文 | 蘇瑞淇

隨著(zhù)人工智能技術(shù)的飛速發(fā)展，大模型已經(jīng)成為全球關(guān)注的焦點(diǎn)。尤其在金融領(lǐng)域，大模型的發(fā)展呈現迅猛增長(cháng)趨勢，短短兩年時(shí)間，從百億級別參數已經(jīng)成長(cháng)到了千億級別參數，引發(fā)人們的高度關(guān)注。

金融業(yè)因其具有大規模、高質(zhì)量的數據資源和多維度、多元化的應用場(chǎng)景，一直以來(lái)被視為大模型應用的最優(yōu)行業(yè)之一。根據中國移動(dòng)上海產(chǎn)業(yè)研究院發(fā)布的報告，金融領(lǐng)域的AI大模型滲透率已突破50%，這一數據在各行業(yè)中居首位。2023年，國內參數在10億規模以上的大模型數量實(shí)現了“破百”，達到116個(gè)，其中金融行業(yè)大模型就有18個(gè)。

然而，有不少人提出了疑問(wèn)：金融大模型是否有必要追求極致的大規模，追求以“大”為優(yōu)？如果當下的大模型已經(jīng)能夠勝任目前的任務(wù)，未來(lái)是否還有必要繼續投入大量資金去研發(fā)更大規模的模型？

對于多數中小金融機構而言，當下最為緊迫的考量是平衡大模型的投入產(chǎn)出比。盡管大模型被許多金融機構宣傳為能夠降本增效的工具，但想要達到理想的效果，前提是要達到一定程度的規?；瘧?。如果沒(méi)有足夠的規?；瘧眠M(jìn)而實(shí)現收益，那么對大模型的資金投入很快就會(huì )后繼乏力，中小金融機構也就缺乏進(jìn)一步擴大模型參數規模的動(dòng)力。在這種情況下，“小而精”的金融大模型是中小金融機構更為合理的選擇。通過(guò)“喂”給AI垂直領(lǐng)域的相關(guān)數據，讓AI做到“術(shù)業(yè)有專(zhuān)攻”，中小金融機構可以節省出資金更加靈活地應對金融市場(chǎng)的變化。

對于很多大型金融機構來(lái)說(shuō)，目前仍然存在很強的驅動(dòng)力進(jìn)一步擴大大模型使用。大模型的規模擴大確實(shí)會(huì )帶來(lái)一些顯著(zhù)的優(yōu)勢。隨著(zhù)參數規模和數據規模的顯著(zhù)增長(cháng)，千億級大模型表現出更強的通用性和全面性，可以在更加多元的金融業(yè)務(wù)場(chǎng)景中完成任務(wù)。金融業(yè)是對精準性、時(shí)效性要求極高的行業(yè)，行業(yè)特點(diǎn)推動(dòng)很多大型金融機構不斷提升大模型的參數規模，以應對瞬息萬(wàn)變的金融市場(chǎng)。此外，一些大型金融機構出于同行競爭的考慮，將擴大模型參數規模視為提升品牌影響力的重要舉措，以此展現自身的金融科技實(shí)力，在市場(chǎng)競爭中更好地脫穎而出。

總體來(lái)看，金融大模型的研發(fā)與應用應當基于各家金融機構的實(shí)際情況量力而行，避免盲目跟風(fēng)，一味追求參數規模的擴張。在實(shí)際應用中，過(guò)于龐大的模型可能難以在有限的計算設備上部署和訓練，從而限制了其在金融應用場(chǎng)景中的發(fā)揮。此外，在A(yíng)I快速迭代的道路上，如果盲目追求參數規模，可能會(huì )帶來(lái)不必要的成本投入和資源浪費。

從行業(yè)的長(cháng)遠發(fā)展看，大小模型之間的有機搭配與協(xié)同作業(yè)，有望成為金融領(lǐng)域未來(lái)一段時(shí)間的常態(tài)。大模型與小模型相互補充，共同發(fā)揮各自的長(cháng)處。在處理廣泛數據、應對復雜任務(wù)方面，選用更有優(yōu)勢的大模型；在諸如合規等精細化的特定領(lǐng)域，選用更具有針對性的小模型。金融機構通過(guò)采用靈活應變、協(xié)同優(yōu)化的策略，讓大模型為金融領(lǐng)域帶來(lái)更加高效和精準的服務(wù)，從而推動(dòng)整個(gè)行業(yè)向更高層次邁進(jìn)。