快消品談消費經濟科技 “這不是乙個新的**，而是乙個新世界的開始。 “今年8月，電影《奧本海默》開機。 圍繞原子彈的爭議，影片裡有這樣一句話。 乙個月後，在外灘會議上，這句話被應用到了大模型上。 螞蟻集團董事長兼CEO荊仙東判斷，大模型的出現“不是新技術，而是新世界”。
從ChatGPT發布開始，以大模型席捲全球為標誌，大模型重構了流量紅利見頂後以智慧型引領的經濟增長新世界，以及可能改變社會關係和生產關係的新世界。
科技的力量迅速傳遞，壓力給國產大模型。 上半年，“卷”模式，下半年“卷”應用，國產模式經歷了狂熱帶著一些焦慮，但也經歷了一些平靜，通過現象看到了本質。
經過規模和引數的肉搏戰，登陸逐漸成為“百模大戰”的共識。 得益於資料密集型行業的優勢，輔以強大的數位化基礎和行業對新技術的天然追求，金融在眾多場景中脫穎而出。
也正是因為這些優勢，金融行業才能夠更快地過渡到“冷靜期”，將重心調整到價值——應用的價值上。 如何呼叫大型模型？如何處理大型模型？又會達到什麼樣的效果呢？遵循這些問題的引導，財務模型更容易找到落地的答案。
金融行業將是大規模模型技術實施的最佳領域。 杜小滿CEO朱光曾經做出過這樣的判斷。 然而，面對應用的“星辰大海”，當前的金融模式仍面臨複雜的多維度挑戰。
第一波
2024年，深習的“宗師”傑弗里·辛頓（Geoffrey Hinton）和他的兩個學生贏得了當年的ImageNet競賽。 在那場比賽中，三人密切合作，建立了一種新的影象識別神經網路，準確率達到了驚人的84%。
在後來的介紹中，Hinton 提到與 Google 1 相比隨著 60,000 個 CPU 的累積，獲勝的 Alexnet 演算法僅使用 4 個 GPU。
那一年的嘗試拉開了使用 GPU 訓練 AI 模型的序幕，也開啟了 OpenAI 萬卡算力的“暴力美學”。
Hinton 的一位學生名叫 Ilya Sutskever，她後來成為 OpenAI 的聯合創始人兼首席科學家，也是一位靈魂科技人物。
在近期備受全球科技圈關注的OpenAI“逼宮”大戲中，伊利亞也承擔了CEO阿爾特曼之外最重要的角色，秉承著對AI安全的恐懼和對科技發展的信念。
這十年發生了什麼？
谷歌收購了 Deepmind，後者於 2016 年推出了震驚世界的 AlphaGo。 同年，英偉達將世界上第一台AI超級計算機交給了成立不到一年的OpenAI三年後，Microsoft與OpenAI合作，提供了10億美元的投資，並與之建立了獨家的雲計算合作夥伴關係。
故事的另一條線索是在大洋的這一邊。 2024年初，習深研究所成立。 2024年，創始人李彥巨集宣布將徹底轉型為一家人工智慧公司。
這兩條線索在 2023 年匯合。 2024年3月，率先推出“文心易言”，成為國內首款生成式AI產品。 此後，國產大模的神之戰也隨之揭曉。
今年5月，中國科學技術資訊研究所所長、科技部新一代人工智慧發展研究中心主任趙志庚提到，據不完全統計，當時我國已經發布了79個大型模型。 14個省、市、地區有大型模型研究，但北京和廣東非常突出，分別有38個大型模型和20個大型模型。
據市場最新訊息，截至10月，國內已發布238款大型車型，相當於不到半年時間的三倍增長。
在過去的一年裡，在國產大模型的發展中可以看到清晰的邊界。 在11月11日金融街論壇年會“金融科技創新與合規安全”平行論壇上，杜小滿CTO徐棟樑總結，從底層模型的發展趨勢來看，早期以ChatGPT和文心一妍為代表的通用模型是第一波。
而第二波可以稱為“+AIGC”。 徐棟樑解釋說，在現有企業產品和服務的基礎上，將應用生成式AI技術，提供更好的產品和服務。
2024年7月，華為盤古Model 30發布，“行業”成為關鍵詞。 千帆模式、騰訊雲行業模式、科大訊飛星火模式、360智慧型大腦模式等面向B端市場的落地行業模式在短時間內如雨後春筍般湧現。 大型模型競爭的趨勢從一般的大型模型到工業大型模型的趨勢越來越明顯。
針對大模型在不同行業的影響，企業成長諮詢公司弗若斯特沙利文（Frost & Sullivan）發布的《2023中國AI技術轉型企業服務***》做了乙個簡單的分類。 例如，在面向服務的行業中，AI可以實現58%的顯著成本降幅主要集中在客戶營銷、客戶運營、客戶服務等獲客轉化成本上，具有較高的替代潛力。
國產大模型如火如荼，全球科技競爭依然激烈。 2023 年 11 月，恰逢 ChatGPT 上線一年的時間節點，OpenAI 舉辦了首屆全球開發者大會，其中 GPT-4 公升級為 GPT-4 Turbo，成為最重的“炸彈”。
第三方排名 Superclue 基於超線索通用大模型的中國綜合評估基準，對 GPT-4 Turbo 進行了全面評估。 結果顯示，GPT-4 Turbo 擁有 8 分（滿分 10 分）的基本能力，與上一代 GPT-4 型號相比，GPT-4 Turbo 有 10大幅增加了33個百分點。
對於國產大車型來說，差距正在進一步拉大。 GPT-4 Turbo總分領先國內最強機型30餘分。 在最後的結論中，Superclue寫道。
中國模式離美國有多遠？半年前，出門問問CEO李志飛給出了乙個比較“直觀”的16個月計算答案。
他解釋說，2022 年 1 月，谷歌發布了學習 習 大模型 FLAN 的指令，隨後是 2022 年 10 月的 ChatGPT 和 2023 年 3 月的 GPT-4。 目前，中國企業發布的多款大型號與FLAN水平相近，因此估計中美大型號相差16個月。
在美國，由Openal、Microsoft和Nvidia組成的軟硬體聯盟正在加速AI 2的推廣0 的時間已經到來。 同時，國產大機型也遭遇了晶元的不確定性風險。
10月，美國商務部工業與安全域性（BIS）發布了最新的人工智慧（AI）晶元出口管制法規，晶元和半導體行業首當其衝。
國內GPU設計公司畢辰科技總裁徐凌傑表示，明年中國大部分算力需求將集中在大模型訓練上在那之後，推理的場景會越來越多。
普遍認為，中國應用豐富、落地快的特點是，大多數企業不是靠技術取勝，而是靠落地過程中挖掘新的生產力。
金融、人工智慧榮譽
在探索大模型落地的過程中，有乙個非常有趣的現象。
當人們談論大模型的組合時，他們通常用乙個詞——市場教育，用來描述讓目標行業接受新技術的過程。 行業只有乙個，市場教育成本幾乎為零，這已經成為圈內共識，這個行業就是金融。
金融模式的風暴始於今年3月。 彼時，外界還處於大模型“湧現”的狂歡中，頂多延伸到底層算力的焦慮，但彭博GPT，一款為金融行業量身打造的大語言模型，推出了一款為金融行業量身打造的大語言模型，將大家的注意力轉向了行業的新賽道。
彭博GPT之所以至今仍被口口相傳，不僅因為全球首創金融模型的光環，還因為其背後海量的金融資料。
據悉，作為全球商業、財經資訊和新聞資訊提供商，彭博社基於大量財經資料的優勢，打造了包含3630億字的財經資料集，這些有價值的垂直資料使其在執行財經任務方面的表現遠遠超過當時的現有模型。
天風**曾評論說，彭博GPT在一些金融場景中表現出了比一般大模型更強的能力，標誌著GPT在金融領域的革命可能才剛剛開始。
早在7月底，騰訊研究院發布的一項調查顯示，我國引數在10億以上的大模型數量已從5月底的79只增加到116只，其中金融行業大模型18只。
資料規模大，資料型別多，數位化基礎強，市場規模大，客戶支付能力強，前、中、後台......範圍廣降低成本，提高效率隨著獨特優勢的積累，“金融+大模式”成為“王炸組合”。
據悉，目前國內金融模式已應用於金融資訊文字和產品介紹內容的自動生成，以及虛擬客服互動的構建，從而為使用者提供更人性化的服務，提高金融機構的內容運營效率。
繼網際網絡金融時代的模式之後，國內的金融模式也分為兩大明顯的“流派”。
一組來自傳統金融機構。 以銀行為例，在2024年半年報中，包括中國工商銀行、中國農業銀行、中國銀行等在內的多家銀行明確提出探索大模型的應用。
另一類來自金融科技公司或網際網絡公司。 今年5月，啟富科技率先宣布推出自主研發的金融行業通用模型“啟富GPT”，也被譽為“中國金融行業首個通用模型”。 同月，杜小滿推出國內首個千億級中國金融模式“軒轅”。
6月，恆生電子發布金融行業大模型LightGPT，Tors發布金融行業大模型等產品8月，即刻消費金融發布首款零售金融模式“天京”;9月，螞蟻集團正式發布工業級金融模型AntfinGLM，華為發布金融模型解決方案......分為三類、10種場景
艾瑞諮詢預計，2024年AI+金融核心市場規模將達到296億元，帶動相關行業規模達到677億元，到2024年，核心市場規模將達到666億元，CAGR（復合年增長率）為176%，帶動相關產業規模達1562億元，復合年增長率為182%。
華西**還認為，隨著大規模模型技術與業務的深度融合，頭部金融科技公司有望實現產品和商業模式的創新，實現從產品+服務費向SaaS訂閱費和運營利潤分成費的轉變。
金融科技細分領域較多，每個細分領域龍頭都有技術、行業知識等要素，與頭部金融機構的長期合作關係有利於資料、場景等要素的互補，相關產品有望率先落地。
1% 與著陸的 99%
今年8月，波士頓諮詢集團發布了乙份報告。 報告以某擁有約2萬名員工的區域性國際銀行為例，初步回顧了該銀行前台、中臺、後台部門應用生成式人工智慧的潛力和優勢，並估計生成式人工智慧可以為銀行節省約15億美元的成本約佔總薪酬方案的7%。
然而，在金融模型中，理想與現實之間也存在距離。 徐棟樑曾提到，人工智慧在金融行業的應用潛力目前可能只有不到1%。
財務模型既不是一般模型的完整“接受或放棄”，也不是完成大模型與財務疊加的機械過程。 而是要以金融行業自身的定位和特點為切入點，利用基礎設施、模型演算法、場景應用等方式，打造一套定製化的系統化專案。
按照這個系統專案的想法，金融模型的實施不可避免地會遇到模型選擇困難、算力不足、應用成熟度不足、資源資料壁壘等問題。
以算力為例，徐棟樑曾經提到，如果從底層開始訓練乙個大模型，所需的算力成本是非常高的，比如乙個千億級的通用大模型，一次訓練就需要付出幾千萬元。
因此，金融大模型的產業化應用需要場景應用方（金融機構）、模型提供商、培訓工具提供商等多方的共同建設和參與。
工商銀行首席技術官呂忠濤曾呼籲，當前國內外算力市場面臨算力供應不足、多廠商異構算力整合、國內AI生態不足、機房和網路建設等複雜局面，金融機構需要與行業各方深化合作，共同推進大規模算力部署和應用。
當不成熟的大模型遇到高度監管的金融行業時，安全和私隱、技術倫理、可信可解釋的隱患將成倍增加。 其中最典型的乙個是，金融的低容錯率和大模型的高錯覺幾乎成了技術上不可調和的矛盾。
風控是乙個具有代表性的場景。 風控要求極其嚴謹，大模型善於自證，一旦不能有效捕捉漏洞，就可能導致對財務模型的理解或判斷出現偏差，直接影響風控效果。
此外，金融是乙個高度資料驅動的市場。
過去，大量資料從各種渠道湧入銀行、保險、交易所等金融機構，匯聚在一起，成為能夠反映客戶需求、行業趨勢和市場變化的最佳資訊，及時有效地分析和利用這些資料非常重要。
在資料利用方面，金融與大模型的結合有點“雙向”。 然而，金融行業本身對資料安全和私隱合規的嚴格要求，注定在資訊採集、傳輸、處理和處理的各個環節，都超過其他行業的通用模式甚至大模型。
資料是不同金融機構的核心生產力，關係到各自的護城河。 大模型的開發需要高質量的資料集，因此不可避免地要說服不同的業態來完成資料共享，而如何構建合理、安全的機制，更是對整個行業智慧的考驗。
中國工程院院士、復旦大學金融科技研究院院長柴洪峰在致辭中指出，從技術角度來看，金融資料和知識的私隱性限制了大規模資料集的共享和構建能力，金融資料的多模態性增加了模型處理和建模的複雜性。
就像網際網絡愛說生態一樣，金融模型更勝一籌——生態是金融模型的必要條件，包括資料生態、算力生態、行業生態、監管生態，而這些可能是金融模型實施的99%必要條件。
北京商報記者 楊月涵