在2023年世界人工智能大会上，大模型技术是当之无愧的“话题王”。在通用大模型向前疾驰的同时，大模型技术如何应用于金融等垂直领域，再次成为业界热议的问题。
7月6日-8日，在世界人工智能大会举办期间，21世纪经济报道记者专访了马上消费金融首席信息官蒋宁，他坦言，如今市场广泛讨论的大模型是生成式模型，而金融行业真正需要的是多种模型的组合式AI系统，如今大模型技术在金融行业的落地还存在四个方面的挑战亟待突破，目前为解决金融机构的鲁棒性决策问题，依然需要实时人机协作的机制参与。
(资料图片仅供参考)
从“小学生”开始培养
《21世纪》：模型和强化学习并不是新鲜词，大模型技术和过去相比，在技术层面带来了怎样的变革？
蒋宁：强化学习是发展很久的领域，从AlphaGo到现在OpenAI的ChatGPT，强化学习也在发生巨大的变化。
强化学习简单来说是基于人输入的策略，机器在执行过程中不断地调整这个策略。AlphaGo当年最伟大的突破在于，过去在封闭环境下机器可以通过强化学习测算博弈获胜的概率，得到一个概率结果，而AlphaGo可以在两者博弈的动态环境下测算胜率，但它不知道最终的结果。
今天大模型技术的强化学习是一个开放系统，每个用户输入的内容指令不一样，机器不知道对方会问什么问题，也不知道该如何更好地回答这个问题。但在开放系统下，在不知道对与错的情况下，它通过奖励函数评估出哪个是更好的答案，它不断通过强化学习实现“越用越聪明”，这就是持续反馈机制，这是OpenAI的突破。
《21世纪》：国内已经开启“千模大战”，今天人工智能大会上也有很多大模型产品发布，在您看来，您是如何看到国内各家的大模型与Opan AI之间的差异？
蒋宁：我认为目前大模型的核心技术能力，是在于持续反馈机制。打个比方，企业推出的大模型相当于博士生毕业，如果没有高质量的语料数据训练来让大模型进行持续反馈，那这个博士生的知识水平就停留在毕业时，很快就会被其他拥有自我反馈机制的AI追赶上。而OpenAI的大模型是从“小学生”阶段就经历了全社会全平台最好的教育，通过巨量数据来进行持续反馈与强化学习，这样才能实现“越用越聪明”。
金融领域大模型落地遇四大挑战
《21世纪》：今年WAIC大模型技术非常火爆，你认为金融行业适合大模型技术应用吗？
蒋宁：大语言模型技术出世后，对金融行业的人工智能技术应用是“强心剂”，首先金融行业有三个特点。
第一，第一，金融行业天然是数据密集型、技术密集型行业，其对数据和技术的使用在各行各业中都是最广泛地。第二，金融行业目前面对的挑战很多，如银行线下网点的价值传递效率问题、用户体验问题，都需要机构持续创新。第三，金融行业一直在探索数据资产化，挖掘数据价值，在风险、营销、运营等方面进行尝试。
《21世纪》：但是我们看到大模型技术目前在金融行业落地场景还是很有限，你认为存在哪些挑战？
蒋宁：我认为挑战是很多的，主要讲四个方面。
第一个挑战是关键性任务和动态适应性。在动态系统里，大模型驱动下的人工智能还不具备100%精准决策能力。金融行业的场景不是一成不变的，面对不可预期的外界环境和突发意外情况，大模型并不能做一如既往地给出稳定举措，这给金融机构在人工智能的技术应用提出了一个非常大的挑战。
第二个挑战是个性化要求和隐私保护之间的矛盾。金融行业一直希望通过人工智能来实现极致的用户体验，特别是个性化的体验，但这需要个人隐私数据与大模型技术相融合，这样带来的隐私数据保护问题目前还很难有一个解决方案。
第三个挑战是群体智能与安全可控。大模型的训练机制决定其需要大量数据来构建增强学习、强化学习的网络，让多方共同打造一个平台，基于这一平台持续贡献数据与反馈，从而让AI实现技能的进化。但目前出于数据安全考量，行业内跨组织、跨机构的数据共享机制仍然需要持续性的探索。
第四个挑战是对大数据和基础设施的能力挑战。未来摩尔时代大模型技术的应用需要高速增长的数据能力，对金融机构网络、服务器、芯片、底层架构等等都提出了全新的要求，这也是未来需要突破的。
《21世纪》：为应对这些挑战，你认为有哪些技术将被广泛运用？
蒋宁：我看到三个关键技术，概括来说是持续学习、鲁棒性决策以及组合式AI系统。
持续学习，就像前面所说，它是大模型基于数据的反馈，让系统越用越聪明。如何构建一个增强的访客系统让更多人使用，这就是在线学习、持续学习、强化学习的技术，这方面我们还有很多需要突破。
鲁棒性决策，它是指即使面临噪声和突发情况干扰，大模型也可以作出一致性的可信回答，强调的是可信性。金融业和工业领域，0.1%的错误都是不被允许的，合规、安全是最基础、最核心的要求。无论在怎样的动态环境下，AI都需要排除噪声干扰，为客户做出合法合规的决策，这是鲁棒性决策的要求。
组合式AI系统，目前大家广泛讨论的AI是生成式大模型，而金融行业需要判别式大模型，必须直接给出正确或错误的结果，二者之间必须有效结合才能发挥更大价值。从两类模型的区别来看，判别式模型的训练成本很高，每个结果标记对、错，都是机器不断学习的过程，但这个结果很难适应变化中的场景，开发成本很高。生成式大模型的训练则是需要全员的不断参与，泛化能力非常强，但它不能生成准确的结果判断。因此这两种技术需要相互融合。
金融机构如何试水大模型？
《21世纪》：从这些挑战来看，是否意味着目前金融行业的大模型落地还很难？
蒋宁：这要结合大模型从人工智能的布局来看，分为四个大类的象限。第一个象限是基础领域，包括生成式AI、判别式AI，这是基础模型领域；第二个象限是在基础领域上的垂直领域模型，像金融垂直领域的模型；第三个象限是在基础领域和垂直领域模型的基础上，创新生产力工具，比如，代码自动扫描，自动生成语句，这是属于工具类的；第四类是象限是应用领域，比如，智能客服就属于应用领域，因为智能客服不可能把大模型、垂直领域模型直接形成智能客服，所以需要第三象限内智能审核工具等应用。
目前金融行业在第一象限的基础模型开发还非常困难，我们缺乏持续投入信息数据的反馈机制，但在第三第四象限的工具和应用类别上，已经可以实现大模型技术在部分金融业务场景下的应用了。
《21世纪》：目前马上消费有尝试大模型技术的应用吗？主要在哪些方面？
蒋宁：结合前面我们说的挑战和技术应用路径，我们提出了“三横三竖”战略。
其中，“三横”包括：通过持续学习技术、模型控制、组合式 AI 系统形成的安全、合规、可信的鲁棒性决策能力。“三竖”包括：一是数据智能，二是多模态大模型，三是实时人机协作。
目前在应用方面，我们开发了智能生成报表的工具，在场景方面我们在智能客服上已经有所涉猎。
得益于消费金融公司长期与社会有广泛交流，在中文高质量数据集相对有限的情况下，我们公司历史上累加了将近40PB的客户声音数据，来帮助我们训练人机协作模型，训练人机对话的模型，并且利用大模型技术为人机对话提供更好的帮助。我们基于这样近千亿的数据量和组合模型，结合机器的反馈机制进行强化学习，在不同场景下，把语音、声纹，包括心理学这些模型融合在一起，同时为了应对机器在突发情况下的问题，我们通过人机协作的形式实现鲁棒性决策，这是我们科技方面的核心竞争能力。
（文章来源：21世纪经济报道）
