經濟觀察網 胡群/文 12月24日，恒生電子董事長劉曙峰向經濟觀察網表示：“金融大模型目前仍處于初級階段，中國企業級應用的落地情況慢于預期。我非常期待2025年大模型在金融多個場景中會有長足的發展。”

近日，恒生研究院發布的《2024金融行業大模型應用觀察》（下稱《觀察》）顯示，大模型在投研服務、運營管理、投顧與客服、代碼開發等場景中的意圖識別、任務執行能力已得到較為充分的驗證，并已在一些頭部金融機構中投入實際生產，發揮實質性作用。

《觀察》同時認為，由于金融行業對業務復雜性、準確性、可解釋性有著遠高于一般應用場景的要求，如投資過程的任何偏差都有可能給投資者帶來損失，金融機構在處理客戶數據時必須確保足夠的精確度等原因，金融大模型仍未出現能夠徹底顛覆現有業務模式、引領行業變革的“殺手級”人工智能原生應用。

謹慎推進

2024年11月，恒生研究院開展了市場調研，并結合當前實施的項目情況進行分析。結果顯示，2024年前三季度，我國公開披露的大模型項目中標總額達到20.75億元，較2023年全年增長163%。其中，金融行業的大模型中標項目數量為66個，項目金額達1億元，占比4.9%。2024年1月至11月，金融行業的大模型中標項目數量增至103個，項目金額增至2億元。

上述調研顯示，在2024年前11個月的細分行業中，銀行業的大模型項目中標金額為1.14億元，占比56.8%；證券業為0.39億元，占比19.2%；保險業為0.13億元，占比6.6%。這三個行業的大模型中標項目金額合計占比達到82.6%。

然而，不可忽視的是，與政務（4.84億元）、能源（3.10億元）和通訊（2.00億元）等行業相比，金融業的大模型中標項目金額明顯落后。

為何會出現這種情況？

劉曙峰表示，金融領域企業級大模型的實際應用步伐不及預期，進展較為遲緩。從應用情況來看，大模型在金融行業實際生產中的主要用途為內部賦能。由于直接面向客戶的服務涉及合規性和其他潛在問題，如“一本正經地胡說”所引發的問題，因此在推進客戶服務方面持較為謹慎的態度。

劉曙峰表示，在內部賦能方面，包括面向企業端（To B）的服務，大模型應用的一個顯著特點是極低的入門門檻，由于自然語言對話無需額外學習，只要能夠進行語言交流即可使用，這符合人類的自然行為習慣，因此使用門檻非常低。隨著能力的提升，學習成本亦非常低，甚至可能呈現負成本，因為一旦開始使用，用戶便無需再花費時間尋找功能按鈕和菜單，從而內部賦能的效果會比較顯著。然而，對于大模型直接賦能客戶的服務，金融行業態度普遍較為謹慎。

《觀察》顯示，受合規要求嚴格、私有化部署及服務成本高昂、對業務準確度要求高等因素制約，金融行業運營大模型應用場景仍處于探索階段，且投入產出不成正比。此外，這也與大模型能力和產品成熟度不夠，以及企業自身數據質量不佳有關。

基礎大模型崛起

當前，金融領域的大模型應用研發，主要有金融機構自研團隊為主、金融科技公司為主和基礎大模型供應商為主三種模式。

《觀察》顯示，國有大行、頭部券商等機構一般采用自研策略。金融機構自研團隊優勢在于對業務理解深刻，貼近場景，且擁有大量的私有金融業務數據、專業知識等。自研的劣勢是：金融機構在技術研發和創新的廣度、深度方面，可能不如科技公司，缺乏足夠的長期技術積累和同業經驗分享；金融機構的資源投入有限，難以長期保持大規模的技術研發和資源投入；自研大模型適合淺層次的應用場景，但在深層次和復雜應用場景中，可能面臨技術和數據處理能力的瓶頸。

恒生電子、中關村科金等機構在運營、投研、投顧等特定業務場景已推出大模型應用解決方案，優勢在于具備較高的治理能力，能將原有系統資源標準化為自然語言，有助于打磨和識別，并在特定金融領域有深厚的專業知識和經驗。但與大型科技公司相比，垂直金融科技廠商在算力、數據資源和人才儲備方面相對不足，可能限制其在大規模技術開發（如基礎大模型）和應用中的競爭力。此外，金融科技公司還面臨來自金融機構自研和科技大廠的雙重競爭。

《觀察》稱，百度、智譜、科大訊飛等基礎大模型供應商技術實力強，擁有充足的計算資源、數據和人才，能夠快速迭代和創新，推動技術進步和應用落地，但在金融業務場景的理解上可能不如金融機構和金融科技公司，在將技術應用于具體業務場景時，可能面臨整合適配的挑戰。

從恒生研究院的調研來看，不管是通用的基礎大模型，還是針對金融行業訓練的行業大模型，大模型本身的能力已經跨越了“好用”這個臨界點。大部分金融機構會選擇跟人工智能供應商合作，摩根大通、摩根士丹利、貝萊德、城堡證券、穆迪等海外機構與OpenAI、谷歌等進行合作；國內機構比如招商證券、中金財富跟通義千問，國泰君安與階躍星辰，北京銀行、華泰證券跟火山引擎進行合作等。

劉曙峰表示，由于基礎大模型以每3.3個月一次的頻率進行迭代，其性能持續增強。相比之下，金融行業垂直大模型的迭代速度顯著落后于基礎大模型。因此，在垂直領域的預訓練和微調需求逐漸減少。此外，如果金融機構從基礎訓練開始，需要投入包括算力資源、數據資源以及人力資源在內的巨大成本。據了解，某國內基礎大模型供應商的算力成本每年在10億元以上。因此，他預計金融行業的大模型，甚至大多數行業的垂直大模型有可能逐步被功能更為全面的基礎大模型所替代。金融機構的建設重點可能會從行業大模型轉向關系RAG（檢索增強生成技術）、智能體的開發以及服務入口的改造。

未來有望誕生顛覆性原生應用

《觀察》顯示，當前，大模型在券商、銀行及私募基金等金融領域的應用已進入實質性部署階段。從金融機構的實踐來看，大模型降本增效的能力已經過了可行性論證階段，特別是在運營和中后臺業務處理方面，將進入實質性發展階段。在深度決策方面，金融大模型在風險管理、投資決策等領域建構小模型和關鍵數據集進行輔助建模。

《觀察》顯示，基于對話的人機交互方式有望成為連接用戶與金融服務的新入口。這不僅將極大簡化服務獲取流程，提高用戶體驗，還將促進個性化服務的發展，使金融機構能夠更精準地滿足客戶需求。在通用領域，無論是國外的ChatGPT（聊天生成型預訓練變換模型）還是國內的豆包，都已經形成了有巨大流量的新入口。在金融領域，先形成新入口效應的會是互聯網平臺、金融機構APP，還是其他橫空出世的人工智能金融創新平臺，仍需拭目以待。

劉曙峰表示，在通用領域，基于人工智能的原生應用，如ChatGPT，已成為國際市場的典型代表。與此同時，國內市場的豆包、Kimi（月之暗面公司推出的大模型）等產品也正在迅速崛起，吸引了眾多用戶，并重新定義了信息檢索與知識獲取的方式，開辟了新的流量入口。然而，在金融領域，目前還沒有原生應用能夠對用戶交互產生顯著的流量影響，也沒有出現能夠徹底顛覆現有業務模式、引領行業變革的“殺手級”人工智能應用。在未來兩到三年內，大型模型在各行業的影響力，包括金融領域是否會出現具有影響力的原生應用，將成為一個值得關注的重要議題。