金融大模型最难的是可信安全，马上消费大模型提出“三纵三横”战略

“我们希望在任何情况下,金融大模型给客户、员工的回答是合规的,并且在任何不可预期的情况下它的结果是稳定的。”在马上消费金融大模型的发布会现场,马上消费首席信息官蒋宁多次提到,金融大模型的核心就是要可信、安全、合规。

8月28日,在金融大模型发展论坛上,马上消费发布了全国首个零售金融大模型“天镜”。本次论坛云集了谭建荣、倪光南、孙茂松和杨新民四位院士及100多家金融机构,共同见证了“天镜”大模型的发布。蒋宁表示,通用大模型和金融大模型有本质区别,金融大模型需要做决策,要做到不管外部如何变化,达到100%决策安全。

三项技术应对四大挑战,解决金融大模型的可信安全难题

当前,人工智能大模型的发展在全球都还处在初期阶段,在金融领域的探索也才刚刚起步,面对的困难和挑战依旧不少。

蒋宁表示,市场广泛讨论的通用大模型如ChatGPT,是生成式大模型,它不能做解释,但金融大模型最主要的能力是判别性,它需要做交易决策。这是通用大模型和金融大模型的本质区别。

马上消费首席信息官蒋宁在金融大模型论坛上演讲

蒋宁指出,“今年年初的ChatGPT非常惊艳,我们感觉到无所不能,但是坦诚讲,在工业领域、金融领域,大模型的产业应用还有四个关键难题。”

他指出,可控、安全、关键任务加动态适应性,是金融大模型要解决的首要关键问题。例如,ChatGPT虽然满腹经纶,但不会因为回答错误而承担风险。但在自动驾驶等涉及生命健康或重大资产安全的场景,1%的错都蕴含潜在风险,甚至危害金融安全和社会稳定,所以绝对不能出错,这就是金融大模型和传统大模型最大的区别。在金融领域,不管外部如何变化,大模型要做到运用新兴技术达到100%决策安全。

二是如何平衡个性化服务和个人隐私数据合规的问题。金融行业需要为用户提供个性化服务,这样的服务在使用个人数据时会涉及个人隐私数据保护问题。

三是如何让模型生成群体智能与安全可信问题。对于金融行业本身来讲,存在“数据孤岛”,这会让大模型无法形成生态,没有形成生态的模型很难形成群体智能。群体智能可以权衡各方数据权益,让各方数据成为正向反馈,有效利用数据,共建行业模型。只有做到共享权益安全可靠,才能实现真正意义上的竞合。

四是基础设施的能力挑战。金融大模型需要的运算架构不一样,要不断优化底层基础设施,以适应垂直领域、金融领域大模型的发展。

 如何解决上面四个挑战?蒋宁认为,大模型有三个关键技术值得关注,强化学习和持续学习技术、鲁棒性决策、组合式AI系统技术。

蒋宁详细解释道,大模型应该具备强化学习和持续学习技术,只有这样才能实现模型自我演化越用越聪明。

其次,鲁棒性决策是决定大模型在关键决策领域落地的核心能力,即保证金融大模型在任何场景下能够可信、安全,有稳定的输出的结果。

最后,大模型另一个关键技术是组合式AI系统技术。组合式AI系统技术可以有效结合各种垂直领域的判别式模型的可用性和专业性,以及具备生成式大模型的迁移学习和泛化能力强的特点。利用组合式AI的能力,可以构建新兴的金融大模型体系。

三纵三横战略,构建大模型六大技术能力体系

据蒋宁介绍,天镜大模型的发布,在安全合规的前提下,将让数据能够有决策能力。基于此,马上消费形成了“三纵三横”的技术战略布局。而且上述的三个关键性技术已经应用到了实践中。

“三横”包括:通过持续学习技术、模型控制、组合式 AI 系统技术形成安全、合规、可信的鲁棒性决策能力。合规是模型最重要的底线能力。

“三纵”主要指数据决策智能、多模态智能、实时人机协作。金融天然是数据和计算密集型的行业,蒋宁认为,大模型需要帮助金融机构,把数据转化成营销、决策等方面的专业能力,实现数据智能化。多模态智能是指,在合规、安全的前提下,大模型可以把语音、文字、视频能够自动生成个性化营销服务和运营的数据,从而形成一个合规安全可控的多模态平台。最后人机协作是通过大模型的大脑与心理学的有机结合,实现有情感的人机互动体验。

马上消费发布首个零售金融大模型“天镜”

据了解,天境能做到安全可信,是通过在数据要素、算力平台、基础理论、场景运用、创新集聚等五大领域的积累。这背后是因为,马上消费作为以科技驱动的头部持牌消费金融机构,积累了1.79亿的用户,有超2000个模型,10万+变量,近50PB的多模态、高质量数据等。通过在这些场景数据上做模型精调对齐训练,同时再用推理加速技术实现模型可控。

对于未来,蒋宁认为,大模型和场景融合是一个不断演进、探索的过程,马上消费依托“三纵三横”大模型发展技术布局,将领航构建可信、合规、多模态、适配全域、泛化的金融大模型技术能力体系,聚焦行业领先的基础语言特性能力、逻辑和推理能力、语义理解、生成与创作、金融领域能力、安全与合规能力等六大核心领域,进一步推动金融数字化转型产生实质性的飞跃。

声明：登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。文章内容仅供参考，读者据此操作，风险自担。

企业信息