2024金融科技趋势研究报告

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