AIGC在商業(yè)銀行中的應(yīng)用現(xiàn)狀及債券業(yè)務(wù)落地領(lǐng)域分析

摘要：當(dāng)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(yīng)用場(chǎng)景來看，主要將其對(duì)話能力作為重點(diǎn)方向，智能客服是主要應(yīng)用場(chǎng)景。從技術(shù)主體來看，商業(yè)銀行多通過與第三方合作實(shí)現(xiàn)對(duì)AIGC的應(yīng)用。基于AIGC的特點(diǎn)，其可以在商業(yè)銀行債券業(yè)務(wù)中得到廣泛應(yīng)用，特別是在智能風(fēng)控、智能運(yùn)營和智能投研等領(lǐng)域。在業(yè)務(wù)落地過程中，應(yīng)重點(diǎn)關(guān)注戰(zhàn)略規(guī)劃、嵌入業(yè)務(wù)環(huán)節(jié)和防范潛在風(fēng)險(xiǎn)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(shì)紛紛推進(jìn)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(dāng)前人工智能產(chǎn)業(yè)發(fā)展的前沿領(lǐng)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(shì)，潛在的應(yīng)用場(chǎng)景包括智能風(fēng)控、智能運(yùn)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(yīng)用場(chǎng)景，但由于其產(chǎn)生時(shí)間短，發(fā)展速度快，多數(shù)商業(yè)銀行對(duì)AIGC的認(rèn)識(shí)與應(yīng)用尚處于起步階段。AIGC在商業(yè)銀行業(yè)務(wù)中的應(yīng)用前景廣闊，對(duì)于提升商業(yè)銀行債券等投融資業(yè)務(wù)的運(yùn)營效率可以發(fā)揮重要作用。

商業(yè)銀行應(yīng)用AIGC 的現(xiàn)實(shí)案例

（一）我國商業(yè)銀行應(yīng)用AIGC的現(xiàn)狀與主要場(chǎng)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(jī)構(gòu)合作，于2023年3月實(shí)現(xiàn)了國內(nèi)首款金融通用模型的研制投產(chǎn)，并將其應(yīng)用于客服、營銷、運(yùn)營、風(fēng)控等業(yè)務(wù)領(lǐng)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(yīng)用ChatABC，并向員工開放問答助手、工單自動(dòng)化回復(fù)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(cè)試案例驗(yàn)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(chǎng)景中落地了AIGC應(yīng)用。此外，郵儲(chǔ)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(yīng)用的研究，并將在多場(chǎng)景落地相關(guān)應(yīng)用。

從對(duì)AIGC的應(yīng)用場(chǎng)景來看，幾乎所有商業(yè)銀行在布局或應(yīng)用AIGC時(shí)均將其對(duì)話能力作為重點(diǎn)方向，智能客服是最主要的應(yīng)用場(chǎng)景。如江蘇銀行的“智慧小蘇L3”以話務(wù)工單助理的身份融入人工電話客服領(lǐng)域。運(yùn)營管理是另一重要應(yīng)用場(chǎng)景。相較早期的AI，AIGC參數(shù)更多、計(jì)算量更大，在處理常規(guī)工作時(shí)優(yōu)勢(shì)明顯，能夠幫助商業(yè)銀行實(shí)現(xiàn)智能運(yùn)營并節(jié)約成本。如中國工商銀行在業(yè)務(wù)營銷、客戶服務(wù)等各領(lǐng)域應(yīng)用金融通用大模型等。還有一些商業(yè)銀行計(jì)劃將AIGC應(yīng)用于產(chǎn)品的營銷與研發(fā)環(huán)節(jié)。因?yàn)閷?duì)數(shù)據(jù)的分析能力與創(chuàng)造力是AIGC的優(yōu)勢(shì)領(lǐng)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(yīng)的個(gè)性化宣傳文案，提升研發(fā)與營銷效率。

（二）與傳統(tǒng)AI運(yùn)營模式的區(qū)別

在傳統(tǒng)AI應(yīng)用階段，大型金融機(jī)構(gòu)為了實(shí)現(xiàn)技術(shù)安全與自主可控，普遍遵循以全場(chǎng)景自研為主的發(fā)展路徑，通過設(shè)立金融科技子公司建立專用的企業(yè)級(jí)AI平臺(tái)。根據(jù)調(diào)查，我國金融機(jī)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(shí)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(shí)現(xiàn)對(duì)AIGC的應(yīng)用。在預(yù)訓(xùn)練階段，AIGC的超大規(guī)模參數(shù)及由此對(duì)算力產(chǎn)生的要求導(dǎo)致開發(fā)和運(yùn)營成本非常高。以ChatGPT為例，GPT-3.5有1750億個(gè)參數(shù)，據(jù)估計(jì)，訓(xùn)練該模型需要上萬個(gè)企業(yè)級(jí)圖形處理器（GPU），研發(fā)運(yùn)營成本高昂，一般商業(yè)銀行難以承擔(dān)如此高的開支。此外，自研大模型所需的技術(shù)能力、試錯(cuò)成本及由此帶來的時(shí)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(yù)訓(xùn)練階段的成果，利用商業(yè)銀行金融數(shù)據(jù)進(jìn)行精調(diào)，以實(shí)現(xiàn)AIGC的應(yīng)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(jī)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(chǎng)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(shí)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(shì)，此類大模型在對(duì)金融詞匯的理解等任務(wù)上具有優(yōu)勢(shì)。但由于其僅基于商業(yè)銀行內(nèi)部金融數(shù)據(jù)進(jìn)行訓(xùn)練，數(shù)據(jù)量有限，并且在設(shè)計(jì)之初目標(biāo)限于金融領(lǐng)域的應(yīng)用，參數(shù)量通常小于主流通用大模型，其在其他任務(wù)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(shì)選擇了自研道路，發(fā)布了BloombergGPT，具有金融知識(shí)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(wù)中的應(yīng)用

針對(duì)債券領(lǐng)域，布羅德里奇推出了BondGPT來回答相關(guān)問題。但我國對(duì)AIGC的應(yīng)用目前主要集中于智能客服等早期場(chǎng)景，智能投研、智能風(fēng)控等其他場(chǎng)景應(yīng)用尚不成熟，在商業(yè)銀行資產(chǎn)負(fù)債管理、中間業(yè)務(wù)等方面的應(yīng)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(wù)中廣泛應(yīng)用。

（一）智能風(fēng)控

智能風(fēng)控是利用AI技術(shù)實(shí)現(xiàn)對(duì)潛在風(fēng)險(xiǎn)的自動(dòng)識(shí)別、預(yù)警與標(biāo)識(shí)。相較傳統(tǒng)的AI，應(yīng)用AIGC能夠提升智能識(shí)別風(fēng)險(xiǎn)的準(zhǔn)確性與時(shí)效性，并減少風(fēng)控過程中的人力成本，從而降低總體風(fēng)險(xiǎn)管理成本。

一是傳統(tǒng)AI的智能風(fēng)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(shí)踐的不斷豐富，風(fēng)險(xiǎn)事件的特點(diǎn)和關(guān)鍵詞也變得越來越多樣。AIGC依托的通用大模型訓(xùn)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(shí)融合能力，對(duì)數(shù)據(jù)的理解能力也更強(qiáng)。傳統(tǒng)AI通常是對(duì)文本內(nèi)容進(jìn)行感知推理，AIGC則能夠?qū)θ婢C合場(chǎng)景信息進(jìn)行認(rèn)知推理，并通過上下文的關(guān)聯(lián)分析更準(zhǔn)確地識(shí)別風(fēng)險(xiǎn)。這減少了未知風(fēng)險(xiǎn)隱患，使得模型能夠及時(shí)識(shí)別新型風(fēng)險(xiǎn)。

三是AIGC能夠助力商業(yè)銀行在事前、事中、事后全時(shí)段把控風(fēng)險(xiǎn)。例如，商業(yè)銀行在開展債券業(yè)務(wù)時(shí)需要隨時(shí)關(guān)注發(fā)債主體的風(fēng)險(xiǎn)，AIGC能夠幫助商業(yè)銀行及時(shí)根據(jù)公開信息準(zhǔn)確了解其風(fēng)險(xiǎn)變化。

（二）智能運(yùn)營

智能運(yùn)營指商業(yè)銀行業(yè)務(wù)流程的自動(dòng)化。基于傳統(tǒng)AI的智能運(yùn)營通常通過構(gòu)建基于機(jī)器人流程自動(dòng)化（RPA）的數(shù)字員工替代人工，完成重復(fù)性操作。AIGC+RPA模式將給智能運(yùn)營帶來新的突破。一方面，算法和算力的進(jìn)步使得AIGC在處理重復(fù)性任務(wù)時(shí)效率更高，能夠節(jié)省時(shí)間和資源。另一方面，傳統(tǒng)AI僅能根據(jù)預(yù)先設(shè)定的條件處理簡(jiǎn)單的運(yùn)營場(chǎng)景，AIGC則能夠憑借對(duì)數(shù)據(jù)與文本的分析提出建議，輔助金融機(jī)構(gòu)作決策。AIGC的輔助決策與RPA的快速執(zhí)行可以促進(jìn)整個(gè)運(yùn)營流程的快速循環(huán)。

以商業(yè)銀行債券市場(chǎng)業(yè)務(wù)為例，在業(yè)務(wù)開展過程中存在大量信息錄入、核驗(yàn)審批等重復(fù)性工作，使用AIGC+RPA模式能夠大幅減少這些工作所耗的時(shí)間，提高運(yùn)營效率。此外，AIGC還具有自動(dòng)糾錯(cuò)功能，同樣可以為運(yùn)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(chǎng)信息。智能投研的核心工作是信息的搜集、整理與報(bào)告產(chǎn)出。AIGC對(duì)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(duì)數(shù)據(jù)進(jìn)行搜集與分析時(shí)較為機(jī)械，僅能通過設(shè)定程序?qū)﹃P(guān)鍵詞契合的有限信息進(jìn)行搜集并產(chǎn)出程式化的文本。AIGC具有對(duì)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(gè)性化研究報(bào)告，其效率高、準(zhǔn)確性高、前瞻性強(qiáng)，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(wù)是商業(yè)銀行各業(yè)務(wù)中對(duì)公開信息等內(nèi)容搜集整理要求較高的業(yè)務(wù)，在進(jìn)行債券投資、承銷時(shí)，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(chǔ)上需要撰寫標(biāo)準(zhǔn)化的研究報(bào)告、發(fā)行文件。利用AIGC可以自動(dòng)搜集并匯總發(fā)債主體網(wǎng)上公開信息，并自動(dòng)生成研究報(bào)告，也可以減少制作發(fā)行材料中的重復(fù)性工作。AIGC還具有輔助決策的能力，這進(jìn)一步強(qiáng)化了對(duì)研究工作的支持，使員工能夠?qū)Ｗ⒂趯?duì)專業(yè)性要求更高的工作。

商業(yè)銀行在應(yīng)用AIGC時(shí)應(yīng)注意的三個(gè)方面

（一）重視戰(zhàn)略規(guī)劃

一是商業(yè)銀行應(yīng)在戰(zhàn)略規(guī)劃上重視數(shù)字化轉(zhuǎn)型及AIGC建設(shè)。目前，一些商業(yè)銀行管理層尚未充分認(rèn)識(shí)到AIGC的重要性，或?qū)τ趹?yīng)用AIGC的推進(jìn)速度較慢，這會(huì)使其在新一輪市場(chǎng)競(jìng)爭(zhēng)中處于弱勢(shì)地位。因此，對(duì)AIGC的應(yīng)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(yīng)用需要系統(tǒng)的規(guī)劃與設(shè)計(jì)。AIGC雖然是在傳統(tǒng)AI的基礎(chǔ)上演變而來，但隨著模型參數(shù)的激增及對(duì)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(jī)構(gòu)的承受范圍。在布局AIGC時(shí)應(yīng)重視其他類型大模型的建設(shè)與應(yīng)用，推動(dòng)不同模態(tài)大模型的融合使用。

三是在戰(zhàn)略規(guī)劃上應(yīng)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(xì)致，使得商業(yè)銀行AIGC的先期布局可能需要進(jìn)行一定的調(diào)整。因此，在布局AIGC時(shí)應(yīng)重視對(duì)模型運(yùn)行的監(jiān)督管理，保證與政策法規(guī)的一致性，在訓(xùn)練模型時(shí)及時(shí)更新輸入內(nèi)容，并根據(jù)最新的政策法規(guī)對(duì)輸出內(nèi)容進(jìn)行糾錯(cuò)和反饋。

（二）嵌入業(yè)務(wù)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(yīng)用領(lǐng)域之一。在業(yè)務(wù)經(jīng)營管理環(huán)節(jié)應(yīng)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(duì)AIGC的應(yīng)用并非為了將所有已有的AI均替換為AIGC。在當(dāng)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(qiáng)的能力，不需要完全摒棄。傳統(tǒng)AI與AIGC各有利弊，使用場(chǎng)景存在差異。二者在未來很長(zhǎng)一段時(shí)間將主要表現(xiàn)為合作關(guān)系——傳統(tǒng)AI將繼續(xù)用于對(duì)準(zhǔn)確性、穩(wěn)定性和可解釋性要求較高的場(chǎng)景；AIGC則應(yīng)用于對(duì)創(chuàng)造性、個(gè)性化和多樣化要求較高的場(chǎng)景，如營銷、客服等。因此，在業(yè)務(wù)經(jīng)營管理數(shù)字化過程中，應(yīng)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(yīng)用場(chǎng)景先試水，在部分場(chǎng)景實(shí)驗(yàn)結(jié)果的基礎(chǔ)上盡快落地其他場(chǎng)景，以節(jié)約人力，降低人工成本。

（三）防范潛在風(fēng)險(xiǎn)

目前，AIGC還存在很多風(fēng)險(xiǎn)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(huì)公序良俗的內(nèi)容。因此，在AIGC落地前要對(duì)模型可靠性進(jìn)行充分的內(nèi)部測(cè)試，制定詳細(xì)的約束機(jī)制。在測(cè)試與實(shí)際應(yīng)用過程中，應(yīng)注意對(duì)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(yīng)注意應(yīng)用AIGC過程中的數(shù)據(jù)安全風(fēng)險(xiǎn)。當(dāng)前，多數(shù)銀行選擇與第三方大模型廠商進(jìn)行合作，可能存在金融數(shù)據(jù)泄露的風(fēng)險(xiǎn)。在使用商業(yè)銀行數(shù)據(jù)對(duì)大模型進(jìn)行精調(diào)的過程中，應(yīng)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(xiàn)

[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(bào)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.