大模型賦能金融科技：思考與展望

柴洪峰

隨著金融科技的蓬勃發展，金融行業正經歷著一場革命性的變革。金融垂直領域模型構建與金融數據的結合成為推動金融科技創新和發展的重要動力。通過整合跨學科研究和系統方法，能夠探索金融系統的整體性和復雜性，超越單點技術突破，從而推動金融科技的突破性進展。近日，國家金融與發展實驗室副主任楊濤教授邀請我為《生成式AI大模型：賦能金融業變革》作序，我將從大模型賦能金融科技方面談談自己的思考和對未來的展望。

大數據、人工智能和機器學習等技術的發展，使人們能更快速、高效地獲取、分析、存儲、共享和整合各種異構數據。然而，金融垂直領域的大模型應用仍面臨一些挑戰。金融數據和知識的私密性限制了共享和構建大規模數據集的能力。此外，金融數據的多模態特性增加了模型處理和建模的復雜性。為了克服這些難題，加強產學研的合作勢在必行，共同構建更強大的金融垂直領域基礎模型，提升大模型對多模態數據的表達能力至關重要。

一、構建金融垂直領域模型：金融數據與通用大模型的結合

金融科技的崛起正在改變金融行業的面貌，實現金融科技突破對于推動金融領域的創新和發展至關重要。而整體思維和系統認知是實現金融科技突破的首要前提，金融系統是一個開放復雜巨系統，已經很難依靠“點”上的技術突破實現整體提升。所以需要將跨學科的研究和系統方法作為解決重大關鍵問題的首選項。

系統認知就是要從系統要素構成、互作機理和耦合作用來探索問題的解決途徑。金融與實體經濟是一個生命共同體，金融領域的科學突破必須突破單要素思維，從資源利用、運作效力、系統彈性和可持續性的整體維度進行思考。

數據科學和信息技術是金融領域的戰略性關鍵技術，數據科學和分析科技的進步為金融領域的研究和知識應用提供了重要的突破機遇。大數據、人工智能、機器學習等技術的發展提供了更快速的收集、分析、存儲、共享和集成異構數據的能力和高級分析方法。數據科學和信息技術能夠極大提高對復雜問題的解決能力，在動態變化條件下，自動整合數據并進行實時建模，促進形成數據驅動的智慧管控。

人機混合智能技術將成為推動金融領域進步的創新驅動技術。人機混合智能技術包括自然語言處理、機器學習、計算機視覺、語音識別和智能推薦等多個領域。這些技術的發展使得人和機器間的交互變得更加智能化，人機混合智能在金融領域的應用也越來越多，最新的大模型技術，如ChatGPT、MOSS、ChatGLM等，是和目前的金融垂直領域結合的熱點。

金融數據底座的構建可以包括各類金融實時數據，各類需解析的文檔數據、各類非結構化數據以及信息高度濃縮文本。通過龐大的金融垂直類數據為金融大模型提供數據支撐。

對于金融垂直領域大模型的構造需要解決的關鍵問題有如下三點。

一是多源、異構金融數據金融數字底座構建、金融數據安全共享使用。

二是金融數據底座與大模型的融合技術，解決通用大模型在垂直領域知識匱乏、知識關聯問題，同時實現模型根據數據實時更新、不斷迭代。

三是基于金融科技底座的大模型對于金融科技多領域的應用賦能，展現金融垂直領域涌現能力。

然而目前大模型在金融垂直領域仍未挖掘出涌現效應，一方面是由于金融數據及知識的私密性導致難以共享，無法構建一個龐大的數據集，對此可以增強產學研的聯動性，共同構建更強的金融垂直領域基座模型。另一方面由于金融數據模態更多，難以進行統一的處理建模，而如今的大模型對此種多模態的表達能力仍有待加強。

二、關于知識圖譜與大模型的融合：知識驅動與數據驅動的交互

在過去的研究中，我們構建金融知識圖譜系統，其過程多為從研報、財報等各類非結構化文本信息中抽取多源異構知識，通過實體對齊、實體消歧等知識融合方法完善龐大復雜的金融知識圖譜，并通過分布式圖數據庫存儲圖數據，便于后續分布式圖算法的開發與應用，這些已構建的金融知識圖譜在大模型時代仍有其不可替代的應用。

知識圖譜是過去對顯示知識的一種符號化表達，大模型是對隱性知識的新興表達。在大模型時代，也不能完全摒棄已構建的海量知識圖譜，知識圖譜能夠指導大模型對行業進行正確精準的認知，提高其理解、推理決策的能力。知識圖譜及專家知識庫解決問題的范式需要與基于與統計學習的大模型范式相融合，才能更好推動領域內涌現能力的出現。我們需要把以知識圖譜為代表的知識驅動方法，基于利用靜態以及動態的知識圖譜，與以大模型為代表的數據驅動方法進行持續交互，運用多種模式，以達到知識圖譜與大模型的完美結合。以人機結合方式解決現實中的復雜問題，在認知的過程中，通過人機協同挖掘一些很難由人類或計算機單獨發現的新知識。

三、關于金融大模型的監管：從安全角度解決大模型的部署問題

金融數據和垂直領域大模型密切相關，存在數據安全、大模型安全可信和技術倫理等問題，同時金融領域也涉及敏感信息和決策，因此對于金融大模型的監管必不可少。

一是建立監管框架與標準，確保大模型在金融領域的應用符合法規與道德要求，通過政產學研的合作制定相關的政策和指南。

二是對于金融大模型的部署與使用，需要協同共治，提升透明度，保證數據質量和可解釋性的機制。這可以幫助用戶與監管機構理解模型的決策依據，并確保其不帶有偏見或歧視性。

三是監管機構還應加強對于金融大模型的審查和風險評估，對于關鍵人物和系統，應建立審查和測試的機制以確保其安全性。

具體來講可分為數據安全與版權安全兩個方面。

首先是數據安全問題。大模型的復雜性和規模增加了攻擊者進行攻擊的可能性。同時，大模型的訓練過程涉及更多的數據和計算資源，這也給無惡意攻擊者提供了更多的機會來入侵和篡改數據模型。目前大模型極易因通過對抗攻擊、后門攻擊、模型竊取等手段而遭受威脅，需要尋找有效的方法規避風險。大模型在輔助金融場景知識問答的過程中，由于無法對用戶身份進行識別，容易產生高等級或機密信息泄露等風險，需要對大模型訓練過程中的數據安全等級做嚴格的界定。

其次是版權安全問題。在金融垂直領域大模型開源的情況下，被惡意竊取并進行微調的現象時有發生，可利用特定的數據進行輸入，模型識別到這一特定的輸入，就會給出不同于正常類的輸出，通過這一行為來判斷模型的歸屬問題。

站在新的歷史起點上，在新的歷史方位和發展格局中，希望學界與業界共同努力，針對金融科技發展的科學問題，聚焦國家重點關鍵性、基礎性、牽引性戰略需求任務，發揮產學研協同優勢，攻關金融為實體經濟服務的關鍵技術，為做好中央金融工作會議提到的“五篇大文章”貢獻力量。

（作者為中國工程院院士，本文為人民日報出版社《生成式AI大模型：賦能金融業變革》序言）