咸宁有做网站的吗,单页的网站怎么做,网络公司的网页设计,直播网站开发方案ppt几年前#xff0c;我采访一位产业专家#xff0c;他提到了一个高科技到产业落地的主要困惑#xff1a;两层皮。 一些特别牛的技术成果在论文上发表了#xff0c;这是一层皮。企业的技术人员#xff0c;将这些成果产品化、商品化的时候#xff0c;可能出于工程化的原因我采访一位产业专家他提到了一个高科技到产业落地的主要困惑两层皮。 一些特别牛的技术成果在论文上发表了这是一层皮。企业的技术人员将这些成果产品化、商品化的时候可能出于工程化的原因会做一些简化这是另一层皮。 两层皮之间是有gap的就像卖家秀和买家秀一样并不是融合且一致的。 而往往是那些有技术人才、研发能力、转化意愿的企业会先碰到“两层皮”的问题产生对技术有效性、ROI回报率不明确的疑虑。 在冲入大模型热潮的各路人马中金融机构可能是率先遭遇“两层皮”挑战的。 我们知道金融产业一贯是新技术的早期采用者在AI方面的尝试很早就开始了可以说是产业AI化的“优等生”更是有着良好的信息化、数字化基础。金融机构的前中后台各个场景中都有被大模型降本增效的空间。因此金融也被认为是大模型落地的首选场景。 作为大模型落地的先行者金融领域如果解决不了“两层皮”的问题意味着大模型在实际应用中还是存在卖家秀和买家秀的差距。 本文希望说清楚究竟是哪些问题拉开了金融和大模型之间的gap 问题一以谁为主 既然是做大模型当然是由OpenAI/BAT这样的科技企业和技术公司为主导了而这也是金融机构不想看到的事。 有个金融领域的专家告诉我们这波大模型的热度起来之后金融机构都特别焦虑有一种FOMOFear of Missing Out害怕错过情绪。 因为上一波技术浪潮智能手机和移动互联网崛起导致传统银行、券商的很多业务被互联网金融公司分走了。在业内人看来这种“史诗级的悲剧”绝不能重演。 在技术焦虑的驱动下金融机构非常积极想跟上大模型的风口几乎不需要科技厂商做太多市场教育整个行业在接纳大模型这件事上表现极其良好。 同时金融机构也非常重视将金融大模型的“核心筹码”牢牢掌握自己手里强调“以我为主”。有银行业人士提出只有适应银行的大模型才是真正可以深度应用到场景里、业务流程中的大模型。具体怎么做呢 一类是硬筹码。 对金融机构来说数据安全隐私合规是没有妥协的硬指标有非常严格的要求。这也就导致大模型落地金融更加需要本地化的搭建和私有化部署、运行。 本地部署的要求对大模型厂商来说有利有弊。有利的地方是相比其他行业直接调用API接口的MaaS模式本地部署的客单价高、利润大商业价值更高。不利的地方在于私有部署需要在云化方案、数据处理、存储、模型训练、提示工程、运维服务等多方面形成一套完整的解决方案竞争焦点不仅是基座模型本身这就增加了技术服务商的成本和难度。 另一类是软筹码。 金融大模型要表现良好需要专有数据的精调、领域知识的引入、基于场景的反馈而银行业本身的数字化基础非常好数据积累深厚这便成了掌握在手中的软筹码。 摩根斯坦利公司在研发生成式AI产品中就结合超过10万份财务报告、内部资料和金融文献等对OpenAI的基础模型进行微调。据透露我国农业银行业也沉淀了2.6TB的高质量训练数据用于大模型的训练。此外基础大模型虽然通识能力很强但“专业课”能力不足缺少金融专业知识加上金融场景业务复杂初出茅庐的大模型要形成高质量的服务能力成为优秀的“AI副驾驶”并不容易。 这就要求大模型厂商和技术公司改变“技术为中心”“我是来赋能/颠覆你的”的惯有思路增强服务意识与金融客户合作以金融客户为主。 大模型落地金融绝不是也不能是又一次“技术颠覆行业”。无论是通用大模型厂商还是ISV服务商集成商都要在“客户为主”这条baseline基线上跳舞。 问题二融合为什么难 以金融机构为主那科技公司岂不是成了“大模型施工队”只能收点辛苦费发挥不了技术创新性了 大no特no。 一来金融AI不是新事物。 金融机构并不是大家想的那样面对AI一窍不通。事实上在所有行业里金融领域的“含AI量”绝对是排名前列的。几年前我采访国内某985高校人工智能学院的院长对方直言AI方向的学生毕业后不去BAT、不去创业公司去的是招商银行这类金融机构下面的信息中心/技术中心搞金融的人工智能。 所以金融AI的趋势其实早在几年前就已经大幅开展了这也是为什么今年大模型热度刚起国內工行、平安、农行、招商银行、中信银行等一大波银行能很快组建了自己的GPT大模型专项研究团队。银行能及时行动靠的就是几年来投入AI的积累。所以以金融机构为主也做得好金融大模型。 二来大模型是个新事物。 大模型究竟比这些“传统AI”强在哪里能干什么这是一个完全空白的新问题。 理论上讲大模型可以贯穿银行全产业链的各个环节每条业务线、每个智能都能找到LLM的应用场景。但现实中全环节全面上马大模型怎么跟业务结合都不清楚意味着会有大量探索是失败的、浪费的。 要加速探索、减少成本、降低风险就必须金融机构和科技公司一起让金融专家、算法科学家、工程师、测试员等坐在一起一点一点地共同探索深入洞察场景对需求“去伪存真”。 有金融机构的负责人直言今天金融业能够获取的智能化应用非常丰富翻开AI企业的金融产品推介手册可以看到上百个细分能力但如何选取最合适的整合到自家机构的业务中这个过程中会有大量的试错。 目前来看业内基本已经达成共识金融大模型必须优选场景。有几个关键词 1.高频次。在一些重点场景、重点应用上尽快让大模型可以上岗解决问题降低应用的门槛。比如智能客服、智能投顾等原本的劳动密集型岗位可以很快带来显著的降本增效成果。 2.高价值。对于一些有社会价值、商业价值的领域率先开始探索。比如普惠金融就是目前从政府到民间都非常看中的金融服务需要精准的数据洞察、更低成本、高可及性的服务能力去综合降低中小微企业/商家的金融成本。其中大模型的多模态表达能力、强大的理解分析能力都可以发挥很好的作用。 3.易部署。不少金融从业者听到大模型的第一反应是这事儿小模型能干吗大模型对硬件基础设施的算力、稳定性等都提出了更高的要求金融机构又在加速推进国产化硬件各个业务线都部署大模型带来的性能压力、成本压力、部署压力都是非常大的。所以大模型压缩优化后或者同样效果的小模型可以落地的业务场景比如大模型生成银行理财产品推荐建议大模型作为券商机构的研究助理对这些已经在应用的传统AI用大模型进行升级不会增加过高的算力成本和工程量是更易落地的渐进式场景。 正因为大模型是一层皮实际应用是另一层皮两层皮怎么融合在哪些场景优先融合是一条无人走过的路。金融机构和科技企业都不能独行唯有紧密配合才能寻找到金融场景与大模型之间的最佳融合之路。 问题三镣铐怎么这么多 是不是找到场景重点攻克然后规模化复制金融大模型就能突飞猛进了 我们说金融机构“人多、钱多、技术多”只是相对其他行业而言。现实中金融机构也不可能拿出无限的预算、投入无限的人力、开放无限的场景供大模型随意大显身手。而且金融领域还存在大量的中小银行、券商能负担的技术创新成本也是有限的。 一位银行从业者提到AIGC就说竞争是加剧的人员是有限的人才是缺乏的费用是紧张的。 可以说带着镣铐跳舞正是金融和大模型“两层皮”“卖家秀和买家秀”的关键原因。 比如算力的问题。国产化替代进程中金融大模型要打破训练昂贵、算力成本高的桎梏对模型厂商的硬件基础、自研能力、生态兼容能力、软件协同优化提出了综合的考验。 目前头部云厂商都下大力气在自研硬件上比如百度的昆仑、阿里的倚天、华为的昇腾以及配套的软件、生态没有这些很难真正拿下金融大模型。 还有技术本身的限制。坦率来说大模型技术本身还存在不少问题尤其是在金融领域落地必须解决幻觉问题胡说八道对严谨的金融业务是不可接受的。模型黑箱性会导致AI智能决策不可信、不敢信无法真正用于金融投顾、市场分析决策。 另外金融机构也会衡量ROI投入产出比。但因为金融场景中已经沉淀了大量的传统AI比如智能客服大家可能都接过机器人打来的产品推销电话、账单催收电话。 所以引入大模型后究竟能给客户带来多少收益回报产出比ROI怎么评估哪些是大模型带来的提升这些目前还没有一个明确的衡量标准。 无法量化大模型给业务带来的贡献显然会导致大模型厂商的无序竞争或者比拼客户关系这也成为金融大模型效果不彰的一个隐忧。 消除产业和大模型之间的gap将会是接下来大模型赛道的标准动作。 这个过程中最早遇到“两层皮”问题的金融大模型或许会提供大量有益的参考和实践而金融机构也会成为更早挖掘到金矿的第一批大模型淘金者。
