关键指标提取，提高研究效率。同时，大语言模型还可以通过对海量历史数据的挖掘，发现投资机会和风险信号，辅助投资决策。 6）监管合规 随着注册制的推进，金融市场对投行底稿的审核要求越来越高。大语言模型可以帮助投行和监管部门更高效地审核IPO、并购重组等项目的底稿资料，通过自然语言处理技术，分析底稿中的文字、数据和图表，快速发现潜在的问题和风险。 信息披露审核是金融监管的一个重要环节，主要关注上市公司、证券公司等金融机构的公开信息披露是否真实、准确和完整。大语言模型可以辅助监管部门自动化地审核金融机构披露的信息，识别出不符合规定的内容，提高审核效率和准确性。同时，大语言模型还能辅助金融机构进行自查，确保信息披露的合规性。 7）软件研发提效 大模型技术的引入将对信息技术每一位从业者产生深远影响，从软件开发者到产品经理，再到用户支持团队、运维团队等，都将在生产力的提升和工作方式 10 的变革中受益。 机构IT规划建议 1）理场景 确定应用场景。首先，金融机构需要明确希望在哪些方面应用大模型，如投顾、投研、客服、运营等。然后，针对不同的场景，制定合适的模型应用计划。 2）储算力 提前规划。鉴于GPU采购周期较长，建议机构提前半年规划和储备适用于各种场景的GPU资源。这样可以确保在实际需要的时候，能够及时获得足够的计算资源。 3）选模型 确保机构选择的大模型在金融领域有良好的表现，可以通过与业内专家合作、调研相关文献等方式进行评估。避免盲目选择通用模型，而是根据实际需求选择专为金融领域设计的模型。 4）建队伍 外部分享与学习。组织团队成员参加行业内的分享会、研讨会等，以便了解金融领域的最新发展趋势和技术进展，从而更好地指导大模型的应用。投资于培养团队成员的技能，使他们能够有效地操作、管理和优化大模型。这可能包括深度学习、自然语言处理等领域的培训。 其他建议： 11 1）积极参与行业标准建设：生成式人工智能目前仍处于技术炒作的巅峰期，其落地应用仍未出现大规模的典型案例，因此需要积极参与行业对大模型数据标准、应用标准、架构标准等一系列标准建设工作。 2）推动行业级大模型平台的建设：机构在算力、云资源、模型本身储备有限，行业级大模型的建设将有助于解决机构间重复建设、数据安全、应用合规以及生态连接等一系列问题。 3）谨慎预训练，投入产出平衡：考虑预训练成本。大模型的预训练过程可能需要大量的计算资源和时间，而且投入产出比可能不总是很高。在决定是否进行预训练时，需要综合考虑成本与预期收益。 4）法律法规遵循：大模型可能面临模型风险等监管问题。金融机构在构建大模型时,要确保模型遵循监管机构的相关要求，遵循国家和地区相关的法律法规，例如参考数据安全法、网络安全法、个人信息保护法等，制定并执行相应的用户隐私保护政策。 12 趋势二：低代码融合Copilot等代码辅助工具，走向研发提效新纪元 趋势简介 作为AI增强开发的重要组成部分，以Copilot为代表的AI编码助手对低码行业产生了较大的影响，并引起广泛关注。低代码与Copilot将互相融合，全链路赋能到研发流程，包括编码前需求、设计的质量提升，到编码工作转向半人工的效率提升，以及编码后的测试、部署、运维智能化、自动化变革，低代码+Copilot将会领衔软件工程3.0时代，给研发提效带来新的生机。 趋势阐述 2022年末，OpenAI更新版本至GPT-3.5-turbo，GitHub Copilot代码辅助工具的代码生成和智能助手能力大幅提升。AI编码助手服务于研发环节提效，对低码行业产生了冲击，并引起广泛关注。 1. 代码辅助工具(如Copilot)持续升级的影响 GitHub Copilot基于OpenAI版本的持续升级对低代码行业可能产生冲击性的积极影响。它有助于提高开发效率、降低学习成本、提供定制化选项，但同时也需要开发人员注意代码质量和安全性的保障。这样的升级和进步有助于推动低代码行业的发展，为开发者提供更好的开发工具和体验。具体为以下几个方面： 1）持续增强开发效率：随着GitHub Copilot持续升级，它的代码生成能力和智能提示能力将不断改进和优化。这将使低代码开发人员能够更快速地生成高质量的代码、快速原型验证和迭代。这进一步提高了低代码平台的开发效率和灵活性。 13 2）持续降低学习成本：低代码平台旨在让非开发人员无需深入的编程知识也能快速构建应用程序。随着GitHub Copilot的不断升级，它可以为低代码开发人员提供更多自动化支持和智能建议，减轻对编程语言和框架的依赖。低代码行业的学习门槛将进一步降低，更多公民开发者可以与专业开发者协作。 3）提供更多定制化选项：随着GitHub Copilot的版本迭代，可能会引入更多的定制化选项，允许低代码开发人员根据自己的需求和偏好进行调整。这可以满足不同项目和行业的特定需求，提供更灵活、可定制和个性化的低代码开发体验。 4）辅助缓解代码质量和安全性问题：尽管GitHub Copilot可以辅助代码的生成，但质量和安全性仍然是必须关注的问题。低代码开发人员需要仔细审查生成的代码，确保其符合最佳实践和项目要求，避免潜在的代码漏洞和安全问题