千億大模型平衡了百億和萬億大模型優勢，相較于百億大模型，數據“記憶”能力更強，具備更強的邏輯推理和生成能力，相較于萬億大模型，性價比優勢明顯。因此，千億大模型是近幾年發展及應用的重點。

　　從數據模態看，模態是指數據表達的形態，通常包括文本、圖像、音頻、視頻等。大模型根據支持不同數據模態的數量，可分為單模態和多模態大模型，其中單模態大模型可以是處理文本的自然語言大模型、處理圖像的視覺大模型等。多模態大模型可以同時處理圖像、文本等多種數據類型，目前較為成熟的如用于以文生圖或以圖生文的多模態大模型。

　　2022年11月，OpenAI推出的基于千億級自然語言大模型的ChatGPT服務展示了出色的文本通用任務解決能力。單模態的自然語言大模型因其較強的理解能力，便捷的交互方式等因素，成為近期發展重點。雖然ChatGPT4已經走入多模態，但單模態大模型無論從語言還是視覺仍有發展空間，并非所有東西都是一下子到多模態。

　　人工智能建模方式是指在人工智能領域中，使用各種算法和技術來構建模型，以實現對現實世界的各種問題進行分析、理解、生成等任務。

　　從建模方式看，大模型分為分析式、生成式大模型兩類。其中分析式大模型也叫判別式大模型，其原理是通過學習訓練數據的歷史規律，對未知數據進行分類或預測，一般用于處理文本分類等上下文較為簡單的分析理解任務，典型算法如谷歌的BERT；生成式大模型通過學習數據產生的模式，能更好的分析理解數據，并實現新樣本內容的創造，可用于文章撰寫、代碼生成等內容智能化創作任務，典型算法如OpenAI的ChatGPT。

　　生成式大模型相較于分析式大模型，具備強大的內容生成和分析推理能力，實現了人工智能從傳統識別分析到生成創造能力的躍遷，業界把此類能力稱呼為AIGC，（人工智能內容生成），成為業界應用熱點。

　　對于確定的模型，均包含以上三種分類信息，例如，OpenAI的GPT-4是千億級、多模態、生成式大模型。

　　從ChatGPT誕生以來，國內外大模型浪潮持續高漲，并形成了算法研發、產品應用的產業鏈生態。但相較國際領先水平，國內大模型仍存在代際差距。從算法生態來說，目前最優秀的大模型是OpenAI的GPT-4，這是一個多模態大模型，在很多領域專業和學術基準上表現出人類水平。國內，各類AI公司紛紛入局，已推出如百度文心一言、清華GLM、阿里通義千問、訊飛星火等等產品，各有擅長。在應用層面，微軟依托投資GPT4紅利，已在搜索、辦公、安全等傳統領域推出智能化產品。國內，在應用層面仍初步起步階段，有待進一步探索。

　　大模型與傳統模型的關系

　　商業銀行不是靠一個大模型就能打遍天下，大模型與傳統模型有一定關系，二者同時推進。

　　要講清楚大模型和傳統模型的關系，首先，我們要了解大模型在人工智能技術關系的定位。通過工行的實踐，大模型技術不是一個獨立的算法或者服務，它是一個復雜的體系性工程，包括了大模型算力集群建設、大模型算法沉淀、大模型配套流水線工具、大模型服務等內容，同時通過大模型賦能，實現了自然語言處理、圖像識別、知識圖譜等垂直領域技術平臺的能力迭代升級。

　　工商銀行經過5年多的建設，目前已經沉淀人工智能模型3000余個，包括傳統機器學習模型、傳統深度學習模型和大模型三類。一是傳統機器學習模型，因可解釋性強，廣泛用于欺詐交易預測、理財產品營銷推薦等智能決策分析應用，二是傳統深度學習模型廣泛用于OCR識別、人臉識別、語音識別等感知識別類任務，有效提升勞動密集型工作；經過探索實踐，大模型可用于文本、圖像等AIGC任務，提升智力密集型工作質效。

　　從趨勢來看，大模型隨通用能力增強，將逐步超越傳統模型的能力，但受制于計算復雜度高、可解釋性差等問題，短期內，大模型和傳統模型會共存，同時，大模型可作為中控，將傳統模型作為技能進行調用。未來，隨著若大模型計算復雜度降低、可解釋性增強，綜合性價比來看，大模型將逐步替代傳統模型。

　　大模型與傳統模型的研發和應用模式有所區別。大模型引入分布式預訓練、基于人類反饋的強化學習、提示詞工程等新技術，實現“點醒激發”大模型潛能，相較傳統模型，一是研發態，大模型在算力投入、數據積累、人員技能、算法復雜度等方面要求更高，一般是組建專業團隊，多人訓練一個模型；二是應用態，從碎片化的API調用演化到統一的提示詞挖掘調用，技術集成研發難度降低。

　　大模型對于商業銀行的應用價值

　　大模型作為一種新型的人工智能技術，工商銀行積極探索應用，提升智能客服、智慧辦公、運營管理、營銷創造、智能研發等業務領域的智能化水平，真正解決一線員工的痛點問題。

　　智能客服領域，存在大量信用卡、存貸款等業務辦理規定，傳統模式，坐席人員在服務客戶時，需要和系統多次進行交互查詢，整個處理流程需要一定時間，客戶等待時間長。通過大模型的文檔理解分析和生成能力，自動從大量銀行業務辦理規定中，總結提煉全面、專業、精準的應答話術，給坐席人員提供參考，提升應答效率和客戶滿意度。

　　運營管理領域，網點員工日常工作中存在制度規范檢索難、復雜業務辦理難、專業術語解釋難等業務痛點問題，通過摘要生成、信息提取等大模型能力，讓大量“靜態”文檔轉換場景化、流程化的“活”指引，提升網點員工業務應變和溝通能力，打造高質量服務。

　　智慧辦公領域，通過大模型AIGC能力，助力編寫會議摘要、寫匯報初稿、潤色文檔、制作海報等，提升辦公效率。比如會議紀要生成，根據會議對話內容，大模型快速生成會議紀要初稿，降低人工記錄會議紀要的成本。同時，利用大模型代碼生成、代碼補全等能力，可提升一線開發人員編碼效率和質量。

　　大模型應用面臨的風險和挑戰

　　大模型本質是一個海量參數的深度學習算法，受制于當前模型黑盒、計算復雜度高等因素，存在答非所問、科技倫理風險等方面問題。比如，ChatGPT生成大量看起來合乎邏輯，但內容可能并非真實甚至是捏造的事實，存在非法利用、造謠等安全隱患。

　　國家高度重視大模型應用安全，國家網信辦明確“利用人工智能生成的內容應當體現社會主義核心價值觀”，并要求謹慎對客，同時對客場景需要統一報批。

　　雖然大模型有各類安全風險，但同樣給銀行業數字化轉型帶來新機遇。在這過程中，我們需要解決數據、算力、算法、應用等諸多挑戰。

　　一是大模型需要大數據。通過數據驅動，釋放數據要素價值，加速金融行業和企業大模型建設，加速推進銀行業數字化轉型。

　　二是大模型需要大算力。當前國內外算力市場面臨著算力供給短缺、多廠商異構算力融合、國產AI生態不足、機房和網絡建設等復雜情況，金融機構需要深化與產界各方的合作，來共同推動解決大規模算力部署和應用挑戰。

　　三是大模型需要大合作。銀行業要加快探索引入業界通用的大模型技術的策略和實踐，通過推進大模型算法在銀行業的應用實踐，加快大模型能力增強，從而提升大模型服務金融行業能力。

　　四是大模型需要大創新。大模型要能在銀行深化應用，就需要探索形成一套面向銀行業的高標準、低門檻的銀行業金融大模型應用模式，來快速推進人工智能在金融領域的深化應用。

　　商業銀行的落地方案

　　關于大模型應用落地，目前業界尚無標準方法論，企業可按照場景通用化、專業化程度，分別使用基礎大模型、行業大模型、企業大模型、任務大模型，四層模型訓練數據規模和投入算力逐層遞減，專業屬性逐層增強。

　　其中，基礎大模型由于投入數據量大、算力成本高、算法難度大，由頭部AI公司進行建設，雖然通識能力較強，但其缺少金融專業知識，對金融場景應用有限。

　　要實現大模型在金融行業的規?；瘧?，有兩條可行路徑：

　　對于大型金融機構而言，由于擁有海量金融數據，應用場景豐富，宜引入業界領先的基礎大模型，自建金融行業、企業大模型，考慮到建設周期較長，可采用微調形成專業領域的任務大模型，快速賦能業務。比如我行前期和鵬城實驗室聯創，通過微調，率先實現了人工智能大模型在行業內的應用。

　　對于中小金融機構而言，可綜合考慮應用產出和投入成本的性價比，按需引入各類大模型的公有云API或私有化部署服務，直接滿足賦能訴求。

　　通過工商銀行的前期實踐，我們認為大模型在文本、圖像等領域的AIGC能力優勢明顯，但當前階段并不成熟，仍存在科技倫理風險等問題。因此，短期內不建議直接對客使用，應優先面向金融文本和金融圖像分析理解創作的智力密集型場景，以助手形式，人機協同提升業務人員工作質效。

　　工商銀行經過前期大模型在數字員工的一些探索應用，我們發現基于大模型技術的人機交互能力、信息匯聚能力，可以實現多種能力的信息整合。一方面可以整合系統入口，形成全員通過自然語言交互，開展分析、預測、監測等金融工作新模式，實現為每位員工配備一位AI助理。另一方面，通過大模型、傳統模型、業務交易流程的融合，更有利于發揮數據要素的倍增和乘數效應，實現更為高效的業務流程。

　　我們相信在大模型的助力下，金融機構會提升人機協同智能化、經營決策智能化、業務流程智能化，更好實現數字化轉型，并最終賦能實體經濟和人民美好生活。

　　(本文作者介紹：一個高質量的新金融政策研討和行業交流平臺。)