界面新闻记者 | 苗艺伟

近日，在2023世界人工智能大会(WAIC)的“AI商业落地论坛”上，马上消费金融首席信息官（CIO）蒋宁在发表的主题演讲中表示，马上消费金融将在近期正式发布自主大模型，并将着力在业务安全稳定发展和科技应用之间取得平衡。

马上消金大模型已上线内测

马上消费金融CIO蒋宁在接受界面新闻记者采访时表示，人工智能大模型在金融领域有广泛的应用前景，可以推动构建用户个性化服务体验，有效提升金融领域营销运营等价值链效率，进一步拓展数据决策在风控领域的创新应用效果，助力金融行业数字化转型产生实质性的飞跃。

蒋宁表示，在大模型数据积累方面，马上消金在没有巨大流量加持下，依靠自主获客能力，已经积累了1.7亿的用户和将近40PB的客户声音数据，来帮助训练人机协作模型，并结合它的反馈机制进行强化学习，这将成为公司的核心竞争能力之一。

他表示，在公司战略层面，对人工智能的认知在不断加深，任何新技术的尝试、总结、归纳、推广，都会在业务稳定发展和科技创新之间取得平衡，并使科技进步与公司的战略、组织和文化相适应。

蒋宁透露，对于马上消金而言，在大模型领探索的关键词是 “安全可控”、“个性化决策和体验”和“持续性学习”，目前公司已经研发了实时人机决策模型、多模态大模型、数据智能模型等，并在内部正式上线测试。

金融业大模型面临四个关键挑战

金融行业一直希望将数据快速变成资产来进行决策，并在风险、营销、运营上，进行创新性尝试。去年以来，人工智能大模型的出现，更是成为行业发展的强心剂，虽然人工智能大模型可以解决一部分问题，但却对金融科技能力提出了新挑战。

蒋宁对界面新闻记者表示，总体来讲有四个方面，首先，在金融行业的关键任务和动态系统里，面对现实世界的超预期突发状况，人工智能大模型反馈并不稳定，为实际应用提出了重大挑战。

其次，金融行业往往希望为用户提供个性化的服务体验，但这种个性化的体验需要个人隐私数据和大模型相融合，出现了数据合规安全的新问题。

再次，大模型要求构建增强学习的网络化平台，并持续贡献数据和反馈，但目前中国市场的算力、算法、数据往往是是割裂的，对这三者能进行统一的公司非常少，对跨组织、跨机构的共享机制需要持续性的探索。

最后，大模型的基础架构、技术芯片等对科技技术底层结构提出了挑战，是否能处理未来后摩尔时代的高速增长数据能力仍然未知。

专注大模型三大关键技术突破

面对金融垂直领域的应用，蒋宁表示，马上消费金融重点关注了大模型领域的三个关键技术，分别是 “强化学习和持续学习技术”、“鲁棒性技术”、“组合式 AI 系统技术”。

他表示，首先，大模型带来的最大变革是“强化学习和持续学习技术”，在这种技术模式下，核心并不是千亿级的参数，而是基于开放环境设计有价值的正向反馈机制，使得系统越用越聪明，实现持续自我学习和成长。

他表示，以OpenAI为例，它的核心能力不仅是表面的ChatGPT巨量模型参数，更在于其幕后的强化学习机制和各种生态能力的建设。它通过“奖励函数”不断学强化学习，跟传统闭环的强化学习的AlphaGo等已经不是一个类别。与之相对，另一种偏向总结归纳的大模型，却没有最重要的反馈机制，很难构成核心竞争能力。

其次，蒋宁表示，“鲁棒性技术” 也是大模型在关键决策领域落地的核心能力，它能帮助大模型排除噪音以及干扰性问题，在突发和不可预期情况，实现关键决策的持续稳定和合规可信。

他表示，在金融领域，合规安全极为关键。无论在何种情况下，金融机构做出决策性结果，必须符合国家规定、符合消费者权益，这对于大模型的“鲁棒性”要求极高。因此，鲁棒性技术会持续投入，这个也将成为重要的反馈机制，是强化学习的一部分。

第三，蒋宁表示，大模型比较关键的技术是“组合式AI的体系”，这意味着实际应用中需要把“生成式模型”（ Generative Model ） 和垂直领域的“判别式模型 ( Discriminative Model ) 有效结合，让两种优势能发挥更好的价值。

他表示，目前，虽然生成式大模型占据行业主流、泛化能力非常强，并且取得了明显的进步，但它在结果判断方面准确性较低，在重要金融决策中无法直接使用。

相反，通过直接标记“对/错”来不断学习的判别式模型却进步依然非常难、泛化性也比较弱、开发训练成本也更高，但它一旦训练完成，会比较精准，更适合金融领域的关键决策。