蔣寧表示，金融行業是數據、技術密集型行業，具有數據規模大、數據類型多等特點，與大模型訓練所需要的底層數據基礎要求十分契合。“大模型在金融領域有廣泛的應用前景，幫助推動構建用戶個性化服務體驗。在數字中國的建設背景下，大模型將有效提升金融領域營銷、運營等價值鏈效率，進一步拓展數據決策在風控領域的創新應用效果，助力金融行業數字化轉型產生實質性的飛躍。”

 

　　當前，人工智能大模型的發展在全球都還處在初期階段，在金融領域的探索也剛剛起步，面對的困難和挑戰依舊不少。蔣寧表示，金融領域探索大模型的困難和挑戰主要體現在關鍵性任務和動態適應性、個性化要求和隱私保護、安全可控需求提升、大數據和基礎設施能力挑戰四個方面。

 

　　一是由于金融各項業務是動態且變化的，面對不可預期的外界環境和突發意外情況，當前的大模型并不能做到每一個決策都穩定、精確，這是金融機構在運用大模型等人工智能技術時存在的一個非常大的挑戰。

 

　　二是金融行業希望利用人工智實現極致的用戶體驗，包括推出個性化、定制化的用戶產品和服務，但這需要個人隱私數據和大模型相融合，涉及到合規和安全問題，需要行業不斷探索破解之道。

 

　　三是金融行業一直存在的“數據孤島”問題，跨行業、跨組織、跨機構的數據共享沒有形成，數據共享體系建設需要持續探索。大模型要不斷發展成熟，就必須構建一個巨大的增強學習或者強化學習的網絡平臺，金融機構在這個平臺上持續貢獻數據并實時反饋，促進平臺不斷升級和進化。

 

　　四是金融行業大模型應用對底層設備、基礎架構等軟硬件設施提出了更高的要求。現在的網絡、服務器、芯片等軟硬件設施需要不斷迭代升級，以滿足后摩爾時代高速增長的數據和算力要求。

 

　　如何迎接上述挑戰？蔣寧認為，金融大模型有三個關鍵能力值得關注：強化學習和持續學習技術、魯棒性決策、組合式AI系統技術。

 

　　首先，大模型具備強化學習和持續學習技術。OpenAI的核心能力不僅是表面的ChatGPT巨量模型參數，更在于其幕后的強化學習機制和各種生態能力的建設，通過不斷使用讓系統越用越聰明、越用越人性化。目前，國內的各種大模型還未完成自適的生態體系建設，學習能力仍需進一步強化。

 

　　其次，魯棒性決策也是大模型在關鍵決策領域落地的核心能力，如何幫助排除噪音以及干擾性問題，在突發和不可預期情況下實現關鍵決策的持續穩定和合規可信尤其重要。

 

　　再次，大模型另一個關鍵能力是組合式AI系統技術。組合式AI系統技術可以有效結合各種垂直領域判別式模型的可用性和專業性，具備生成式大模型的遷移學習和泛化能力強的特點，可以在真正發揮大模型的泛化能力優勢。

 

　　“得益于與客戶廣泛的交流和互動，我們已經為利用大模型技術訓練人機協作、人機對話等建立了龐大的數據要素，為金融大模型實踐奠定了基礎。”蔣寧說，金融大模型落地要做到安全可控、個性化決策和體驗、持續學習。據了解，目前，馬上消費公司已經研發了實時人機決策模型、多模態大模型、數據智能模型等，并在內部上線測試。