【摘要】誰將領(lǐng)跑大模型金融產(chǎn)業(yè)應(yīng)用
自2022年底以來，ChatGPT引發(fā)了人工智能新一輪創(chuàng)新熱潮，各大企業(yè)更是爭先拿出各自的大模型產(chǎn)品，尤其在中國市場的競爭，已經(jīng)進(jìn)入白熱化階段。由中國科學(xué)技術(shù)信息研究所、科技部新一代人工智能發(fā)展研究中心聯(lián)合相關(guān)研究機(jī)構(gòu)編寫的《中國人工智能大模型地圖研究報(bào)告》更是顯示，中國已發(fā)布的AI大模型已有79個(gè)。
但近日，這場沒有硝煙的戰(zhàn)爭，風(fēng)向仿佛發(fā)生了一些微妙的變化。首先是ChatGPT的月度流量首次出現(xiàn)下降——2023年6月份，ChatGPT網(wǎng)站在全球的桌面和移動(dòng)端流量比5月減少9.7%，獨(dú)立訪客減少5.7%。
(相關(guān)資料圖)
擺在各行各業(yè)面前的一個(gè)問題是，除了聊天對話之外，還能解決什么問題、帶來什么樣的商業(yè)效益？畢竟，每一次對話背后都是大量的運(yùn)營成本、計(jì)算資源的消耗。沒有哪家企業(yè)能夠長久扛下這種成本損耗。
正如中國市場上，消費(fèi)互聯(lián)網(wǎng)向產(chǎn)業(yè)互聯(lián)網(wǎng)的發(fā)展一樣，C端免費(fèi)的個(gè)人應(yīng)用終將走向B端的收費(fèi)服務(wù)，也就是產(chǎn)業(yè)應(yīng)用，才能在人口紅利消失、各行各業(yè)降本增效的當(dāng)下，真正創(chuàng)造價(jià)值。
賽事行至中場，這一場AI大模型之戰(zhàn)的賽點(diǎn)已然清晰：技術(shù)之外，大模型做好垂直產(chǎn)業(yè)應(yīng)用才是王道。
基于這樣的洞見和對技術(shù)演進(jìn)的判斷，馬上消費(fèi)CTO蔣寧表示，近期馬上消費(fèi)將正式發(fā)布自主大模型，聚焦“自主動(dòng)態(tài)強(qiáng)化學(xué)習(xí)能力的大模型(AIGC+RLHF)、多種模型組合式的AI系統(tǒng)、多模態(tài)音視頻實(shí)時(shí)人機(jī)結(jié)合”三項(xiàng)核心關(guān)鍵能力，致力解決金融行業(yè)大模型在落地過程中的安全可控和隱私保護(hù)、基礎(chǔ)設(shè)施能力建設(shè)等方面的關(guān)鍵問題。
(一)賽點(diǎn)：搶跑還是深挖？
近日，由知名數(shù)據(jù)公司IDC發(fā)布的首份AI大模型評估報(bào)告出爐，名為《AI大模型技術(shù)能力評估報(bào)告》，對百度、阿里、智譜等14家國內(nèi)主流企業(yè)的大模型平臺(tái)進(jìn)行評比。
值得注意的一點(diǎn)，IDC這份《AI大模型技術(shù)能力評估報(bào)告》和其他不同的是，評估維度除了常見的“產(chǎn)品”、“服務(wù)”之外，還將“行業(yè)覆蓋”這一點(diǎn)作為關(guān)鍵的評估維度。
但周觀認(rèn)為，該報(bào)告雖然詳實(shí)而權(quán)威，但作為一個(gè)面向通用平臺(tái)的能力評估，對于各個(gè)垂直產(chǎn)業(yè)選用AI大模型的參考價(jià)值并不大，至少對于金融、金融科技行業(yè)來說是如此。
其中的關(guān)鍵點(diǎn)在于，“行業(yè)覆蓋”僅僅只是解決了有沒有的問題，而不能解決“好不好用”的問題。
當(dāng)然，該報(bào)告也正視了這一點(diǎn)，其指出，大模型的最終目的還是要落地于產(chǎn)業(yè)實(shí)踐。再看阿里、百度等企業(yè)在行業(yè)上的評分優(yōu)勢，仍只是在于其過往積累的產(chǎn)業(yè)領(lǐng)域，例如阿里評分較高的在于電商、百度在于能源。
縱觀全行業(yè)來看，金融由于其行業(yè)的特殊性和獨(dú)特性，尤其對于風(fēng)險(xiǎn)和安全的可控性，目前仍未有哪家企業(yè)能夠有底氣拿出相應(yīng)的殺手級(jí)應(yīng)用。
至今仍被口口相傳的是，年初彭博推出的金融行業(yè)大語言模型BloombergGPT，涉及500億參數(shù)，這背后依賴于彭博社廣泛的金融領(lǐng)域數(shù)據(jù)優(yōu)勢構(gòu)建了3630億個(gè)標(biāo)簽的特有數(shù)據(jù)集(363 billion token dataset)。
蔣寧也認(rèn)為，金融行業(yè)天然有著數(shù)據(jù)密集型、技術(shù)密集型的屬性，一直在探索數(shù)據(jù)資產(chǎn)化，挖掘數(shù)據(jù)價(jià)值，同時(shí)又面臨著如銀行線下網(wǎng)點(diǎn)的價(jià)值傳遞效率問題、用戶體驗(yàn)問題，需要機(jī)構(gòu)持續(xù)創(chuàng)新。
也就是說，對于金融行業(yè)來說，大模型的關(guān)鍵不在于跑得快，而在于挖得深。無論跑得多快，終究還是得回歸行業(yè)本質(zhì)，解決行業(yè)關(guān)鍵問題。
(二)難點(diǎn)：金融的特殊性與獨(dú)特性
蔣寧分析認(rèn)為，除了數(shù)據(jù)、技術(shù)問題之外，目前金融行業(yè)大模型應(yīng)用主要面臨四個(gè)關(guān)鍵挑戰(zhàn)。
第一，關(guān)鍵任務(wù)和動(dòng)態(tài)適應(yīng)性。
關(guān)鍵任務(wù)往往關(guān)系到生命或重大資產(chǎn)，比如自動(dòng)駕駛、銀行存款，人工智能要做到100%的準(zhǔn)確，并不容易。生成式人工智能大模型與工業(yè)界的判別式模型相結(jié)合的化學(xué)反應(yīng)，目前尚無明顯效果。同時(shí)，與AlphaGo的封閉系統(tǒng)不同，大模型要想做到越來越聰明，就要想辦法在開放的體系里讓群體力量貢獻(xiàn)給模型，讓盡量多的用戶參與反饋，形成生態(tài)，對于金融行業(yè)來說，要想做到這一點(diǎn)還需要跨越巨大的行業(yè)鴻溝。
第二，個(gè)性化要求和隱私保護(hù)。
摒棄千篇一律的教條式服務(wù)，做到千人千面，大模型在為用戶提供個(gè)性化體驗(yàn)的同時(shí)，又能確保用戶隱私，這也是一個(gè)需要解決的問題。
第三，群體智能與安全可控。
一方面，也就是前面提到的有效數(shù)據(jù)集問題，中文網(wǎng)絡(luò)世界的可用數(shù)據(jù)和有效數(shù)據(jù)，相比之下非常有限；另一方面，行業(yè)領(lǐng)域的數(shù)據(jù)往往是封閉的，存在巨大的“數(shù)據(jù)孤島”，難以打破共享。蔣寧認(rèn)為，如何設(shè)計(jì)一個(gè)跨行業(yè)、組織的數(shù)據(jù)共享、權(quán)益共享且安全可控的機(jī)制，同樣面臨巨大挑戰(zhàn)。
第四，基礎(chǔ)設(shè)施能力。
以ChatGPT為例，按照國盛證券的報(bào)告《ChatGPT需要多少算力》估算結(jié)果來看，GPT-3 訓(xùn)練一次的成本約為 140 萬美元；再以 ChatGPT 在 1 月的獨(dú)立訪客平均數(shù) 1300 萬來計(jì)算，每天光計(jì)算所耗費(fèi)的電費(fèi)就在 5 萬美元左右，這不是所有企業(yè)都能夠承受得起的硬性成本支出。
不僅如此，GPU、網(wǎng)絡(luò)、機(jī)房等基礎(chǔ)環(huán)境要針對大模型訓(xùn)練、推理等方面的需求做出相應(yīng)的改造，才能發(fā)揮最大的效能。例如最近國內(nèi)就有云廠商相繼推出向量數(shù)據(jù)庫、高性能計(jì)算集群等產(chǎn)品，適應(yīng)企業(yè)大模型訓(xùn)練、推理的計(jì)算需求。
總結(jié)來看，垂直產(chǎn)業(yè)大模型的落地和應(yīng)用，存在高成本、缺數(shù)據(jù)、缺算力、難以實(shí)現(xiàn)安全可控等諸多關(guān)鍵問題。和金融類似的，還有醫(yī)療、健康等行業(yè)，關(guān)乎錢袋子、資產(chǎn)安全，更關(guān)乎生命健康，也因此，這類垂直行業(yè)的容錯(cuò)率往往更低、對于技術(shù)落地的精度和安全性要求也更高。
(三)破局：應(yīng)用為王，產(chǎn)業(yè)至上
針對這些行業(yè)痛點(diǎn)和難點(diǎn)，蔣寧認(rèn)為，馬上消費(fèi)應(yīng)該有自己的打法。
蔣寧指出，對于垂直產(chǎn)業(yè)來說，私有專屬模型是較好選擇，要聚焦“經(jīng)濟(jì)”、“安全”和“可控”的大模型一體化解決方案，強(qiáng)化大模型私域數(shù)據(jù)的領(lǐng)域微調(diào)、精調(diào)訓(xùn)練能力，并和外部企業(yè)形成生態(tài)互助，解決數(shù)據(jù)歸檔、脫敏、分層、評判價(jià)值等問題。
而作為金融科技的探索者和踐行者，馬上消費(fèi)在金融大模型的落地應(yīng)用上通過持續(xù)的技術(shù)積累，已經(jīng)具備這樣的優(yōu)勢和特點(diǎn)：安全可控、個(gè)性化決策和體驗(yàn)、持續(xù)學(xué)習(xí)。蔣寧透露，目前馬上消費(fèi)已經(jīng)研發(fā)了實(shí)時(shí)人機(jī)決策模型、多模態(tài)大模型、數(shù)據(jù)智能模型等，并在內(nèi)部正式上線測試。
這背后，馬上消費(fèi)希望幫助解決金融行業(yè)的三個(gè)通用問題：
首先，個(gè)性化的服務(wù)和極致用戶體驗(yàn)。金融業(yè)務(wù)有高價(jià)值、低頻的特點(diǎn)，很難提供個(gè)性化的體驗(yàn)。傳統(tǒng)的做法是分層打標(biāo)簽，提供不同的產(chǎn)品，但標(biāo)簽是動(dòng)態(tài)變化的，因此如何自動(dòng)化地決策為客戶提供自動(dòng)化的體驗(yàn)，就需要產(chǎn)品與眾不同。
其次，高效的價(jià)值傳遞效率。雖然金融是技術(shù)密集型、數(shù)據(jù)密集型行業(yè)，但目前線下網(wǎng)點(diǎn)還是為數(shù)不少，因?yàn)槿斯ぶ悄苌胁荒茏龅讲怀鲥e(cuò)，很多工作還要高度依賴人工操作。
最后，合規(guī)安全的決策智能，這與魯棒性相關(guān)。所謂魯棒性，是指在特性參數(shù)和系統(tǒng)內(nèi)，維持某些性能的特性，例如金融行業(yè)尤為看重的合規(guī)、安全問題。
基于這三方面考慮，以及上萬臺(tái)的服務(wù)器，近千張的GPU卡，40PB的文字、聲音、圖片、視頻等形式的數(shù)據(jù)，馬上消費(fèi)金融力求實(shí)現(xiàn)算力、算法、數(shù)據(jù)以及場景的閉環(huán)，并由此打造“三縱三橫”的AI戰(zhàn)略。
馬上消費(fèi)金融的“三縱三橫”戰(zhàn)略
所謂三縱，是指實(shí)時(shí)人機(jī)決策、多模態(tài)大模型、數(shù)據(jù)智能。例如，要解決工業(yè)界的魯棒性問題，讓人接手人工智能解決不了的1%的問題。而馬上消費(fèi)過去多年的實(shí)踐，已經(jīng)積累了海量的語言、文字、圖片等素材，并圍繞其進(jìn)行了大量的訓(xùn)練，形成了一套完整的多模態(tài)的資產(chǎn)。解決數(shù)據(jù)智能的問題，背后離不開馬上金融早已經(jīng)構(gòu)建起來的2000+個(gè)模型，可以為2億多用戶提供自動(dòng)化的營銷、風(fēng)控等服務(wù)。
三橫即是指持續(xù)學(xué)習(xí)、模型控制、組合式AI：確保讓模型越用越聰明，同時(shí)更穩(wěn)定、更安全可控。而不局限于單一模型，通過多種模型的組合應(yīng)用，可以更高效解決問題。
據(jù)了解，目前馬上消費(fèi)的人工智能技術(shù)主要應(yīng)用在三大場景：一是金融智能對話，實(shí)現(xiàn)實(shí)時(shí)人機(jī)協(xié)作、持續(xù)學(xué)習(xí)、可信安全合規(guī)；二是金融數(shù)字人，通過大模型+組合式AI多模態(tài)能力，實(shí)現(xiàn)有溫度的數(shù)字人；三是金融服務(wù)的AI核心引擎，通過大模型的大腦與心理學(xué)的有機(jī)結(jié)合，實(shí)現(xiàn)有情感的人機(jī)互動(dòng)體驗(yàn)。
蔣寧將這些實(shí)踐和成果總結(jié)為一句話：“垂直領(lǐng)域的判別式模型與生成式模型等多種模型組合，構(gòu)筑一個(gè)開放的持續(xù)學(xué)習(xí)、具備魯棒性、合規(guī)安全的體系，才是大模型的真正落地，而不是一個(gè)模型靠幾千億參數(shù)去落地，我們將為之而努力。”
以應(yīng)用為王。不久的將來，或許大模型垂直產(chǎn)業(yè)落地應(yīng)用難的問題，終將破局。
快訊
教育
投資
資訊
