金融业集成生成式AI需遵循哪些原则？

以下是金融业集成生成式AI需遵循的八项原则。

1.原则一，正确认识生成式AI的作用域

生成式人工智能应用广泛，但并非全能，创造性产品创新任务是生成式人工智能的专业领 域，利用这项技术能带来60%的效率提升。如果是带有大量不明确信息的复杂业务问题，这些 自然不属于生成式AI的专业领域，一些应用案例显示，此种情况下的实际效率比没有使用该技 术时还降低23%。因此，金融机构在制定生成式人工智能行动时，首先要正确认识这项技术的 作用域，在全面客观地评估机构内部业务创新属性以及任务类型的基础上，将生成式AI工具更 多地嵌入重复搜索和数据量大的任务中，并保持生成式AI与传统决策式AI工具的结合，不要追 求通过生成式AI带来100%的自动化。

2.原则二，模型参数并非越大越好

模型参数规模越大，意味着神经网络的复杂度越高，学到的特征表达能力更强，拟合能力 更好，评估的分数越高。但在实际应用中，大模型的利用效率并不高，普遍低于50%的利用 率。过于庞大的模型可能难以在有限的计算设备上部署和训练，从而限制了其应用场景。大规 模参数的模型在训练数据上表现优秀，但在新任务和未知数据上表现不佳，无法很好地泛化。 此外，参数众多，导致大模型内部结构复杂，解释性较差。 因此，在实际应用中，金融机构需要根据自身数字成熟度、资源可用性和终端生成式AI应 用程序的复杂性来选择规模适当的大模型。此外，技术研究层面也在探索如何通过模型压缩、 剪枝、量化等方法，在保持模型性能的同时，降低模型规模，小型化大模型，以实现在更多场 景下的应用，提高大模型的利用效率。

3.原则三， 技术先进性和业务可持续性是选择合作伙伴的两个关键标准

技术先进性包括大模型的算法、训练数据、模型调优等多个方面，重点关注安全与合规、 准确性和质量、定制化、定价和部署、提示词限制等关键指标。合作伙伴应具备强大的技术研 发能力，能够持续优化大模型，以满足不断变化的业务需求。业务可持续性包括合作伙伴的业 务模式、服务范围、客户支持、生态建设等多个方面。合作伙伴应具备良好的商业信誉和稳定 的财务状况，能够为客户持续提供高质量的服务和支持。 在实践应用中，金融机构的长期战略合作伙伴通常也是生成式AI新技术的合作伙伴成员， 新兴技术的开拓者几乎是大多用户首选的合作对象，比如，生成式AI技术引领者——OpenAI就 是各行各业和大多数金融机构的首选商用合作伙伴。

4.原则四， 生成式人工智能技术的开发者实际上也是重要的监管者

金融业的一大核心功能就是风险防控和管理，因此金融行业大模型的开发者实际上肩负着 重要的监管职责。一方面，这些开发者不仅需要推动大模型技术的创新与发展，提高生成式人 工智能技术的透明度和可解释性，还要关注潜在的网络安全新风险和道德伦理问题，遵循数据 隐私、知识产权、信息安全等众多法律法规，确保技术应用符合社会规范和法律法规。另一方 面，证券、银行等金融监管部门也是大模型技术的重要使用者，这也需要大模型技术开发者对 严格的金融监管法规有深入认识和理解。因此，金融机构在自主研发或共同研发大模型技术 时，就要强化法务部门的作用和跨部门协同。

5.原则五， 着眼于端到端解决方案，而不是让它成为一个点解决方案

端到端解决方案是指通过整合各个部门或环节的业务流程，消除信息孤岛和部门墙。相较 于仅在部门内部提供使能的点解决方案，端到端的解决方案能提高企业内部效率并满足客户需 求，从而实现企业效益最大化和整体效能的提升。将生成式人工智能应用到金融业的端到端解 决方案，更能充分发挥其在银行和保险业务流程效率提升、客户体验优化、风险管理、协同创 新方面的潜力，消除承保等流程中的瓶颈和冗余，实现业务环节的无缝衔接，突破传统思维局 限，并推进全员创新，挖掘新价值，为金融机构带来全面的变革和提升。

6.原则六, 根据实际情况确认应用的优先级顺序

金融机构对其客户非常了解，但也受到严格的监管，并且总是受到准确性、安全性和隐私 标准的审查。目前，生成式AI在银行业的机会并不是面向消费者的工具，它更多的是关于如何 综合银行现有的大量信息，做出更明智的决策，提供非常个性化的客户交互，以及快速自动化 许多核心银行流程。金融业应用大模型技术尚处于探索应用的早期，几乎所有金融机构都在同 一起跑线上，但这不是一条容易的赛道，因为有太多的应用场景。依据自身业务需求，金融机 构可以用它作为内容创造者，可以用它来获得更好的资源管理，可以用它作为后台解决方案。 重要的是，在各项任务场景中，金融机构需要确定生成式AI的优先级。例如，在一般办公及行 政场景中，有些银行就确定了从自动执行重复性任务、改进文档处理、增强决策洞察力、简化 沟通效率、到确定战略举措的优先顺序。在产品/研发场景中，他们确定了生成式AI工具从加 速构思过程到改进需求管理、增强代码生成、优化知识管理、改善团队协作的优先级应用流 程。

7.原则七， 把大模型带到数据中心环境中运行， 而不是把数据带到大模型所在的地方

将大模型带到数据中心环境中运行，进行本地化部署是金融业落地应用大模型技术的通用 路径。国内银行、保险、证券和基金等金融机构的数据中心通常具备更强大的计算和存储资 源，可以更好地支持大模型的运行和计算需求。将大模型部署在数据中心环境中，可以更好地 利用这些资源，提高计算效率。数据中心通常具备严格的安全措施，包括物理安全、网络安 全、数据备份等，可以有效保障数据的安全性和隐私性，确保数据在安全和受控的环境中运 行。此外，数据中心通常具备更好的网络连接和数据传输能力，可以确保大模型在运行过程中 能够快速、稳定地访问和处理数据，提高数据的可用性和处理效率。

8.原则八， 由首席执行官直接牵头指导负责任的人工智能治理框架

大语言模型的可解释性和数据泄露的风险处理是金融业高管们在探索生成式AI应用场景时 高度关注的两大问题。当前立法仍未明朗，我们认为，金融机构自身需要建立负责任的人工智 能治理框架，在现有监管可行范围内，利用自己的管理原则来处理人工智能解决方案，包括监 控需要解决的技术和工具，设置自己的护栏和保障措施。 负责任的人工智能战略应该是开发各种人工智能和生成式人工智能解决方案的前沿和中 心。我们关注到拥有负责任的人工智能框架的金融机构，通过应用不同的生成式人工智能工 具，实现更大的业务影响。每当这些负责任的人工智能治理计划由首席执行官直接驱动时，这 些计划在组织内产生的影响大约会增加60%，因为战略内容更清晰、战略执行更有力、跨部门 协同更快速。