前言
山不让尘，川不辞盈。2024年是互联网进入中国的第30个年头，中国金融行业也走过了金融科技和数字化的10个年头。
科技金融这篇大文章正方兴未艾，而智能金融随着大模型的日新月异，发展突然按下了加速键。如果将过去一年大模型的发展比作《三体》中描述的“技术爆炸”，它正形象地展现出AI领域前所未有的快速变革。
这种爆炸式增长不仅仅是技术参数的简单膨胀，更是整个技术生态、商业应用以及社会影响层面深刻变化的综合体现。在这一过程中，我们看到了如浪潮般涌现的新技术核心要素与传统IT发展规律的交织：
- 摩尔定律的延伸与挑战：虽然摩尔定律近年来面临物理极限挑战，但通过创新架构（如GPU、TPU）、分布式计算以及算法优化，大模型的发展有机会遵循类似的加速轨迹，变革性地实现计算效率和模型规模的双重跃升。
- 安迪-比尔定律的演变：在大模型场景下，这一规律体现为模型规模和复杂度的增加，不断驱动着对更强大算力和存储的需求，同时也激发了云计算的快速发展，以确保基础设施能跟上AI应用的需求步伐。
今年以来，通过广泛走访上千家金融机构，我们发现，金融行业并不缺乏大模型应用的场景。然而，有限的算力、持续迭代的开源与商业化生态，加之金融行业对数据安全、风险控制、合规性以及精准决策的极高要求，使得金融行业的大模型之路进入了前所未有的“选择陷阱”。
金融行业正处于数字化转型和采用云原生技术的关键时期，大模型的引入无疑增加了额外的复杂性，但也带来了前所未有的机遇。
在过去一年，大模型加持的金融代码能力、多模态能力、信息阅读理解能力、信息抽取分类加工能力以及风险管理能力，在金融行为学、金融市场与投资、零售金融、公司金融、财富资管、大健康、大投研等各个数字化领域，都已有了星星之火般的尝试。
随着大模型技术的成熟，从基于数据集的开发转向基于大规模预训练模型的应用工程体系，我们可以预见未来大模型通过API化与云原生环境下的金融业务流程及技术架构深度整合，从而解决一些从前难以想象的融合问题，例如金融模型应用的成本效率与稳定性、金融知识的准确性与专业性、金融合规的严谨性与可解释性等。
不仅如此，云原生与大模型融合的新范式，迫切需要新的大模型应用平台来降低从特定领域到广泛场景的AI应用门槛。
此文旨在抛砖引玉，希望与业内同仁一同探讨如何积极拥抱并运用大模型技术，以应对和驾驭不断变化的市场环境，实现科技金融持续稳定的提质增效和创新发展，携手开启金融大模型的未来新篇章。
大模型发展的趋势
大模型是数字转型（DT）时代的产物，标志着人工智能技术的一次重大突破，尤其是在自然语言处理（NLP）、图像识别、推荐系统等领域。这些基于Transformer架构的大模型，通过消化海量数据集进行预训练，获得了对人类语言、图像等数据的深入理解和处理能力。
AI大模型：人类知识存储、传承和使用方式的一次重构
在数字转型时代，大模型为企业提供了前所未有的机遇，使其能够通过高效的数据分析和决策，实现业务流程的智能化、优化客户体验和创新产品服务。从金融行业的智能投顾和欺诈监测，到医疗行业的智能诊断和药物发现，再到零售行业的个性化推荐，大模型的应用正深刻改变着传统行业的运作模式和价值链。
在《全域数据“观”》一书中，我们曾断言：“数据的下一站是智能，数据最终会走向与业务系统的数智融合”，数据消费正在由“人”变成“系统”。未来数据技术将与云原生和智能化全面融合，形成“云数智一体化”服务。
云原生技术栈，为企业带来了资源弹性、异构算力、容器和微服务等技术手段，为业务创新和系统建设提供了高效、敏捷以及低成本、可扩展的解决方案；数据中台的兴起，则让企业得以将数据库中“不会说话”的表格，转换成指标、标签、因子、特征等数据资产形态，并直接用于分析与业务决策。
现如今，AI大模型正在以惊人的速度重构各行各业的业务流程与系统产品。一方面，云原生为大模型训练与推理提供了资源保障，数据中台为大模型应用提供高质量语料和结构化知识；另一方面，在大模型全面“智能涌现”能力的驱动下，传统偏零散化的数据能力被进一步体系化和智能化，加速了BI与AI的融合，实现从“洞见”到“决策”的跨越，推动企业加速走向“云数智一体化”的终极形态，最终为客户带来全新的产品服务体验。
大模型发展的趋势
趋势一：“Cloud+AI” 大模型与云的结合日益紧密
在信息技术领域，云计算和人工智能（AI）大模型的快速发展正日益成为推动社会进步的两大核心驱动力。大模型与云计算的结合日益紧密，这种融合正推动着科技界走向新的里程碑。
首先，从全球格局看，大模型的迭代进化主要发生在云端。云计算提供了高度可扩展的计算资源，使得研究人员和开发者能够在无需自建庞大物理基础设施的情况下，进行模型的训练、调优和部署。云平台上的弹性资源和高效管理工具为大模型的开发和优化提供了理想环境，极大地加速了AI大模型的迭代周期。
其次，大模型所遵循的规模定律（Scaling Law）正在重塑算力基础设施。随着模型规模的不断扩大，其对计算资源的需求呈指数级增长。云计算平台通过部署先进的硬件技术、优化资源分配和加强数据处理能力来应对这一需求，进而推动了底层算力基础设施的快速进化。这种进化不仅满足了大模型当前的高算力需求，也为未来AI技术的持续创新提供了坚实支撑。
大模型与云计算的紧密结合，意味着云端已成为大模型迭代进化的主战场，同时大模型的需求也反向驱动着云基础设施的革新。这种双向驱动关系预示着，未来的技术进步将在这种深度融合中持续加速。
趋势二：“AI Everywhere” 大模型无处不在，成为企业数字化标配
在当今的数字化时代，大模型技术正以其强大的数据处理和智能化能力，逐步成为企业数字化转型的标配。其应用已超越传统的集中式部署，通过与小型模型、新型终端以及数据中台的结合，共同构筑起一个多元化部署与互联互通的新生态。
- 大模型与小模型的结合，实现部署多元化：大模型具备强大的通用认知能力，适用于复杂任务；而小模型则以其轻量、高效、低延迟的特性，更适合对实时性和资源消耗有严格要求的边缘场景。两者结合，使企业能够根据实际业务需求灵活部署，实现智能决策的优化与成本效率的平衡。
- 大模型与新终端的结合，拓展链接多元化：随着物联网（IoT）和边缘计算的发展，大模型的能力正通过云计算和边缘计算下沉至各种智能终端，如移动设备、智能汽车、工业设备等。这使得大模型的应用场景得到极大拓展，能够为用户提供更即时、更个性化的智能服务。
- 大模型与数据中台的结合，驱动数据应用多元化：数据中台作为企业数据治理与服务的核心，为大模型提供了高质量、多模态（如图像、音视频、文本）的数据燃料。通过有效整合内外部数据资源，大模型能够在更丰富的数据基础上进行训练与推理，从而更精准地处理复杂的业务场景，如图像识别、语音交互、文档分析等，全面提升企业的业务处理与用户体验能力。
大模型正逐步渗透到企业数字化建设的各个层面，与小模型、新终端以及数据中台等多元化的元素相结合，进一步拓宽了其应用范围，提升了处理效率和智能水平。大模型无处不在，已经成为推动企业数字化转型的关键力量。
趋势三：“AI Native SaaS Rise” 大模型企业级市场崛起，向深度化、产业化、垂直化方向发展
大模型技术已成为推动企业级市场向深度化、产业化、垂直化方向发展的关键动力。企业正倾向于将其作为核心驱动力，深入挖掘在特定行业中的应用价值和潜力，以实现智能化升级与业务创新。
首先，大模型在企业级市场中的深度化应用成为不可逆转的趋势。它们不仅被用于优化传统的数据处理和分析流程，更在预测分析、个性化服务、自动决策制定等领域展现出强大能力。这背后是企业对数据价值认知的提升以及对操作效率和决策质量改进的需求。
“小切口，大纵深”的发展策略，正加速大模型在特定行业中的垂直化和产业化落地。企业通过聚焦行业细分领域，利用大模型深耕特定痛点和需求，不仅提升了解决方案的适配性和有效性，也推动了整个行业的智能化水平。这种策略的实施，彰显了大模型在解决复杂行业问题时的独特优势，促进了技术与行业的深度融合。
企业间的开放新形态，特别是在金融领域涌现的 Open Banking 模式，为大模型技术的应用开辟了更广阔的舞台。数据共享和 API 开放不仅有利于现有金融服务的增值，也为金融科技创新和跨行业合作打开了大门，提供了更丰富的应用场景。
趋势四：“AI API First” 大模型功能性能力突破性增长
近期，大模型的功能性能力正经历快速增长和重大突破，其中多模态、Agent模式以及 Assistant API 成为推动这一进程的关键力量。这些技术革新不仅扩展了大模型的应用范围，也为人机交互和应用开发带来了新的可能。
多模态技术的成熟拓展了大模型的广度，使其能够同时处理和理解文本、图像、音频等多种类型数据，实现了对人类沟通方式的更全面理解。这标志着 AI 从处理单一数据类型向综合理解不同数据类型的重大进步，极大地丰富了在自动化内容创作、跨媒体信息检索以及增强现实等领域的应用场景。
Agent 模式的崛起，成为人机协作的重要方式。在这种模式下，AI 可以作为拥有自我学习和自主决策能力的个体，在特定环境中根据既定目标执行任务。这表明 AI 的工作模式正变得更加智能化和个性化，能够从简单的数据分析到复杂的决策制定中有效辅助人类，推动人机协作进入新阶段。
Assistant API 的推出为开发者提供了全新能力，大幅降低了开发门槛。通过简单的 API 调用，开发者可以轻松将大模型的强大功能集成到自己的应用或服务中，无需深入了解模型内部复杂机理，即可构建出智能化程度高、用户体验好的产品。这种开放的、低门槛的开发方式，加速了创新应用的推出。
趋势五：“AI Cyber Security” 大模型更重视隐私和数据安全
随着大模型的广泛应用，对隐私和数据安全的重视程度日益增强。企业和研究机构正通过实施一系列措施，加强对用户数据的保护，确保信息安全和隐私得到妥善处理。这些措施的核心在于构建有效、可靠的数据管理及隐私防护框架，确保安全评估体系的全面性，并解决 AI 工作的可解释性问题。
有效的数据分类分级制度是构建数据管理及隐私防护框架的基础。通过对数据进行系统分类和分级，明确不同类别数据的处理要求和安全标准，可以更有针对性地制定保护措施。这种方法不仅有助于提升数据处理的效率和精准度，也有利于识别和保护最敏感、价值最高的数据，从而有效降低数据泄露和滥用的风险。
构建一套全面的安全评估体系对于大模型体系至关重要。
这套体系应涵盖大模型训练、部署、应用生命周期的各个阶段，从数据的收集、存储、使用到销毁，每个环节都应进行严格的安全审查和评估。通过定期进行安全审计、漏洞扫描和风险评估，可以及时发现和修复安全漏洞，强化系统的安全防护能力，减轻外部攻击和内部泄露的风险。
随着大模型应用到越来越多的场景，其工作的可解释性问题日益受到重视。大模型，特别是基于 Transformer 的架构，常被视为“黑盒”，其决策逻辑和过程难以解释。增强 AI 工作的可解释性不仅有助于建立用户对 AI 决策的信任，也是确保模型公平、无偏见的关键。通过开发和应用新的解释性技术和方法，让 AI 的决策过程更加透明，可以有效提升模型的公正性和安全性，减少错误决策和偏差带来的风险。
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/archives/22035