生成式大型語言模型的崛起掀起了新一代人工智能浪潮，引發了社會各界的強烈關注。未來銀行業如何搭乘生成式大模型的快車，實現從數字化到數智化的飛躍是亟需研究的課題。本文從為什么要研究生成式大模型、怎么應用生成式大模型和未來展望三個角度展開討論，探究生成式大模型的日漸成熟對銀行業產生的影響。首先介紹生成式大模型的原理和現實意義，接著從內外部動力剖析生成式大模型的迫切性，最后立足銀行實際業務和管理流程提供應用生成式大模型的新思路。未來銀行擁抱生成式大模型刻不容緩，需要找準自身定位，堅持守正創新，提供更優質的金融服務。

一、 引言

早在2022年10月，監管在調研材料中提醒各商業銀行關注自然語言生成(NLG)技術的應用。當時的NLG還只是作為一種可以吟詩作對的人工智能技術見諸于網絡大眾。二個月不到的時間，11月底ChatGPT橫空出世。又在2個月不到的時間，由于月活躍用戶快速破億，成為增長最快的消費應用之一，引爆全球的關注度，掀起人工智能應用的全新浪潮。

作為NLG領域的最新成果，以ChatGPT為典型的生成式大模型為商業銀行數字化轉型帶來全新機遇，其內容創作和交互能力所“涌現”出來的“智力”讓走在數字化轉型過程中的銀行業看到了前行的方向和曙光，為更智能、更具個性化的金融服務方式和產品提供了支撐。

二、 生成式大模型研究的必要性

1.生成式大模型的定義

目前所有生成式大模型的基礎都是采用Transformer架構及其中的self-attention機制^[1]。與傳統深度學習模型受限于結構無法不斷擴大模型參數不同，Transformer架構得益于self-attention機制高效的并行和傳導能力，可以將參數量擴大到十億、百億乃至千億、萬億級別。參數量的增長類比于人類神經元的增長，神經元越多，智力越高，能力越強。因此Transformer的提出為后續大模型的誕生奠定了重要基礎。

Transformer架構分為編碼和解碼兩個模塊。編碼模塊負責理解文字輸入，解碼模塊負責根據輸入輸出對應的文字，這兩個模塊最終演變成了Bert和GPT模型。Bert是判別大模型，由編碼部分演變而來，具有強大的語義理解能力，但對于文本生成任務難以勝任。GPT是生成式大模型，由解碼部分演變而來，其強項在于文本的生成撰寫。由于生成式大模型的訓練過程可以更好地利用無標注文本，大大降低過程中的人力投入成本、顯著提升訓練集數量，因此以GPT為代表的生成式大模型效果逐漸超越以Bert為代表的判別式大模型，成為了當前深度學習的前沿和主流^[2]。

表1 GPT模型發展歷程

GPT的發展流程如表1所示^[3]，作為最具代表性的生成式大模型，也是當今生成式大模型領域當之無愧的王者，其誕生和發展也代表著生成式大模型的發展路徑。不過隨著ChatGPT和GPT-4模型的爆火，海內外也涌現出一大批頗具競爭力的生成式大模型。表2例舉了部分具有代表性的生成式大模型，不難看出大模型的發展正方興未艾，并且一直在不斷升級迭代，持續提升性能和智能。

表2 代表性生成式大模型

2. 生成式大模型的意義

生成式大模型的出現標志著人工智能在語言理解和生成方面取得巨大突破，為自然語言處理、機器翻譯、智能助理等領域帶來革命性的影響；作為人工智能領域劃時代的最新成果，它的出現代表著一個全新生產力時代的到來，就好比第一次工業革命中的蒸汽機和第二次工業革命中的電氣，其技術將深刻影響未來世界的產業生態格局，在無數行業中掀起產業革命。對于銀行業來說，生成式大模型有可能成為數字化轉型的全新方向，將成為高同質化競爭中的勝負手。

從生成式大模型在各銀行落地的現狀來看，它代表了更有趣、更智能的金融服務。目前各大銀行對于生成式大模型的研究如火如荼，例如建設銀行嘗試將大模型能力應用于RPA流程自動化，希望提高銀行的服務效率；招商銀行準備在智能對話機器人引入生成式大模型，融合小招客服來提供全托管、輔助應答功能，還嘗試利用類似生成文案推介信用卡；同時，包括百信銀行、郵儲銀行在內的多家銀行，宣布成為百度類大模型項目“文心一言”首批生態合作伙伴。得益于生成式大模型為銀行提供了更令人滿意的服務，各行對于生成式大模型的研究熱情與日俱增。

從對銀行業管理賦能的角度來看，生成式大模型代表著更高效的管理和更便捷的工作模式。通過生成式大模型技術，銀行可以更高效地實現自動化處理和智能決策，大大提升管理效率。例如在客戶服務中，生成式大模型可以結合銀行具體業務知識來應答提問，對外可降低人工客服成本，對內可降低培訓成本；在風險合規控制中，大模型可以進行外規內化、內部規章制度等文檔的撰寫，甚至可以通過分析大量已有數據，識別潛在的風險和欺詐行為，幫助銀行更加準確地評估客戶信用風險等。總之，生成式大模型在降低管理成本、提升管理效率方面有著巨大的潛力，對于銀行降本增效將起到極大的促進作用。

3.大模型應用的外部驅動力

A.國家戰略

近年來國家不斷鼓勵信息科技和傳統行業結合，賦能傳統行業發展，銀行業作為除了信息行業本身，信息化、技術化水平高的行業之一，早在多年前已經開始了數字化轉型。轉型過程涉及了廣泛的技術創新，特別是人工智能（AI）技術的應用集成。

表3 數字化轉型政策

本文在表3中羅列了近幾年來國家對于數字化轉型的支持。從中可以看到隨著時代的變遷，國家政策的支持和人工智能技術應用的與時俱進，銀行業因為數字化轉型遇到了新的機遇和挑戰。時至2023年，在生成式大模型的應用領域，國家互聯網信息辦公室于4月11日發布《生成式人工智能服務管理辦法（征求意見稿）》，并于7月13日審議通過作為暫行辦法。全國信息安全標準化技術委員會發布也于10月12日發布《生成式人工智能服務安全基本要求》。作者相信，在國家政策的指導和規范下，生成式人工智能的發展一定會更加規范，更加健康。

B.監管要求

目前對于AI在銀行業應用中相關風險的理解和解決研究，還處于起步階段。這可能會為銀行業帶來不可預知的危機，同時引發許多問題和隱患，包括技術透明度、數據安全和隱私、責任感以及人為偏見等問題。因此，為確保負責任的利用人工智能技術帶來的優勢，銀行需要進行更多的工作。其中，透明度應是保護客戶和保持客戶信任的關鍵，銀行必須加以重視。

國家金融監督管理總局作為銀行業的監管部門，面對生成式大模型可能帶來的危機與挑戰，表現出理性和審慎的態度。盡管意識到生成式大模型的應用涉及到隱私和數據安全風險，以及算法不透明性等問題，但其仍不斷嘗試對大模型技術的應用展開探索。這種嘗試的態度不僅體現出監管對新技術的積極態度和對創新的勇敢嘗試，更是揭示出大模型對于商業銀行數字化轉型的潛在價值和重要性。

各商業銀行則應該秉承貫徹這種思路，在保證數據安全、業務連續性的前提下守正創新，不斷探索生成式大模型在銀行業應用的方向和場景，不斷嘗試在新一波的技術浪潮中勇立潮頭，將新技術和業務實踐相結合，盡快讓大模型產生實際生產力。

4. 大模型應用的內生源動力

A.AI在銀行發展中遇到瓶頸

隨著數字化時代的到來，銀行業正面臨著日益復雜的市場環境、巨大的數據量以及多樣化的客戶需求。在生成式大模型誕生之前，銀行業運用人工智能技術解決業務問題時，由于缺少高精度、高智能算法模型的支持，現有的AI能力在銀行發展中還存在著不少瓶頸^[4]。

傳統的數據處理和分析手段效率較低且準確率不高。銀行業每天產生大量的數據，包括客戶交易記錄、市場數據、社交媒體內容等。傳統手段主要是技術人員利用sql、java、python等編程語言“硬編碼”來編寫規則；在面向大規模數據時，存在效率較低，重復性工作較多且主觀性較強的問題。另外，在大模型誕生之前，數據分析算法主要是利用傳統的機器學習算法，如回歸分析、聚類分析、關聯規則分析和時間序列分析等，算法的精度存在瓶頸，且對于技術人員的算法要求也較高。而生成式大模型由于參數量龐大，訓練效果顯著，可以更高效地開展數據分析工作，通過輸入數據和用戶指令，即可快速生成數據分析報告，自動化程度更強。

傳統模式下的客戶體驗智能化和個性化水平較弱。傳統銀行業務通常需要客戶親自到銀行辦理業務，這對于客戶來說可能是繁瑣和耗時的。但是，隨著生成式大模型技術的應用，銀行可以提供智能客戶交互和自助服務，使客戶可以通過語音或文字與機器人助手進行交互，完成各種銀行業務。與此同時，現代消費者對于個性化的服務和體驗有著越來越高的期望，此前的智能客服一般屬于通用化的產品，對于所有客戶都是統一的模式，需要付出很大成本才能做到千人千面，因時因勢做出合適的響應。而生成式大模型技術可以通過對客戶的大量數據進行分析，構建出高精度的用戶畫像，生成每個客戶私人管家型機器人，提高客戶滿意度和忠誠度。

傳統的風險甄別和市場預測的精度和效率有待進一步提升。銀行業需要在快速變化的市場環境中做出復雜的決策，如貸款審批、投資決策和產品定價等。傳統的方法一方面由于準確率的問題，可能產生“假陽性”誤報和“假陰性”漏報的情況，給客戶帶來不便，也增加銀行的損失；另一方面，隨著數據量的爆炸性增長，傳統的數據處理和分析方法無法高效地處理如此龐大的數據，因此需要更強大的數據處理技術來應對挑戰。生成式大模型技術為很好地解決這樣的問題提供了可能性，其通過對大量歷史數據和實時交易數據的分析，可以極大地提高市場預測的準確率，同時可以及時進行異常風險識別。這種智能化的能力可以幫助銀行降低損失，并為銀行業務決策提供重要的參考。

傳統的人工智能技術在銀行業中的運用主要體現在面向客戶的產品中，如何賦能銀行的員工管理，提高工作效率也是亟需考慮的方向。在生成式大模型之前，由于缺乏強大的AI模型支撐，閱讀材料、撰寫文本、編輯表單、編寫代碼等工作均需要員工具備相應的背景知識，時間和人力成本較高。生成式大模型由于強大的文本理解和生成能力，在給定輸入數據和用戶指令的情況下，即可輔助員工完成大量的日常工作，極大地提高工作效率，節省人力成本。

除了在數據分析以及自然語言領域的需求，銀行內部對于圖像和音頻制作修改的需求也不斷增加。當前銀行產品種類紛繁復雜，這些產品都需要對應的宣傳和推廣，在推廣的過程中往往需要對應的圖片形象、聲音形象用于宣傳。銀行往往會選擇將這部分工作委外處理，這就帶來了很多額外的運營成本。運用大模型的多模態能力可以在宣傳物料的設計、修改、推廣等多個階段幫助銀行降本增效。

因此，大模型的出現對于解決當下銀行業應用AI的瓶頸問題具有十分重要的意義。生成式大模型技術在銀行業的落地應用已經展現出巨大的潛力。隨著技術的不斷發展和應用的深入，相信大模型技術將繼續推動銀行業在智能化和數字化方向上的探索，為客戶和銀行帶來更多的價值和便利。

B.銀行業的同業競爭

金融科技的快速發展正深刻改變著金融市場的運作方式。AI作為其中的關鍵驅動力之一，對金融行業的創新和升級起到了重要作用，服務領域涵蓋市場預測、交易執行、風險管理和客戶服務等方面，為各金融機構帶來前所未有的機遇。

表4 銀行業GPT探索現狀

表5 非銀金融GPT探索現狀

表4和表5展示了銀行業和非銀金融業在GPT探索領域的進展情況，可以看到金融業正不斷探索GPT和金融業務的結合方式，其中以銀行業更為突出。中國各大商業銀行正在進行新一輪的AI '軍備競賽'。根據互聯網數據中心（IDC）的報告，探索大模型應用已經在中國銀行業蔚然成風。盡管目前尚未公開國內各大銀行和同業在大模型方面的投入成本，但從主流大模型的訓練參數量來看，訓練一款專屬于金融機構自身的生成式大模型能力，至少需要數百萬甚至上千萬元的軟、硬件投入。這種投入對于中小銀行來說都需要仔細斟酌，慎重再慎重。為了構建未來銀行的核心競爭力，中小銀行更應該積極探索符合自身現狀的建設、應用方式。

三、 生成式大模型應用方式

1.應用方向

生成式大模型代表了自然語言處理和人工智能領域的最新成果，為銀行提供了前所未有的機會，對于提升客戶體驗、優化業務流程、強化風險管理，并開拓新的市場具有重大意義^[5]。銀行業在如今數字化潮流不斷崛起的背景下，迫切需要采取一系列創新舉措，以推進生成式大模型在業務中的實際落地。然而，要成功將其引入銀行業，需要綜合考慮技術、數據、合規性和人才等多個方面的因素。因此，未來實現生成式大模型真正的落地并發揮價值，本文擬出了三個階段，如表6所示。

表6 生成式大模型未來探索暢想

在當今數字化風潮中，銀行業需要及時做出調整和應對，通過以上三個階段的實施，將大模型和銀行業務深度融合，可以有效的實現大模型在銀行各業務的落地，從而提高運營和管理效率、增強客戶體驗，在數字化競爭激烈的金融領域中取得領先地位。

2.守正創新

在金融服務過程中，對客戶場景的應答需要綜合考慮不僅僅是“聰明”地完成服務，還需符合“合規”的基本要求。盡管“智能涌現”帶來的技術神奇令人嘆為觀止，但由于無法預測模型生成的具體內容，即AIGC對于內容的不確定性和不可控性，銀行必須審慎對待這項智能應答服務的應用^[6]。在借助其卓越智慧之前，堅守合規底線是每家商業銀行為維護金融市場穩定所必須秉承的行為規范。守正即是堅守金融行業的核心價值觀和法律法規。金融作為社會穩定的支柱，其最根本的使命是為客戶提供安全、高效、誠信的服務。生成式大模型技術的應用必須嚴格遵守相關法律法規，并尊重客戶的隱私權。因此，在應用生成式大模型技術的過程中，要始終堅持守正創新的原則，才能實現可持續的發展，服務于金融行業的繁榮與穩健。

在很多時候，創新以幫助商業銀行更好地合規。創新意味著不斷探索新的應用場景和提升服務質量。生成式大模型技術可以用于優化客戶服務、風險評估等多個方面。例如，嘗試引進大模型通過對大量歷史數據的學習，實現更準確的風險預測，幫助銀行更好地管理不良資產，提高資產質量，對風險防患于未然。在客戶服務中，大模型可以對溝通內容進行質檢，及時糾正不當言論。此外，大模型還有機會方便地識別出銀行在日常經營、資金交易等流程中可能存在的風險事項。

“合規”讓“創新”行穩致遠，“創新”讓“合規”全面高效，兩者相輔相成一起助力商業銀行高質量發展。

3. 業務賦能

生成式大模型的強大能力如何和商業銀行業務有機結合，是當前國內外銀行積極探索，積極思考的問題。

立足于客戶角度，打造客戶旅程服務的小智囊以提升場景金融的服務質效^[7]，已成為許多商業銀行探索和實踐的重點課題。一方面在智能客服領域，生成式大模型作為專業的語言模型，通過與銀行內部的客戶數據和歷史客服聊天記錄相結合，進行領域微調，可以得到帶有銀行自身特色的客服機器人，從而提高客戶滿意度，減輕人工客服的壓力。另一方面在個性化服務領域，大模型可以基于客戶的歷史交易記錄、偏好和行為模式，精準地預測出客戶的需求，為每位客戶推薦最符合其興趣和需求的產品和服務，提升客戶滿意度的同時，促進了交易量和客戶忠誠度的增長。

立足于產品角度，基于客戶全周期性需求和銀行自身發展利益，打造客戶與銀行雙贏的爆款產品是接入大模型之后值得考慮的方向。一方面，可以利用大模型強大的數據分析和決策支持能力，通過將歷史數據、市場信息和行業洞察等輸入至大模型中進行微調，訓練出高精度的市場預測模型，同時輸出多視角下的數據分析報告，以此幫助銀行優化產品組合和資源分配。另一方面，從風控角度，大模型可以輔助進行客戶信用評分和銀行貸款決策。使用歷史貸款數據和客戶信息進行模型訓練，建立基于生成式大模型的預測模型，根據客戶的特征和財務狀況預測其還款能力。同時，大模型可以輔助銀行改進欺詐檢測系統。通過分析大量交易和客戶數據，大模型可以識別異常模式和不尋常行為，從而提高欺詐檢測的準確性和效率。

總的來說，應用大模型可以幫助銀行在客戶和產品等多種業務場景中提高效率、降低風險、增強客戶體驗，并為未來的業務創新提供技術支撐。

4. 管理賦能

不局限于商業銀行具體業務，要實現銀行的數字化轉型，在自身管理能力方面同樣需要積極擁抱大模型，讓大模型賦能銀行管理，提高員工工作效率，提升銀行管理效能。

在流程自動化管理中，大模型可以與機器人流程自動化（RPA）技術相結合^[8]，實現銀行管理流程的自動化。例如，自動生成合規報告、風險評估和內部審計報告，減少人工編寫和審查的工作量。同時，大模型也可以對政策法規進行解讀，并給出具體操作指引，銀行內部的大模型也可以基于指引，結合內部的職責分工與現有規章體系，自動化地給出執行細則。

在數據分析管理方面，大模型可以基于企業對外披露的年報、季報進行文檔分析，利用大模型快速解讀各企業的財報，提取重要信息要素，快速形成行業、區域的對比分析，提供一定程度上的決策支持，輔助分析與管理人員聚焦更深度的剖析研判。與此同時，大模型強大的生成能力，可以輔助技術人員進行數據報表的分析，通過自然語言描述需求，大模型即可完成相關的數據統計和展示，可以極大地提高技術人員的工作效率。

在員工工作管理中，一方面，大模型可以用于員工培訓和知識管理，大模型可以使用銀行內部培訓材料和知識庫進行模型訓練，從而得到一個銀行領域性較強的知識機器人。利用基于生成式大模型的知識機器人可以回答員工的問題、提供培訓資料，并提供個性化的學習路徑和建議。另一方面，在銀行低層研發中，大模型可以快速生成各場景應用中的源代碼，或輔助進行編碼過程中bug的尋找和解決。如此，即可幫助工程師從基礎代碼的編寫中解脫出來，更聚焦于業務場景到代碼的設計與優化，進而提升金融科技的管理效能。

在風險管理領域中，大模型通過分析大量的金融數據，包括交易記錄、市場數據和客戶信息等，可以訓練出高精度風險預測模型，以預測潛在的風險事件。這有助于銀行更好地監測和管理風險，并及時采取措施來減少潛在的損失。

由此，大模型在銀行管理領域應用廣泛，其智能化的自然語言處理和數據分析能力可以極大程度的為銀行管理賦能，優化銀行管理效率。因此，越來越多的銀行積極探索使用大模型技術，提高銀行業務和管理的數智化能力，加快自身的數字化轉型，為客戶提供更優質的金融服務體驗。 

四、 未來展望

在有限投入的前提下，有效地利用云端資源和本地GPU，有效把握住大模型智能的“涌現”的同時，盡可能地克服“幻覺”，是每一家商業銀行、特別是中小銀行在嘗試應用生成式大模型的基本原則。希望在良性競爭的同時，各商業銀行可以謀求聯合創新的路徑，在AI前沿領域合作共贏，找準生成式大模型的業務增效切入點，打造我國銀行業的“爆款”智能服務。

掃碼即可手機
閱讀轉發此文