金融大模型从“能力涌现”走向“价值涌现”

　　“当技术、模型、数据、应用快速形成闭环，将产生真正的业务价值，AI（人工智能）进入了从能力涌现走向价值涌现的新阶段。”恒生电子高级副总裁、恒生聚源董事长王锋在近日举行的“大模型在金融行业的应用与展望”研讨会上指出，AI将进入发展新阶段。 据悉，当模型突破某个规模时，性能显著提升，表现出让人惊艳、意想不到的能力。比如语言理解能力、生成能力、逻辑推理能力等，这就是“涌现”。2022年11月以来，随着OpenAI发布ChatGPT，全球迎来AI大模型热潮。到今年3月BloombergGPT的推出，在国内引起对金融垂直领域大模型应用的关注。 王锋表示，“传统的AI模型，参数量少，通过大量的数据标注、大规模的模板配置来实现。换一个场景就要再重新来过一遍，泛化性不足，被诟病为有多少人工，才有多少智能。而大模型基于GPT——生成式预训练tranformer技术路线，通过预训练、微调、奖励模型、强化学习四个主要步骤和千亿级别参数规模，做到了令人惊艳的效果，也就是我们所说的能力涌现。另外，与以往AI技术和应用两条腿走路不同，这一轮是技术与应用并驾齐驱而来：ChatGPT、office全家桶、Midjourney等现象级应用的出现，告诉我们AI现在正迎来iPhone时刻。” 据恒生研究院院长、首席科学家白硕介绍，基于Transformer架构，大模型目前分为两条技术路线，其中GPT的单向预测模型可以理解为“接龙”，而另一条路线类似于“填空”，前者通过一条示意可以容纳包括知识、推理、引导、详细说明，甚至代码的预测，后者需要两边文本的信息指示。 “GPT对AI行业的冲击非常大。”白硕告诉，在此之前，机构部署的AI系统都是“烟囱式”的单个系统，“诸多小模型的训练使堂堂分析师沦为数据标注员，而模型的可用性也难以得到保障”。 富国基金信息技术部总经理李强提到，在基金行业的AI应用中，自然语言处理、文档解析、智能客服、发票识别、表单提取等小模型应用都已相对成熟，但“烟囱式”发展问题非常严重。 “小模型和大模型也存在经济学中的‘不可能三角’。”申万宏源证券研究所所长助理刘洋提到，小模型强调了精准度、利润率，但弱化了智能化程度，大模型恰恰相反，通过成本的堆叠，实现了模型的智能化与高效能。 “当高质量语料库训练到百亿级参数时，大模型的语言能力就会涌现，在意图理解、文本语言生成等方面的能力将随着参数的增加达到顶峰。”白硕指出，尽管大模型的语言能力已经很强，但是在垂直专业能力方面还有所欠缺，当前普遍适用的解法是，以大模型中控为核心，结合应用、插件等共同构建成AI能力中心，将大模型中控成为链接大模型与应用的“桥梁”。 “大模型的涌现能力，让基于大量计算的‘暴力求解’成为现实。”刘洋表示，在算力、算法、数据“三驾马车”的推动下，工程化能力变得尤为重要，特别是在券商、基金这样的垂类大模型应用场景下，率先为客户提供服务的厂商将抢占先机。从应用端，李强认为，目前各类大模型“百花齐放”，但应用落地还需要真正的工程化能力。 “我们要解决的一个核心问题是，让大模型有效应用于投资业务服务之中，对于机构客户能带来投资收益，对于我们内部的中台与后台，可以带来有效工作效率提升。”中信证券首席数据科技分析师张若海指出，在投研领域，大模型可以助力人均价值的提升，例如在量化领域，对政策文本数据的情绪提炼、中观景气研究的指标投资有效性识别，在投资覆盖宽度与数据处理精度大幅提升的同时，人力规模并没有显著等比例增加。在高频场景下，可以实现大规模的定量数据跟踪与观点提炼，解构成交易信号，从而帮助到机构投资者更加便利地获得大模型的赋能。 李强指出，未来三年内代码生成的效率提升将在30%-50%之间。白硕则提到，从技术发展的角度，三年内大模型的语言能力将全部上一个台阶，而在金融领域的提质增效目前主要集中于IT研发与数据分析方面。通过AI可以实现低代码甚至“零代码”，可以提升2-3倍工效，满足七成以上的数据偶发性即时需求，提升8-10倍的建模功效。