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

近期，隨著大模型技術(shù)的火爆，各大金融機(jī)構(gòu)紛紛展開大模型應(yīng)用的規(guī)劃。其中，工商銀行已完成對DeepSeek大模型的內(nèi)部部署，"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。該系統(tǒng)已成為國內(nèi)大型銀行在AI技術(shù)應(yīng)用方面的重要標(biāo)桿。截至目前，已有20余家銀行完成了Deepseek系列模型的接入。然而，盡管金融機(jī)構(gòu)對大模型的熱情非常高漲，但在實際應(yīng)用中，效果卻未能達(dá)到預(yù)期目標(biāo)。

在金融領(lǐng)域，大模型的應(yīng)用效率仍有待提升。一些銀行在引入大模型后發(fā)現(xiàn)，生成的內(nèi)容往往需要大量人工干預(yù)，尤其是在一些核心業(yè)務(wù)流程中，AI系統(tǒng)的可靠性甚至低于人工處理。此外，盡管開源技術(shù)推動了金融行業(yè)的技術(shù)普及，但金融機(jī)構(gòu)在實際應(yīng)用中仍面臨著數(shù)據(jù)安全和合規(guī)管理的雙重挑戰(zhàn)。

一位業(yè)內(nèi)人士指出，盡管金融機(jī)構(gòu)對AI技術(shù)的應(yīng)用充滿熱情，但目前仍面臨著效率瓶頸、技術(shù)局限以及用戶認(rèn)知偏差等多重難題。在提高效率的同時，如何有效解決這些問題，已經(jīng)成為金融行業(yè)亟待突破的技術(shù)難題。

技術(shù)投入高、實際產(chǎn)出低

在深入了解過程中，記者發(fā)現(xiàn)，大模型技術(shù)在金融行業(yè)的實際應(yīng)用效果與預(yù)期仍存在較大差距。

某大行員工表示，在實際操作中，AI系統(tǒng)生成的內(nèi)容往往需要大量人工調(diào)整，特別是在一些關(guān)鍵業(yè)務(wù)流程中，AI的表現(xiàn)還不如人工處理可靠。

某股份行的科技部門負(fù)責(zé)人指出，目前銀行的核心業(yè)務(wù)流程中，大模型的應(yīng)用還較為有限，主要集中在所謂的"邊緣業(yè)務(wù)"。例如，智能報告系統(tǒng)雖然被視為一個亮點，但在實際運行中仍需要人工干預(yù)來解決生成內(nèi)容中的"幻覺"問題，無法完全依賴AIGC實現(xiàn)全自動化解決方案。

比如，在輔助合同審核方面，盡管多家金融機(jī)構(gòu)已經(jīng)引入了大模型技術(shù)，但在準(zhǔn)確性方面仍存在問題。許多銀行雖然優(yōu)化了柜面工作流程，但由于AI系統(tǒng)的準(zhǔn)確度不夠，人工復(fù)核仍是必要的環(huán)節(jié)，這并未達(dá)到簡化工作流程的目的。一位銀行柜員表示："機(jī)器審核的結(jié)果我們不能完全信賴，最終還是要靠人工復(fù)核，這反而增加了工作負(fù)擔(dān)。"

此外，大模型技術(shù)在處理金融核心業(yè)務(wù)時的專業(yè)鑒別能力仍有待提升。例如，在信貸審批領(lǐng)域，大模型可能無法準(zhǔn)確地區(qū)分正常的貸款審批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，盡管一些金融機(jī)構(gòu)的金融大模型已經(jīng)深入到行業(yè)操作流程中，但在重要環(huán)節(jié)如文件報送、高頻交易等業(yè)務(wù)中，仍需要依賴人工審核。一位證券機(jī)構(gòu)交易員表示："之前可能一個人完成一個環(huán)節(jié)，花費兩三個小時，現(xiàn)在先讓大模型處理，還需要提供關(guān)鍵詞、調(diào)整邏輯，最后還需要人工核對一遍，前后花費的時間和自己處理差不多，甚至更多。"

隨著人工智能技術(shù)的深度滲透，金融機(jī)構(gòu)對AI大模型技術(shù)的潛在風(fēng)險開始引發(fā)關(guān)注。在實際應(yīng)用中，盡管大模型展現(xiàn)出巨大潛力，但其在金融領(lǐng)域的應(yīng)用仍面臨諸多挑戰(zhàn)。

在具體應(yīng)用場景中，銀行員工普遍關(guān)注大模型在授信流程中的表現(xiàn)。他們期待大模型能夠生成專業(yè)的盡職調(diào)查報告，并將信息以清晰表格形式呈現(xiàn)，從而減少人工工作量。然而，現(xiàn)有技術(shù)仍存在明顯局限。某股份銀行授信部門員工表示："大模型生成的盡職報告內(nèi)容往往過于簡略，數(shù)據(jù)表格容易出現(xiàn)差錯，只能作為參考，在具體操作中仍需人工配合。"

在成本效益分析方面，AI大模型的投入回報不成正比成為金融機(jī)構(gòu)的普遍困擾。科技部門在采購和運維大模型時，往往面臨高昂的硬件投入和運營成本，但難以量化其實際效益。一位大型銀行科技部門員工指出："引入大模型后，硬件設(shè)備投入增加近30%，但業(yè)務(wù)效率提升不明顯，這令管理層對于后續(xù)投入持觀望態(tài)度。"

在系統(tǒng)效能方面，部分金融機(jī)構(gòu)曾大規(guī)模投入但收效甚微。某股份行員工透露，該行曾斥巨資打造AI系統(tǒng)，但運行效果卻不盡如人意："我們投入大量資源，但實際收益卻微乎其微。"該員工解釋，系統(tǒng)一半時間用于制作演示文稿，另一半用于修復(fù)系統(tǒng)漏洞，顯示出AI技術(shù)在實際應(yīng)用中仍顯不足。

隨著AI技術(shù)的廣泛應(yīng)用，"幻覺"現(xiàn)象逐漸成為行業(yè)關(guān)注的焦點。這一現(xiàn)象指AI生成內(nèi)容與現(xiàn)實存在明顯偏差或缺乏依據(jù)。在金融領(lǐng)域，這種偏差可能導(dǎo)致嚴(yán)重的信息誤導(dǎo)和風(fēng)險。對此，多位專家提出了不同看法。

在具體成因方面，訓(xùn)練數(shù)據(jù)質(zhì)量、金融領(lǐng)域的復(fù)雜性及模型架構(gòu)設(shè)計均是關(guān)鍵因素。數(shù)字經(jīng)濟(jì)學(xué)者劉興亮指出："大模型的幻覺現(xiàn)象主要由多方面因素共同作用，其中訓(xùn)練數(shù)據(jù)的不準(zhǔn)確、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。"

在數(shù)據(jù)質(zhì)量問題上，專家指出："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。"

在技術(shù)局限方面，華院計算蔡華博士指出："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。"

在解決方案方面，金融機(jī)構(gòu)和科技企業(yè)正在探索各種創(chuàng)新方法。記者了解到，目前金融領(lǐng)域的解決方案主要集中在以下三個方面：RAG（搜索增強(qiáng)生成）技術(shù)、高質(zhì)量指令參數(shù)數(shù)據(jù)集，以及結(jié)合格式化數(shù)據(jù)和計算能力進(jìn)行優(yōu)化。

在RAG技術(shù)方面，華院計算董事長宣曉華指出："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。"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，若使用高質(zhì)量的數(shù)據(jù)集且數(shù)據(jù)覆蓋全面，其可靠性將得到顯著提升。

普遍采用RAG+搜索技術(shù)并融合專業(yè)數(shù)據(jù)資源的大型金融機(jī)構(gòu)，在金融數(shù)據(jù)庫的標(biāo)注與分析方面表現(xiàn)更為突出。某大型外資銀行科技部門負(fù)責(zé)人表示，數(shù)據(jù)是AI大模型的基石，數(shù)據(jù)質(zhì)量直接影響模型的性能，采用RAG技術(shù)使AI在回答問題時能夠?qū)崟r調(diào)用專業(yè)領(lǐng)域知識，從而顯著提升了輸出的準(zhǔn)確性與可靠性。

在專業(yè)領(lǐng)域，例如保險行業(yè)，往往需要投入大量資源對海量數(shù)據(jù)進(jìn)行加工與標(biāo)注處理，以確保數(shù)據(jù)的準(zhǔn)確性和可用性。上海燕道數(shù)科的負(fù)責(zé)人婁道永表示，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)，將全國范圍內(nèi)的保險產(chǎn)品、社保政策及相關(guān)法律法規(guī)等信息進(jìn)行系統(tǒng)化處理，涵蓋壽險產(chǎn)品、社保規(guī)則、養(yǎng)老、醫(yī)療等多個維度的數(shù)據(jù)。這不僅需要強(qiáng)大的技術(shù)支持，更離不開專業(yè)精算團(tuán)隊的支持。

金融機(jī)構(gòu)在去“幻覺”化過程中，常用定制化訓(xùn)練與場景優(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，努力降低“幻覺”問題。富國基金則通過將大語言模型應(yīng)用于量化投資決策，并利用情緒因子等技術(shù)，顯著提升了業(yè)務(wù)效率。

上海人工智能研究院算法專家陸文韜表示，為了有效避免AI大模型生成錯誤結(jié)果，可以從技術(shù)層面注意三個方面：第一，確保訓(xùn)練數(shù)據(jù)的質(zhì)量和多樣性至關(guān)重要；第二，調(diào)整模型架構(gòu)與訓(xùn)練策略；第三，完善實時監(jiān)控與反饋機(jī)制。

除了RAG架構(gòu)外，還有多種方法可優(yōu)化模型性能。蔡華表示，例如通過強(qiáng)化學(xué)習(xí)優(yōu)化（RLHF）提升輸出真實性和專業(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)的問題，陸文韜提出，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。