AI大模型可在金融营销、投顾等场景率先落地，仍需警惕数据安全难题
2023年以来，AIGC的爆发式发展给诸多行业带来了巨大的想象空间。但经过一年的沉淀之后，市场开始发现，AI大模型技术在诸多场景遇到了落地上的阻力。
站在2024年年初这一新的起点上，玩家们终于意识到，AI大模型的真正价值最终将体现在具体场景中，未来产业竞争将从“规模”转向“应用”。行业想要依靠大模型产生新变革，首先要解决通用大模型在行业内的落地应用——开发行业大模型，成为AI技术实用化落地的新风向标。
而与此同时，移动互联网时代，中国金融科技在移动支付、数字信贷等领域均创新无数，大幅提升了金融数字化、智能化水平。由于前期的积累，金融业在行业垂直类大模型落地所需的三大支柱：算法、算力、数据中相较其他行业都有独特优势。其中数据决定了大模型的智能范围，而金融行业掌握了海量的历史数据和文字资料等，为行业大模型的开发提供了天然的便利；金融科技企业在金融数字化、智能化的过程中在算法和算力等方面形成了自己独有的解决方案。
近日，记者与毕马威中国资产管理（http://www.zsjiuchang.com）业主管合伙人王国蓓、毕马威中国数字化赋能咨询合伙人陈立节两位专家进行了对话。同时围绕AI大模型在金融等场景的落地现状、风险与前景进行了讨论。
在专家看来，在投研、投顾等与投资决策相关的场景以及客户触点方面，AIGC的应用都有着巨大的增长空间，但与此同时，大模型技术在“数据质量、数据安全、隐私保护、合规表达”等方面还存在一定的落地风险，需要行业未来共同规避。
以下为采访实录，略有删节：
回望2023年，对大模型的讨论非常火热，它对金融，尤其财富管理的价值体现在哪些方面？大模型更适合于落地哪些场景？能解决财富管理的哪些痛点问题？
王国蓓：AIGC的爆发式发展给金融行业带来了巨大的想象空间，财富科技企业把自身在AI应用领域积累的数据和经验应用到金融大模型训练，为多个财富管理业务场景提供赋能。
具体可以分为两个层面，第一是客户触点方面，AIGC的应用可以提升内部效率和服务升级，例如在智能客服场景中，传统模式有时会让客户明显感觉是在与机器人对话， 而依托大模型强大的学习能力和语言生成能力，实现了客户个性化需求解答及特定任 务处理等智能化客户服务；又比如在营销场景中，大模型技术能够对海量的金融数据、新闻、社交媒体等信息进行实时分析，迅速捕捉市场动态并有助于用户画像的快速建立。第二是投研、投顾等与投资决策相关的场景中，传统的投研和投顾模式更多依赖于行业专家和投资顾问自身的知识经验和能力水平，个体差异度可能会比较大，而大模型经过海量底层数据的搜集、梳理、学习后，其分析结果或将在全面性、准确性、 时效性等方面赋能传统模式，但我们也注意到，由于相关监管不明确，以及数据安全、数据隐私等问题，在这些场景的应用仍需谨慎。
您认为大模型技术在金融科技业务场景（尤其是财富管理方面）落地时，如何解决过程中的挑战？
王国蓓：在落地过程中，大模型技术财富管理领域面临的主要挑战集中于数据质量、数据安全、隐私保护、合规表达、事实一致性等方面，为解决这些挑战，机构首先需要进行大量 数据治理、夯实数据基础等工作，且需要在语料安全、模型安全、模型评估等方面设立完善的安全机制，确保大模型生成内容的安全合规并符合监管要求；除此之外，业内机构还需持续追加金融大模型基础设施建设投入，夯实其在归属权管理、隐私保护 脱敏、业内协同合作等方面的能力，以积极且谨慎的态度推进大模型落地进程。
在AI大模型的赋能下，怎么定义和理解“金融科技”的内涵和业务范围？数据在其中扮演着什么角色？
陈立节：金融科技是金融行业利用科技理念与手段来更好的提供金融服务，并提高经营效率和效果，其内容涵盖了传统金融业务的范围以及科技发展趋势下的创新金融业务、以及金融业务相关的经营管理活动。说的直白一点，就是通过科技对金融业务提供赋能。而科技赋能业务的过程，在现今的技术背景下就是数字化赋能业务，数据在其中发挥了极为重要的作用。金融业务和经营管理活动中产生了各种数据，金融机构利用这些数据来打造自身的数字化核心能力，并应用于各个业务场景和经营管理领域，从而更好的对业务经营与管理提供效率和效果上的赋能与提升。
作为全国金融中心，您对上海未来将如何着力推动AI大模型、数字化等相关技术与金融融合发展？如何加快建设具有全球竞争力的金融科技中心有何建议？
王国蓓：近年来，上海积极促进金融科技创新实践，成果显著，在近期发布的全球金融科技中心发展指数排名中，上海位列全国第一、全球第三。为持续深化上海金融科技建设， 我们认为还可以在以下四方面继续发力建设，第一，持续加强技术创新，尤其是在风险可控之下加快实现大模型技术的应用场景落地；第二，持续优化营商环境，例如在监管环境与国际化程度方面，并持续打造知识产权保护高地；第三，继续优化金融科技产业结构，特别是加强培育硬科技含量高的金融科技平台；第四，继续充实金融科技人才队伍，完善人才培养认证体系，建设人才涵养实训基地，为金融科技人才提供良好环境。
数据资产入表已进入倒计时阶段，您认为这对数字金融建设将带来哪些影响？
陈立节：数据资产入表是数据价值实现的重要方式，通过财务会计的核算与计量，将数据资产的价值直接在企业财务报表上予以体现，有利于激发金融机构开展数据治理并打造良好质量的数据资产，并与金融业务场景进行充分融合，通过数字化赋能业务并促进数据资产价值的实现与考核认定。此外，数据资产入表后需要定期估值测算来确认是否存在减值，这能够促进数据资产的权属业务部门持续推进数字化和产品创新，提升业务创新活力以实现数据价值的保值与增值。
加强数据治理是金融行业数字化转型的抓手，目前还有哪些瓶颈需要突破？
陈立节：从金融监管机构 2018 年发布数据治理指引以来，金融机构开展数据治理已经有多年时间，目前基础的治理体系、架构和机制已基本健全，但是在很多金融机构面临后继乏力、难以持续长效推动的压力。这和数据治理是由单一部门牵头、数据赋能业务的价值或收益很难直接且快速体现、业务部门开展数据工作的积极性和持续性不高等制约因素有很大的联系。这都是在新的数字化环境和数字经济、数据要素背景下亟待突破和解决的问题与瓶颈。文章来源：http://www.zsjiuchang.com/html/196604.htmlAI大模型可在金融营销、投顾等场景率先落地，仍需警惕数据安全难题
