重磅报告来袭：大模型金融应用的“皇冠”——智能投顾

大模型需要大合作，银行业需要加快探索引入业界通用的大模型技术策略和实践，通过推进大模型算法在银行业的应用实践，增强大模型能力，从而提升大模型服务金融行业的能力。

钛媒体国际智库发布《2024人工智能专题——金融行业大模型应用报告》（下称《报告》），《报告》对金融机构及科技企业在金融大模型进展进行观察，详述大模型在银行、保险、证券行业的落地场景，并通过包括浦发银行、网上银行、阳光保险、华福证券等多个案例呈现当前大模型在金融业务不同场景的使用情况，通过案例理解金融大模型在落地上存在的技术、制度等困难，探讨未来大模型在金融业应用的路径，以及如何在利用大模型提升金融行业效率的同时预防大模型给金融系统带来的风险。

当前，国内外各类金融机构及科技企业对大模型展开了积极的研发，并在智能客服、智能营销、智能运营等领域进行了落地。从模型的研发模式来看，主要分为自研和合作研发，其中大型科技公司与金融科技公司以自研为主，而金融机构以合作为主。从落地场景来看，当前金融大模型在银行、保险、证券均有落地场景，包括智能营销、智能运营、智能办公、智能投顾、智能风控、智能研发。

为了展示当前金融机构的大模型落地情况，本报告分别对银行、保险、证券三大金融业态对于大模型应用探索进行梳理。

银行：国有大行重视大模型技术体系研发，股份行致力于探索落地场景

头部大行在大模型技术体系研发上投入积极，并探索多个业务领域的落地；股份制银行在大模型的应用落地上展开了更积极的探索，落地场景更丰富，比如平安银行将大模型技术用于汽车金融 AI 验车场景；中小银行更多通过招标的方式，在成熟场景上布局。

在智能客服、智慧办公、智慧运营、智能研发等领域，大模型已经应用广泛，并取得了较好等降本增效的效果，中国工商银行为 20 万网点员工打造智能助手，目前已经上线，大幅提升网点效能，2023 年全年运营领域智能处理业务量 3.2 亿笔，比 2022 年增长 14%。

目前大模型应用逐渐从流程层面应用向决策层面发展，但尚未出现“颠覆性”应用。相比国内大型银行倾向于基于通用大模型开发自己的金融大模型，海外银行通常是基于 ChatGPT、Llama、Google Cloud 等海外知名大模型落地应用。

保险：最契合大模型的金融业态，成熟应用场景降本增效成果明显

保险无疑是与大模型落地最为契合的金融业态，大模型将重构保险的销售、核保、理赔、服务等多个环节，通过对当前保险行业关于大模型落地的梳理，主要有以下三点发现：

首先，保险行业大模型落地场景广泛，应用场景较多的为代理人销售助理、营销素材生成、知识问答助手、编码辅助工具、智能办公助手、智能理赔。其次，目前在较成熟的应用场景，保险业已经实现了较好的降本增效效果，比如，平安集团在其 2023 年年报中披露，“2023 年，实现智能引导客户自助续保 3,003 亿元，同比增长 13%。平安拥有国际领先、亚洲最大的后援服务平台， AI 坐席服务量约 22.2 亿次；智能化理赔拦截减损 108.2 亿元，同比增长 16.0%。”最后，在条款自动审核、核保辅助支持、保单摘要、欺诈规则发现等高价值场景，目前仅有少数保险公司尝试。

证券：大模型应用尚处初级阶段，多用于非决策类业务场景

在投资银行、财管管理、机构交易等领域，大模型都有着丰富的应用场景，不过大模型和证券的融合仍处于初级阶段，多为业务场景简单的非决策类环节。例如，在投行业务领域，可以利用大模型的数据关联能力，穿透各种指标，识别因果关系，为业务加强风险防范保障；利用大模型的生成能力，辅助编写尽调报告、招股书等；在财富管理领域，大模型可以学习客户经理、研究员、投资顾问的能力，成为客户私人定制的财富顾问。

从大模型的特点和优势可以判断，大模型在金融业务上的应用前景十分广阔，从前台到中后台的各业务条线，大模型的应用潜力均有待挖掘的空间和潜力，大模型能够帮助金融机构挖掘细分市场，优化金融服务水平，提升内部管理效能，降低运营成本，完善风控体系。

挑战与困境：大模型在金融业落地面临五大难题

由于银行业本身的特性，不管是政府层面还是行业监管层面对银行数据的合规性、安全性、准确性、可信性都存在较高要求，因此运用在银行业的大模型技术都是研发成熟品。从整个大模型行业来看，部分业内人士认为，银行业大模型的落地进展略滞后于整体行业。

软通动力孙洪军表示，他们最初预测金融行业可能会最先大规模使用大模型，但从最终对接客户的情况来看，金融行业不如法律、招聘等行业走得快。

银行业的大模型正面临着落地困境，因此对于现阶段还未开发大模型的银行，第一步是列举出目前银行的大模型困境，并思考如何解决这些“桎梏”，而不是盲目跟风训练大模型。

目前限制银行大模型发展的难题主要来源于五个方面，分别是，开发阶段的技术门槛、人员和成本问题，数据来源、数据质量和隐私保护问题，运行过程中的算力和存力配置问题，对客层面的可解释性和信任度问题，开发后的内部员工“恐惧”等问题。

破局之道：大模型在金融业应用路径探索

大模型有时候会生成看似合理实际却无法应用于实际情境的内容，这被称为 “幻觉”问题，也被调侃为“已读乱回”，这是大模型落地的主要困境之一，银行业务场景不同于 ChatGPT 等商用对话类大模型提供的消费级对话场景，一旦大模型出现推理错误和产生幻觉，轻则影响客户体验，重则影响金融系统安全，需要采取审慎态度。

针对此类问题，不少专家提出了“大模型+小模型”的解决方案。北京大学汇丰商学院管理学教授魏炜及合作者深圳市司普科技有限公司 CTO 黄洪武提出一种“生成型大模型、辨识型小模型与 AI Agent 系统的融合应用”的数智金融技术新范式。在这种架构中，生成型的大模型与辨识型的小模型相结合，并且引入了 Agent 系统，以提供更精准和全面的数据处理及决策支持功能。生成型的大模型能够创造高质量、高相关性的内容，而辨识型的小模型则负责识别内容的准确性和实用性，确保生成的信息与现实世界的数据和情境相符合并能溯源。

此外，大模型是个资本门槛极高的领域，无论从人才的投入，还是从算力的需求来看，都是一个“烧钱”的项目，即便是大型金融机构也需要增强外部合作才能持续推进。因此，强化同行业、跨行业的合作，整合各方资源，才能够重塑大模型开发落地能力。

北京国家金融科技认证中心有限公司总经理张海燕认为，一方面，大模型需要大算力，当前国内算力市场面临算力供给短缺，国产 AI 生态不足，机房网络建设等情况，金融机构需要深化与产业各方的合作，来共同推动解决大规模算力部署和应用挑战。另一方面，大模型需要大合作，银行业需要加快探索引入业界通用的大模型技术策略和实践，通过推进大模型算法在银行业的应用实践，增强大模型能力，从而提升大模型服务金融行业的能力。在此基础上，提升创新能力，大模型要在银行业深化应用，就需要探索形成一套面向银行业的高标准、低门槛的银行业金融大模型应用模式。（本文首发于钛媒体APP，作者｜李婧滢，编辑｜刘洋雪）

更多宏观研究干货，请关注钛媒体国际智库公众号；对话框输入【金融大模型】，可领取重磅报告《2024人工智能专题——金融行业大模型应用报告》全文。