银行：积极与谨慎
从Transformer算法被提出，到ChatGPT的横空出世，大模型正逐渐成为各行业关注的焦点。生成式AI时代的到来，将有关大模型的讨论推向高潮。
金融业具备大规模、高质量的数据资源和多维度、多元化的应用场景，被视为大模型技术应用的最优行业之一。商业银行正在积极探索大模型在对内、对客场景的应用。已有银行率先将大模型技术应用于智能客服场景，并正在研发大模型在辅助研发、文本生成环节的应用。不过，从基础大模型走向核心业务场景，银行业大模型的商业化落地仍需面临技术、数据、安全等多重挑战。
应用初露锋芒
历经此前多番大模型理论层面的论战，2023年大模型逐渐走向落地阶段，垂直领域的应用开始初露锋芒。
作为大模型技术应用的最优行业之一，以银行为代表的金融业正在加快大模型应用的布局。目前农业银行已建立人工智能创新实验室，围绕知识检索、答案推荐等领域，研究大模型技术应用场景；交通银行则组建GPT大模型专项研究团队，为体系化、规模化应用奠定基础；而兴业银行引入部署私有化的商业大模型，上线大模型产品ChatCIB。
亦有银行走在大模型应用前列，尝试与行业领域及场景结合加以应用。此前工商银行完成了人工智能AI大模型能力建设应用规划，并在国内同业率先实现百亿级基础大模型在网点员工智能助手、知识运营助手、金融市场投研助手等多个场景应用；平安银行虚拟数字人产品则通过大模型等技术，持续提升功能效果。
尝试是积极但克制的，现阶段银行大模型的应用主要集中在文本生成和智能客服领域。例如，工商银行通过推进金融大模型在数字客服领域应用，不断完善“未问先答+多轮场景+线上图文”智能服务模式。江苏苏宁银行大模型专家郑清正透露，该行率先将大模型技术应用在智能客服场景，此外，正在研发大模型在辅助研发、文本生成环节的应用。
“大模型技术在银行等金融体系应用，大致要经过赋能、增能、产能三个阶段”，中央财经大学中国金融科技研究中心主任张宁表示，赋能阶段通常是被动的，银行看到大模型技术在其他领域的应用，将其引入至行业中；而增能阶段是有选择的被动，银行依据业务发展方向和管理路径有目的地引用技术；产能阶段则是主动的，银行聚焦于行业初心或者对应的市场根基需求，决定应用技术。整体来看，目前银行大模型应用处在赋能向增能转型阶段，银行通过引用大模型技术解决传统客服死板、交流不够灵活、提取信息不够充分等问题。
数据安全瓶颈
银行大模型应用场景探索集中在对内、对客两方面。对内主要作为智能辅助工具帮助业务人员提升工作效率，例如，文本生成、信贷审批、投研服务、合规风控等，对客则主要用于智能交互。
虽然应用场景丰富，但是从基础大模型走向核心业务场景，银行业大模型的商业化落地仍需面临技术、数据、安全等多重挑战。
“金融业虽然已经积累了大量数据和数据处理经验，但相对于大模型需要的数据量、知识密度和处理质量来说还远远不够”，交通银行副行长钱斌指出，金融领域的专业数据和公共数据不足，由于金融制度的差异，无法完全照搬国外的金融语料、金融知识。而金融服务的专业性、精准性又对人工智能技术的效果和可信度提出了非常高的要求。因此，在丰富数据种类、强化数据治理、提升数据质量、保障数据安全、完善数据共享机制等方面还任重道远。
训练成果、数据的数量及质量、生成式AI存在的“幻觉”偏差等成为金融大模型从“想象”走向“现实”绕不开的难题。郑清正表示，普通金融机构没有能力训练基础大模型，模型的知识更新只能通过增强检索生成的框架（RAG）来补充，这涉及较为复杂的AI系统平台的部署和运维，而国产AI训练仍缺乏市场的检验。在数据积累方面，如何积累有效的知识数据，缺乏统一的规范和指导。此外，大模型“幻觉”内容生成的监控和识别仍然是问题，目前只能靠人工检核，面对海量数据生成时，准确的校验机制仍缺少手段。
易观分析金融行业高级咨询顾问苏筱芮认为，大模型在银行落地层面首先要突破技术局限。目前大语言模型仍然为静态数据驱动的学习范式，无法实现新知识的快速学习与迭代。其次，巨大的模型训练与推理算力等成本拉低效益比。此外，安全合规可信应用底线尚需刚性保障。例如模型安全与可控制性问题，包括模型攻防、数据注入等问题。另外，无论是大模型的训练推理，还是对话应用的过程中，都存在过多的隐私暴露与数据安全风险，这有赖于技术突破和监管合规的进一步建立。
从外围走向核心
尽管大模型在银行业的落地应用充满着多重挑战，不过，在降本增效的目标导向下，除加强自研能力外，银行也不乏通过引入“外脑”的方式来完善自身大模型建设和应用。已有银行开始推动相关招标或调研工作，内容包括预训练基础大语言模型、大模型平台算力集群建设采购需求调研等。
大模型在银行业的落地已不再缥缈，但应用从外围走向核心尚需深耕。“大模型直接应用于风险识别、交易监控等尚缺乏垂直应用的典型范例，目前仍属于摸着石头过河的阶段。” 郑清正透露，未来，该行还会尝试将AI大模型技术应用在催收、智能投顾等场景，在催收环节，可以通过大模型技术“分析”银行与逾期贷款人的沟通信息，研判后者的还款意愿，作为优化催收策略的一项辅助工具；在智能投顾场景，则可以使用大模型技术分析银行与客户在财富管理方面的沟通信息，分析后者的投资需求，提供有价值的投顾建议。
“所有技术在应用过程中都是为了管理目标或者效益服务的”， 张宁建议,银行等金融机构在大模型应用落地过程中应审慎分步进行，从信息数据的科技化，到信用的科技化，再到风险的科技化，最后实现业务的降本增效。
在银行打造科技硬实力的战略规划上，金融大模型已然占据一席之地，但具体推进时，银行也表现出谨慎态度。某股份制银行相关负责人在接受北京商报记者采访时表示，AIGC作为生产力工具在银行业的应用方兴未艾，但对银行业的价值创造和范式变革有待进一步观察和验证。根据业务体量和技术特点，该行将在战略上体系性合理规划，在战术上场景化审慎入局。
