ChatGPT和智慧養老金融

ChatGPT的突破性進展為人工智能產業發展描繪了新的路徑。本文遵循科技、產業與金融融合發展的邏輯視角展開分析，提出人工智能應用的縱橫深入將不斷提升養老產業與服務的供給質量，賦能智慧養老金融加速創新和突破，不斷在金融數字化、養老數字化及其業技融合的過程中探索新的服務場景、挖掘新的功能價值。

在人工智能發展的數十年歷程中，技術突破穿越業態發展的低谷與高潮，引領著一輪又一輪的應用繁榮。近年ChatGPT的橫空出世，掀起了一波新的技術創新和應用探索浪潮?！吨袊斯ぶ悄艽竽Ｐ偷貓D研究報告》顯示，2020年以來人工智能大模型呈井噴式發展，全球已發布人工智能大模型超過200個，中國的人工智能大模型數量已增至2023年5月末的79個。大模型的創新探索也為人工智能市場增長注入強勁動力，國際數據公司（IDC）預測，中國人工智能軟件及應用的市場規模將從2021年的51億美元增至211億美元。

ChatGPT簡述及主要特征

ChatGPT即聊天生成型預訓練轉換模型（Chat Generative Pre-trained Transformer），是由美國人工智能公司OpenAI于2022年11月發布的會話交互模型。ChatGPT使用基于人反饋的強化學習算法，實現了人與人自然對話般流暢的人機交互。據報道，ChatGPT發布僅一周便收獲了100萬用戶，被稱為“史上增長最快的用戶應用”，瑞銀在報告中預計ChatGPT用戶會超過1億。ChatGPT的突破性進展為人工智能產業發展描繪了新興路徑，隨后資源投入最為集中的發展模式就是改進支持ChatGPT走向成熟穩健的技術因素。

在應用方面，ChatGPT發布之初主要實現了文本內容的交互，經過技術迭代和新模型開發，當前圖片、音頻、視頻也已成為可交互內容，這一系列支持多類內容交互（多模態）的技術簇普遍也被稱為生成式人工智能（Artificial Intelligence Generated Content，簡稱AIGC）。各類生成式人工智能也正大力推進各種場景的應用，辦公軟件、社交文娛、商業營銷、家庭助理和金融等場景下已誕生許多應用方案。生成式人工智能通常被認為是與判別式人工智能相對應的技術路徑，后者擅長識別差異進而分類，前者則是識別聯系進而組合。本質上，判別式人工智能的作用可被視為對信息的解構，生成式人工智能的作用則可被視為對信息的重構，二者的關系可理解為相對和統一而非孤立或對立。解構是重構的前提，重構是解構的目的。

算法方面，ChatGPT自身從最初GPT-1的1.1億個參數開始，已發展至GPT-4的據稱萬億級別參數數量，行業也開發出以ELMo、BERT、ChatGLM2、Llama2、PaLM2等為代表的新模型。盡管技術路線有差異，但這些模型的參數規模普遍達到了千萬乃至上億級別，據此也被行業統稱為大模型。《自然—機器智能》雜志曾給出一個定義，認為大模型是網絡參數規模達到億級以上的預訓練深度學習算法。根據內容的類別不同，主要由文本內容訓練且處理文本內容的大模型也被統稱為大語言模型（Large Language Model，簡稱LLM）。業界將大模型的特點概括為“三大一快”，即大模型的開發和運行依托大算力、基于大數據、使用大算法，大模型開發后可快速迭代和賦能，具有作為基礎設施的能力。與之對應的是小模型，通常被認為具有體量小、開發和管理容易的特點，相對更靈活也更契合垂直領域或細分場景的應用需求。

算力方面，ChatGPT的總算力據報道達到了3640PF-days（按每秒1000萬億次計算，運行3640天），支持如此算力消耗需要7至8個投資規模為30億元的數據中心。據華為研究預測，2030年人工智能的算力需求將達到2018年的390倍。可以預見未來大模型的運行和發展將需要天量的芯片和設備支持，進而促進芯片和計算設備的重大技術革新。全球主要芯片企業英偉達（Nvidia）和AMD均已推出了專為人工智能大模型設計的超級芯片。

算基方面，ChatGPT早先版本使用了數十億詞和幾十GB（吉字節）的訓練數據集，而當下大模型所使用的訓練數據普遍達到了數千億詞和上千GB的規模。除了數據規模，數據質量對大模型的訓練成效也會產生關鍵影響，事實上國內類ChatGPT模型MOSS的研發團隊就曾將模型中文能力不足歸因于中文網絡存在過多的廣告等干擾信息。由于大模型對數據的消耗速度過快，數據短缺也被認為將是限制大模型進一步發展的主要瓶頸。為此，有觀點提出合成數據可能會是一種有效的解決方案。

對大模型的優化增強了人工智能的能力，但當前諸多受到熱議的體驗不佳、潛在風險等問題似乎又在提示人工智能還遠未臻于完美。從國內某智庫機構、麻省理工科技評論、國際數據公司等研究機構開展的大模型測評結果來看，不同大模型的能力各有所長，且總體上還有很大的提升空間。同時，許多研究已揭示了大模型造成的知識侵權、算法黑箱、算法歧視、信息泄露等風險。人們既驚嘆人工智能表現出的強大能力，又因人工智能的缺陷和不足而謹慎警惕。

一種分析人工智能模式的新視角

人工智能正如其名，是人造的且仿人的一種智能，承載這種智能的個體也被稱為智能體或艾真體（Agent）。一方面，人工智能的能力受到當前技術等諸多因素的制約，當面臨復雜任務時單個智能體一般無法獨立勝任，這引出了多個智能體間相互協作的問題。另一方面，人工智能的應用依賴生產環節的細分場景，嵌入場景的單類智能體無法順暢完成整體生產，也需要多類智能體之間相互配合。

合作的需要有望催生智能體的第一次分工。這可理解為一種橫向分工，促成了智能體在產業歸屬、業務歸屬、場景歸屬的區分。特別是人工智能在工具性（如性能、功能、質量）方面的屬性快速提升后，大量智能體有可能嵌入人類生產的社會化大分工。進一步，成功參與生產分工的智能體促進了第一次數字化，輔助能夠有效使用人工智能的產業、部門、企業乃至個人實現自身的數字化。隨著第一次數字化的深化發展，當大量產業、部門、企業已基本完成數字化后，提高合作與配合的效率成為發展的瓶頸。而造成這種瓶頸的主因已從能力限制轉變為溝通不暢，即信息傳遞的效率問題。

加強溝通效能的訴求催生了智能體的第二次分工。這種分工是在橫向分工基礎上的縱向分工，即人工智能的再分工，促成了智能體在體系歸屬、組織歸屬、職能歸屬方面的區別。隨著人工智能在思想性（如感知、理解、表達）方面屬性的發展，智能體提升了其在管理和調度方面的效率，且開始可以承擔需要一定創造能力的任務。特別是智能體能完整完成信息解構和重構，使得連通產業間、部門間、企業間和個人間溝通的高效橋梁成為可能，推動實現信息傳遞的數字化，也即第二次數字化。

以ChatGPT為典型代表的大模型正加速上述AI再分工和兩次數字化的進程，而大模型在其中有望成為連接個體、傳遞信息的重要基礎性人工智能底層平臺。以產業為例，最初，不同的產業基于自身數字化需求而開發出專用人工智能（傳統模型），應用于產業內生產作業場景，該過程往往限于產業知識體系、技術需要等因素的制約，封裝形成一套獨具產業特點的規范，造成跨產業的信息傳遞困難。隨著產業自身數字化程度加深，跨業態的鴻溝和梗阻加大了信息傳遞的困難。克服這種困難需要由某一產業向其他產業兼容，通過吸納其他規范下的信息要素，使得傳遞的信息可以被編譯理解，通常只有在監管政策、商業利益等的驅動下才會發生這種兼容。大模型的出現為克服信息傳遞困難提供了一種新路徑，依托大模型的強大能力可實現向兩個產業乃至更多產業的兼容，而大模型開發者在商業利益驅動下也更有動力擴大兼容范圍。進一步，隨著產業合作的加深，供給成本可進一步壓縮，特定終端需求可被更精準服務。

實現更廣泛的數字化連接，既是大模型的機遇和價值所在，也蘊含著潛在風險和挑戰。信息傳遞偏差是誘發風險的主要根源。一是源頭信息的內容如果是有害或侵權的，而大模型難以對信息進行有效的審查控制，就會被利用而造成不良信息、有害內容的傳播乃至意識形態滲透，或發生侵害著作權、商業秘密、個人隱私等侵權行為。二是獲取信息的內容若超過必要范圍，或大模型受到攻擊而錯誤地提供超過必要范圍的信息，就可能造成信息泄露，若歧視性信息被獲取并應用于決策時，還會產生算法歧視問題。三是獲取信息的內容不足，或大模型被人為操控屏蔽部分信息，則可能造成決策偏差。四是獲取信息的內容因系統因素出錯或人為因素扭曲，則可能造成決策錯誤、生產事故等問題。此外，信息的儲存和網絡傳輸中也潛藏若干風險。

大模型的開發和控制屬于個人或組織，上述四點風險的發生既可能是技術性無意導致的，也可能是人為惡意所致。所造成的風險大小主要取決于大模型作為平臺連接的廣度和強度，以及連接大模型平臺的程序和系統的重要性。

老齡化對新時期養老服務和養老金融提出新需求

中國老齡化規模大、程度深，未富先老背景下養老金融政策有支持、機構有期待、人民有需求，當前供給側質量不足、不優，依托數字化賦能特色機構做好智慧養老普惠利民，前景廣闊。當前老齡化已成為全球普遍現象且較難逆轉。我國人口老齡化由于基數龐大，疊加計劃生育政策嚴格，呈現規模大、速度快、負擔重和“未富先老”等特征。

一是養老儲備不足。一方面，老年人口規模的增長推動了社會保障支出增加，特別是疊加勞動人口減少導致社會保障收入減少，使基本養老金持續承壓，保險業協會預計我國養老金缺口將增至近10萬億元。另一方面，社會對長壽風險的長期忽視導致個人的養老儲蓄意愿不強、金額不足，以個人養老金為代表的養老第三支柱長期發展緩慢，難以滿足老年階段可能面臨的各項支出。二是養老服務供給不充分不平衡。我國的“9073”養老模式是指居家養老占90%、社區養老占7%、機構養老占3%。居家養老方面，當前可上門服務的護理人員數量大致僅能達到每百余名老人分配一名養老護理從業人員，且大量護理人員能力不足、素質不高，距離滿足社會對養老護理的需求還有很大空間。社區養老和機構養老方面，各類養老機構的分布呈現區域間和城鄉間不均衡的現象，偏遠地區和地市縣鄉零散分布的養老服務需求難以得到必要服務。三是社會適老化程度有待提升。老年人在身體和精神等方面的情況和需求具有特殊性，但社會的適老化改造還較有限，比如為老年人購買所需商品提供便利，改造家居、建筑、道路等以保護老年人安全，為老年人提供助餐、助浴、自助輔助等基礎的養老護理服務，有關的改造已在推進，但還局限在相對有限的范圍內。

應對老齡化的一系列問題和挑戰，發揮金融的資源配置作用是一個重要舉措。養老金融正是應運而生，旨在通過金融產品和服務，引導供給、補充保障、化解風險，助力養老事業。在廣義上，養老金融是包括了政府管理的養老金、企事業單位管理的年金及商業金融機構提供的家庭養老金融服務和養老企業金融服務在內的綜合性金融，也即所謂的養老第一支柱、第二支柱、第三支柱與產業金融、公司金融的總和。目前，商業養老金融的參與主體已囊括銀行、保險、證券、支付等機構，提供的金融服務也涵蓋了存款、理財、貸款、保險、基金、信托等產品及咨詢、規劃、法律等服務。2022年11月，我國啟動實施個人養老金制度，多層次養老金融健全發展步入新階段。人社部數據顯示，截至2023年5月25日，我國個人養老金制度參加人數已達3743.51萬人，儲蓄存款、理財產品、商業養老保險、公募基金四類產品總數超過650只。

也要看到，養老金融在我國發展時間不長，還存在許多制約發展的因素和發展不成熟的領域。比如，老年人群的金融素養平均不高，《中國養老金融調查報告（2022）》調查發現，多數中老年人的基礎金融知識了解不足。金融素養偏低會限制老年人對金融工具的正確運用。還有，養老金融產品的針對性不足，現有養老金融產品中相當一部分仍是大眾化的金融產品，缺少對老年人需求的針對性設計和對不同老年人需求差異的考慮。此外，養老金融服務供給有限且集中度高，提供服務的主要是大型金融機構，中小金融機構受限于政策約束、科技能力和公共基礎設施不足，不敢深度涉足。

ChatGPT應用助力智慧養老金融發展

如前文所述，實現更廣泛的數字化連接是以ChatGPT為代表的大模型創造價值的所在。養老金融因其涉及的產業和群體眾多，需求識別、產品宣導等信息傳遞的鏈路長、效率低，合作溝通、形成共識等過程中摩擦多、消耗大，易造成宏觀供給側如火如荼但微觀需求側感受不佳的溫差問題。展望未來，ChatGPT的廣泛且成熟應用有望減少發展早期的試錯成本，通過加強養老需求向產品設計的端到端交互溝通，助力智慧養老金融發展，在有限資源下提高配置效率、節約資源開銷，將呈現出廣泛的商業利益和顯著的社會效益。

一是通過應用ChatGPT有望實現智慧養老金融的閉環服務，實現“老人+養老機構+醫療機構+金融機構”的供需融合。以ChatGPT為中樞節點，可通過一次記錄實現信息全程同步。例如，老人就醫時，ChatGPT可將智能設備、就診歷史等記錄整理為健康概況和診斷建議，輔助醫生進行綜合診治；老人就醫后，ChatGPT可通過對診斷過程、治療結果等記錄的整體及其他信息的匯總，形成符合保險機構規范的理賠申請文件；老人康復時，ChatGPT可分析醫生診治結果、智能設備記錄等，提供護理、康復等方面的建議，并通過智能設備定期監測康復情況；此外，對于老年人情況的分析可由ChatGPT匯總為金融機構產品設計建議及適合老年人需要的金融產品清單。二是通過應用ChatGPT有望促進養老金融供給提質增效，精準有效支持養老產業。借助ChatGPT在多模態內容的理解能力，通過產品營銷、合規風控、客戶服務、交易執行與報告等場景應用，中小金融機構可彌補營銷人員和線下網點等方面的短板，節約中后臺運營成本，將更多資源向深入拓展養老金融業務傾斜，提升自律合規水平。養老金融機構則可通過為養老機構提供數字化轉型賦能，比如智能視頻監控設備借助ChatGPT對視頻圖像的分析，實現養老機構入住監測與入住老人意外風險預警，既便利金融機構為養老機構授信增信，也促進養老機構床位資源的調劑和使用。三是通過應用ChatGPT有望促進金融消費者與養老金融機構提高溝通效率、加深信賴關系。養老金融機構通過應用ChatGPT，可開發專業客服機器人，通過自然語言對話理解客戶需求并提供產品推薦和輔助完成業務流程。宣教方面，養老金融機構可通過將ChatGPT與虛擬數字人相結合，使中青年客戶在虛擬環境體驗老年生活并與老年的自己對話，以加強提前儲備意識和挖掘個性養老需求。

展望未來，在養老產業22萬億元市場規模的前景驅動下，以人工智能應用為典型特征的智慧養老金融將加速創新和突破，不斷在金融數字化、養老數字化以及業技融合過程中探索新場景、挖掘新價值。與此同時，養老服務對生命健康和精神關懷具有特殊關切，客觀要求相應的數智化金融高度重視對風險的防控，運用技術和制度手段雙管齊下，加強對人工智能的信息風險、算法風險、倫理風險等不良影響的防范、管控和治理。

（劉緒光為中國互聯網金融協會業務二部副主任，李根為中國社會科學院投融資研究中心研究員。本文僅限學術探討，不代表作者所在機構意見。本文編輯/孫世選）