ChatGPT沖擊下我國證券公司的發展機遇、挑戰與對策建議

立足金融科技賦能證券公司高質量發展的時代背景，以ChatGPT為代表的新一代人工智能技術將深刻沖擊證券行業現有的行業格局和發展態勢，引領新一輪數字化轉型進程。本文系統研究了ChatGPT技術在證券公司的落地場景，通過深入剖析技術應用過程中的痛點和堵點，提出了人工智能驅動下證券公司的轉型戰略和發展建議。

2022年11月30日，由Open AI公司開發的新一代人工智能聊天機器人ChatGPT（Chat Generative Pre-trained Transformer，對話生成式預訓練變換模型）正式開放公眾使用。該產品甫經推出便迅速引爆互聯網，一躍成為2023年的開年“現象級”“賽道級”產品。作為人類歷史上月活躍用戶數最快突破1億人的消費級應用，ChatGPT將對現代科技的諸多細分領域產生顛覆性的影響。基于金融科技賦能證券公司高質量發展的時代背景，以ChatGPT為代表的新一代人工智能技術將有望引領新一輪數字化轉型進程，成為實現產業升級的有力抓手。

審慎認知以ChatGPT為代表的新一代人工智能產品

ChatGPT的概念與核心特征

2018年，Open AI公司推出GPT-1.0大語言模型，利用“預訓練+微調范式”實現了大規模無標注語料庫的知識學習與泛化遷移任務。歷經多年迭代，通過續躍進式提升參數數量（1.17億至1750億）和訓練數據量[5GB（吉字節）至45TB（太字節）]，在GPT-3.5代大語言模型基礎上加入人類反饋強化學習、指令學習、有監督精調等技術，商用化的ChatGPT應運而生。2023年3月15日，可以處理文本與圖像兩種輸入信息的多模態大語言模型GPT-4.0發布，進一步擴展了其商業應用的可能性。

作為GPT大語言模型家族的衍生分支，ChatGPT具有大訓練、高算力、寬語料和人智化的主要特點。一方面，為實現自然語言閱讀、分析、推理能力，ChatGPT使用海量數據擬合模型參數：訓練階段總算力消耗約為3640 PF-days（每秒一千萬億次計算，運行3640個整日），需要約1萬片圖形處理器（Graphics Processing Unit，簡稱GPU）和25.8萬片中央處理器（Central Processing Unit，簡稱CPU）方能支撐運行。另一方面，ChatGPT調用了規模龐大的語料庫，可以精準地在多輪次連續會話過程中有效識別人類意圖，更可以質疑不正確問題、主動承認錯誤并優化答案。在GPT-4.0時代，ChatGPT具有的圖像閱讀理解能力進一步賦予其高級別的人智化特性，能夠更可靠且富有創造力地執行長形式的邏輯推理和內容創建工作，輔助用戶更好地生成、編輯、迭代創意和技術性任務。

新一代人工智能技術的宏觀影響

目前，ChatGPT已開放多種API（Application Programming Interface，應用程序編程界面）接口，企業和個人開發者僅需單行指令便能將ChatGPT引入應用當中。由此，基于人工智能的云端生態系統已初步形成，并將在宏觀層面產生全方位、多維度的影響。具體地，一是開發層面的技術壟斷：算力與數據的作用將超越算法，成為左右ChatGPT產品開發的主要決定性因素，當前僅有具備強大算力儲備與數據基礎的頭部互聯網企業、計算機硬件企業和大型資本公司才能承擔急速擴張的大數據訓練需求和調試費用。二是應用層面的先手制勝：ChatGPT與自身業務的融合是企業實現降本增效、解決服務同質化問題的有力手段，開展ChatGPT落地應用的時效性將決定企業在人工智能時代的先發優勢。三是發展層面的通用化趨勢：ChatGPT突破了聊天機器人范疇，更適合定義為一項基于大語言模型框架并具備人機智能交互能力的寬域應用技術或應用范式；ChatGPT技術開啟了“通用人工智能”時代，未來將深刻重塑科技行業的發展邏輯與發展態勢，并在各個應用維度帶來全新契機與挑戰。

ChatGPT技術在證券公司的落地應用場景

實現業務流程“扁平化+貫通化”，打造“輕量型+科技型”中后臺

ChatGPT技術作為當前人工智能領域的最新科技迭代成果，能夠有效推動證券公司中后臺業務流程的優化與創新。利用自然語言處理能力帶來的先進人機交互能力、文本與數字孿生創作能力、圖片與視（音）頻合成能力，ChatGPT技術的表層應用即可高效助力常規性、程序性的語料整理和信息發布等行政工作，有力釋放管理人員工作潛力。進一步地，通過將ChatGPT 技術以插件形式嵌入公司辦公自動化系統并打通業務流程相關的知識圖譜、云服務、大數據系統，行政命令的起草、修改、傳達，產品的合規與風控管理，數據的傳輸、存儲、更新，均將以更加智能化的形式高效完成，全面賦能證券公司中后臺數字化轉型所急需的大數據治理、合規與審計管理、產品自動化風控等子系統平臺建設。

在此基礎上，ChatGPT技術的深層次應用在于能夠有力改善各子系統之間“煙囪林立”的現狀，處理業務與數據“孤島化”等問題。一方面，當前證券公司中后臺各部門雖均已達成數字化轉型共識，但各自的發展戰略和執行稟賦卻不盡相同；各子平臺建設成果呈現“長板長”“短板短”的現象。另一方面，證券公司中后臺子系統群的協作體制機制仍處于初級階段：“點狀建設”突出、“線面建設”不足；系統間通信能力、模塊間橫向數據共享、業務端到端閉環支持均有待完善。ChatGPT技術作為寬域化、通用化人工智能系統集大成者，可協助中后臺子系統完成從被賦能到整合、歸一的建設流程，實現員工使用自然語言“提需求”，系統自動 “調模塊”“通數據”“助協作”“成文稿”的閉環。從ChatGPT技術融入證券公司中后臺，到證券公司中后臺融入自有大語言模型綜合管理平臺，可有力剪除公司運維冗余、打通橫向主干流程、提升跨部門協作水平，最終實現證券公司中后臺智能化轉型，落實降本增效。

實現業務條線“精準化+差異化”，形成“全場景+全天候”的前臺運營體系

在前臺業務條線服務端，ChatGPT技術主要通過發揮自然語言理解、分析、連續會話功能，完成對當前紛繁的智能客服系統、智能投顧系統、財富管理系統等服務平臺的升級與整合，實現客戶與客服人員體驗“雙提升”。在客戶角度，通過間斷或連續會話形式輸入投資場景、期望收益與風險約束、資金運營周期和規劃，基于GPT技術的人工智能前臺會在考慮宏觀政策、市場供需、產品庫與項目庫等內外部數據資源的基礎上展開產品適配、估值與收益分析、項目評估等工作，迅速初步響應客戶“投什么”“怎么投”“如何融資”等一系列核心需求。在客服人員角度，ChatGPT技術不僅能夠通過自動識別客戶對話并檢測問題、生成摘要、草擬個性化回復來實現“千人千面”的精準營銷，還可以協助建立客戶信息與業務關系的知識圖譜，在客戶觸達、調研、分流等核心模塊進行集約化處置，實現客戶關系管理的精準化、全面化。

在前臺業務條線生產端，ChatGPT技術在自然語言處理能力基礎上通過數據匯總比對、程序編寫修改、數理計算推導等邏輯功能，完成投研系統、資管系統、自營系統、投行系統等生產平臺的迭代與整合。在證券研究角度，通過對行業與公司層面的數據、指標、分析框架進行深度學習，重點依托結構化與半結構化的研究報告、研究主題、研究熱點等內容進行訓練，ChatGPT技術可以全天候快速響應研究人員在信息檢索、模型構建、投資組合分析、報告生成等核心領域的現實需求。在投資管理角度，ChatGPT技術不僅能自動提取產品關鍵信息與關鍵指標，通過對行業與公司同類型產品進行深入比對，多口徑、全流程地助力合規與風控管理；還可以結合服務條線用戶反饋數據，針對客戶畫像生成定向投放意見與建議，并進一步生成產品可行性報告。在投資評價角度，ChatGPT技術可以完成行業評價體系與公司個性化評價體系的學習與應用，按需從定性與定量方面生成結構化或半結構化的投行項目質量報告、債券與基金產品評價報告、基金經理評價報告等內容，深化產品與人員的管理閉環。

證券公司應用ChatGPT技術過程中存在的痛點和堵點

參與成本與應用收益的矛盾

中國證券業協會發布的證券公司2022年度經營數據顯示，全行業140家證券公司受多重超預期因素沖擊導致經營業績短期承壓，行業營業收入和凈利潤較2021年分別下滑21.02%與25.11%。與之相對的，2023年作為新一代人工智能技術發展初期，芯片端CPU和GPU采購成本、算力端云計算體系搭建成本、算法端商用自然語言處理技術部署成本高昂。國盛證券研究顯示：以當前最具成本效益的英偉達A100服務器為算力基礎，按2500萬日度搜索量計算，ChatGPT初始算力投入約為8億美元、單次訓練投入高達140萬美元。以技術儲備和算力儲備而言，我國單一證券公司無論體量大小均無法獨立承建“證券+GPT”系統。何如在控制成本情況下深度跟進ChatGPT技術并迅速實現落地化應用，不僅是當前證券公司實現差異化競爭的有力抓手，也是我國證券行業亟需思考的重要問題。

數據治理與智能失權的矛盾

數據是證券行業最重要的護城河，同時也是人工智能的主要燃料與驅動力來源。一方面，行業數據、私有數據以及在此基礎上衍生的研究服務和投資決策是證券公司的核心競爭力；證券公司為維持自身行業優勢，核心數據的保密與保護是當下的必然選擇。另一方面，以大語言模型治理大數據平臺，數據深度開放是維持數據治理體量、質量和價值的關鍵步驟。在ChatGPT技術沖擊下，證券公司不僅面臨數據開放與否的抉擇，還面臨由引入第三方人工智能服務而產生的數據外溢等問題。鑒于行業的高價值特征，2022年捕獲的數據泄露事件中金融領域占比高達36%，金融細分領域中證券行業占比達11%。在人工智能時代，盡管大語言模型可以有效打破“數據孤島”困境，然而數據邊界的逐漸模糊和逐漸融合對證券公司數據治理提出了全新考驗。此外，隨著大語言模型參數數目和訓練數據體量的提升，投資者未來可以通過自然語言形式利用第三方模型獲取廉價而有效的服務，證券公司專業性的可維持度同樣經受重大威脅，數據失權問題不容小覷。

模型黑箱與監督監管的矛盾

人工智能黑箱問題意指人類在知識、技術限制下僅能獲取模型運算結果，然而無法逐步精確識別模型算法決策過程的弊端。證券公司應用ChatGPT技術，結果產出過程的不可解釋性，首先催生了主體責任缺失問題。面臨由人工智能造成的金融事故，是證券公司還是人工智能技術提供方承擔責任，需要進行復雜的界定。黑箱問題不僅無法令監管機構通過程序代碼界定雙方行為，反而給予了雙方淡化、稀釋責任的緩沖空間。其次，ChatGPT技術的大訓練、寬語料特征令投資者的個人信息保護成為行業痛點。投資者問詢過程也是數據生產過程，問詢內容經過模型訓練又反過來為客戶本身乃至投研、資管、自營等部門的決策提供參考。然而，模型輸出結果不僅無法確定是否來自其他隱私數據，也無法說明數據處理過程，給投資者信息保護帶來了技術困境。最后，由模型黑箱問題衍生的模型歧視與模型偏見同樣值得引起關注。數據的觀點、立場、意識形態會隱性影響GPT模型的輸出結果，而千億級參數規模下模型的“合規性”管理是技術難題。更具體地，當前不同人工智能技術提供方對同一證券相關問題不僅會產出不同回答，而且并無證券合規性角度的具體考量。數據與模型的“爭議性”引發了輸出結果的“正義性”界定難題，亟須證券行業厘清風控口徑、監管口徑與價值標準。

應用能力與技術局限的矛盾

證券公司應用ChatGPT技術仍存在著兩方面局限。一是技術本身的局限性，即目前新一代人工智能產品人智化特征尚不完善，推理與邏輯能力仍須進一步迭代。語言功能及其背后的語料關聯性建模方法是ChatGPT技術的核心，然而在對基礎數據進行雜糅整合過程中，ChatGPT技術尚未能做到批判性吸收，提供的觀點更偏向于中庸化與常規化。在邏輯運算方面，面對復雜經濟、金融問題的推導、推理問題，模型輸出的回答盡管語句通暢但具有誤導性，用戶體驗尚待改進。二是我國目前尚無具有自主知識產權的成熟商用化類ChatGPT產品。在算力角度，我國仍須獨立自主研發芯片以實現產品訓練需求；在算法角度，百度文心一言、科大訊飛AI（人工智能）學習機、京東ChatJD以及騰訊混元助手均在研發與測試當中，實現證券API應用接口還需時日，但當在不遠。

ChatGPT沖擊下證券公司的對策建議

凝聚行業共識，統籌發展戰略

一是盡快籌建證券行業GPT發展研究中心，統籌體制機制，全面部署“證券+GPT”戰略。通過深入研判大語言模型的發展脈絡與發展趨勢，組織制定行業共建頂層規劃，自上而下地明確證券行業應用大語言模型的目標和愿景。二是按照參與角色厘清行業、企業、部門的分工與責任，根據時間節點制定“證券+GPT”實施路線圖。建議從論證期、啟動期、建設期、應用期、創新期等階段進行劃分，細化每期重點工作計劃與工作任務、完善工作流程。三是要強化組織保障，建立長效機制。將“證券+GPT”建設工作納入證券公司數字化轉型評價機制并賦予應有權重，推進新一代人工智能技術在證券公司長期應用并迭代。證券公司業務和管理部門、第三方人工智能服務供應商、證券行業管理機構要進一步加強聯動，增進協作對接與信息共享，形成共建合力。

強化數據治理，厘清數據邊界

預訓練數據的治理與維護是“證券+GPT”體系建設的核心抓手，也是維持證券行業競爭優勢、避免智能失權的首要途徑。在證券公司層面，要建立大語言模型預訓練數據質量管理體系，進一步釋放數據價值。在當前數據治理平臺基礎上，針對大語言模型訓練需求，加強數據分類、分層、過濾工作，提升數據的標準化和體系化。針對證券公司金融數據的多源異構特性，在生成、采集、歸類、存儲階段細化標簽標注工作，提升模型訓練效率。針對數據權限與數據脫敏機制，加強大語言模型預訓練數據安全管理規范。秉持“內源開放、外源脫敏、信息隔離”原則，在未來自建大語言模型上充分開放數據進行參數訓練、在外部人工智能API接口上嚴控核心數據外溢、在公司內部應用層面充分厘清接口權限，有效維護數據的“護城河”功能。

在行業層面，要探索建立“證券+GPT”預訓練數據交易市場，豐富數據體量和數據維度。當前，超千億級參數擬合所需要的幾十甚至上百TB高質量數據的收集、清洗等預處理過程成本高昂、時效性較差。業內各證券公司應在完善自身數據質量與安全管理基礎上，通過探索數據交易的質量標準、價值界定和交易規則來建設“證券+GPT”預訓練數據交易市場，進一步強化數據價值發現，力求避免數據重復治理，形成數據資產充分整合、聚力共建的行業格局。

布局梯度建設，突破成本約束

在參與成本制約下部署“證券+GPT”戰略需落實梯度化原則。證券公司應首先開展開源復現工作，充分利用GitHub等開源社區的現有工程代碼來低成本體驗、學習、跟進大語言模型技術，充分開展數據安全的驗證工作，積累底層經驗。以完整基于PyTorch的Colossal-AI方案為例，通過優化顯存管理技術可以提供單機單卡、多機單卡、1750億參數等多個版本的大語言模型；其最小演示訓練流程僅需消耗1.62GB顯存，可顯著降低復現成本。在此基礎上，證券公司應深度參與國內大語言模型服務供應商“證券API”接口的共建工作，充分把握以行業脫敏數據為模型訓練底層、以自有數據為模型本地化精調中層原則，盡快開展“證券+GPT”落地應用，搶占差異化服務先機。最后，在未來硬件成本充分降低的背景下證券公司應獨立搭建“證券+GPT”大語言模型，真正實現知識產權自主化、數據本地化、服務差異化。

健全應用監管，落實信息保護

一方面，要提高大語言模型的可解釋性與透明度，厘清責任主體。在“證券+GPT”服務面世之前引入代碼詳細注釋、偏差檢測測試、代碼與試運行結果備案等機制，便于監管部門、證券公司和客戶能更加清晰地記錄、理解模型決策過程，提前發現安全隱患。鑒于人工智能侵權責任認定的相關法律法規尚不健全，在采用供應商以API接口形式提供生成式人工智能服務前，證券公司應與之簽訂詳盡的責任認定書，明確雙方責任條款。另一方面，要切實加強模型安全，嚴格落實投資者信息保護。在預訓練數據中應采用脫敏、加密、差分隱私等技術手段，確保投資者信息“去標志化”。與之相對的，在服務提供過程中應加強攻擊行為的鑒別與對抗，防止會話數據引發模型參數偏置與漂移，切實維持模型安全性與數據純凈度。通過全面引入合規與風控機制，不定期、隨機抽查模型輸出結果，建立模型價值觀偏離度指標評價體系，形成預警機制并建立溯源機制，杜絕模型歧視與模型偏見等問題。

注重人才培養，推進人機耦合

一是推進“算法+證券”跨領域人才引進和培養，提升證券公司自主研發能力。ChatGPT技術作為“通用人工智能”開端，證券公司僅需通過單一或組合調度相關API接口便可有效提升數字化轉型效果。盡管ChatGPT技術可以全面助力證券公司降本增效，然而從業人員更應清醒地看到新技術革命對傳統行業的顛覆性影響。因此，證券公司一方面應通過設立證券大語言模型實驗室等研究機構、組織或承辦證券大語言模型論壇、開展或參與證券大語言模型技術培訓等形式加強“算法+證券”復合人才的培養工作；另一方面應著力引進算法和數據科學等領域的高端管理人才與技術人才，有力維持公司與行業的競爭力。

二是布局Prompt（提示）工程師人才體系建設，激發人機耦合潛力。Prompt工程師通過將需求分解、提煉為有限數量的提示詞來引導生成式人工智能更好地回答問題。不論是客戶應用模型會話功能咨詢投融資建議等證券公司的服務端業務，還是員工應用模型邏輯功能開展研究、投資等核心生產端任務，均需要獲取穩定、有效的回答。證券公司應布局建設熟知客戶需求、掌握公司知識圖譜，了解業務流程，明確公司合規風控體系的專業Prompt工程師體系，提升人機自然語言對話“含金量”，深化人機耦合。

（張天倫為中泰證券股份有限公司博士后科研工作站與清華大學五道口金融學院聯合培養博士后，金濤為清華大學五道口金融學院副教授、清華大學恒隆房地產研究中心貨幣與財政政策研究室主任。本文編輯/孫世選）