近期，一份來自銀行的千億級別大模型采購結果公布，引發不少科技公司關注。與此同時，也有不少銀行密集發布了“大模型”相關的需求調研、項目采購信息，有部分中標信息已經公示。小周整理了部分公開的招投標文件發現，目前已有明確“落地”需求的多為大型商業銀行，并且需求多與模型訓練、語言模型、數據處理相關。

這種現狀，或許恰好印證了此前恒生電子對數百家金融機構的走訪調研結果：AI大模型在金融領域的應用只有8%在立項階段，17%在測試階段，超過70%的金融機構還處于調研階段，在實際落地應用過程中的是極少數。

多家銀行公布大模型招投標項目

來源：周觀新金融根據銀行官網公開資料整理

可見，落到實際應用當中，不少銀行依然考慮引入“外腦”，借助科技公司的力量完善自身大模型建設和應用。

從各家銀行更為詳細的半年報亦可窺見，大模型和人工智能被給予厚望，場景也離不開上述幾種。

例如，招商銀行的半年報就提到，要提升大模型的建設能力，打造面向智能化時代的應用平臺：

加快新技術應用推廣，提升GPT類自然語言處理大模型的建設能力，并重點發掘其在全流程財富管理中的應用，投產FinGPT創意中心，加快大模型應用模式探索。推進智慧財富引擎、智慧營銷引擎、智慧運營引擎、智慧風控引擎、智慧客服引擎五大引擎建設，打造智能化時代的智慧應用平臺。

招商銀行之外，平安、興業、農行、交行、工商銀行等，無一不在半年報中提到了大模型的戰略展望，以及零星的布局進展。

例如，工商銀行提到，“完成人工智能AI大模型能力建設應用規劃，在國內同業率先實現百億級基礎大模型在知識運營市場、金融市場投研助手等多個場景應用。”

比如智能客服，只能機械回復“設定指令”的情況依然比較普遍，對進一步靈魂響應客戶訴求、服務響應等，依然遠遠不夠。用消費者視角來概況就是，目前多數銀行的智能客服，從“人工智障”真正進化到“人工智能”，依然有比較大的進步空間。

而基于大模型的智能客服，普遍被認為有更好的語音、語義理解能力，甚至是圖文生成能力，是提升多種自動化服務客戶體驗感的關鍵。

由于對安全、合規要求較高的特殊性，金融機構通常不會在第三方基礎大模型上構建專業大模型，而是采用數據私有化、模型私有化、本地私有云方式構建大模型。

最直觀的對比是，ChatGPT是開放環境里用開放數據，除技術之外也坐擁大量公開數據，雙管齊下才能“大力出奇跡”，快速搭建護城河。而金融機構是在自己家的安全保密環境里用自家數據訓練自家的AI大模型，這種方式雖然安全，但問題是成本高、技術門檻高，不是誰都有錢有實力能干。

換句話說，金融大模型落地到應用時，出于安全性、行業競爭性等因素考慮，其可用數據更多來源于自身，如何用好“窄而垂直”的數據會是一大挑戰。

一個正面例子是彭博的Bloom?bergGPT，同樣是金融賽道的選手，它突圍的關鍵因素之一，就是用好數據。

2023年3月底，彭博發布了500億參數、基于開源大模型Bloom研發的金融大語言模型Bloom?bergGPT，這是全球首個金融大模型，隨后也引發了全球市場對金融垂直領域大模型的關注。

在Bloom大模型的基礎上，Bloom?bergGPT在其積累超過多年的金融行業專有數據基礎上再進行精調訓練——3630億Tokens金融數據集、3450億Tokens公共數據集上進行了訓練。

正是因為有這樣的高質量的行業專屬數據集和數據基礎，在金融領域自然語言處理（NLP）任務上，Bloom?bergGPT的表現明顯優于其他類似規模的開放模型，在一般NLP基準上的表現也達到甚至超過同行的平均水平。

正因為如此，上半年業界普遍認為 “大模型+垂直行業數據”模式預會成為 AI 落 地 垂 直 行 業 的 典 型 范 式。而進入下半年之后，行業大模型的演進路線也確實是如此。

彭博的金融大模型基于BLOOM的開源模型結合金融專業數據進行精調訓練

“我們要解決數據的問題。” 劉曙峰在談及金融大模型應用時也特別提及，要解決現有的數據、私有的數據、公有的數據，以及數據如何不斷的產生、獲取和形成數據飛輪的閉環。

所以，金融大模型應用，核心難點遠不僅是技術能力問題。

數據非常關鍵，更關鍵的是，如何“合規”、“安全”地用好數據。

相比制造、交通等行業，金融領域的數字化更早、更深，數據本來應該是優勢所在，但由于監管、安全等緣故，數據的價值挖掘并沒有被充分利用——金融機構曾經在移動互聯網時代就存在過的問題，如今面對來勢洶洶的AI時代，亦同樣存在。

未來，金融大模型的應用能否沖破這個局限，且拭目以待。