AIGC在金融業的發展機遇與挑戰有哪些？

在數智融合的環境下，深度把握數據要素的全周期、全流程、全 方位活動，是激活數字內容潛能的基礎支撐，也是內容市場實現增量 發展的重要內驅力。

金融行業作為信息密集型行業，數據資源豐富、 信息化程度高，亟需借助人工智能的感知能力和智能化水平的支持，因此 AIGC 在金融業迎來重要發展機遇。內容共生 。金融業是一個信息密集型的行業，需要大量的數據和信息來支撐 業務的開展。人工智能生成內容可以通過自然語言處理、機器學習等 技術，對金融數據進行分析和處理，生成高質量的金融內容，提高金 融業務的效率和準確性。例如，人工智能可以自動生成金融新聞、研 究報告、投資建議等內容，為金融從業者提供更加全面和及時的信息 支持。這些內容可以幫助金融從業者更好地了解市場動態和趨勢，提 高決策的準確性和效率。同時，人工智能生成內容還可以通過智能化 的風險管理和監控，幫助金融機構更好地識別和管理風險，提高金融 業的穩定性和安全性。

此外，人工智能生成內容可以通過自然語言處理、機器學習等技 術，對金融數據進行分析和處理，生成高質量的金融內容，提高金融 業務的效率和準確性。例如，人工智能可以自動生成金融報表、財務 分析報告等內容，幫助金融從業者更好地了解企業的財務狀況和業務 情況，提高決策的準確性和效率。同時，人工智能生成內容還可以通 過智能化的客戶服務和營銷，提高金融機構的客戶滿意度和市場競爭 力。通過這些能力的提升，人工智能生成內容可以幫助金融機構更好 地適應市場變化和客戶需求，實現業務的可持續發展。 人工智能生成內容通過與金融機構的合作，共同開發智能化的金 融產品和服務，能提高金融機構的創新能力和市場競爭力。例如，人 工智能可以自動生成智能化的投資策略、風險評估報告等內容，幫助金融機構更好地理解市場趨勢和風險，提高投資決策的準確性和效率。 同時，人工智能還可以通過與監管機構合作，共同制定智能化的監管 政策和標準，提高金融業的規范化和透明度，促進金融業的可持續發 展。

能力升維 金融業需要高度專業化的知識和技能，而 AIGC 擁有如下能力： 智能內容“解構—復現”能力，能夠全方位地把握內容的解構深度 和復現程度，提升了數字化內容的關聯性、完整性和有效性。 智能內容編排-合成能力，也即內容理解能力、屬性調控能力、多 模態融合能力、跨模態生成能力,極大程度地擴展了 AIGC 在金融業 的泛化能力和應用場景。  價值共創 AIGC 可以代替人類完成素材收集、大體量學習、歸納分類等基 礎階段的重復性勞動，在新技術的嘗試、滲透和應用的基礎上開拓新 的業務內容，借助 AI 技術的強大動能和 AIGC 的創新能力來提高整 體內容的生成質量，壓縮內容創新的時間和成本，解決具體業務場景 下存在的痛點、斷點和難點。

AIGC 在金融領域有著較大的應用潛力，然而但目前這項技術尚 處于起步階段，其大規模應用還面臨可信度、業務、成本投入等多方 面的挑戰，還存在著一定的風險，需要謹慎探討。  技術風險問題 AIGC 技術的進步帶來紅利的同時，也面臨著新技術所帶來的風 險性，新的欺詐手段如換臉技術的應用。攻擊者可能使用 AIGC 技術 偽造身份，從而更難以識別真實的借款人，增加了身份驗證和欺詐檢 測的難度；黑灰產攻擊，包括了各種網絡攻擊、數據泄露等。這可能 導致個人信息泄露，增加身份盜竊和欺詐的風險。  不同規模金融機構間差距問題 此外，AIGC 的投入巨大，大模型的應用和建設需要大量的數據 和算力支持。大型金融機構由于擁有海量的金融數據和豐富的應用場 景，因此更有可能引入業界領先的基礎大模型，自建金融行業、企業 大模型。而對于將核心業務系統托管在大型金融機構或可信第三方的 中小金融機構，其業務應用場景較少，且數據、算力、算法資源相對 不足，可在監管許可的前提下，利用托管方訓練資源開展企業大模型 訓練；或按需直接引入基礎大模型或行業大模型私有化部署滿足業務 需求。

其次，大模型的應用和建設需要專業的知識和技能。大型金融機 構通常有更強的技術實力和更多的專業人才，因此在大模型的應用和 建設上可能有更大的優勢。而中小金融機構可能在這方面存在一定的 挑戰。  成本問題 金融機構對數據非常敏感，往往選擇私有化部署，但目前大模型 對于資源的壓力極大，難以實現私有化部署。且訓練一次的成本介于 200 萬美元至 1200 萬美元之間，要用本領域的私有、專有數據對它進行增強樣本的訓練，補足通用模型在領域的短板，這可能會牽涉到 大量的人力物力，目前在適配具體業務上比較困難。  可信度問題 通用大模型，僅靠其自身的問題求解能力無法解決做專業問題。 不能直接應用于垂直型領域，需要借助于垂直領域的信息等助力，讓 大模型充分理解金融專業領域的相關知識，比如金融領域已有的專業 數據庫、專業知識圖譜和其他的資源，跟大模型對接。 此外對于金融應用來說，金融行業的客戶對上線模型的精度要求 很高，而通用大模型不足夠滿足金融的高專業化需求。

錯誤信息 由于技術問題，大模型目前還沒有解決實時性和準確性的問題， 所用的語料庫依然較為有限，因此會出現一些偏差，產生無意義的相 應。如果利用 ChatGPT 大模型推薦某銀行理財給客戶，沒有考慮客 戶的實際需求，造成真實需求與推薦產品的不一致，擾亂市場秩序。 如果推薦股票等金融資產，有操縱市場的嫌疑，這些目前無法避免。 加之，大模型的回答會影響人的判斷和行為，如果給出一個錯誤 方案給銀行客戶使用，會把風險轉嫁給銀行，給銀行帶來信譽風險。  安全與合規性問題 數據泄露和信息殺熟等問題會出現，金融行業涉及到消費者的重 大利益，對于金融交易的公平性、可解釋性、合規性都很重要，利用 大模型很可能無法保證決策的安全、準確、公平性，加之涉及到的網 絡安全問題，數據的隱私保護，合規性問題都是亟需考慮到的風險。

知識產權、倫理與監管問題 目前現有的大模型還是不斷接近人類的回答，但是短期還沒辦法 超越人類思維，只是一個智能的百科全書，缺少創造性思維，即沒有 創造出人類不了解的新知識，新內容。因此，在實際應用場景中，大 模型生成的內容可能不具有原創性，會導致存在剽竊方面的風險。而 使用大模型帶來不良后果的責任該由誰來承擔，相關的法律問題，以 及如何應對大模型廣泛應用后可能存在的無序商業行為、對算法和數 據進行監管，消除潛在的隱患，助力技術的良好發展也亟待研究。