中国金融大模型发展白皮书

⸺ 中 国 金 融 大 模 型 发 展 白 皮 书 目录 核心观点 �� 第一章 百舸争流：AI大模型发展概述�� �.� AI大模型与新质生产力�.� 国内外AI大模型的发展现状�.� AI大模型应用发展整体现状������ 第二章 聚焦行业：金融行业大模型概述�� �.� 金融行业大模型应用的特殊性�.� 金融行业大模型应用落地面临的挑战���� 第三章 落地进展：大模型催生效率变革 金融行业务实求效�� �.� 大模型在金融行业的典型应用场景梳理�.� 生成式AI在金融行业场景应用流程梳理���� 第四章 金融行业大模型的应用路径与关键能力�� �.� 金融机构落地大模型的应用路径�.� 金融机构选择或部署大模型时的关键能力要素���� 第五章 展望未来：金融行业大模型的发展趋势�� �.� 大模型技术创新与发展趋势�.� 行业应用场景的拓展趋势���� 第六章 关于中电金信�� �.� 中电金信公司介绍�.� 中电金信人工智能产品及能力介绍�.� 中电金信AI大模型在金融行业的服务案例������ 核心观点 AI大模型成为新质生产力的重要组成部分，国内外科技公司正加速布局 AI大模型已成为新质生产力的重要组成部分，能够大幅提高生产效率，优化资源配置，降低生产成本，为企业高质量发展提供强大的技术支持和动力。当前，美国、中国、日本、欧盟等全球主要地区的科技公司正加大大模型技术的创新及应用。在未来GenAI投资分配上，中国和全球企业几乎都会平均分配在生产力提升应用场景、跨行业水平职能应用场景、以及垂直行业专属应用场景上。 金融行业AI大模型的研发投入和应用较为显著，且具有一定的应用特殊性和应用挑战 近两年，金融行业在AI大模型的研发投入和应用方面亦走在市场前列。根据IDC数据显示，����年，中国金融行业AIand Generative AI投资规模达到���.��亿元，到����年将达到���.��亿元，增幅达到���%。同时，金融行业属于信息密集型、风险规避及强监管行业，在推进大模型落地过程中，相比其他领域，金融行业对数据质量、推理准确性及响应速度，以及在管控、合规、安全层面的要求都更高。同时，根据IDC调研数据显示，数据治理、模型治理、以及合规应用是金融机构落地大模型/生成式AI更需求关注的要素。 AI大模型在金融行业的应用场景正从简单到复杂加速分步推进 IDC认为，生成式AI的行业应用往往都是循序渐进的过程，一般是逐渐从内部辅助运营到外部对客提效、从业务边缘到核心，相应地AI对金融机构的价值也逐渐增大。在未来��个月内，支付清算、智能投研、内部研发（代码生成、测试等）、数据分析（报表生成与分析、数据建模、数据决策等）、欺诈/洗钱/威胁监测、资产管理（资产尽调、资产评估及定价等）是金融机构主要的落地场景。在应用流程方面，IDC认为，金融行业生成式AI应用场景的落地可以从场景应用评估与选择（如技术解决方案评估、项目管理及风险评估、投资回报分析）、以及面向场景的工程化落地（如模型选择、技术路线、数据及算力准备、模型训练及调优、以及系统集成与部署、组织协同等）等层面分步推进。 金融机构应根据其资源能力选择不同的大模型应用路径，并需打造多样化的能力要素 当前，不同类型的金融机构在推进大模型的落地中，有着不同的路径选择，其可根据自身战略目标、业务需求、技术能力、资源禀赋、风险偏好来决定是否自主建设、基于已有模型微调，或是采用其他方式来利用GenAI能力。同时，IDC认为，金融机构在落地大模型的过程中，需要综合考虑打造数据价值链管理、模型的选择与部署、AI平台搭建、以及AI治理等要素能力。尤其是在数据价值链管理方面，IDC认为，金融机构的数据价值链管理是生成式AI在金融场景中有效发挥价值的基石，其核心目的是提升数据质量、数据可用性以及确保数据的合规获取，有利于金融机构面向不同的应用场景快速构建高质量的数据集，并为后续金融大模型的规模应用奠定坚实的基础。 多模态技术、AI智能体、以及通过大小模型协同应用和构建大模型生态资源共享平台是金融机构落地大模型的主要趋势 随着大模型技术的发展，大模型的参数规模也将显著增长，多模态技术及智能体亦将在金融机构中深入应用。一方面，多模态之间的融合将使得AI大模型能更深刻地捕捉复杂场景背景、细节和情感，使其更快的感知和适应场景，并能应用于更加复杂的金融场景。另一方面，AI智能体通过“感知-认知-推理-决策-组织/行动”的闭环，及其在数据处理、智能决策与自然交互等方面的卓越能力，预示着它将在客户服务、业务流程优化及业务效率提升等多个关键领域发挥核心作用，为金融机构带来前所未有的价值创造。此外，IDC认为，通过大小模型协同也能驱动金融机构在更加多样复杂的场景中的应用。同时，通过构建大模型生态资源共享平台，向金融机构提供大模型应用所需的全套资源，是金融机构大规模应用生成式AI的主要路径之一。 第一章 百舸争流AI大模型发展概述 �.� AI大模型与新质生产力 当前，人工智能正以前所未有的速度和规模渗透到我们生活工作中。人工智能是数字基础设施建设的重要组成部分，是新一轮科技革命和产业革命的核心驱动力，在人工智能技术的加持下，全球的数字化转型已进入倍增创新阶段，同时以多模态大模型为代表的新型人工智能技术正高速发展。 ����年�月��日，习近平总书记在主持二十届中共中央政治局第十一次集体学习时，进一步强调发展新质生产力是推动高质量发展的内在要求和重要着力点。而以AI大模型为主的新技术，作为各行业的新质生产力的重要组成部分，能够大幅提高生产效率，优化资源配置，降低生产成本，为企业高质量发展提供强大的技术支持和动力。尤其是随着AI Agent的潜力被不断挖掘，以AI Agent为核心的人机协同将为业务洞察与决策提供新的能力支撑，为金融机构构建领先的新质生产力。未来推动金融业逐步走向智能化金融的演化，实现超高数据处理与实时决策的融合，推动着普惠金融、金融供给侧改革、客户体验/个性化服务不断深化。 �.� 国内外AI大模型的发展现状 当前，大模型技术加速发展，美国、中国、日本、欧盟等全球主要地区的科技公司正加大大模型技术的创新及应用。美国在生成式AI方面起步较早，OpenAI、GoogleDeepMind、Meta等科技公司在生成式AI领域取得了里程碑式的进展。在中国，百度、阿里、华为、腾讯、京东、科大讯飞、字节跳动等科技公司也纷纷发布了基座大模型，且加速推进其在各行各业的落地。而欧盟的科技公司也加速应用生成式AI，且其更倾向于在细分领域（如医疗、金融等）应用生成式AI，而不是开发通用的大规模生成模型。例如，英国的DeepMind是生成式AI领域的重要力量，其生成模型在文本生成、游戏AI等方面表现突出。日本在生成式AI的技术开发上相对滞后，其在机器人和自动化领域具备全球领先的技术实力，但在自然语言生成和通用图像生成等方面，尚未推出具备国际竞争力的大规模模型。 不过，日本的一些企业和科研机构也在逐渐跟进，根据日本政府发表的《信息通信白皮书》表示，未来的增长潜力不容忽视。��.�%的受访者表示，在合适的情况下，愿意尝试使用生成式AI。 �.� AI大模型应用发展整体现状 大模型作为带动产业/组织服务效率及范式变革的重要技术，已经具备较高的识别准确率和较强的场景泛化性，在多模态的任务下也有明显的突破，全球诸多企业已在金融、电商、能源等行业“试水”。 据IDC全球调研显示（如图�），全球已经有��%的企业在生产环境中引入了几个GenAI增强的应用，并专注于扩展；中国的这一比例仅为�%，但中国开始投资或做POC测试的企业达��%。 在未来GenAI投资分配上，中国和全球企业几乎都会平均分配在三类应用场景上（大约各�/�），如图�。 目前，基础大模型建设已经较为完整，诸多云服务商、AI技术服务商、数据服务商等均推出其基座大模型，且各具特色，未来将会进入大模型应用跑马圈地阶段，行业应用场景数量也将爆炸性地多元化增长，且会逐渐从辅助运营类的业务场景向决策管理场景深入。 第二章 聚焦行业金融行业大模型概述 金融业在我国经济中举足轻重，金融机构通过提供资金流动和管理服务，为个人、企业和政府的各种经济活动提供必要的资金支持。近两年，金融行业不断地利用新兴技术推进业务高质量发展，尤其是在AI大模型的研发投入和应用方面亦走在市场前列。根据IDC数据显示，����年，中国金融行业AI and Generative AI投资规模达到���.��亿元，到����年将达到���.��亿元，增幅达到���%。 �.� 金融行业大模型应用的特殊性 如今，金融科技已经从“立柱架梁”迈入了“积厚成势”新阶段，越来越多的金融机构积极使用AI大模型等新技术助力其实现高质量发展。AI大模型虽在金融行业有较多的应用场景和应用价值，但是，金融行业属于信息密集型、风险规避及强监管行业，在推进大模型落地过程中，相比其他领域，金融行业对数据质量、推理准确性及响应速度，以及在风控、合规、安全层面的要求都更高。同时，根据IDC调研数据显示，数据治理、模型治理以及合规应用是金融机构落地大模型/生成式AI更需求关注的要素。 在数据层面，金融行业处理的数据往往涉及客户的隐私信息、交易记录等敏感数据，数据来源多样且数据质量参差不齐，而数据规模、数据质量和多样性会影响大模型在具体场景应用的效果和性能。若输入的基础数据不准确或时效性较差或存在数据操控问题，那将直接影响模型微调效果，以及模型输出的准确性。同时，训练数据可能存在性别、种族及主观因素等方面的偏见。如果这些偏见被应用到金融决策中，可能导致模型在决策和预测中产生不公平或歧视性的结果，如何解决数据的合规获取及保护信息/内容版权，并合理设置相关的诉讼机制和监管及罚款机制，也是金融机构落地大模型需要解决的问题。因此在数据准备阶段，涉及数据获取、数据脱敏/数据处理、数据清洗和数据标注等复杂工作，在此过程中尤其需要注重数据隐私保护，确保数据安全和符合隐私法规。 在模型层面，金融行业业务复杂度更高，金融领域的决策和分析通常要求精准的回答和实时的响应，对模型推理的推理速度和精度都有较高的要求。如果金融大模型/生成式AI做出虚假的、误导性的陈述，或推理与响应速度较慢，就会造成严重的决策损失和较差的用户体验。在应用人工智能技术时，大模型因其黑盒效应（复杂的模型结构和庞大的参数，难以线性化表达），可解释性、透明性及安全性也有待提高，金融机构需着重解决大模型的安全性和可解释性、透明性，以防范模型和算法风险。 在安全与合规层面，金融领域对于数据安全、监管合规和风险控制具有严格的要求，需要遵守各种法律法规和国家金融监管机构的要求。大模型在应用中必须确保符合风控和合规要求，防止欺诈、洗钱等非法活动，并保护客户利益。同时，随着网络攻击手段的不断升级，大模型在部署和运行过程中需要采取严格的安全措施，防止数据泄露、篡改和非法访问。此外，在当前市场中，围绕提升客户体验、增强数字化经营能力，深度服务客户已成为推动金融机构发展的关键要素，金融行业大模型落地各个环节需要以客户体验为中心，且GenAI应用又促使金融服务模式及客户体验的升级。 �.� 金融行业大模型应用落地面临的挑战 大模型在金融机构中的应用场景广泛，且应用成本较高，所需关注的安全合规问题较多，金融机构需以谨慎的态度去推进大模型的应用落地。如何选择合适的应用场景及如何推进其在金融场景中的有效落地，是当前金融机构在大模型应用落地中重点关注的问题。 首先，在应用成本考量方面，金融机构训练模型需要大量的算力资源，资源调度需要使用更优化的硬件设备来提升训练速度。尤其是在处理千亿级参数的大模型时，对算力的需求更是呈指数级增长，其所投入的成本也较高。根据IDC调研显示，算力限制及技术投入成本高是金融机构在推进大模型/生成式AI过程中的最主要的两大阻碍因素。 其次，在应用场景选择方面，在推进大模型落地时，有哪