金融業界は常に新しいテクノロジーをいち早く導入し、非常に早くから AI の実験を開始しており、産業用 AI の「優等生」とも言える業界であり、優れた情報化とデジタル基盤を備えています。金融機関のフロント、ミドル、バックオフィスのあらゆるシナリオにおいて、大規模モデルを使用することでコスト削減と効率化の余地があります。したがって、金融も大規模モデルの実装に好ましいシナリオであると考えられます。
金融機関は誰もが思っているほど AI について無知ではありません。実は金融分野は全業界の中でも「AIコンテンツ」において間違いなくトップクラスです。数年前、私は中国の 985 大学の人工知能学部の学部長にインタビューしましたが、彼は、AI 分野の学生は卒業後に BAT や新興企業に行くのではなく、情報センターに行くと率直に言いました。中国招商銀行などの金融機関傘下のテクノロジーセンターで、金融人工知能に取り組んでいます。
したがって、金融AIのトレンドは実際に数年前から大きく発展しており、ICBC、平安、中国農業銀行、中国商人などの多くの国内銀行で大型モデルの普及が始まったのは今年に入ってからです。銀行とCITIC銀行は、GPT大型モデルのための独自の専門研究チームを迅速に設立できます。銀行がタイムリーに行動できるかどうかは、過去数年間にわたる AI への投資の蓄積にかかっています。したがって、金融機関に焦点を当てて、優れた財務モデルも構築します。
金融モデルと大規模モデルの間の「表皮」の問題
出典：「Brain Extreme Body」（ID：unity007）、著者：Zanghu
数年前、私は業界の専門家にインタビューしましたが、彼はハイテクを産業に導入する際の大きな混乱、つまり「表皮の2層」について言及していました。
特に素晴らしい技術成果が論文として発表されていますが、これは紙の層です。企業の技術担当者がこれらの結果を商品化する場合、エンジニアリング上の理由からいくつかの簡略化が行われる可能性がありますが、これは別の層です。
売り手のショーと買い手のショーと同じように、2 つの皮膚の層の間にはギャップがあり、統合されて一貫性がありません。
多くの場合、技術的才能、研究開発能力、変革への意欲を備えた企業は、最初に「二層の皮膚」の問題に遭遇し、テクノロジーの有効性についての疑問や不透明な ROI 率が引き起こされます。
大型モデルのブームに飛び込む人々の中で、最初に「二層の皮」という課題に直面するのは金融機関かもしれない。
金融業界は常に新しいテクノロジーをいち早く導入し、非常に早くから AI の実験を開始しており、産業用 AI の「優等生」とも言える業界であり、優れた情報化とデジタル基盤を備えています。金融機関のフロント、ミドル、バックオフィスのあらゆるシナリオにおいて、大規模モデルを使用することでコスト削減と効率化の余地があります。したがって、金融も大規模モデルの実装に好ましいシナリオであると考えられます。
大型モデル導入のパイオニアとして、金融分野が「二層の皮」の問題を解決できないとすれば、それは大型モデルの実際の適用において、売り手のショーと買い手のショーの間にまだギャップがあることを意味します。
この記事では、どのような問題が金融と大規模モデルの間にギャップを生み出しているのかを明らかにしたいと考えています。
01 質問 1: メインは誰ですか?
大規模なモデルなので、当然OpenAI/BATなどのテクノロジー企業やテクノロジー企業が主導することになるが、これは金融機関にとっては望ましくないことである。
金融分野の専門家は、この大型モデルの人気の波の後、金融機関は特に不安を抱き、FOMO（逃亡の恐怖）感情を抱いたと語った。
テクノロジーの最後の波とスマートフォンやモバイルインターネットの台頭により、従来の銀行や証券会社の多くの事業がインターネット金融会社に奪われました。業界関係者によると、この「壮大な悲劇」は決して繰り返してはならないという。
技術的な不安から、金融機関は大型モデルの動向に非常に積極的に取り組んでおり、テクノロジーメーカーが市場教育を行う必要はほとんどなく、業界全体が大型モデルの受け入れにおいて非常にうまくいっている。
同時に、金融機関も「自分ファースト」を強調し、大規模な金融モデルの「コアチップ」を自らの手でしっかりと把握することを重視している。銀行業界の一部の関係者は次のように指摘しました。シナリオやビジネス プロセスに本当に深く適用できるのは、銀行に適した大規模なモデルだけです。 **具体的にはどうすればいいですか？
**最初のカテゴリはハードチップです。 **
金融機関にとって、データ セキュリティとプライバシー コンプライアンスは妥協のない厳しい目標であり、非常に厳しい要件があります。これは、大規模な金融モデルの局所的な構築と民営化された展開と運用の必要性にもつながります。
ローカル展開の要件は、大規模な模型メーカーにとってメリットとデメリットを伴います。 APIインターフェースを直接呼び出す他業種のMaaSモデルに比べ、ローカル展開の方が単価が高く、利益も高く、商品価値も高いというメリットがあります。欠点は、プライベート展開には、クラウド ソリューション、データ処理、ストレージ、モデル トレーニング、迅速なエンジニアリング、運用および保守サービスなどの完全なソリューション セットが必要であることです。競争の焦点は、ベース モデル自体だけではなく、コストとコストの増加につながります。技術サービスプロバイダーにとっては困難です。
**もう 1 つのカテゴリはソフトチップです。 **
大規模な金融モデルが適切に機能するには、独自データの微調整、ドメイン知識の導入、およびシナリオベースのフィードバックが必要です。銀行業界自体は、非常に優れたデジタル基盤と深いデータ蓄積を備えており、それがソフトな交渉の材料になります。その手。
そのためには、大手模型メーカーやテクノロジー企業は、「テクノロジー中心」「私はあなたを力づける/破壊するためにここにいます」という通常の考え方を変え、サービス意識を高め、金融顧客を中心に金融顧客と協力する必要がある。
金融における大規模モデルの導入は、決して新たな「業界の技術的破壊」ではありませんし、あり得ません。一般の大手模型メーカーであっても、ISV サービスプロバイダーのインテグレーターであっても、「顧客第一」をベースラインに踊らなければなりません。
02 質問 2: 統合はなぜ難しいのですか?
金融機関が主体であれば、テクノロジー企業は努力しても少額の報酬しかもらえず、技術革新を発揮できない「ビッグモデル構築チーム」になってしまうのではないだろうか。
大no特no。
**まず第一に、金融 AI は新しいものではありません。 **
金融機関は誰もが思っているほど AI について無知ではありません。実は金融分野は全業界の中でも「AIコンテンツ」において間違いなくトップクラスです。数年前、私は中国の 985 大学の人工知能学部の学部長にインタビューしましたが、彼は、AI 分野の学生は卒業後に BAT や新興企業に行くのではなく、情報センターに行くと率直に言いました。中国招商銀行などの金融機関傘下のテクノロジーセンターで、金融人工知能に取り組んでいます。
したがって、金融AIのトレンドは実際に数年前から大きく発展しており、ICBC、平安、中国農業銀行、中国商人などの多くの国内銀行で大型モデルの普及が始まったのは今年に入ってからです。銀行とCITIC銀行は、GPT大型モデルのための独自の専門研究チームを迅速に設立できます。銀行がタイムリーに行動できるかどうかは、過去数年間にわたる AI への投資の蓄積にかかっています。したがって、金融機関に焦点を当てて、優れた財務モデルも構築します。
大規模モデルはこれらの「従来の AI」よりもどのように優れており、何ができるのでしょうか?これは全くの空白の新しい質問です。
理論的には、大規模なモデルは銀行業界チェーン全体のすべてのリンクで実行でき、LLM アプリケーション シナリオはあらゆるビジネス ラインとあらゆるインテリジェンスで見つけることができます。しかし実際には、すべてのリンクが完全に実装されたときに大きなモデルをビジネスに統合する方法は明確ではありません。これは、多くの探索が失敗し、無駄になることを意味します。
探索を加速し、コストを削減し、リスクを軽減するには、金融機関とテクノロジー企業が協力して、金融専門家、アルゴリズム科学者、エンジニア、テスターなどが一緒に座って少しずつ探索し、シナリオに対する深い洞察を得ることができるようにする必要があります。 、そして「ニーズの真実を保持しながら虚偽を取り除く」。
ある金融機関の担当者は「今の金融業界にはインテリジェントなアプリケーションが非常に豊富にある。AI企業の金融商品プロモーションのマニュアルを開くと何百もの機能が細分化されているが、その中から最も優れたものをどう選ぶか」と率直に語った。ビジネスでは、このプロセスで多くの試行錯誤が行われることになります。
**現在、業界は大規模な財務モデルに合わせてシナリオを最適化する必要があるという点で基本的に合意に達しています。いくつかのキーワードがあります: **
**2. 高い値。 **社会的および商業的価値のある分野を誰よりも早く探索してください。たとえば、包括的金融は、現在政府と民間部門の両方から評価されている金融サービスであり、中小企業や零細企業の財務コストを包括的に削減するには、正確なデータの洞察、低コスト、および非常にアクセスしやすいサービス機能が必要です。商人。その中でも、マルチモーダルな表現機能と大規模モデルの強力な理解および分析機能は、非常に優れた役割を果たします。
**3. 導入が簡単。 **大規模モデルについて聞いたとき、多くの金融関係者の最初の反応は、小規模モデルでもこれができるのかということです。大規模モデルでは、ハードウェア インフラストラクチャのコンピューティング能力と安定性に対するより高い要件が提示されています。金融機関は、ローカライズされたハードウェアの推進を加速しています。大規模モデルは各ビジネス ラインに導入されており、パフォーマンスのプレッシャー、コストのプレッシャー、導入のプレッシャーが生じています。すべてが、とても大きい。したがって、大規模なモデルを圧縮して最適化した後、または同じ効果を持つ小規模なモデルをビジネス シナリオに実装できます。たとえば、大規模なモデルは銀行金融商品の推奨事項を生成し、大規模なモデルは銀行金融商品のリサーチ アシスタントとして機能します。すでに使用されているこれらの従来型 AI については、大規模モデルを使用でき、モデルのアップグレードによって過度の計算能力コストやエンジニアリング作業負荷が増加することはなく、実装が容易な進歩的なシナリオです。
大規模なモデルは 1 つの皮膚の層であり、実際のアプリケーションはもう 1 つの皮膚の層であるため、2 つの皮膚の層をどのように統合するか、どのシナリオを優先するかは未踏の道です。金融機関もテクノロジー企業も単独で機能することはできず、緊密に連携することによってのみ、財務シナリオと大規模モデルの間の最適な統合パスを見つけることができます。
03 質問 3: なぜこんなにも束縛が多いのですか?
シナリオを見つけて、それを克服することに集中し、それを大規模に再現して、大規模な金融モデルを飛躍的に進歩させることは可能でしょうか?
金融機関は「より多くの人、より多くの資金、より多くのテクノロジーを持っている」と言われますが、これは他の業界との相対的なものにすぎません。現実には、金融機関が無制限に予算を割り当て、無制限の人員を投入し、大型モデルが無制限にスキルを発揮できるシナリオを開くことは不可能です。また、金融分野では依然として中小の銀行や証券会社が多く、負担できる技術革新のコストも限られている。
ある銀行関係者は AIGC について言及し、次のように述べました。競争は激化し、人員は限られており、人材は不足しており、コストは厳しいです。
**金融や大物モデルの「売り手ショーと買い手ショー」という「二枚皮」が生まれる主な原因は、足枷を付けて踊ることにあると言える。 **
**たとえば、計算能力の問題。 **ローカリゼーション置換のプロセスにおいて、大規模な財務モデルは、高価なトレーニングと高い計算能力コストの束縛を打ち破る必要があり、これにより、モデル メーカーのハードウェア基盤、自己研究能力、環境互換性能力、およびソフトウェアの共同作業に対する包括的なテストが課せられます。最適化。
現在、大手クラウドベンダーは、BaiduのKunlun、AlibabaのYitian、HuaweiのShengtengなど、自社開発のハードウェアやサポートソフトウェア、エコシステムの開発に多大な努力を払っており、これらがなければ、ビッグファイナンスモデルで真に勝つことは難しい。
**テクノロジー自体の制限もあります。 **率直に言って、大型モデル技術自体、特に金融分野での実装にはまだまだ問題が多く、錯覚の問題も解決しなければなりません。モデルのブラックボックス的な性質により、AIのインテリジェントな意思決定は信頼できなくなり、金融投資コンサルティングや市場分析の意思決定に真に使用できなくなります。
**さらに、金融機関はROI産業連関比率も測定します。 **しかし、インテリジェントな顧客サービスなど、従来の AI が金融の現場に大量に蓄積されているため、誰もがロボットからの商品の営業電話や請求書の集金電話を受けたことがあるのではないでしょうか。
そのため、大型機種の導入後、顧客にどの程度のメリットをもたらすことができるのか、売上収益率ROIをどのように評価するのか、大型機種によってどのような改善がもたらされるのかなど、明確な測定基準が存在しないのが現状です。
大型モデルのビジネスへの貢献を定量化できないことは、明らかに大型モデルメーカー間の無秩序な競争や顧客関係の奪い合いにつながり、これは大型財務モデルの非効率性に対する隠れた懸念にもなっています。
このプロセスにおいて、「二層スキン」問題に遭遇した最初の大規模金融モデルは、多くの有用な参考文献や実践を提供する可能性があり、金融機関は金鉱山を発見する大規模モデルの金採掘者の最初のグループとなるでしょう。以前。