2024金融科技趋势研究报告-50页.pptx

3

数智新应用

4

趋势一：大模型对场景普遍渗透，以“中控”为核心的生态范式初步定

型

趋势简介

近期，国内外出现了许多大模型并形成了百模大战的现状。研究指出，金融

行业头部机构会在未来1年内在相对成熟的场景中尝试引入大模型，以及生成式AI能力。大语言模型时代的到来，为投研、投顾、风控、研发提效等场景带来了新的想象空间，行业在关注大模型本身建设的同时，作为连接大模型与应用的“中控”成为了行业未来大模型生态的核心。

趋势阐述

国内外大模型的涌现，呈百模大战的态势，例如：OpenAI的ChatGPT、谷歌

的PaLM、Meta的LLaMA、清华的智普、华为云的盘古、百度的文心、阿里的千问、科大讯飞的星火、商汤的日日新等。预计2024年，已针对人工智能有领先性的探索且硬件配备较完善的金融机构，会尝试在一些业务场景中引入大模型以及生成式AI能力。此外，RPA作为扩展Al落地的“最后一公里”，将助力大模型扩展其应用边界，且通过易于使用、易于管理的部署来帮助Al加速转型，增强认知决策能力以处理复杂的长链条业务，降低运维成本来提升应用价值。未来，金融行业在推动大语言模型的应用落地过程中，将会遇到生成式深度合成类应用行业的强监管以及数据安全境内保护的强监督。

专业化的面向资本市场的金融大模型：金融领域具有复杂的金融知识和特殊

的投资决策需求。为更好地满足行业特性，研发金融领域垂直大模型势在必行，典型代表有彭博的BloombergGPT和恒生的LightGPT。这类模型能够触达金融

5

市场动态，学习和掌握投资组合优化、风险评估、金融法律法规等相关领域的知

识。

与大模型本身建设相比，大模型配套基础设施建设同样重要。通俗来讲，有了

新工具，新工具的使用指南，也十分重要。构建连接大模型和行业应用的“中控”基础设施，对于像金融这样受到强监管的垂直细分行业在内容合规、业务适当性、部署模式和数据流向等数据安全方面都是至关重要的。

“中控”基础设施，由三大部分组成：共性大模型插件、大模型工具链（任务

编排和指令流水执行）、行业资源图谱。

金融大模型插件：减少幻觉——连接文档、数据库、API、元数据

金融领域存在大量数据需要连接，如行情、上市公司信息、基金基础信息、金

融机构内部知识库文档等，因此需要大量共享插件能力，例如文档的解析处理能力、自然语言转SQL能力（NL2SQL）、智能API调用能力等。这些能力以插件的方式存在，构成对大模型能力的重要补充。

更加智能的工具链：规划和执行——智能体（Agent）

与大模型配套的转接工具链，是大模型“中控”的基础部分之一。它负责处理

输入输出、数据转换和模型部署，特别是任务编排和指令流水执行等任务。幸运的是，目前已经有很多这样的开源组件被证明是有效的，可供选择，但是现阶段基本是靠手工拆分任务和规划。

为了更加智能化地处理、执行未见过的复杂任务，AIAgent是时下热门的一

个方向。在OpenAI应用研究负责人LilianWeng撰写的一篇万字长文中，她提出Agent=大模型+记忆+规划技能+工具使用，以「输入一段指令自动实现复杂任务拆分和函数调用」的场景为例来构建基础Agent流程，并侧重讲

6

解如何通过「基础模型选择」、「Prompt设计」等来成功构建「任务拆分」和「函

数调用」模块。例如问“某个基金经理怎么样”，通过大语言模型拆分任务，对基金经理基础信息（姓名、学历等）、任职情况、历史收益等因素进行拆分，并完成相应的Prompt设计，最后调用相关基金经理卡片的API得到最后的结果，从而完成相对复杂的任务。

更专业的行业资源图谱

与大语言模型相配套的基础设施还包括应用侧的资源组织。从金融等垂直行

业的需求来看，由于语料原因，单纯依赖大模型本身可能在短时间内没法快速满足金融业务场景的深度需求，需要在运行过程中结合丰富的应用侧专业化数据资源和计算资源，才能为面向特定应用场景的人工智能赋能。比如近几年新出现的向量数据库和图数据库，在应用侧资源组织中发挥着重要作用。

向量数据库主要应用于大模型训练、推理和知识库补充等场景，在接入层、

计算层和存储层等方面已实现了全面的语义化。向量数据库可以用于大模型预训练数据的分类、去重和清洗等任务。在大模型学习阶段，向量数据库接收多模态数据进行向量化表示，让大模型在训练时能够更高效地调用和处理数据。在大模型训练方面，向量数据库的应用也非常广泛，此外大模型在调用API过程中，向量数据库通过对API进行检索，也可以确保API调用后执行得到相应的实时数据。

因此，数