摘要：當前，我國大中型商業(yè)銀行已經(jīng)開始布局人工智能生成內(nèi)容（AIGC）。從應用場景來看，主要將其對話能力作為重點方向，智能客服是主要應用場景。從技術(shù)主體來看，商業(yè)銀行多通過與第三方合作實現(xiàn)對AIGC的應用。基于AIGC的特點，其可以在商業(yè)銀行債券業(yè)務中得到廣泛應用，特別是在智能風控、智能運營和智能投研等領域。在業(yè)務落地過程中，應重點關(guān)注戰(zhàn)略規(guī)劃、嵌入業(yè)務環(huán)節(jié)和防范潛在風險等方面。

關(guān)鍵詞：AIGC 商業(yè)銀行 數(shù)字化轉(zhuǎn)型 大模型

近年來，數(shù)字化和人工智能（AI）產(chǎn)業(yè)發(fā)展迅猛，商業(yè)銀行也乘勢紛紛推進數(shù)字化轉(zhuǎn)型、智能化轉(zhuǎn)型。人工智能生成內(nèi)容（AIGC）是當前人工智能產(chǎn)業(yè)發(fā)展的前沿領域，其依托大模型，在數(shù)據(jù)理解、內(nèi)容生成等方面相較傳統(tǒng)人工智能具有顯著優(yōu)勢，潛在的應用場景包括智能風控、智能運營與智能投研等。雖然國內(nèi)部分商業(yè)銀行正在積極布局甚至已經(jīng)落地多種AIGC相關(guān)的應用場景，但由于其產(chǎn)生時間短，發(fā)展速度快，多數(shù)商業(yè)銀行對AIGC的認識與應用尚處于起步階段。AIGC在商業(yè)銀行業(yè)務中的應用前景廣闊，對于提升商業(yè)銀行債券等投融資業(yè)務的運營效率可以發(fā)揮重要作用。

商業(yè)銀行應用AIGC 的現(xiàn)實案例

（一）我國商業(yè)銀行應用AIGC的現(xiàn)狀與主要場景

在國有大型銀行中，中國工商銀行與中國農(nóng)業(yè)銀行較早布局并使用了AIGC。其中，中國工商銀行與華為等機構(gòu)合作，于2023年3月實現(xiàn)了國內(nèi)首款金融通用模型的研制投產(chǎn)，并將其應用于客服、營銷、運營、風控等業(yè)務領域；中國農(nóng)業(yè)銀行選擇自主研發(fā)打造AI大模型，并發(fā)布了具有語言理解與問答能力的類ChatGPT應用ChatABC，并向員工開放問答助手、工單自動化回復助手等功能。在其他商業(yè)銀行中，江蘇銀行較早布局和試用了AIGC。在ChatGPT發(fā)布之初，江蘇銀行使用外部公開的代碼測試案例驗證ChatGPT的代碼編寫能力；2023年2月，其宣布接入文心一言生態(tài)，并于8月在智能客服場景中落地了AIGC應用。此外，郵儲銀行、興業(yè)銀行等也已宣布通過與第三方企業(yè)合作的方式開展AIGC應用的研究，并將在多場景落地相關(guān)應用。

從對AIGC的應用場景來看，幾乎所有商業(yè)銀行在布局或應用AIGC時均將其對話能力作為重點方向，智能客服是最主要的應用場景。如江蘇銀行的“智慧小蘇L3”以話務工單助理的身份融入人工電話客服領域。運營管理是另一重要應用場景。相較早期的AI，AIGC參數(shù)更多、計算量更大，在處理常規(guī)工作時優(yōu)勢明顯，能夠幫助商業(yè)銀行實現(xiàn)智能運營并節(jié)約成本。如中國工商銀行在業(yè)務營銷、客戶服務等各領域應用金融通用大模型等。還有一些商業(yè)銀行計劃將AIGC應用于產(chǎn)品的營銷與研發(fā)環(huán)節(jié)。因為對數(shù)據(jù)的分析能力與創(chuàng)造力是AIGC的優(yōu)勢領域，利用AIGC能夠創(chuàng)造出更適合投資者的金融產(chǎn)品，并生成與之相應的個性化宣傳文案，提升研發(fā)與營銷效率。

（二）與傳統(tǒng)AI運營模式的區(qū)別

在傳統(tǒng)AI應用階段，大型金融機構(gòu)為了實現(xiàn)技術(shù)安全與自主可控，普遍遵循以全場景自研為主的發(fā)展路徑，通過設立金融科技子公司建立專用的企業(yè)級AI平臺。根據(jù)調(diào)查，我國金融機構(gòu)AI技術(shù)平均自研率在70%以上，大型國有銀行與股份制銀行的自研率要更高（中國信通院，2022）。

商業(yè)銀行在布局AIGC時其技術(shù)主體與傳統(tǒng)AI存在顯著差異，多通過與第三方合作實現(xiàn)對AIGC的應用。在預訓練階段，AIGC的超大規(guī)模參數(shù)及由此對算力產(chǎn)生的要求導致開發(fā)和運營成本非常高。以ChatGPT為例，GPT-3.5有1750億個參數(shù)，據(jù)估計，訓練該模型需要上萬個企業(yè)級圖形處理器（GPU），研發(fā)運營成本高昂，一般商業(yè)銀行難以承擔如此高的開支。此外，自研大模型所需的技術(shù)能力、試錯成本及由此帶來的時間成本也非常高，因此多數(shù)商業(yè)銀行選擇與外部廠商合作，借助第三方廠商的技術(shù)與大模型在預訓練階段的成果，利用商業(yè)銀行金融數(shù)據(jù)進行精調(diào)，以實現(xiàn)AIGC的應用。如國內(nèi)多家商業(yè)銀行已宣布接入百度、華為等生態(tài)，借助其技術(shù)累積研發(fā)適用于本行的產(chǎn)品。國外一些大型金融機構(gòu)同樣選擇與大模型廠商合作，如投資銀行摩根士丹利、金融科技公司布羅德里奇等與OpenAI合作，以助力人工智能在不同場景的落地。

此外，國內(nèi)部分商業(yè)銀行憑借其雄厚的資金實力與技術(shù)累積，選擇了自研道路，使用內(nèi)部數(shù)據(jù)搭建金融大模型。依托金融數(shù)據(jù)優(yōu)勢，此類大模型在對金融詞匯的理解等任務上具有優(yōu)勢。但由于其僅基于商業(yè)銀行內(nèi)部金融數(shù)據(jù)進行訓練，數(shù)據(jù)量有限，并且在設計之初目標限于金融領域的應用，參數(shù)量通常小于主流通用大模型，其在其他任務處理上弱于通用大模型，通用能力較差。國際上，彭博憑借自身的金融數(shù)據(jù)優(yōu)勢選擇了自研道路，發(fā)布了BloombergGPT，具有金融知識問答、數(shù)據(jù)檢索等功能，是世界上首款落地的金融大模型（Wu et al.，2023）（見表1）。

AIGC在商業(yè)銀行債券業(yè)務中的應用

針對債券領域，布羅德里奇推出了BondGPT來回答相關(guān)問題。但我國對AIGC的應用目前主要集中于智能客服等早期場景，智能投研、智能風控等其他場景應用尚不成熟，在商業(yè)銀行資產(chǎn)負債管理、中間業(yè)務等方面的應用尚處于探索階段。AIGC憑借其生成能力及其所依托的大模型功能，可以在商業(yè)銀行債券等業(yè)務中廣泛應用。

（一）智能風控

智能風控是利用AI技術(shù)實現(xiàn)對潛在風險的自動識別、預警與標識。相較傳統(tǒng)的AI，應用AIGC能夠提升智能識別風險的準確性與時效性，并減少風控過程中的人力成本，從而降低總體風險管理成本。

一是傳統(tǒng)AI的智能風控通常基于為本行定制的專用模型，語料庫小，內(nèi)容覆蓋范圍有限。隨著實踐的不斷豐富，風險事件的特點和關(guān)鍵詞也變得越來越多樣。AIGC依托的通用大模型訓練集基于海量數(shù)據(jù)，覆蓋范圍更廣，豐富了數(shù)據(jù)來源，有助于避免數(shù)據(jù)來源不足的限制。

二是AIGC憑借其通用能力和知識融合能力，對數(shù)據(jù)的理解能力也更強。傳統(tǒng)AI通常是對文本內(nèi)容進行感知推理，AIGC則能夠?qū)θ婢C合場景信息進行認知推理，并通過上下文的關(guān)聯(lián)分析更準確地識別風險。這減少了未知風險隱患，使得模型能夠及時識別新型風險。

三是AIGC能夠助力商業(yè)銀行在事前、事中、事后全時段把控風險。例如，商業(yè)銀行在開展債券業(yè)務時需要隨時關(guān)注發(fā)債主體的風險，AIGC能夠幫助商業(yè)銀行及時根據(jù)公開信息準確了解其風險變化。

（二）智能運營

智能運營指商業(yè)銀行業(yè)務流程的自動化。基于傳統(tǒng)AI的智能運營通常通過構(gòu)建基于機器人流程自動化（RPA）的數(shù)字員工替代人工，完成重復性操作。AIGC+RPA模式將給智能運營帶來新的突破。一方面，算法和算力的進步使得AIGC在處理重復性任務時效率更高，能夠節(jié)省時間和資源。另一方面，傳統(tǒng)AI僅能根據(jù)預先設定的條件處理簡單的運營場景，AIGC則能夠憑借對數(shù)據(jù)與文本的分析提出建議，輔助金融機構(gòu)作決策。AIGC的輔助決策與RPA的快速執(zhí)行可以促進整個運營流程的快速循環(huán)。

以商業(yè)銀行債券市場業(yè)務為例，在業(yè)務開展過程中存在大量信息錄入、核驗審批等重復性工作，使用AIGC+RPA模式能夠大幅減少這些工作所耗的時間，提高運營效率。此外，AIGC還具有自動糾錯功能，同樣可以為運營環(huán)節(jié)節(jié)省人力。

（三）智能投研

智能投研是指利用AI技術(shù)搜集、整理和解讀相關(guān)市場信息。智能投研的核心工作是信息的搜集、整理與報告產(chǎn)出。AIGC對語義的理解能力與創(chuàng)造能力為智能投研提供了支持。傳統(tǒng)AI在對數(shù)據(jù)進行搜集與分析時較為機械，僅能通過設定程序?qū)﹃P(guān)鍵詞契合的有限信息進行搜集并產(chǎn)出程式化的文本。AIGC具有對文本的理解能力，能夠根據(jù)關(guān)鍵詞背后的含義搜集、整理互聯(lián)網(wǎng)上的海量信息，并生成個性化研究報告，其效率高、準確性高、前瞻性強，能夠賦能甚至在一定程度上替代投研從業(yè)者。

債券業(yè)務是商業(yè)銀行各業(yè)務中對公開信息等內(nèi)容搜集整理要求較高的業(yè)務，在進行債券投資、承銷時，均需要大量發(fā)債主體的數(shù)據(jù)資料，在數(shù)據(jù)搜集與分析的基礎上需要撰寫標準化的研究報告、發(fā)行文件。利用AIGC可以自動搜集并匯總發(fā)債主體網(wǎng)上公開信息，并自動生成研究報告，也可以減少制作發(fā)行材料中的重復性工作。AIGC還具有輔助決策的能力，這進一步強化了對研究工作的支持，使員工能夠?qū)Ｗ⒂趯I(yè)性要求更高的工作。

商業(yè)銀行在應用AIGC時應注意的三個方面

（一）重視戰(zhàn)略規(guī)劃

一是商業(yè)銀行應在戰(zhàn)略規(guī)劃上重視數(shù)字化轉(zhuǎn)型及AIGC建設。目前，一些商業(yè)銀行管理層尚未充分認識到AIGC的重要性，或?qū)τ趹肁IGC的推進速度較慢，這會使其在新一輪市場競爭中處于弱勢地位。因此，對AIGC的應用需要納入商業(yè)銀行的戰(zhàn)略規(guī)劃中。

二是AIGC的規(guī)模化應用需要系統(tǒng)的規(guī)劃與設計。AIGC雖然是在傳統(tǒng)AI的基礎上演變而來，但隨著模型參數(shù)的激增及對算力要求的顯著提高，AIGC的前期投入已經(jīng)超過傳統(tǒng)金融機構(gòu)的承受范圍。在布局AIGC時應重視其他類型大模型的建設與應用，推動不同模態(tài)大模型的融合使用。

三是在戰(zhàn)略規(guī)劃上應特別關(guān)注國家監(jiān)管政策的變化。隨著AIGC的快速發(fā)展，后續(xù)相關(guān)監(jiān)管要求可能更加細致，使得商業(yè)銀行AIGC的先期布局可能需要進行一定的調(diào)整。因此，在布局AIGC時應重視對模型運行的監(jiān)督管理，保證與政策法規(guī)的一致性，在訓練模型時及時更新輸入內(nèi)容，并根據(jù)最新的政策法規(guī)對輸出內(nèi)容進行糾錯和反饋。

（二）嵌入業(yè)務環(huán)節(jié)

經(jīng)營管理數(shù)字化是目前商業(yè)銀行數(shù)字化轉(zhuǎn)型的關(guān)鍵，也是AIGC的主要應用領域之一。在業(yè)務經(jīng)營管理環(huán)節(jié)應加快AIGC的嵌入，使用AIGC與傳統(tǒng)AI相配合，共同助力經(jīng)營管理數(shù)字化。

對AIGC的應用并非為了將所有已有的AI均替換為AIGC。在當前階段，傳統(tǒng)AI的專用模型在解決很多問題上表現(xiàn)出很強的能力，不需要完全摒棄。傳統(tǒng)AI與AIGC各有利弊，使用場景存在差異。二者在未來很長一段時間將主要表現(xiàn)為合作關(guān)系——傳統(tǒng)AI將繼續(xù)用于對準確性、穩(wěn)定性和可解釋性要求較高的場景；AIGC則應用于對創(chuàng)造性、個性化和多樣化要求較高的場景，如營銷、客服等。因此，在業(yè)務經(jīng)營管理數(shù)字化過程中，應注意傳統(tǒng)AI與AIGC的配合使用，可以將智能客服等比較成熟的應用場景先試水，在部分場景實驗結(jié)果的基礎上盡快落地其他場景，以節(jié)約人力，降低人工成本。

（三）防范潛在風險

目前，AIGC還存在很多風險和不確定性，最突出的是可能出現(xiàn)臆造內(nèi)容，甚至可能產(chǎn)生一些違反社會公序良俗的內(nèi)容。因此，在AIGC落地前要對模型可靠性進行充分的內(nèi)部測試，制定詳細的約束機制。在測試與實際應用過程中，應注意對內(nèi)容的審查，通過嵌入與微調(diào)等手段提升AIGC的內(nèi)容質(zhì)量。除此之外，還應注意應用AIGC過程中的數(shù)據(jù)安全風險。當前，多數(shù)銀行選擇與第三方大模型廠商進行合作，可能存在金融數(shù)據(jù)泄露的風險。在使用商業(yè)銀行數(shù)據(jù)對大模型進行精調(diào)的過程中，應確保銀行數(shù)據(jù)的安全性，防止金融數(shù)據(jù)的泄露。

參考文獻

[1]高蘭蘭，賈晨，馬文嘉，等. 金融行業(yè)AIGC落地方法論的探索和研究[J].債券，2023（10）. DOI：10.3969/j. issn.2095-3585.2023.10.015.

[2]中國信通院. 金融人工智能研究報告（2022年）[R/OL]. （2022-01-21）[2023-11-05]. https：//mp.weixin.qq.com/s/zvifZ9XX_Gs26-r2tG0cKQ.

[3] WU S， IRSOY O， LU S， et al. BloombergGPT： A Large Language Model for Finance. （2023-05-09）[2023-11-05]. https：//arxiv.org/abs/2303.17564.