在2023年世界人工智能大會上，大模型技術是當之無愧的“話題王”。在通用大模型向前疾馳的同時，大模型技術如何應用于金融等垂直領域，再次成為業界熱議的問題。

7月6日-8日，在世界人工智能大會舉辦期間，21世紀經濟報道記者專訪了馬上消費金融首席信息官蔣寧，他坦言，如今市場廣泛討論的大模型是生成式模型，而金融行業真正需要的是多種模型的組合式AI系統，如今大模型技術在金融行業的落地還存在四個方面的挑戰亟待突破，目前為解決金融機構的魯棒性決策問題，依然需要實時人機協作的機制參與。

從“小學生”開始培養

《21世紀》：模型和強化學習并不是新鮮詞，大模型技術和過去相比，在技術層面帶來了怎樣的變革？

蔣寧：強化學習是發展很久的領域，從AlphaGo到現在OpenAI的ChatGPT，強化學習也在發生巨大的變化。

強化學習簡單來說是基于人輸入的策略，機器在執行過程中不斷地調整這個策略。AlphaGo當年最偉大的突破在于，過去在封閉環境下機器可以通過強化學習測算博弈獲勝的概率，得到一個概率結果，而AlphaGo可以在兩者博弈的動態環境下測算勝率，但它不知道最終的結果。

今天大模型技術的強化學習是一個開放系統，每個用戶輸入的內容指令不一樣，機器不知道對方會問什么問題，也不知道該如何更好地回答這個問題。但在開放系統下，在不知道對與錯的情況下，它通過獎勵函數評估出哪個是更好的答案，它不斷通過強化學習實現“越用越聰明”，這就是持續反饋機制，這是OpenAI的突破。

《21世紀》：國內已經開啟“千模大戰”，今天人工智能大會上也有很多大模型產品發布，在您看來，您是如何看到國內各家的大模型與Opan AI之間的差異？

蔣寧：我認為目前大模型的核心技術能力，是在于持續反饋機制。打個比方，企業推出的大模型相當于博士生畢業，如果沒有高質量的語料數據訓練來讓大模型進行持續反饋，那這個博士生的知識水平就停留在畢業時，很快就會被其他擁有自我反饋機制的AI追趕上。而OpenAI的大模型是從“小學生”階段就經歷了全社會全平臺最好的教育，通過巨量數據來進行持續反饋與強化學習，這樣才能實現“越用越聰明”。

金融領域大模型落地遇四大挑戰

《21世紀》：今年WAIC大模型技術非?；鸨?，你認為金融行業適合大模型技術應用嗎？

蔣寧：大語言模型技術出世后，對金融行業的人工智能技術應用是“強心劑”，首先金融行業有三個特點。

第一，第一，金融行業天然是數據密集型、技術密集型行業，其對數據和技術的使用在各行各業中都是最廣泛地。第二，金融行業目前面對的挑戰很多，如銀行線下網點的價值傳遞效率問題、用戶體驗問題，都需要機構持續創新。第三，金融行業一直在探索數據資產化，挖掘數據價值，在風險、營銷、運營等方面進行嘗試。

《21世紀》：但是我們看到大模型技術目前在金融行業落地場景還是很有限，你認為存在哪些挑戰？

蔣寧：我認為挑戰是很多的，主要講四個方面。

第一個挑戰是關鍵性任務和動態適應性。在動態系統里，大模型驅動下的人工智能還不具備100%精準決策能力。金融行業的場景不是一成不變的，面對不可預期的外界環境和突發意外情況，大模型并不能做一如既往地給出穩定舉措，這給金融機構在人工智能的技術應用提出了一個非常大的挑戰。

第二個挑戰是個性化要求和隱私保護之間的矛盾。金融行業一直希望通過人工智能來實現極致的用戶體驗，特別是個性化的體驗，但這需要個人隱私數據與大模型技術相融合，這樣帶來的隱私數據保護問題目前還很難有一個解決方案。

第三個挑戰是群體智能與安全可控。大模型的訓練機制決定其需要大量數據來構建增強學習、強化學習的網絡，讓多方共同打造一個平臺，基于這一平臺持續貢獻數據與反饋，從而讓AI實現技能的進化。但目前出于數據安全考量，行業內跨組織、跨機構的數據共享機制仍然需要持續性的探索。

第四個挑戰是對大數據和基礎設施的能力挑戰。未來摩爾時代大模型技術的應用需要高速增長的數據能力，對金融機構網絡、服務器、芯片、底層架構等等都提出了全新的要求，這也是未來需要突破的。

《21世紀》：為應對這些挑戰，你認為有哪些技術將被廣泛運用？

蔣寧：我看到三個關鍵技術，概括來說是持續學習、魯棒性決策以及組合式AI系統。

持續學習，就像前面所說，它是大模型基于數據的反饋，讓系統越用越聰明。如何構建一個增強的訪客系統讓更多人使用，這就是在線學習、持續學習、強化學習的技術，這方面我們還有很多需要突破。

魯棒性決策，它是指即使面臨噪聲和突發情況干擾，大模型也可以作出一致性的可信回答，強調的是可信性。金融業和工業領域，0.1%的錯誤都是不被允許的，合規、安全是最基礎、最核心的要求。無論在怎樣的動態環境下，AI都需要排除噪聲干擾，為客戶做出合法合規的決策，這是魯棒性決策的要求。

組合式AI系統，目前大家廣泛討論的AI是生成式大模型，而金融行業需要判別式大模型，必須直接給出正確或錯誤的結果，二者之間必須有效結合才能發揮更大價值。從兩類模型的區別來看，判別式模型的訓練成本很高，每個結果標記對、錯，都是機器不斷學習的過程，但這個結果很難適應變化中的場景，開發成本很高。生成式大模型的訓練則是需要全員的不斷參與，泛化能力非常強，但它不能生成準確的結果判斷。因此這兩種技術需要相互融合。

金融機構如何試水大模型？

《21世紀》：從這些挑戰來看，是否意味著目前金融行業的大模型落地還很難？

蔣寧：這要結合大模型從人工智能的布局來看，分為四個大類的象限。第一個象限是基礎領域，包括生成式AI、判別式AI，這是基礎模型領域；第二個象限是在基礎領域上的垂直領域模型，像金融垂直領域的模型；第三個象限是在基礎領域和垂直領域模型的基礎上，創新生產力工具，比如，代碼自動掃描，自動生成語句，這是屬于工具類的；第四類是象限是應用領域，比如，智能客服就屬于應用領域，因為智能客服不可能把大模型、垂直領域模型直接形成智能客服，所以需要第三象限內智能審核工具等應用。

目前金融行業在第一象限的基礎模型開發還非常困難，我們缺乏持續投入信息數據的反饋機制，但在第三第四象限的工具和應用類別上，已經可以實現大模型技術在部分金融業務場景下的應用了。

《21世紀》：目前馬上消費有嘗試大模型技術的應用嗎？主要在哪些方面？

蔣寧：結合前面我們說的挑戰和技術應用路徑，我們提出了“三橫三豎”戰略。

其中，“三橫”包括：通過持續學習技術、模型控制、組合式 AI 系統形成的安全、合規、可信的魯棒性決策能力?！叭Q”包括：一是數據智能，二是多模態大模型，三是實時人機協作。

目前在應用方面，我們開發了智能生成報表的工具，在場景方面我們在智能客服上已經有所涉獵。

得益于消費金融公司長期與社會有廣泛交流，在中文高質量數據集相對有限的情況下，我們公司歷史上累加了將近40PB的客戶聲音數據，來幫助我們訓練人機協作模型，訓練人機對話的模型，并且利用大模型技術為人機對話提供更好的幫助。我們基于這樣近千億的數據量和組合模型，結合機器的反饋機制進行強化學習，在不同場景下，把語音、聲紋，包括心理學這些模型融合在一起，同時為了應對機器在突發情況下的問題，我們通過人機協作的形式實現魯棒性決策，這是我們科技方面的核心競爭能力。

責任編輯：王超