建信金科+大语言模型带来金融行业范式转换-22页_4mb

大语言模型带来金融行业范式转换

引言

• GPT4突破：超越90%人类，标志着AGI小微进展。
• 工具升级：进入范式转换期，人类角色从操作转向思考。

人机范式转换

范式演化阶段

1. 副驾驶阶段：传统入口与新UI共存。
2. 主驾驶阶段：通过API交互，废弃复杂UI。
3. 全自主阶段：AI独立执行任务，无需人类指令。

智能本质

• 工具升级人类能力，GPT4增强智力。
• 探讨AI是否具备自我意识及其对人类工具化影响。

金融应用场景

应用分层

• T0层：解决高阶任务（数学难题、材料科学）。
• T1层：缩短普通用户与专家能力差距（编程、自动化写作）。
• T2层：辅助日常任务（写作、办公、自动化客服）。

金融领域的具体应用：

大语言模型现存问题与挑战

• 训练复杂：算力需数百张A100，建模费用高昂。
• 输出不可控、常识错误、混淆事实的风险。
• 价值观依赖于训练数据，滥用与污数据风险。

如何建设金融大模型

技术建议

• 分阶段训练：预训练→微调→强化学习。
• 要求海量高质量数据与专业人才队伍。
• 面临数据获取、算力、安全隐私问题。

企业实施策略

1. Why（动机）

   • 数据安全要求本地化部署或云部署（如金融IDC）。
   • 合规性与可控性。

2. How（实现路径）

   • 构建本地基础设施：预训练、部署、微调。
   • 提示工程训练模型，结合分布式平台。
   • 场景与业务融合，培养AI交互能力。

企业大模型建设闭环

1. 业务层：自然语言交互，激发AI能力，由提示工程师负责数据整理。
2. 算法层：AI训练工程师主导模型训练与调参。
3. 基础层：GPU算力、存储与高速网络。
4. 可持续基础设施：基于建行云等平台。

结语：LLM的本质与演进

• LLM不仅是语言模型，更是人类知识的映射。
• 未来发展路径：多样化数据处理，增强推理与泛化能力。