界面新聞記者 | 苗藝偉

近日，在2023世界人工智能大會(WAIC)的“AI商業(yè)落地論壇”上，馬上消費金融首席信息官（CIO）蔣寧在發(fā)表的主題演講中表示，馬上消費金融將在近期正式發(fā)布自主大模型，并將著力在業(yè)務安全穩(wěn)定發(fā)展和科技應用之間取得平衡。

馬上消金大模型已上線內測

馬上消費金融CIO蔣寧在接受界面新聞記者采訪時表示，人工智能大模型在金融領域有廣泛的應用前景，可以推動構建用戶個性化服務體驗，有效提升金融領域營銷運營等價值鏈效率，進一步拓展數(shù)據(jù)決策在風控領域的創(chuàng)新應用效果，助力金融行業(yè)數(shù)字化轉型產(chǎn)生實質性的飛躍。

蔣寧表示，在大模型數(shù)據(jù)積累方面，馬上消金在沒有巨大流量加持下，依靠自主獲客能力，已經(jīng)積累了1.7億的用戶和將近40PB的客戶聲音數(shù)據(jù)，來幫助訓練人機協(xié)作模型，并結合它的反饋機制進行強化學習，這將成為公司的核心競爭能力之一。

他表示，在公司戰(zhàn)略層面，對人工智能的認知在不斷加深，任何新技術的嘗試、總結、歸納、推廣，都會在業(yè)務穩(wěn)定發(fā)展和科技創(chuàng)新之間取得平衡，并使科技進步與公司的戰(zhàn)略、組織和文化相適應。

蔣寧透露，對于馬上消金而言，在大模型領探索的關鍵詞是 “安全可控”、“個性化決策和體驗”和“持續(xù)性學習”，目前公司已經(jīng)研發(fā)了實時人機決策模型、多模態(tài)大模型、數(shù)據(jù)智能模型等，并在內部正式上線測試。

金融業(yè)大模型面臨四個關鍵挑戰(zhàn)

金融行業(yè)一直希望將數(shù)據(jù)快速變成資產(chǎn)來進行決策，并在風險、營銷、運營上，進行創(chuàng)新性嘗試。去年以來，人工智能大模型的出現(xiàn)，更是成為行業(yè)發(fā)展的強心劑，雖然人工智能大模型可以解決一部分問題，但卻對金融科技能力提出了新挑戰(zhàn)。

蔣寧對界面新聞記者表示，總體來講有四個方面，首先，在金融行業(yè)的關鍵任務和動態(tài)系統(tǒng)里，面對現(xiàn)實世界的超預期突發(fā)狀況，人工智能大模型反饋并不穩(wěn)定，為實際應用提出了重大挑戰(zhàn)。

其次，金融行業(yè)往往希望為用戶提供個性化的服務體驗，但這種個性化的體驗需要個人隱私數(shù)據(jù)和大模型相融合，出現(xiàn)了數(shù)據(jù)合規(guī)安全的新問題。

再次，大模型要求構建增強學習的網(wǎng)絡化平臺，并持續(xù)貢獻數(shù)據(jù)和反饋，但目前中國市場的算力、算法、數(shù)據(jù)往往是是割裂的，對這三者能進行統(tǒng)一的公司非常少，對跨組織、跨機構的共享機制需要持續(xù)性的探索。

最后，大模型的基礎架構、技術芯片等對科技技術底層結構提出了挑戰(zhàn)，是否能處理未來后摩爾時代的高速增長數(shù)據(jù)能力仍然未知。

專注大模型三大關鍵技術突破

面對金融垂直領域的應用，蔣寧表示，馬上消費金融重點關注了大模型領域的三個關鍵技術，分別是 “強化學習和持續(xù)學習技術”、“魯棒性技術”、“組合式 AI 系統(tǒng)技術”。

他表示，首先，大模型帶來的最大變革是“強化學習和持續(xù)學習技術”，在這種技術模式下，核心并不是千億級的參數(shù)，而是基于開放環(huán)境設計有價值的正向反饋機制，使得系統(tǒng)越用越聰明，實現(xiàn)持續(xù)自我學習和成長。

他表示，以OpenAI為例，它的核心能力不僅是表面的ChatGPT巨量模型參數(shù)，更在于其幕后的強化學習機制和各種生態(tài)能力的建設。它通過“獎勵函數(shù)”不斷學強化學習，跟傳統(tǒng)閉環(huán)的強化學習的AlphaGo等已經(jīng)不是一個類別。與之相對，另一種偏向總結歸納的大模型，卻沒有最重要的反饋機制，很難構成核心競爭能力。

其次，蔣寧表示，“魯棒性技術” 也是大模型在關鍵決策領域落地的核心能力，它能幫助大模型排除噪音以及干擾性問題，在突發(fā)和不可預期情況，實現(xiàn)關鍵決策的持續(xù)穩(wěn)定和合規(guī)可信。

他表示，在金融領域，合規(guī)安全極為關鍵。無論在何種情況下，金融機構做出決策性結果，必須符合國家規(guī)定、符合消費者權益，這對于大模型的“魯棒性”要求極高。因此，魯棒性技術會持續(xù)投入，這個也將成為重要的反饋機制，是強化學習的一部分。

第三，蔣寧表示，大模型比較關鍵的技術是“組合式AI的體系”，這意味著實際應用中需要把“生成式模型”（ Generative Model ） 和垂直領域的“判別式模型 ( Discriminative Model ) 有效結合，讓兩種優(yōu)勢能發(fā)揮更好的價值。

他表示，目前，雖然生成式大模型占據(jù)行業(yè)主流、泛化能力非常強，并且取得了明顯的進步，但它在結果判斷方面準確性較低，在重要金融決策中無法直接使用。

相反，通過直接標記“對/錯”來不斷學習的判別式模型卻進步依然非常難、泛化性也比較弱、開發(fā)訓練成本也更高，但它一旦訓練完成，會比較精準，更適合金融領域的關鍵決策。