“大风起于青萍之末，浪成于微澜之间”，用这句话来形容中国金融行业的数智化发展历程颇为恰当。
20多年前，中国内地第一家商业银行数据仓库的启动建设，拉开了金融数字化的序幕。20多年间，金融行业经历了从信息化到数字化，从数字化到数智化的蝶变。如今，正进入“大模型阶段”。
9月8日，在上海举行的外滩大会中，蚂蚁集团发布了蚂蚁金融大模型。同步亮相的还有两个应用产品：智能金融助理支小宝2.0和智能业务助理支小助，待完成备案后正式上线。蚂蚁的这一新动态备受业界关注，让金融大模型领域多了一个举足轻重的选手。
今年以来，诸如百度、腾讯、彭博等相继发布了面向金融的大模型产品和解决方案，纷纷布局大模型在金融业的应用。
在历史长河中，金融业一直站在数字化技术创新的前沿。作为数据密集型行业，也会率先体会到大模型带来的价值。有研究表明，中国金融机构的数据资产规模达到了千亿级，如果能够充分挖掘运用，潜在价值超过万亿元。
蚂蚁集团董事长兼CEO井贤栋认为：大模型的出现，“不是一个新技术，而是一个新世界”。
蚂蚁集团副总裁、金融大模型负责人王晓航则认为，大模型会成为接下来金融产业生产力变革的关键技术。
金融大模型，需要“硬”着陆
术业有专攻，大模型要落地金融，必须深刻理解行业特有的业务流程和知识体系，解决面临的数据孤岛、专业壁垒等痛点。这也就导致了，金融机构想要部署金融行业大模型，需要跨过几座大山。
从金融行业的特点来看，首先需要连接数据孤岛，构建金融行业专属的知识图谱。长期以来，金融行业数据分散在业务系统、数据仓库等不同存储部门，存在确权认证、数据格式等障碍，难以打通共享。
这需要金融机构不仅要有技术能力，更要有行业认知。举个例子，得益于过去十年在理财、保险、信贷领域积累的经验，蚂蚁金融大模型才能整合千亿量级金融领域知识，跨数据源构建统一的金融知识图谱，沉淀下风控、资产配置、智能投研、智能核赔等金融领域的核心能力，即专业力。因此，蚂蚁金融大模型能提供包括金融产品评测、行情解读、资产配置、家庭配置、智能核赔、智能理赔等10多项智能服务。
将数据打通形成知识后，蚂蚁金融大模型在万亿量级Token的通用语料基础上，注入千亿级Token的金融知识，并从300＋真实产业场景中提取了共60万＋高质量指令数据，形成了金融专属性能的数据资产，即知识力。
其次，相比于其他行业，金融行业的信息瞬息万变，这也是为什么海外第一个金融大模型出自彭博的原因。彭博结合网络、新闻、公司公告与财务报表及彭博自己的新闻库，推出了500亿参数的BloombergGPT。但出于数据安全的风险考虑，BloombergGPT尚未对外开放访问。
这也是金融大模型需要面临的另一个挑战，即可控生成力。金融数据具有很高的敏感性，较低的容错率，且行业任务与通用任务的思维逻辑存在显著差异，如“某公司裁员5000人”在通用语境下常被理解为负面消息，但在金融行业语境下有时可以被理解为降本增效的积极信号。
因此，金融大模型要做到内容生成可控，完全满足金融业务合规性、适当性等安全要求。为了解决上述问题，蚂蚁金融大模型采用意图识别与事实性校验相结合的方式，提升生成内容的合规性、安全性和真实性，保证准确率达到99%以上，在金融领域实现了行业前沿的可信围栏技术。
“通用大模型缺少金融领域的语言力、专业力、知识力以及安全力（可控生成能力）。金融大模型实现落地行业是一个复杂化的系统工程，具备这四个能力是前提条件。”蚂蚁集团金融大模型负责人王晓航总结道。
智能助理，能否成为大模型在金融行业的最佳着陆点？
行业大模型要发挥力量，关键还是找场景，用起来。目前，京东（灵犀）、百度（度小满）、平安金融、招行都在尝试率先将生成式AI能力应用在智能助理中。
这也说明了，从落地路径上，智能客服有可能成为大模型进入金融业的最佳着陆点。
蚂蚁金融行业大模型也同时发布了2个金融大模型产业应用，分别是2C的智能助理支小宝2.0和2B的产业端AI业务助手支小助。
在金融场景中，无论是售前咨询、售后客服，还是分析师、投研顾问，都是以个人/公司助理的角色在行业中发挥着重要的作用，而这些人都需要比较高门槛的专业能力水平，才能更好地服务客户。
比如，彭博拥有大量金融从业人士、投研专家；招商银行、平安银行拥有超过海量客户场景；支付宝App里的蚂蚁财富，作为国民级理财平台，海量的大众用户更需要专业的服务。
智能客服成为大模型落地的“第一站”，首先是因为传统的“搜索式”“模版式”客服，比较难满足复杂的金融服务要求。金融业务认知门槛高，行情瞬息万变，此前的“检索式AI”类似于说明书的模版回答，关键词匹配的搜索逻辑，无法解决高专业度和个性化的用户疑问。
大模型范式下的生成式智能助理，在理解用户问题上，大模型超越关键词匹配，实现对语义的深层次解析，确保回答切中需求；在生成回复上，大模型具备丰富的金融知识库，能够提供专业的解决方案或功能，比如行情分析、持仓诊断，而非模板式回复。蚂蚁财富智能服务技术总监、支小宝技术负责人陆鑫认为，大模型的知识和服务水平，在三年内将达到乃至超越人类专家水平。
据了解，蚂蚁此次发布的智能金融助理“支小宝”2.0版本，已经可提供覆盖保险、财富管理等多个金融垂直领域的专业级问答服务，可以帮助金融机构为用户提供高质量的行情分析、持仓诊断、资产配置和投教陪伴等专业服务。据透露，目前支小宝2.0已在内测，在完成相关备案工作后将正式上线。
另一方面，相比其他应用场景，客服助理类场景有利于汇聚市场反馈，不断优化大模型的能力。同时，服务对话场景的问答形式更为明确，也更易累积高质量的训练数据。
然而，2B产业化的场景对专业性、准确性、可控性的要求更高，这也是为什么支小助有多种不同的专家版本，针对每个场景做更精细化的训练。目前，支小助1.0包含了“服务专家版”“投研专家版”“理赔专家版”“保险研究专家版”等六个版本。
举个例子，比如支小助-服务专家版，可为理财师、保险代理人两类业务专家，提供销售线索挖掘服务，AI线索覆盖82%，节省专家60%的挖掘时间，约每人每天1小时，同时，有效管户半径平均能增加70%以上。
这意味着，金融大模型正在带来一场生产模式和效率的变革：用户端意味着更自然的交互、更丰富的供给、更贴身定制的服务；产业端，则为销售、服务、风险管理、投研、理赔 等工作者提供性能强大的辅助工具，力求最大范围地降本增效，提升从业者的平均专业水平。
结语
事实上，在大模型之前，金融场景也一直是产业数字化的练兵场。
拥有千亿级数据体量的金融行业，数据量庞大，场景复杂，对数据安全的要求性高，挑战也更大。比如大部分的数据库厂商的“第一仗”都是金融数据库，蚂蚁OceanBase、华为Gauss DB都经历“四大行”、核心保险业的历练。同样，在大模型时代，金融大模型依然是行业大模型的试验田。
在余额宝、花呗时代，金融初次遇到互联网级别的规模，这带来很多挑战，智能化当时主要解决了小微客户的风险管理问题，初显价值。2018年之后，金融智能化进入小模型阶段，结合金融工程、客户洞察、共享互联三个方向，探索具体场景的智能化应用。
而在大模型时代，企业在经历了金融场景的磨砺后，也更容易迁移到千行百业的规模化应用中，拿下生成式AI带来的数万亿美元的增量市场。