易观：ChatGPT和GPT-4陆续发布，引发了我们对于大模型在各个行业可能应用方向的想象与探索，包括今天我们重点提到的金融行业。在金融行业，大模型有非常多的应用场景，包括投研、产品研发、授信审核等，例如使用Copilot，帮助程序员来写代码，或者来做代码检测与测试等，也可以使用大模型的多轮对话能力，最大限度提高客户服务的质量，从而提升用户体验等。

 

金融行业真正推进大模型的落地的过程中，需要考虑如下四个挑战，最后一个挑战最重要，影响也最长远。

第一个，可信度的挑战，我们在赞叹ChatGPT能力的同时，应该都有注意到，它在跟我们对话的过程中，暴露出来了一些问题，例如回答不够准确，甚至错误的情况，例如针对同一个问题，也有可能出现截然相反的回答，而金融行业是一个对于模型的可解释性和鲁棒性等，要求非常高的一个行业。大语言模型当下输出结果的可解释性目前是相对封闭、不透明的，同时，其稳定性也仍然受到数据、算法、训练等方面的干扰，出现非鲁棒性的特征。这些都是在可信度方面，金融行业落地大模型应用非常重要的挑战。

第二，业务理解的挑战，目前的大语言模型实际上是基于通用知识库进行训练的，但是进入到金融的业务场景当中，无论是信贷、财富管理等，都还需要针对金融行业的业务属性与业务逻辑等进行增量训练，才能真正意义上解决业务问题和实现智能决策。

第三，成本投入挑战，当前大模型的应用成本仍然是比较高的，一方面是巨大的算力消耗成本，另一方面是为了解决前面提到的业务理解挑战，所产生的金融业务属性训练语料、数据标注以及模型的训练成本，尽管金融行业的科技投入还是比较高的，但是仍然需要通过模型压缩、小样本训练等方式进一步降低应用成本，才能真正意义上投入生产环境进行使用。

第四，也是我们刚刚提到最重要的一个挑战，就是组织能力的挑战，金融行业当然可以通过大模型的应用来替代人力去做非常多机械型、流程型，乃至一部分创造型的工作。但是，金融机构需要同步考虑的是，如何打造人和机器或者人与人工智能有机协同与合作的关系，一方面是如何更好地为员工，为人来赋能，提升人使用AI工具的能力，另一方面也包括不断调整和优化人与数字员工的职能边界。

只有当我们认真讨论风险与挑战的时候，才意味着，距离进入大语言模型开启的金融智能时代不远了，如果你还有关于金融行业数字化方面的问题，欢迎给我留言，我们来一起讨论。

声明须知：易观分析在本文中引用的第三方数据和其他信息均来源于公开渠道，易观分析不对此承担任何责任。任何情况下，本文仅作为参考，不作为任何依据。本文著作权归发布者所有，未经易观分析授权，严禁转载、引用或以任何方式使用易观分析发布的任何内容。经授权后的任何媒体、网站或者个人使用时应原文引用并注明来源，且分析观点以易观分析官方发布的内容为准，不得进行任何形式的删减、增添、拼接、演绎、歪曲等。因不当使用而引发的争议，易观分析不承担因此产生的任何责任，并保留向相关责任主体进行责任追究的权利。