刘曙峰｜金融行业大模型应用观察

近日，国民财富发展研究合作平台“AI+金融”峰会成功举办。

在会上发表主题演讲，分享了他对大模型发展趋势与行业应用的判断。

核心观点很明确：大模型的技术及其推动的产业发展，目前仍处于方兴未艾的阶段。从产业角度看，投资热度正在发生结构性变化，2024年的重点正从基础模型投融资，逐步转向应用层面。当前最成熟的应用形态是对话——这正是通用大模型的原生能力。而在垂直领域的应用上，国内外的发展节奏大体相似。从国内视角来看，行业应用有加速迹象，目前仍以内部赋能为主。更重要的是，大模型正在带来全方位的效率提升。

面向未来，刘曙峰提出了三点建议：第一，对金融机构而言，大模型是降本增效的利器；第二，它可能成为影响用户流量的新入口；第三，对行业参与者来说，这可能是一个弯道超车的历史性机会。

今天，各界对人工智能——尤其是大模型技术突破后的人工智能——在各行业的发展前景，已经形成了前所未有的广泛共识。恒生在过去两年持续追踪了AI对产业发展的影响，有几个重要观察值得分享。

从o1到刚刚发布的o3，上下文窗口已扩展到128k，进入了商业应用阶段。o3支持更多模态，在解决“慢思考”问题上取得了长足进步——数学能力达到了数学家水平，物理、化学达到了博士生水平。更关键的是，在AGI领域的测试得分达到87.5%，超过了人类的85%。这是否意味着AGI领域可能取得实质性突破？而技术的持续突破，目前还没有看到放缓迹象。与此同时，谷歌近期发布的Gemini在视频多模态方面又掀起了新浪潮。数据用尽、治理以及破坏性等问题，正引发越来越多关注。总体来看，更长的上下文、更多的模态、更深的推理思考过程，仍在推动大模型能力不断提升。国际领先于国内，闭源领先于开源——这是当前的格局。

基础模型研发需要顶尖人才，训练需要海量数据和算力集成，这些背后是巨大的资本投入——每年几千亿美金，未来几年还需要1-2万亿美金。这样的门槛，基本上很少有公司能负担得起。基础模型是否会形成有限的几家寡头？无论从应用选择还是投资角度，这都值得密切关注。大不一定强，这个判断在大模型领域尤其适用。OpenAI也不是一开始就拥有今天的规模。顶尖人才是否能起到关键作用，仍然是需要持续关注的核心变量。

大约每2-3个月，大模型性能就能翻一倍，而成本还在持续下降。虽然算力成本下降相对慢一些，但值得期待的是，算力成本的快速下降周期可能正在到来。每一代模型的性能与单位Token消耗的算力成本，处于急剧下降的过程中——当然，这需要越来越大的参数规模和训练规模。从收入角度看，OpenAI今年收益约37亿美金，增长110%；明年预计能增长到100多亿美金；2029年可能达到1000亿美金，但距离盈利仍然遥远。可见，即使是在基础模型领域，盈利也并非易事，大模型在推动社会进步方面的价值，可能比商业回报更为显著。

来看几个关键数据。全球IT支出去年增长约5.6%，而AI领域增长了33%，大模型更是高达144%——国内情况大致相同。未来几年，大模型领域的支出有望以非常快的速度增长。2024年国内大模型支出约30多亿，其中软件支出只占16%，算力支出仍占多数，且增速更快。

2024年，热度开始收敛，资金从基础模型投融资逐渐转向应用。基础模型在大量场景下的应用能力已得到印证，可能已经过了易用性的临界点，后续突破仍在继续。ChatGPT是达到亿级用户最快的APP，国内几个头部企业也都在短短几个月内超过了千万用户，这一增长势头没有减缓迹象，正在形成新的超级流量入口。

总体上仍处于发展初期。在美国，生产效率提升是企业级应用的主要形态。在科学、教育、政府、金融等领域，金融是应用较广的领域之一，但整体投入占比仍较小，处于初期阶段。

行业此前做了大量预训练和精调工作，消耗了诸多资源和算力。与此同时，基础模型本身也在持续突破，包括对行业数据的训练。基础模型迭代速度超过行业模型，这与训练投入的资源强度有关。行业应用更多转向智能体和RAG（检索增强生成），这很大程度上依赖行业Know-How，能够发挥行业优势——边际上正在发生新的变化。

今年1-11月，公开招标金额共两个亿：前三季度一个亿，10-11月又是一个亿。全行业两百多个项目招标，多为十万级、百万级，千万级和亿级的项目较少，集中在政府采购。以金融行业两个亿的招标，放大5-6倍，整个行业算力投入也就十个亿左右。整体仍以实验性为主，真正投入生产的活跃用户数量不多——最高活跃用户在百万级。To C领域，蚂蚁的“蚂小财”达到了千万级用户，但活跃度还偏低。

直接面向客户的服务涉及合规问题，推进相对审慎。内部赋能——包括To B服务，比如恒生的维护服务——上线后用户使用频率很高。大模型应用的一个突出特点是几乎没有进入门槛：自然语言对话不需要学习。伴随能力增强，学习成本很低，甚至是负成本。内部赋能的效果很明显，但直接赋能相对审慎。

从体系性角度看，金融领域的大模型应用，基本上可以从提升效率到价值创造、深度决策三个阶段来理解。提升效率体现在流程自动化；价值创造更多体现在用户交互——如何更好地触达用户、理解用户。具体场景包括投顾助手、营销助手、个性化资产配置方案生成等。

o3的代码能力已达到全球顶尖水平，超过99.9%的程序员。在代码生成方面，效率的提升是数量级的。对于软件开发而言，coding约占30%的工作量。对金融机构来说，这是个好消息——外部工程师的coding可以用机器生成。大模型在效率提升方面是全方位的。比如系统运维，原本一周的工作，现在两三个小时就能完成；许多原本需要助理完成的工作，机器人可以做得更好、更有效率，而且是秒级响应。让机器人去开会，开完会立刻生成摘要，过程数据还能形成有价值的私域数据。

从参与到价值创造过程，仍处于相对审慎的状态。但在深度决策、运营、客服、研究、交易、投行、审核等领域，从各机构发布的案例来看，大模型对效率的辅助都得到了明确验证。价值创造被证明有效，但合规仍是绕不开的问题，仍在不断实验和发展中。国内外都有一些好案例，比如摩根士丹利的NBA（Next Best Action），在与OpenAI直接合作的模式下，他们把大模型作为投顾助手引入，在内容生成方面取得了一定效果——至于效果是否直接，还有待进一步观察。

传统模型最典型的案例是风险计算和深度决策——本质上是对数据的筛选。相比小模型，大模型在数据筛选方面更为便捷。真正用大模型做决策，还有待类似o3这种多层次推理能力的进一步成熟。目前有不少探索中的案例。

总体而言，大模型在行业的应用处于初级阶段，基础模型开始向较大范围的应用转换。可以期待2025年各个场景下的大模型应用会有长足发展。未来两三年，能否对行业应用产生较大影响？大模型原生应用是否会在金融行业出现？通用大模型的原生应用今年已实现大发展，大模型原生金融APP是否能在未来一两年内出现——值得期待。

核心体现在数字员工的广泛采用上。各个岗位都可以用大模型来提高效率，数字员工将全面加入我们的工作。这不是对现有工作的简单替代——金融机构和金融科技领域拥有大量高级人才，有更多有价值的工作等待创造，而辅助性流程工作，确实可以交给大模型更有效率、更低成本地完成。在过紧日子的当下，降本增效是一个非常大的主题，大模型可以发挥巨大作用。

核心体现在客户交互部分APP的变化上——不管是嵌入大模型还是打造原生入口，都值得尝试和推进。

大模型的训练需要投入大量资源，但应用起来非常实惠。大模型技术的发展，对使用者来说是一项非常普惠的技术——它会把不同的机构重新拉回同一条起跑线，无论是大、中、小型金融机构，还是大型或创业型金融科技公司。后续使用大模型的成本还会不断下降，而行业的Know-How，仍然是关键的竞争力来源。