聲明:本文來自于（ID:ykqsd.com）授權(quán)轉(zhuǎn)載發(fā)布。

從年初至今，隨著DeepSeek的火爆程度不斷提升，各大金融機(jī)構(gòu)紛紛推出大模型戰(zhàn)略。近日，工商銀行完成了對DeepSeek大模型的私有化部署，"工銀智涌"系統(tǒng)已覆蓋信貸、風(fēng)控等20余個業(yè)務(wù)條線，實際落地應(yīng)用超過200個場景，已成為各大銀行在AI轉(zhuǎn)型方面的標(biāo)桿。截至3月10日，已有20余家銀行開始接入DeepSeek系列模型。盡管金融機(jī)構(gòu)對大模型的熱情非常高漲，但實際應(yīng)用效果卻未能達(dá)到預(yù)期。

在應(yīng)用過程中，大模型在金融領(lǐng)域面臨諸多挑戰(zhàn)。一方面，生成的內(nèi)容往往需要大量人工干預(yù)，在一些關(guān)鍵業(yè)務(wù)上，AI的可靠性甚至不如人工處理。另一方面，盡管DeepSeek的開源特性有助于推動金融行業(yè)的技術(shù)普惠，但金融機(jī)構(gòu)在應(yīng)用過程中仍需應(yīng)對數(shù)據(jù)安全與合規(guī)的難題。

業(yè)內(nèi)人士指出，盡管金融機(jī)構(gòu)對AI技術(shù)的應(yīng)用充滿期待，但目前仍面臨效率瓶頸、技術(shù)局限以及對AI結(jié)果的誤判等多重挑戰(zhàn)。在提升效率的同時解決這些問題，成為金融行業(yè)亟需攻克的難題。

投入與產(chǎn)出的不平衡

在與多家金融機(jī)構(gòu)的采訪中，記者發(fā)現(xiàn)，AI大模型在金融行業(yè)的實際應(yīng)用效果與預(yù)期仍有較大差距。

某大行員工向記者表示，實際工作中，AI系統(tǒng)生成的內(nèi)容往往需要大量人工干預(yù)，在一些關(guān)鍵業(yè)務(wù)上，AI的表現(xiàn)甚至不如人工處理可靠。

某股份行的科技部門負(fù)責(zé)人補(bǔ)充道，目前銀行的業(yè)務(wù)主線流程中，大模型的應(yīng)用主要集中在所謂的"邊緣業(yè)務(wù)"。例如，智能報告系統(tǒng)雖被視為亮點，但目前仍需通過人工干預(yù)來解決生成內(nèi)容中的幻覺等問題，無法完全依賴AI生成完成全自動化解決方案。

在輔助合同審核方面，盡管部分金融機(jī)構(gòu)已引入AI大模型，但當(dāng)前的準(zhǔn)確性仍不夠理想。許多銀行雖已優(yōu)化柜面流程，但由于AI的準(zhǔn)確度不足，人工復(fù)核仍需進(jìn)行，這并未達(dá)到提高工作效率的目的。一位銀行柜員向記者表示："機(jī)器審核的結(jié)果我們不敢完全信任，最后還是需要人工復(fù)核，這樣一來反而增加了工作量。"

此外，AI大模型在處理關(guān)鍵金融業(yè)務(wù)時的專業(yè)鑒別能力仍顯不足。例如，在信貸審批領(lǐng)域，大模型可能無法準(zhǔn)確區(qū)分正常貸款申請與潛在的貸款詐騙行為。

記者還從多家證券機(jī)構(gòu)了解到，在文件報送、高頻交易等重要環(huán)節(jié)，AI大模型尚未完全深入行業(yè)操作流程，仍需依賴人工審核。一位證券機(jī)構(gòu)交易員表示："之前可能兩個人做一個環(huán)節(jié)，花上兩三個小時就能完成，現(xiàn)在先讓AI做，還需要為關(guān)鍵詞進(jìn)行調(diào)整，最后還要核對一遍，前后花費的時間和自己做差不多，甚至還要多。"

此外，不少銀行員工對大模型在授信流程中的應(yīng)用也充滿期待。他們希望大模型能夠生成專業(yè)的評估報告，并將數(shù)據(jù)整理成清晰的表格，從而提高工作效率。然而，目前這一功能的實現(xiàn)仍顯不足。一位股份行授信部門的員工向記者表示："大模型生成的評估報告內(nèi)容較為基礎(chǔ)，數(shù)據(jù)表格經(jīng)常出現(xiàn)錯誤，我們只能作為參考，大部分工作還是需要親自完成。"

AI大模型"投入高、產(chǎn)出低"已成為金融機(jī)構(gòu)面臨的嚴(yán)峻挑戰(zhàn)。在成本方面，不少銀行科技部門在引入大模型方面投入巨大，無論是服務(wù)采購還是所需的硬件資源，都帶來了可觀的支出。但這些投入并未帶來顯著的業(yè)務(wù)效率提升，這讓管理層對后續(xù)的持續(xù)投入產(chǎn)生了擔(dān)憂。一位大型銀行科技部門的員工向記者透露："我們引入大模型后，硬件設(shè)備的投入增加了近30%，但實際業(yè)務(wù)效率提升并不明顯，這讓管理層對后續(xù)投入產(chǎn)生了疑慮。"

某家股份行的員工也向記者反映，該行在斥巨資打造AI系統(tǒng)后，效果卻不盡如人意。"我們投入了大量資源，但實際收益卻微乎其微。"該員工表示，該系統(tǒng)的一半時間用于制作PPT演示，另一半時間用于修復(fù)系統(tǒng)漏洞。

隨著人工智能技術(shù)在金融領(lǐng)域的廣泛應(yīng)用，AI大模型的"幻覺"問題逐漸成為行業(yè)關(guān)注的焦點。所謂"幻覺"，是指AI大模型生成的內(nèi)容與現(xiàn)實不符或缺乏依據(jù)的現(xiàn)象，這在金融領(lǐng)域可能導(dǎo)致嚴(yán)重的信息誤導(dǎo)和風(fēng)險。

"大模型的幻覺現(xiàn)象主要由多個因素共同作用，其中訓(xùn)練數(shù)據(jù)的質(zhì)量、金融領(lǐng)域的復(fù)雜性以及模型架構(gòu)設(shè)計是關(guān)鍵影響因素。"數(shù)字經(jīng)濟(jì)學(xué)者、工信部信息通信經(jīng)濟(jì)專家委員會委員、DCCI互聯(lián)網(wǎng)研究院院長劉興亮對記者表示。

北京國家金融科技認(rèn)證中心副總經(jīng)理李振指出，金融行業(yè)涉及復(fù)雜的金融工具、市場動態(tài)和專業(yè)術(shù)語，模型理解這些內(nèi)容的難度較大。一方面，訓(xùn)練數(shù)據(jù)的不準(zhǔn)確可能導(dǎo)致模型出現(xiàn)缺陷；另一方面，存在偏差的對齊數(shù)據(jù)可能使模型傾向于迎合用戶觀點，而非依據(jù)客觀事實進(jìn)行判斷。

華院計算蔡華博士對記者表示，自回歸文本生成方式由于缺乏外部知識驗證機(jī)制，容易出現(xiàn)幻覺問題。在處理長文本推理和復(fù)雜邏輯推理時，這種局限性尤為明顯。特別是在跨段落、跨文檔推理時，模型容易引入邏輯混亂或錯誤推斷，進(jìn)一步加大了幻覺出現(xiàn)的概率。

為應(yīng)對這一挑戰(zhàn)，金融機(jī)構(gòu)和科技企業(yè)正在積極探索解決方案。記者了解到，目前，金融領(lǐng)域的解決方案主要圍繞RAG（搜索增強(qiáng)生成）、高質(zhì)量指令參數(shù)數(shù)據(jù)集、結(jié)合格式化數(shù)據(jù)和計算能力進(jìn)行優(yōu)化。

"RAG技術(shù)可以通過改變提示的方式，有效提高回答的準(zhǔn)確性。"華院計算董事長宣曉華對記者表示，大模型主要依賴歸納法進(jìn)行學(xué)習(xí)和生成，在微調(diào)階段，如果使用高質(zhì)量的數(shù)據(jù)集，且該數(shù)據(jù)集能夠全面覆蓋所屬領(lǐng)域的各個方面，那么大模型的可靠性也會得到顯著提升。

金融機(jī)構(gòu)和科技企業(yè)正在探索各種解決方案來應(yīng)對這一挑戰(zhàn)。記者了解到，目前，金融領(lǐng)域的解決方案主要圍繞RAG（搜索增強(qiáng)生成）、高質(zhì)量指令參數(shù)數(shù)據(jù)集、結(jié)合格式化數(shù)據(jù)和計算能力進(jìn)行優(yōu)化。

金融機(jī)構(gòu)在應(yīng)用AI技術(shù)時，普遍采用RAG（Retrieval-Augmented Generation）技術(shù)與專業(yè)數(shù)據(jù)庫相結(jié)合的方式進(jìn)行數(shù)據(jù)標(biāo)注與分析。一位來自外資銀行科技部門的專家表示，數(shù)據(jù)是AI大模型的基礎(chǔ)資源，其質(zhì)量直接決定了模型的準(zhǔn)確性和可靠性。采用RAG技術(shù)，可以讓AI模型實時調(diào)用專業(yè)領(lǐng)域知識和數(shù)據(jù)資源，從而顯著提升回答問題的準(zhǔn)確性和可靠性。

在專業(yè)領(lǐng)域，例如保險行業(yè)，通常需要投入大量的人力和時間對海量數(shù)據(jù)進(jìn)行加工和標(biāo)簽化處理。上海燕道數(shù)科公司的負(fù)責(zé)人婁道永指出，保險大模型需要通過積累海量數(shù)據(jù)并運用精算技術(shù)，對全國范圍內(nèi)的保險產(chǎn)品、社保規(guī)則和相關(guān)法律法規(guī)進(jìn)行系統(tǒng)整合，涵蓋壽險產(chǎn)品、社保規(guī)則以及養(yǎng)老、醫(yī)療等多個維度的數(shù)據(jù)信息。這不僅需要強(qiáng)大的技術(shù)支持，還需要專業(yè)的精算團(tuán)隊深度參與。

金融機(jī)構(gòu)在提升AI模型性能時，常用定制化訓(xùn)練和場景優(yōu)化的方法。例如，寧波銀行接入DeepSeek大模型后，通過業(yè)務(wù)人員的微調(diào)訓(xùn)練和專業(yè)語料庫的支持，嘗試降低AI模型的"幻覺"問題。富國基金則利用大語言模型進(jìn)行量化投資決策，并結(jié)合情緒因子等技術(shù)提升業(yè)務(wù)效率。

上海人工智能研究院算法專家陸文韜總結(jié)，從技術(shù)實現(xiàn)角度，避免AI大模型產(chǎn)生錯誤結(jié)果的三方面要點：一是確保訓(xùn)練數(shù)據(jù)的高質(zhì)量和多樣性至關(guān)重要，二是調(diào)整模型架構(gòu)與訓(xùn)練策略，三是完善實時監(jiān)控與反饋機(jī)制。

除了RAG架構(gòu)外，還可以通過其他方法優(yōu)化模型性能。蔡華表示，例如采用強(qiáng)化學(xué)習(xí)優(yōu)化（RLHF），通過人類反饋提升輸出的真實性和專業(yè)性，減少錯誤；同時，采用基于約束的生成方法，利用外部API校驗或規(guī)則模板約束，避免生成不符合事實的內(nèi)容；此外，結(jié)合Agent技術(shù)，增強(qiáng)模型的工具調(diào)用和任務(wù)規(guī)劃能力，減少"幻覺"，提升在金融等領(lǐng)域的可靠性。

在場景優(yōu)化中，保護(hù)行業(yè)核心技術(shù)和數(shù)據(jù)的安全性顯得尤為重要。陸文韜建議，為保障金融科技領(lǐng)域的數(shù)據(jù)安全與合規(guī)，行業(yè)可借鑒數(shù)據(jù)脫敏與加密、可信數(shù)據(jù)生態(tài)構(gòu)建、合規(guī)工具鏈完善等方法。例如，采用聯(lián)邦學(xué)習(xí)實現(xiàn)"數(shù)據(jù)可用不可見"，確保原始數(shù)據(jù)不外泄；利用區(qū)塊鏈技術(shù)進(jìn)行語料共享存證，實現(xiàn)數(shù)據(jù)確權(quán)與溯源等。