以下文章来源于新金融联盟NFA
，，，作者NFA

“综合考虑投入和产出性价比
，，中小金融机构可按需引入各类大模型的公有云API或私有化部署服务
，，直接满足赋能诉求。。。。”

——吕仲涛 新金融联盟学术理事、、工商银行首席技术官

大模型长期来看一定会对金融行业带来新的创造力和驱动力，，，，但短期内还面临较大的挑战，，，
，需要通用大模型厂商及金融机构的客户及提供商共同参与，，，
，探索出一条符合行业落地的切实有效的道路
。
。

——薛春雨 z6com·尊龙凯时新动力数字金融研究院副院长

“类GPT模型是高级复读机，，有多少‘人工’就有多少‘智能’
。。模型100%会犯错，，模型之上必须要有运营兜底机制，
，，知错就改。。。。”

——胡时伟 第四范式联合创始人、、、、首席架构师

“AI很容易被媒体炒作，，，，还很容易找到好的case，，一开始我们会惊讶于好case，
，，但慢慢发现它不一定能够普世。。。”

——沈志勇 民生银行数据管理部总经理

上述观点源自6月10日新金融联盟举办的“金融机构数智化转型与大模型技术应用”内部研讨会。。。会上
，，吕仲涛、
、沈志勇
、、、平安银行数字资产管理与研发中心总经理刘锦淼、、、、胡时伟做了主题发言。。
。。新金融联盟理事长、、中国银行原行长李礼辉、、、、中国信通院金融科技研究中心副主任赵小飞进行了点评交流。
。z6com·尊龙凯时新动力数字金融研究院副院长薛春雨受邀出席并参与研讨。。。

56家银行及非银机构、
、55家科技公司的170多位嘉宾通过线上线下参会。
。。。会议由新金融联盟秘书长吴雨珊主持，，中国金融四十人论坛提供学术支持。。。以下为部分精彩内容。。。。

研讨会现场

大模型=大算力+大数据+强算法

今年以来ChatGPT风头强劲，
，，，带火了大模型技术
。。。大模型即网络参数规模达到亿级以上的“预训练深度学习算法”，，，，在文本图像理解、、
、内容生成等任务表现出显著优势和巨大潜力。。。

“大模型必须基于‘大算力+大数据+大算法参数网络结构’进行训练。。
。。”吕仲涛介绍，，，，大模型技术是一个复杂的体系性工程，，，，涵盖大模型算力集群建设
、、算法沉淀、、、配套流水线工具、、、、大模型服务等内容
。。

赵小飞认为，，硬科技对于大模型的发展也很重要。
。2012年，，，，英伟达将其GPU应用于深度学习研究，，，，GPU的并行计算能力在处理密集数据时效率远高于CPU，，
，
，为英伟达成为AIGC最大的获利者埋下伏笔。
。。。OpenAI在GPU算力升级的加持下，，，，从GPT-1迭代到GPT-4
。。

“能够支持AI大模型的算力基础设施建设需要持续投入巨大的财力、、
、人力，，
，，要花得起钱，
，，找得对人，，还要耐得住寂寞，，这就势必导致算力集中。
。一是向主要国家集中，，，二是向资本巨头和科技巨头集中。。
。
。”李礼辉表示。
。

李礼辉指出，，，，算力基础设施的布局和建设应该锚定全球领先的目标，，，
，硬件与软件并重并行
，，国家级与企业级联动联调，，
，新中心与老中心集约集成
，，，，人力资源与运营成本统筹兼顾。。
。
。

“从参数规模来看，，，，百亿大模型具备一定的文本生成和通用能力，
，，但难以处理逻辑复杂、、、、专业性强的任务；万亿大模型因算力消耗极大，，，，短期内难以进行商业推广应用。。。。”吕仲涛表示，
，千亿大模型平衡了百亿和万亿大模型优势，
，，性价比优势明显，
，，，是近几年发展及应用的重点。
。。

ChatGPT是目前最先进的AIGC大模型应用。。。。“要打造与ChatGPT媲美的AI大模型，
，
，，就一定需要无断层
、
、无障碍的数据供给。。。但是，
，，数据共享模式的局限可能影响数据价值的深度开发，，地缘政治冲突可能影响全球数据资源供给格局。。。。”李礼辉认为，，，，要参与数据跨境流动，，
，，在维护数据主权的同时，，充分利用全球数据资源，
，打造算力竞争优势
。。。。

有多少人工就有多少智能

尽管大模型十分强大，，
，但也裹挟着一些风险。。
。。

“受制于当前模型黑盒
、
、
、、计算复杂度高等因素
，
，，大模型存在答非所问、、、科技伦理风险等方面问题
。。
。。比如，，，，ChatGPT生成大量看起来合乎逻辑，，，，但内容可能并非真实甚至是捏造的事实，，，存在非法利用、、、造谣等安全隐患。。
。。”吕仲涛表示。。

李礼辉强调，，，对AI虚假与AI操纵必须高度警惕，，，重点是提升深度合成内容鉴别技术；建立AI信任制度，，，
，加强AI监管
，，，在国家层级建立预防AI操纵的防火墙
。。

如何理性看待大模型，，
，，胡时伟分享了三点认知：

第一
，，要相信科学
，
，，，没有大模型涌现的逻辑。。。。类GPT模型的背后还是机器学习，，
，要想有一个好的模型能力
，，，必须基于基础大模型的调优以及行业特定操作。。

第二
，，，类GPT模型是高级复读机，，有多少“人工”就有多少“智能”。。通用大模型都是用人类现有语料训练，，，其正确性一定来自于人反馈的数据，，行业一定要不断迭代告诉大模型什么是好的、
、、什么是对的，，这必须靠人工完成。
。
。。

第三，，模型之上必须要有运营兜底机制，，知错就改。。模型100%会犯错，，，哪怕是GPT4，，，，在行业专业、
、严肃场景的应用不可能达到工业可用的效果，，
，人工兜底机制让它从不可用变成可用。。。

“知错就改有三个机制叠加保障
：一是专家给答案；二是专家给示例；三是专家生成的知识反馈给模型，，，，让模型少犯错。。。”胡时伟表示。
。。。

大模型对金融行业价值几何

要将大模型融入具体行业的核心生产经营流程，
，可谓任重道远
。。

赵小飞以工业为例分析
，，，
，工业场景中的很多数据是不可读取的，
，，
，或者即使读取了也需要一个翻译和解读的过程。。在数据之外，，，工业领域对安全、、稳定
、、可靠等指标极其严苛的追求
，，，才是生成式AI不能满足的地方。。。此外
，，
，工业制造细分领域众多，，
，没有海量数据标签，
，基本上不可能形成类似GPT的通用大模型
。
。。

“金融行业生产经营虽然没有工业那么复杂，，，
，但对于民生、、、经济安全的影响会更高，，，，所以对于新技术应用需要非常谨慎。。”他表示。。。
。

吕仲涛表示，
，
，由于大模型技术尚不成熟
，，存在伦理风险。。
。。短期内不建议直接对客使用，
，，
，应优先面向金融文本和金融图像分析理解创作的智力密集型场景
，，，，以助手形式
，，，，人机协同提升业务人员工作质效。
。不过，，，虽然大模型有各类安全风险，，，但同样给银行业数智化转型带来新机遇
，
，
，，其潜力和空间是无限的。
。。。

薛春雨在研讨中谈到，，大模型长期来看一定会对金融行业带来新的创造力和驱动力，
，但短期内还面临较大的挑战
。。。。主要包括：首先
，，，，数据安全问题。。
。。金融行业的内部数据安全性要求比较高，，不适合直接使用外部的大模型，，
，所以需要进行私有化部署；其次，，
，，算力问题
。。如果要成规模的使用，，，，对算力上要求比较高，，，至少在千万级的投入，，，，对大部分金融机构来说
，
，投入及可预见的产出是一个比较大的挑战；再者，，，技术/人才问题。
。。如果要用大模型解决金融机构内部的的问题或者产生价值，，就需要对内部的数据进行训练及微调等，，这方面需要专业的技术人员参与，
，，金融机构普遍不具备这方面的人员储备。。基于以上考虑，
，，
，需要通用大模型厂商及金融机构的客户及提供商共同参与，，探索出一条符合行业落地的切实有效的道路。。。

“未来大模型银行业务的应用场景非常丰富。。。
。”刘锦淼介绍，
，，，从BankGPT反馈的测试情况来看，
，
，它已经具备作为一个智能助手适配场景相关落地的能力。。。目前已经应用的场景有客户服务
、、信贷审批
、、投研服务三大类。。
。。

他还表示，，，
，在AI应用和业务投产方面，，
，，AI算法模型对业务发展的价值如何
、、、、能多大程度覆盖全行业务场景，，，
，让算法替代人还是让算法永远服务人，，
，，投产策略能否做到线上化、、
、
、自动化、
、、、投入产出量化根因回溯分析……都是未来可以思考和探索的方向。。

一个超级模型VS.一堆专业模型

“短期内，，大模型和传统模型会共存，，，，同时，，大模型可作为中控，，
，，将传统模型作为技能进行调用。
。。长期看，，若大模型计算复杂度降低、、可解释性增强，，综合性价比来考虑，
，，大模型将逐步替代传统模型。
。”吕仲涛分析称。。

沈志勇认为，
，大模型的应用好比炼钢。。。作为通用底座的炼钢工厂越大越好，，要集中力量办大事
，
，避免遍地小高炉
。。。。而作为应用场景的用钢，，，，则应多元化、
、市场化
。。。“用钢”部分可以分成两段，，AIGC或者其它一些大模型的应用场景端形成市场化，，具体应用场景里自己负责。。。

吕仲涛表示，，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，，，才能快速推进人工智能在行业的深化应用。。

预算是有限的
，
，，，预算决定了算力，，算力决定了参数规模
。
。。。“我们需要抉择——要一个超级大模型还是一堆专业模型？？？
？”胡时伟说
。。

“一个思路叫大力出奇迹
，，，，如果做一个超级大模型
，，，以中国目前的算力情况，，，要五年后才能实现，，，，但数字化进程不能等，，五年之内如果纯粹以大为方向，
，，，就是主动把脖子送给别人卡。。”胡时伟认为，，我们会走另一个方向，，，用“学件”的思路，，做一堆专业模型
，，各司其职，
，，方便迭代，，
，便于维护，
，成本可控。。。就好比一个公司，，，不能全部都是董事长秘书，，，，还需要销售、、、产研、
、行政等。。超级英雄成本很高，，
，也很难管理
。。。