专访工行首席技术官吕仲涛：大模型技术尚未完全成熟，全面落地金融业需要大数

21世纪经济报道记者 边万莉 北京报道 一石激起千层浪，年初爆火的ChatGPT，掀起了国内研究大模型的热潮。以大模型为代表的新一代人工智能技术，将重塑现有业务流程，加速金融数字化和金融智能化的发展。

金融作为一个对精准性、可控性、安全性要求极高的行业，在实际应用大模型时还面临着挑战。从当前来看，大模型更适合应用于哪些金融场景，可以解决哪些痛点问题？如何应对大模型带来的可能性风险？就此，工商银行首席技术官吕仲涛在2023服贸会期间接受了《21世纪经济报道》的专访。

吕仲涛表示，大模型技术目前尚未完全成熟，而金融行业是一个强监管的行业。因此，大模型技术应用于金融场景下，仍然存在着安全隐私、科技伦理、可信可解释等方面的风险。同时，大模型技术应用全面落地的过程中，还面临着数据、算力、算法、应用等诸多挑战。

当前阶段不成熟，短期内不建议直接对客使用

《21世纪经济报道》:当下对大模型的讨论非常火热，它对银行的价值体现在哪些方面？大模型更适合于落地哪些场景？能解决哪些痛点问题？

吕仲涛:作为数字内容创作的新引擎，AI大模型展现出惊人的理解、推理、学习等能力，可以在信息的处理与内容的加工制作方面进一步释放生产力，辅助人工提升内容创作、代码开发、图像设计、数据分析等方面的工作效率，从而提升银行业务服务质量。

例如，在远程银行客户方面，围绕远程银行中心数千人的客户团队，贯穿事前、事中、事后全流程，聚焦对客服务中枢的运营团队，群体基数较大的人工坐席，工作量较为繁重的质检人员，重新定义该群体的作业和生产模式，基于大模型能力赋能全流程业务场景。

在智慧办公领域，利用大模型的文本生成问答能力，围绕邮件、文档、会议、员工日常事务等方面，优化行内办公工具的交互体验，助力员工办公效率提升。

在智能开发领域，利用大模型代码生成，代码识别与检测，代码转自然语言等领域的全方位能力，构建基于大模型的智能研发体系，有效提升一线开发人员编码效率和质量。

虽然大模型在文本、图像等领域的生成能力优势明显，但当前阶段并不成熟，仍存在科技伦理风险等问题。因此，短期内不建议直接对客使用，应优先面向金融文本和金融图像分析理解创作的智力密集型场景，以助手形式，人机协同提升业务人员工作质效。

商业银行可以聚焦远程银行、基层网点等大基数员工群体共性需求，持续加大新技术面向全业务流程的综合化运用，形成端到端的业务智能化解决方案，全方位提升银行服务的工作质效。

落地需要大数据、大算力、大合作、大创新

《21世纪经济报道》:金融是一个对于精准性、可控性、安全性要求很高的行业，在使用大模型时可能带来哪些风险？

《21世纪经济报道》:大模型全面落地还面临着哪些挑战？如何防范和应对？

吕仲涛:在将大模型技术进行全面落地应用的过程中，金融业在数据、算力、算法、应用等诸多方面面临挑战。

一是大模型需要大数据。大模型的突破得益于高质量数据的发展，需要通过数据驱动，释放数据要素价值，加速推进金融业数字化转型。

二是大模型需要大算力。当前国内外算力市场面临着算力供给短缺、多厂商异构算力融合、国产AI生态不足、机房和网络建设等复杂情况，金融机构需要深化与产界各方的合作，来共同推动解决大规模算力部署和应用挑战。

三是大模型需要大合作。金融业要加快探索引入业界通用的大模型技术的策略和实践，增强大模型能力，从而提升大模型服务金融行业能力。

四是大模型需要大创新。要探索形成一套面向金融业的高标准、低门槛的金融大模型应用模式，以此来快速推进人工智能在金融领域的深化应用。

《21世纪经济报道》:未来大模型在金融领域的大规模应用的路径是怎样的？大行与中小银行有哪些区别？

吕仲涛:关于大模型应用落地，目前业界尚无标准方法论。企业可按照场景通用化、专业化程度，分别使用基础大模型、行业大模型、企业大模型、任务大模型。四层模型训练数据规模和投入算力逐层递减，专业属性逐层增强。

对于大型银行而言，因金融数据海量，应用场景丰富，可引入业界领先的基础大模型，自建金融行业、企业大模型，考虑到建设周期较长，可采用微调形成专业领域的任务大模型，快速赋能业务。对于中小银行而言，综合考虑应用产出和投入成本的性价比，可按需引入各类大模型的公有云API或私有化部署服务，直接满足赋能诉求。

从数字化转型角度来讲，大模型只是数字化转型里面的一个技术，而数字化转型涉及到一个体系性的问题。在银行定位上，中小银行和大型银行的数字化转型本身就存在差异，数字化转型成效关键在于能否精准定位。