AI大模型助力中小银行跨越“智能化鸿沟”:度小满首席技术官许冬亮访谈录

以ChatGPT为代表的AI大模型正在全球范围内引发新一轮的技术革命与商业浪潮。在金融领域,短期来看,它将在哪些方面给客户带来直观的优化体验?长远来看,它能否给金融业带来颠覆性变革?

带着这些问题,我们采访了度小满首席技术官许冬亮。度小满,即原百度金融。作为源自百度的金融科技公司,度小满一直积极探索人工智能在金融领域的前沿应用,先后布局信贷、财富管理、支付、保险、个人金融科技和供应链金融科技等六大业务板块。百度 “文心一言”开放生态合作后,深耕AI领域多年的度小满成为首家接入的金融科技公司。

许冬亮认为,具有通用能力的大模型将成为信息处理的基础设施,中小银行应用人工智能技术的门槛将大幅降低,在数字化、智能化进程中有了“弯道超车”的机会。

麦肯锡:ChatGPT近期风靡全球,您对人工智能未来趋势怎么看?

许冬亮:ChatGPT的基础是大模型,也就是 GPT( Generative Pre-trained Transformer 即生成型预训练变换模型)。基于大模型,OpenAI团队不仅推出了ChatGPT(对话),还推出了CodeX(代码生成)、DALL-E(图像生成)。

比ChatGPT更值得关注的是它所依托的底层技术能力。我们认为类似GPT这样的大模型技术,是下一代人工智能技术较量的核心课题。大模型将会掀起新一波的技术浪潮,重塑多个行业的业态。

麦肯锡:大模型技术在金融行业有哪些应用?

许冬亮:金融行业是数字化、智能化的先行者,如果将大模型能力放到金融行业中去处理原有的任务,性能和效果将会有显著的提升,会对很多工作产生颠覆性的影响。

大模型可以分为理解式大模型和生成式大模型。理解式大模型可以用在智能获客和风险管理上,帮助金融机构提升经营效率和风险管理决策能力。在智能获客上,大模型可帮助金融机构精准匹配用户的需求。在信用风险管理上,在大模型的通用能力基础上融合金融行业的知识和数据用于风险评估,可以提升数据洞察理解能力,帮助我们发现原来发现不了的风险。

生成式大模型可以自主生成新的数据、图像、语音、文本等信息,成为理财师、保险经纪人等金融行业从业人员的得力助手,帮助他们为客户个性化推荐理财、保险产品,大幅提升服务效率和服务体验。具体表现在以下三个方面:

  • 基于大模型的智能客服将超越人工服务,让高质量顾问式金融服务成为可能。在通用大模型的基础上,叠加金融客服领域的数据和专业服务经验,经过垂直领域定向训练后客服机器人既能与用户进行多轮对话,还能提出具体的、可行的解决方案。
  • 生成式大模型可以成为理财师、经纪人等从业者的“全能业务助理”。基于大模型的业务助理不仅了解国内外的宏观政策、行业信息、产品信息,而且可以自动生成文章、报告,提供专业建议和方案辅助交流。
  • 广告和营销内容一键生成,营销效率大幅提升。以ChatGPT为代表的大模型技术,将带来知识型工作者生产效率的二次飞跃。过去,我们需要在海量信息中检索词条,将大量的精力投入到信息的获取、提炼与整合,自己做检索、设计、制作等工作;未来,大模型技术会适应并普及到所有知识型工作行业,例如文案、设计、编程等,人机协作将大幅提高工作效率。

麦肯锡:大模型技术的发展,对金融行业的格局将带来什么影响?

许冬亮:具有通用能力的大模型将成为信息处理的基础设施,中小银行应用人工智能技术的门槛将大幅降低,在数字化、智能化进程中有了“弯道超车”的机会。由于在数字资源、科技能力、业务场景等方面的天然差距,中小银行与大银行相比,在数字化转型方面相对落后,且面临着差距越拉越大的风险,“智能化鸿沟”的风险也越来越明显。在大模型时代,所有银行都可以便捷地使用最先进的人工智能技术来解决各自的业务问题,不同规模的银行重新站在同一条起跑线上,这将大幅加快中小银行数字化、智能化进程,有利于中小银行跨越“数字鸿沟”和“智能化鸿沟”。

 

麦肯锡:度小满在大模型上有什么布局?

许冬亮:度小满已经开展了一系列基于大模型的应用。我们将大型语言模型LLM应用于海量互联网文本数据、行为数据、征信报告的解读,将小微企业主的信贷违约风险降低了25%。随着模型的迭代,大模型在智能风控上的潜力将进一步释放。

ChatGPT所展现的语义理解能力,也是度小满在自然语言处理(NLP)领域重点投入的方向。2021年,在微软举办的MS MARCO 比赛中的文档排序任务中,度小满NLP团队排名第一并刷新纪录;团队研发的轩辕 (XuanYuan) 预训练模型也在CLUE分类任务中排名第一。

百度 “文心一言”开放生态合作后,度小满成为首家接入的金融科技公司。接下来,基于“文心一言”的大模型技术基座,结合度小满业务场景积累的金融行业知识和数据进行交互式训练,我们希望能在金融行业发挥ChatGPT类人工智能技术的作用和价值,打造全新的智能客服、智能风控、智能交互服务。这些垂直应用不仅要具备生成式人工智能(AI)、多模态语义理解等能力,而且要适配金融行业高度重视风险、把安全性放在第一位的行业特点,做到高度稳定、自主可控。

麦肯锡:大模型的发展未来有哪些挑战?

许冬亮:首先,技术的应用不能脱离业务应用本身,AI技术的价值体现在业务的发展上。其次,数据的积累、技术能力的建设、底层的架构、人才积累与培养,这些都要长期投入,逐步形成;AI与业务的融合是一个持续迭代的过程,我们不能唯业绩论,要给技术沉淀的空间和时间,但也不能只关注技术建设,不考虑对业务的收益——既要仰望星空,又要脚踏实地。

在国内,目前看大模型技术的发展和应用存在很多挑战,这些也都是我们需要正视和解决的,包括以下四个方面:

一、应用门槛。大模型训练和应用的成本依然很高;在数据上,中文语料和数据质量相较于英文存在差距,当前模型的稳定性和真实性还要进一步的优化。

二、金融安全。金融行业的安全性是第一位的。生成式大模型创作自由度高,所以常会有令人惊艳的表现,但正是因为它的自由度太大了,当解决真实场景中的任务时,会造成可控性不足。

三、人才储备。我国人工智能人才紧缺程度持续高于互联网总体水平,作为ChatGPT核心技术的大模型,其人才缺失更为突出,尤其是领军人才一将难求。

四、科技伦理。随着技术的不断突破,为了规范技术的发展,科技伦理的治理也要及时跟上,比如,大模型训练需要应用大量的数据支持,需要做好数据的安全管理,避免泄露带来的风险。同时这一技术可能会涉及偏见、歧视、误导等问题,需要加强技术规范和标准制定,防止误导,防范道德和伦理风险,防止歧视,保护消费者权益。

 

本次访谈由麦肯锡全球资深董事合伙人钟惠馨、麦肯锡全球董事合伙人吉翔和麦肯锡全球副董事合伙人张蒙联合完成。