2023年ChatGPT行业分析 ChatGPT如何改变银行业？

1.什么是ChatGPT？

ChatGPT是具有划时代意义的自然语言处理模型

自然语言处理，是人工智能最基础的领域。“图灵测试”作为人工智能的理论开端，其所提出的验证标准，即在人与机器的问答 中，如果人无法判断对方是人还是机器，则可判定机器具有人类智能。为了通过“图灵测试”，人类的探索大致可分为三个阶段：

模式匹配：（1960s-90s）设置关键词与答案之间的线性匹配关系，如果提问者触发关键词，则向其提供已经预设好的答案。

机器学习：（2000s）不再预先设置关键词与标准答案，而是向机器提供大量历史资料，由机器自主总结规律、进行会话。

神经网络：（2010s至今）属于机器学习的进化分支。原理上是通过建模来模拟人类大脑100亿个神经元的结构。在2017年以 前，主流模型为循环神经网络模型（RNN），处理语言时需要严格遵循语言的先后顺序，无法并行计算且容易出现长句语义 理解困难等问题；2017年，Transformer模型被提出，它是对句子中的所有单词进行计算，算出词与词之间的相关度，可以同 时学习大量文本。ChatGPT（结尾的“T”即指Transformer），就是将这一模型从理论变为现实的划时代应用。

ChatGPT的强算力与大数据

ChatGPT最终爆火，离不开算力和数据量的持续升级。

模型实质：所谓语言模型，实质是对词语序列的概率相关性建模，即对方说完一句话或一段话后，判断大概率继续出现的内容 是什么。既然是概率相关性，自然是“大力出奇迹”，样本越大，结果就越准确。同时，样本越大也自然就意味着对算力和资 金的消耗，从初代GPT到最终爆火的ChatGPT，模型并未发生实质改变，改变的是持续增长的资源投入。

算力支持：2019年，微软为OpenAI（GPT开发公司）打造了一台全球排名第五的超级计算机，拥有超过28.5万个CPU核心， 1万个GPU，每个GPU服务器的网络连接能力为400Gb/s，支持GPT模型从初版的12个Transformer层进化到当下超过96个 Transformer层，可以理解为有更多的Transformer层就能够在语言与语言之间构建更复杂的逻辑联系。

数据规模：GPT模型处理的参数量从初代的亿级成长到今天的千亿级，预训练数据量从GB级上升到百TB级。

融资情况：如此规模的算力与数据必然需要巨额资金的支持，近4年，OpenAI从微软总计获得融资110亿美元。

ChatGPT将语言处理推向生成式时代，潜在价值巨大

凭借超强算力，基于超大数据的学习和训练，ChatGPT首次展示了强大的综合性语言材料生成能力。 决策式AI：所谓决策式AI，即根据对历史概率的归纳给出是或否的决策；而生成式AI则需要给人力提供综合式的信息输出。生成式AI：ChatGPT是第一个功能如此强大的综合性文字生成式AI，它能够准确理解提问者的问题，收集材料后转化为具有 一定逻辑的信息输出，它还能够与提问者进行连续对话，根据增量信息给出更准确回答，这是前所未有的语言理解和表达能力。

语言即为指令，ChatGPT与其他领域人工智能技术的耦合，或将完全开启人工智能的新时代。 ChatGPT+Whisper：OpenAI已经通过提供ChatGPT和Whisper的收费API接口，Whisper是OpenAI开发的语音处理工具， 如将ChatGPT和Whisper功能进行耦合，可以得到无障碍的语言交流工具。所谓的语言，就是指令体系。随着指令体系的智能 化，一切智能工具之间的边界或将逐渐模糊，人类与智能工具的关系或将彻底改变，AIGC（AI生产内容）的时代将加速到来。

ChatGPT有哪些潜在挑战？

ChatGPT风头一时无两，其潜在挑战在于语料库的范围及准确性、运营成本高及回答的道德风险等问题。 语料来源：ChatGPT本质上仍是一个基于有限语料范围的概率归纳模型，它并不能对未知的事情像人类那样做常识性推演。与 相关领域语料不够充分或完全未覆盖的领域，ChatGPT很可能会给出误导性内容；另外，微软计划将GPT-4与Bing搜索引擎 深度耦合，搜索引擎庞杂的数据是否会对GPT-4的学习和训练带来负面干扰，仍需观察。 运营成本：据报道，目前ChatGPT一次模型底座的训练需要500万美元的算力成本，在运营过程中需要大量的算力支持其训 练和部署。GPT-4与Bing耦合后，满足来自搜索引擎的搜索需求需要更大量的资源投入，如不解决成本问题恐将制约未来发展。道德风险：即使引入人类反馈，也不能100%避免ChatGPT故意提供虚假答案或回答带有攻击性的答案。

2.ChatGPT如何改变银行业？

机遇与挑战：主动革新？被颠覆？

该如何理解ChatGPT可能会带来的潜在变革？像很多人担心的那样，会有大量工作被替代掉吗？ ChatGPT的颠覆，本质上是人类生产力工具的再一次重大升级。就像过去三百年先后有蒸汽机和电被发明出来一样，固然有被 这些新的生产力工具替代掉的人，也有更多的人利用新的工具创造了更多的财富。驾驭或是被替代，只在一念之间。

银行客服：与ChatGPT关联最直接，或将开启深度智能化阶段

诸如银行客服、不良催收等需要与客户进行沟通的内容可预期、重复规律性强的客户交流性工作，与ChatGPT的特点最为契合。 适用范围：银行客户、不良催收等。 现有实践：①工商银行：2021年，利用数字人、智能问答、语音等交互技术，在客户服务前台、业务运营后台等领域加大应用 “机器换人”，落地 600+具有数字员工属性的智能应用场景。②平安银行：2022年上半年，AI平台新增模型1,080个，客服 机器人场景每日对话量达60万次，问题解决率超90%。③招商银行：2022年上半年，AI智能客服、语音质检、智能审录、海 螺RPA（机器人流程自动化）等共实现人力替代超过10,000人。 未来前景：ChatGPT的成功为已经部署人工智能客服的银行提供了优化模型、提高智能化水平的方向。预计这一类业务都将开 启深度使用更加成熟人工智能客户工具的阶段。

科技基础：基础设施重构，算力需持续投入

正如ChatGPT成功的基础一样，银行投入相关研究需要持续投入资源，特别是要投入支持模型运转及数据计算的算力资源。 适用范围：银行科技基础设施建设。 现有实践：近几年我国主流商业银行大多推动了“系统上云”计划，相应地将原本的主机架构转为有若干服务器组成的云架构。 在这一转型中，大多数银行已经初步具备了算力基础，但要在人工智能领域做出突破性创新，仍需要在看清方向后对算力资源 的持续投入。比较具有代表性的银行基础设施转型情况如下：①建设银行：率先实现“多专区多地域多技术栈多芯”布局，提 供标准算力规模超 20 万台云服务器，整体规模和服务能力保持同业领先。②招商银行：上云后可支持的应用更多，单位算力 成本大幅下降。以信用卡为例，招行信用卡业务上云后，业务成本约节省了60%，算力提升了10倍。 未来前景：人工智能的突破需要强大基础设施支撑，仍需持续投入及探索。

数据隐私：银行数据的特殊性决定了应用第三方技术的审慎性

银行拥有的数据具有高度的隐私性和敏感性，直接应用开源第三方技术存在一定隐患。主要障碍：①客户隐私：使用ChatGPT可能会涉及个人信息的收集、使用和披露，需要遵守相关法律法规的规定并获得客户的 授权。②银行隐私：银行的数据不仅涉及客户隐私，还涉及自身的商业秘密，在使用开源第三方技术处理内部数据时，存在核 心商业机密被泄露、酿成商业损失的隐患。③地缘风险：中美之间在技术安全、数据安全领域的争端愈演愈烈。今年2月，中 方发布《美国的霸权霸道霸凌及其危害》报告，在此背景下，境内银行直接应用ChatGPT前景并不乐观。实践案例：据报道，美国银行、花旗集团、德意志银行、高盛集团、 富国银行等银行最近纷纷对使用ChatGPT发布了禁令。微 软和亚马逊因担心泄露机密信息，禁止公司员工向ChatGPT分享敏感数据。埃森哲也警告员工不要将客户信息透露给ChatGPT。改进前景：同为人工智能技术服务商的科大讯飞，此前可以为客户提供本地化、私有化部署的产品，以解决技术应用和数据隐 私之间的矛盾，或可为解决数据隐私与技术应用的矛盾提供思路，但地缘风险的影响仍有待观察。

成本投入：自主与合作，投入与收益之间的取舍

无论是接入ChatGPT，还是自主开发类似功能，均须较大成本投入，是否能够实现预期收益，存在不确定性。

接入成本：目前ChatGPT API接口收费标准为每百万Tokens收费2.7美元（约18元人民币）；同属OpenAI公司开发的Whisper 语音转文本工具API每分钟收费0.006美元（约人民币 4 分钱）。以建行为例，假设文本转语音成本与语音转文本成本相同，推 算建行仅智能客服一项每年成本需要额外投入约3亿元。（不含开发成本和对ChatGPT模型进行专属训练的成本。）建行2021 年人均薪酬为33.71万元，如智能客服实际可替代人力少于890人，则效能并不显著。

自主成本：ChatGPT初始投入成本在8亿美元左右，每年电费约1825万美元。考虑到中美电费差异，国内开发与ChatGPT同等 功能的资金投入约为人民币初始投入56亿+1.7亿电费/年。（不含开发人员薪酬和维护成本。）但在开发环境、人才能力种种 因素制约下，自主开发的类似工具能够收获与ChatGPT的同等效果，存在极大不确定性。2023年3月5日，科技部王志刚部长 在两会部长通道表示，ChatGPT是个大模型、大计算、很好的计算方法，同一种原理，但做的质量还是不一样的。

未来前景：大多数银行已有AI技术储备，建议根据业界前沿修正技术方向，在既有成果上继续探索，达成成本与收益的平衡。

3.哪些银行有机会？

上市银行：科技人才与科技投入决定科技进步潜力

科技发展需要人力及财务资源的投入，综合当前科技水平及科技投入情况看，平安、招行、工行、建行科技进步潜力较强。科技人员：在披露科技人员数据的21家上市银行中，科技队伍总人数11.6万人，占从业总人数的5%。工行在绝对人数上一枝 独秀达3.5万人以上，浦发、招行、工行科技人员占比最高。 科技投入：在披露科技投入数据的24家上市银行中，科技投入总额近1600亿元，占营收总额的3%。国有四大行在科技投入绝 对规模占有优势；长沙、平安、招行科技投入占营收比重最高。

编辑：999感冒灵