年初以來，隨著DeepSeek爆火，金融機構(gòu)競相開展大模型計劃。工商銀行近日宣布完成DeepSeek大模型私有化部署，“工銀智涌”體系已覆蓋信貸、風(fēng)控等20余個業(yè)務(wù)條線，落地場景超200個，成為大行AI轉(zhuǎn)型標(biāo)桿。截至3月10日，已有20余家銀行宣布接入Deepseek系列模型。目前，盡管金融機構(gòu)對大模型的熱情高漲，實際應(yīng)用效果卻并不如預(yù)期。

一方面，大模型在金融領(lǐng)域的應(yīng)用效率并不理想，比如許多銀行在引入大模型后，發(fā)現(xiàn)生成的內(nèi)容需要大量人工干預(yù)，甚至在一些關(guān)鍵業(yè)務(wù)上，AI的可靠性不如人工處理。另一方面，盡管DeepSeek的開源特性推動金融業(yè)的“技術(shù)普惠”，但金融機構(gòu)在應(yīng)用過程中仍面臨數(shù)據(jù)安全與合規(guī)的挑戰(zhàn)。

業(yè)內(nèi)人士表示，盡管金融機構(gòu)對AI大模型的應(yīng)用充滿期待，但目前仍面臨效率瓶頸、技術(shù)局限以及“幻覺”問題等多重挑戰(zhàn)，在提升效率的同時解決上述問題，成為金融行業(yè)亟待攻克的難題。

高投入、低產(chǎn)出的瓶頸

在采訪過程中，記者發(fā)現(xiàn)，AI大模型在金融行業(yè)的應(yīng)用實際效果與預(yù)期仍有較大差距。

某大行員工對記者表示，在實際工作中，AI系統(tǒng)生成的內(nèi)容常常需要大量人工干預(yù)，在一些關(guān)鍵業(yè)務(wù)上，AI的表現(xiàn)還不如人工處理可靠。

某股份行的科技部門負(fù)責(zé)人也表示，目前銀行的業(yè)務(wù)主線流程中，大模型的切入還比較有限，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，但目前仍需要通過人工干預(yù)來解決幻覺等問題，無法完全依賴AIGC實現(xiàn)全自動化解決業(yè)務(wù)痛點。

比如，在輔助合同審核方面，盡管不少金融機構(gòu)已經(jīng)引入了AI大模型，但目前準(zhǔn)確性欠佳。許多銀行雖然優(yōu)化了柜面流程，但由于機器的準(zhǔn)確度不夠，人工還需要再檢查一遍，這并沒有達到省事的效果。一位銀行柜員對記者說：“機器審核的結(jié)果我們不敢完全信任，最后還是要靠人工復(fù)核，反而增加了工作量。”

不僅如此，AI大模型在處理關(guān)鍵金融業(yè)務(wù)時的專業(yè)辨別能力仍存在不足。例如，在信貸審批領(lǐng)域，大模型可能無法準(zhǔn)確區(qū)分正常的貸款審批和潛在的貸款詐騙行為。

記者還從多家證券機構(gòu)了解到，盡管一些金融大模型早已深入行業(yè)操作流程，但在文件報送、高頻交易等重要環(huán)節(jié)，仍需依賴人工審核。一位證券機構(gòu)交易員表示：“之前可能兩個人做一個環(huán)節(jié)，花上兩三個小時也就結(jié)束了，現(xiàn)在先讓大模型做，還要給關(guān)鍵詞、調(diào)整邏輯，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，不少銀行員工還關(guān)心大模型在授信流程中的應(yīng)用。他們希望大模型能夠生成盡調(diào)報告，并將數(shù)據(jù)整理成表格，從而減輕人工負(fù)擔(dān)。然而，目前這一功能的實現(xiàn)也不太理想。一位股份行授信部門員工對記者說：“大模型生成的盡調(diào)報告內(nèi)容不完整，數(shù)據(jù)表格也經(jīng)常出錯，我們只能當(dāng)作參考，大部分工作還是要自己來。”

AI大模型“高投入、低產(chǎn)出”也成為金融機構(gòu)面臨的挑戰(zhàn)。在成本方面，不少銀行科技部門引入大模型的投入巨大，無論是服務(wù)采買還是運行所需的硬件資源，都是一筆不小的開支，但效益卻難以量化。一位大行科技部門員工向記者透露：“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。”

某股份行員工還向記者透露，該行此前斥巨資打造AI系統(tǒng)，但運行結(jié)果不盡如人意。“我們投入了大量資源，但實際收益卻微乎其微。”該員工表示，這個系統(tǒng)一半的時間被用于演示PPT，另一半的時間則被用于修復(fù)系統(tǒng)漏洞。

去“幻覺”的探索

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)濟學(xué)者、工信部信息通信經(jīng)濟專家委員會委員、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。

大型金融機構(gòu)更傾向于采用RAG+搜索的方式，結(jié)合專業(yè)數(shù)據(jù)庫進行金融數(shù)據(jù)庫的標(biāo)注和分析。某大型外資銀行科技部門人士對記者表示，數(shù)據(jù)是AI大模型的基礎(chǔ)，質(zhì)量直接影響模型的準(zhǔn)確性和可靠性，采用RAG技術(shù)，讓AI在回答問題時能夠?qū)崟r調(diào)用專業(yè)領(lǐng)域的知識和數(shù)據(jù)，從而提高輸出的準(zhǔn)確性和可靠性。

例如，在專業(yè)的保險領(lǐng)域，往往需要投入大量人力與時間，對海量的保險條款、PDF文檔及Excel數(shù)據(jù)進行加工與標(biāo)簽化處理，確保數(shù)據(jù)的準(zhǔn)確性和可用性。上海燕道數(shù)科負(fù)責(zé)人婁道永對記者表示，保險大模型往往要通過積累海量數(shù)據(jù)并運用精算技術(shù)，將全國范圍內(nèi)的保險產(chǎn)品、社保規(guī)則及相關(guān)法律法規(guī)等信息進行結(jié)構(gòu)化處理，涵蓋全行業(yè)壽險產(chǎn)品、社保規(guī)則以及養(yǎng)老、醫(yī)療等多維度數(shù)據(jù)，這不僅需要強大的技術(shù)支持，更離不開專業(yè)精算團隊的深度參與。

定制化訓(xùn)練與場景優(yōu)化也是金融機構(gòu)在去“幻覺”化中常用的辦法。金融機構(gòu)通過定制化訓(xùn)練，針對特定業(yè)務(wù)場景優(yōu)化AI模型。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)語料庫支持，嘗試降低“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，利用情緒因子等技術(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)，為了能有效避免AI大模型生成錯誤結(jié)果、產(chǎn)生“幻覺”，從技術(shù)實現(xiàn)角度應(yīng)該注意三個方面問題，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)控與反饋機制。

除了RAG架構(gòu)之外，還可以采用多種方法來優(yōu)化模型性能。蔡華對記者表示，例如，強化學(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，是基于約束的生成，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。

對于場景優(yōu)化中保護行業(yè)核心技術(shù)和數(shù)據(jù)的問題，陸文韜提出，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)進行語料共享存證，實現(xiàn)數(shù)據(jù)確權(quán)與溯源等。