AI大模型發展現狀與趨勢分析

開源服務與開放生態成為主流趨勢。

1.國內外AI大模型的發展現狀

當前，大模型技術加速發展，美國、中國、日本、歐盟等全球主要地區的科技公 司正加大大模型技術的創新及應用。美國在生成式AI方面起步較早，OpenAI、 Google DeepMind、Meta等科技公司在生成式AI領域取得了里程碑式的進展。 在中國，百度、阿里、華為、騰訊、京東、科大訊飛、字節跳動等科技公司也紛 紛發布了基座大模型，且加速推進其在各行各業的落地。而歐盟的科技公司也加 速應用生成式AI，且其更傾向于在細分領域（如醫療、金融等）應用生成式AI， 而不是開發通用的大規模生成模型。

例如，英國的DeepMind是生成式AI領域的 重要力量，其生成模型在文本生成、游戲AI等方面表現突出。日本在生成式AI的 技術開發上相對滯后，其在機器人和自動化領域具備全球領先的技術實力，但在 自然語言生成和通用圖像生成等方面，尚未推出具備國際競爭力的大規模模型。 不過，日本的一些企業和科研機構也在逐漸跟進，根據日本政府發表的《信息通 信白皮書》表示，未來的增長潛力不容忽視。71.1%的受訪者表示，在合適的情 況下，愿意嘗試使用生成式AI。

大模型作為帶動產業/組織服務效率及范式變革的重要技術，已經具備較高的識 別準確率和較強的場景泛化性，在多模態的任務下也有明顯的突破，全球諸多企 業已在金融、電商、能源等行業“試水”。

據IDC全球調研顯示，全球已經有18%的企業在生產環境中引入了幾個GenAl增強的應用，并專注于擴展，中國的這一比例僅為3%，但中國開始投資或做POC測試的企業達95%。
在未來GenAI投資分配上，中國和全球企業幾乎都會平均分配在三類應用場景上(大約各1/3)。

目前，基礎大模型建設已經較為完整，諸多云服務商、AI技術服務商、數據服務商等均推出其基座大模型，且各具特色，未來將會進入大模型應用跑馬圈地階段，行業應用場景數量也將爆炸性地多元化增長，且會逐漸從輔助運營類的業務場景向決策管理場景深入。

2.展望未來：金融行業大模型的發展趨勢

大模型技術創新與發展趨勢

隨著大模型技術的發展，大模型的參數規模也將顯著增長，如OpenAI的GPT系 列模型、Google的PaLM，以及Meta的LLaMA。這些模型將具備更強的推理、生 成和上下文理解能力。未來，這種趨勢也將繼續，其不僅能極大地提高大模型在 具體場景中的應用性能，也能提高大模型在具體應用場景中的體驗。 多模態模型也將在金融行業普遍應用。多模態模型能夠處理文本、圖像、音頻、 視頻等多種類型的輸入，并且通過多模態融合與跨模態理解，可以更有效地用于 各類復雜問題的求解，從而極大地豐富其應用場景。例如，OpenAI的CLIP（將 圖像和文本映射到相同的向量空間）、DALL-E（通過文本生成圖像）、Meta的 ImageBind（支持六種模態，包括圖像、音頻、文本等）等。這些模型能夠在圖 像識別、文本生成、音頻理解等多方面表現出色。這種多模態之間的融合也將使 得AI大模型能更深刻地捕捉復雜場景背景、細節和情感，使其更快的感知和適應 場景，并能應用于更加復雜的金融場景。

AI智能體將迸發更大的應用潛力。AI Agent 是一種軟件程序或計算實體，它能夠 通過傳感器或數據接口收集環境信息，運用算法處理數據，制定決策或規劃行動 方案，并最終執行這些決策以影響環境，實現預定目標。AI智能體將成為下一代 平臺，從Copilot副駕走向主駕，智能體的加速進化，有望完成 “感知-認知-推理 -決策-組織/行動”的閉環，其在數據處理、智能決策與自然交互等方面的卓越能 力，預示著它將在客戶服務、業務流程優化、市場預測等多個關鍵領域發揮核心 作用，為金融機構帶來前所未有的價值創造。為了實現在復雜場景中的業務決 策，金融機構也可以引入Agent系統，以處理那些單靠提示詞難以實現的復雜業 務場景，進而達到高效的自動化決策。尤其是在智能客服、智能質檢/陪練等產 品創新，以及風險評估、個性化金融咨詢以及智能評估場景，為用戶提供更加精 準、高效的服務。

開源服務與開放生態成為主流趨勢。國內外大模型開放平臺、開源模型/工具， 能有效加速大模型技術演進，金融機構可以在開源基礎上進行二次開發，滿足其 個性化需求，賦予中小金融機構使用前沿AI技術的能力，從而加速大模型在不同 金融場景中的廣泛應用。IDC認為，未來大模型在金融領域的生態化發展，例如 通過構建大模型生態資源共享平臺，向金融機構提供大模型應用所需的全套資 源，包含算力等基礎設施資源、通用大模型及各類專業領域小模型等多樣化的模 型資源、金融業務的各類場景應用資源，以及連接金融產品和服務終端用戶，是 金融機構大規模應用生成式AI的主要路徑之一。 軟硬件、工具之間協同也能優化降低大模型開發和應用成本。金融機構可以充分 利用硬件加速技術、優化軟件架構和構建靈活的工具鏈，有效提升計算效率，減 少資源消耗。NVIDIA、Google、Apple等公司都在開發專用AI加速芯片，以提高 大模型訓練和推理的效率。同時，通過分布式訓練、跨平臺部署以及端到端工具 鏈，使得模型能夠更加靈活地適配不同的硬件資源，并可以隨業務需求靈活擴展 或縮減規模。例如，NVIDIA推出的CUDA和TensorRT配合GPU硬件，不僅加速 了訓練過程，還在推理階段進一步提升了運行效率。或通過硬件加速器（如 TPU）和軟件框架支持的優化算法，模型可以在推理中以較低的計算量實現較高 的性能，從而推動大模型高效訓練與部署。

行業應用場景的拓展趨勢

當前，阻礙大模型在金融行業應用的主要因素之一是高昂的算力成本。在訓練大 模型或推理大模型過程中，金融機構需要消耗較大的算力。通過使用分布式計 算、云計算資源及高效的硬件設施（如GPU/TPU），將大模型的訓練任務分配 到多個GPU或TPU上，以并行處理的方式加快訓練速度，可以降低模型訓練的時 間和成本。同時，通過優化模型架構，精簡網絡結構、減少層數或神經元數量， 降低不必要的復雜性，有助于節省資源。通過構建模型管理平臺，可以幫助金融 機構以模塊化設計方式復用不同任務間的共享組件；通過構建可組合、可重用的 模塊，不僅可以簡化訓練過程，還能夠方便地遷移模型到其他領域或任務場景 中，進一步擴展應用場景、提升服務效能。

未來，隨著大模型在預訓練及推理過程中算力成本的降低以及模型性能的提升、 模型架構的優化，其在管理和業務決策類場景（例如信貸審批、理財投顧等決策 類場景）中也將發揮出更大的應用價值，將作為業務決策的輔助決策者，與人類 共同完成復雜的分析任務。通過模型提供的數據洞察和決策建議，決策者可以更 加客觀、數據驅動地做出判斷，提高整體決策水平。 此外，通過大小模型協同也能驅動金融機構在更加多樣復雜的場景中的應用。金 融機構應加強研究和推進大、小模型協同、生成式技術與傳統人工智能技術協 同，大模型與小模型協同發展；大模型在自然語言處理、計算機視覺等領域展現 出強大的能力，但同時面臨著高昂的計算資源需求；而小模型則通過精準的數據 集和優化算法，能在特定任務上展現卓越性能，甚至超越某些大模型。尤其是在 金融行業，大模型與小模型的結合也將為這些行業提供更全面、更高效的解決方 案。大模型可以完成高維度、非結構化數據的初步處理，而小模型則在關鍵節點 進行細化分析和快速決策，從而實現協同工作。例如金融機構在反欺詐過程中， 既需要識別復雜的欺詐模式，也需要在交易發生時實時做出快速決策。由于大量 數據的復雜性，僅依靠大模型會帶來過高的計算成本和延遲。此時，如果通過 大、小模型之間的協同，大模型對交易數據進行模式分析和風險評估，識別出潛 在的欺詐特征；而小模型則在交易時進行快速篩查，驗證是否符合風險特征庫中 的條件，從而進行實時預警，則可進一步實現風險控制和即時響應的平衡。