21世纪经济报道记者 边万莉 北京报道 11月21日，由21世纪经济报道主办的“2023首席科技官思享会（闭门会）”在北京成功举行，聚焦大模型的热点话题，金融机构、金融科技公司等资深人士进行了深入研讨。

光大信托信息技术部副总经理、数据中心总经理祝世虎在发表主旨演讲时表示，“一是金融与科技的关系：科技不会改变金融的本质，科技提升了金融服务的效率，创新了金融产品及提供方式，但同时也提升了金融风险的复杂度。二是大模型与生产力的关系：大模型是生产力的提升，是电力到智力的提升，是社会平均智能的提升，但是我们也应该清楚的认识到大模型的智能类型，它是感知智能，不是决策智能，更不是计算智能，它的应用是有天然边界的。

从大数据到大模型。祝世虎认为，原始数据经过数据加工形成了标签，标签通过用途加工形成了特征，特征进入了模型形成了决策，这个看似简单的过程在银行业经历了三个阶段：第一阶段是数据层面的简单共享，如撞库、查询等，其价值的传递仅限于标签层级；第二阶段是“模型+数据”的共享，如联邦学习、隐私计算等，其价值的传递由于模型的加持到了特征层级；第三阶段是“推理能力”的迁移，大模型技术就是以银行的小规模算力打造轻量级精调模型从而实现金融行业能力的迁移。

对于大模型在金融业的应用，祝世虎总结为大合作、大共存、大创新。

他解释说，“大合作”指的是大模型能力是一个三层金字塔：底层是通用大模型底座，中间层是金融行业级大模型，顶层是各家银行的任务级大模型。一是基础大模型，其关注点是“自主可控”，分为三个方面：基础硬件的自主可控，弱化对国外GPU的依赖；软件框架的自主可控，弱化对开源框架的依赖；输出内容的自主可控，“AI对齐”社会主义核心价值观。二是金融行业级大模型，其关注点是“能力对齐”，因为从科技角度看，从来不是“人人平等”，中小银行与大型银行科技差距越来越大，所以行业级的大模型要通过能力迁移帮助中小银行与大银行能力对齐。三是任务级大模型，分为数据、算力、应用框架：对于数据，需要整合数据形成知识库；对于算力，中小银行建议将非核心竞争力的专业能力如算力等进行外包；对于应用框架，以银行的小规模算力打造轻量级精调模型，进行推理能力的迁移。

祝世虎认为，大模型与小模型会“大共存”。一是大模型随着通用能力的增强，将逐步超越小模型的能力，但受制于计算复杂度高、可解释性差等问题；二是小模型侧重于“计量”例如风险领域的评级评分等，大模型侧重于“感知”可以突破小模型，进行欺诈态势的感知、风险浓度的感知、客户意图的感知；所以，短期内大模型和传统模型会共存。从共存方式上看，大模型可作为中控，将传统模型作为技能进行调用。但是，未来随着大模型计算复杂度降低、可解释性增强，综合性价比来看，大模型或将逐步替代小模型。

他进一步表示，“大创新”是大模型落地的关键。一项新的技术首先是科学家发明出来的算法，接着是工程师将算法的成本降到可以使用，最后是在业内的创新应用，三者相互促进形成闭环。一是从大模型角度看，大模型具备三大能力：Chat能力、生成能力、感知能力。Chat能力，使其可以做银行客户、保险销售和数据的人机互动；生成能力，使其能够进行OA办公、代码生成的应用；通用能力和感知能力，使其可以感知欺诈环境、风险浓度等。二是从银行角度看，大模型首先可以提升效率效能；其次可以作为新型的“一岗多专”数字员工；未来可以驱动银行的核心应用，包括风险管理、客户画像、投资分析、智能选股等。

需要关注的问题：中小银行的后发劣势、技术向善的治理、可解释性的研究。

最后，祝世虎指出，“大模型的落地还有一些问题需要我们关注，比如中小银行的后发劣势、技术向善、可解释性等”。一是后发劣势，指的是中小银行学习大银行的成功经验的时候，会学习容易学的部分而忽视难学的部分，其中比较容易的是系统的采购，比较难的是数据整合、人才培养、制度调整等。二是技术向善，对于自身没有智能的技术或许没有善恶之分，但是使用技术的人有；对于自身具有智能的技术，如何能保证其产生向善的智能。三是可解释性，可解释性不能理解为让被解释的人听懂，因为这和被解释人的认知有很大关系，所以可解释性的对象不应该是人，而应该是科学本身，例如用模型验证来验证模型，用科学解释来解释科学，用魔法来打败魔法。