AIGC在金融业的发展机遇与挑战有哪些？

在数智融合的环境下，深度把握数据要素的全周期、全流程、全 方位活动，是激活数字内容潜能的基础支撑，也是内容市场实现增量 发展的重要内驱力。

金融行业作为信息密集型行业，数据资源丰富、 信息化程度高，亟需借助人工智能的感知能力和智能化水平的支持，因此 AIGC 在金融业迎来重要发展机遇。内容共生 。金融业是一个信息密集型的行业，需要大量的数据和信息来支撑 业务的开展。人工智能生成内容可以通过自然语言处理、机器学习等 技术，对金融数据进行分析和处理，生成高质量的金融内容，提高金 融业务的效率和准确性。例如，人工智能可以自动生成金融新闻、研 究报告、投资建议等内容，为金融从业者提供更加全面和及时的信息 支持。这些内容可以帮助金融从业者更好地了解市场动态和趋势，提 高决策的准确性和效率。同时，人工智能生成内容还可以通过智能化 的风险管理和监控，帮助金融机构更好地识别和管理风险，提高金融 业的稳定性和安全性。

此外，人工智能生成内容可以通过自然语言处理、机器学习等技 术，对金融数据进行分析和处理，生成高质量的金融内容，提高金融 业务的效率和准确性。例如，人工智能可以自动生成金融报表、财务 分析报告等内容，帮助金融从业者更好地了解企业的财务状况和业务 情况，提高决策的准确性和效率。同时，人工智能生成内容还可以通 过智能化的客户服务和营销，提高金融机构的客户满意度和市场竞争 力。通过这些能力的提升，人工智能生成内容可以帮助金融机构更好 地适应市场变化和客户需求，实现业务的可持续发展。 人工智能生成内容通过与金融机构的合作，共同开发智能化的金 融产品和服务，能提高金融机构的创新能力和市场竞争力。例如，人 工智能可以自动生成智能化的投资策略、风险评估报告等内容，帮助金融机构更好地理解市场趋势和风险，提高投资决策的准确性和效率。 同时，人工智能还可以通过与监管机构合作，共同制定智能化的监管 政策和标准，提高金融业的规范化和透明度，促进金融业的可持续发 展。

能力升维 金融业需要高度专业化的知识和技能，而 AIGC 拥有如下能力： 智能内容“解构—复现”能力，能够全方位地把握内容的解构深度 和复现程度，提升了数字化内容的关联性、完整性和有效性。 智能内容编排-合成能力，也即内容理解能力、属性调控能力、多 模态融合能力、跨模态生成能力,极大程度地扩展了 AIGC 在金融业 的泛化能力和应用场景。  价值共创 AIGC 可以代替人类完成素材收集、大体量学习、归纳分类等基 础阶段的重复性劳动，在新技术的尝试、渗透和应用的基础上开拓新 的业务内容，借助 AI 技术的强大动能和 AIGC 的创新能力来提高整 体内容的生成质量，压缩内容创新的时间和成本，解决具体业务场景 下存在的痛点、断点和难点。

AIGC 在金融领域有着较大的应用潜力，然而但目前这项技术尚 处于起步阶段，其大规模应用还面临可信度、业务、成本投入等多方 面的挑战，还存在着一定的风险，需要谨慎探讨。  技术风险问题 AIGC 技术的进步带来红利的同时，也面临着新技术所带来的风 险性，新的欺诈手段如换脸技术的应用。攻击者可能使用 AIGC 技术 伪造身份，从而更难以识别真实的借款人，增加了身份验证和欺诈检 测的难度；黑灰产攻击，包括了各种网络攻击、数据泄露等。这可能 导致个人信息泄露，增加身份盗窃和欺诈的风险。  不同规模金融机构间差距问题 此外，AIGC 的投入巨大，大模型的应用和建设需要大量的数据 和算力支持。大型金融机构由于拥有海量的金融数据和丰富的应用场 景，因此更有可能引入业界领先的基础大模型，自建金融行业、企业 大模型。而对于将核心业务系统托管在大型金融机构或可信第三方的 中小金融机构，其业务应用场景较少，且数据、算力、算法资源相对 不足，可在监管许可的前提下，利用托管方训练资源开展企业大模型 训练；或按需直接引入基础大模型或行业大模型私有化部署满足业务 需求。

其次，大模型的应用和建设需要专业的知识和技能。大型金融机 构通常有更强的技术实力和更多的专业人才，因此在大模型的应用和 建设上可能有更大的优势。而中小金融机构可能在这方面存在一定的 挑战。  成本问题 金融机构对数据非常敏感，往往选择私有化部署，但目前大模型 对于资源的压力极大，难以实现私有化部署。且训练一次的成本介于 200 万美元至 1200 万美元之间，要用本领域的私有、专有数据对它进行增强样本的训练，补足通用模型在领域的短板，这可能会牵涉到 大量的人力物力，目前在适配具体业务上比较困难。  可信度问题 通用大模型，仅靠其自身的问题求解能力无法解决做专业问题。 不能直接应用于垂直型领域，需要借助于垂直领域的信息等助力，让 大模型充分理解金融专业领域的相关知识，比如金融领域已有的专业 数据库、专业知识图谱和其他的资源，跟大模型对接。 此外对于金融应用来说，金融行业的客户对上线模型的精度要求 很高，而通用大模型不足够满足金融的高专业化需求。

错误信息 由于技术问题，大模型目前还没有解决实时性和准确性的问题， 所用的语料库依然较为有限，因此会出现一些偏差，产生无意义的相 应。如果利用 ChatGPT 大模型推荐某银行理财给客户，没有考虑客 户的实际需求，造成真实需求与推荐产品的不一致，扰乱市场秩序。 如果推荐股票等金融资产，有操纵市场的嫌疑，这些目前无法避免。 加之，大模型的回答会影响人的判断和行为，如果给出一个错误 方案给银行客户使用，会把风险转嫁给银行，给银行带来信誉风险。  安全与合规性问题 数据泄露和信息杀熟等问题会出现，金融行业涉及到消费者的重 大利益，对于金融交易的公平性、可解释性、合规性都很重要，利用 大模型很可能无法保证决策的安全、准确、公平性，加之涉及到的网 络安全问题，数据的隐私保护，合规性问题都是亟需考虑到的风险。

知识产权、伦理与监管问题 目前现有的大模型还是不断接近人类的回答，但是短期还没办法 超越人类思维，只是一个智能的百科全书，缺少创造性思维，即没有 创造出人类不了解的新知识，新内容。因此，在实际应用场景中，大 模型生成的内容可能不具有原创性，会导致存在剽窃方面的风险。而 使用大模型带来不良后果的责任该由谁来承担，相关的法律问题，以 及如何应对大模型广泛应用后可能存在的无序商业行为、对算法和数 据进行监管，消除潜在的隐患，助力技术的良好发展也亟待研究。