從ChatGPT看人工智能在金融領域的應用_HAT:GPT

作者：楊濤 國家金融與發展實驗室副主任

摘要

自從ChatGPT橫空出世，這款人工智能對話機器人儼然成為了全球最熱門的話題之一。如果從ChatGPT來討論人工智能在金融領域的應用狀況，客觀看，人工智能在組織運營、服務能力、風險管理方面的應用度更高一些，受技術和制度因素影響，在解決其他金融需求方面尚顯不足。文章指出，ChatGPT雖然進一步凸顯了人工智能的應用能力，但對于金融業來說，仍然面臨諸多挑戰，使其較長時期內仍無法給金融業帶來重大變革。

美國人工智能研究實驗室OpenAI開發的對話機器人ChatGPT引起了國內外各界的廣泛關注，并且掀起了一輪人工智能熱潮。與此同時，金融業的數字化轉型已成為各國的大勢所趨，在我國也是監管部門推動的重要改革方向。因此，從ChatGPT入手深入分析人工智能在金融領域應用的狀況、機遇與挑戰，有助于更精準地實現科技助力金融高質量發展。

01 人工智能發展現狀及ChatGPT的地位

從宏觀層面看，無論是“十四五”規劃的頂層設計和數字經濟發展規劃，還是金融領域新版的金融科技發展規劃和數字化轉型指導意見，人工智能都被視為數字經濟的核心驅動力、重點產業和數字底座。數字經濟的高速發展為人工智能創造了良好的經濟和技術環境；同時，人工智能作為關鍵的新型基礎設施，也為拉動我國數字經濟發展提供了新動能。綜合看，開放共享的基礎設施、聚焦落地的工具流程、多元廣闊的應用場景，為人工智能蓬勃發展提供了良好的應用環境與市場空間。

市場調查機構：英偉達可從ChatGPT賺取3億美元:3月7日消息，市場調查機構TrendForce集邦咨詢公布的最新報告指出，如果以英偉達A100顯卡的處理能力計算，運行ChatGPT將需要使用到30000塊英偉達GPU。目前英偉達A100顯卡的售價在10000-15000美元之間，該售價取決于OpenAI需要多少顯卡，以及英偉達是否會為AI公司提供訂單折扣。TrendForce預估英偉達可以賺取超過3億美元。[2023/3/7 12:46:36]

從技術發展趨勢來看，超大規模預訓練模型無疑是當前人工智能技術發展的重點和熱點領域，近兩年迎來了大爆發和“軍備競賽”。總體來看，大模型表現出多模態、多技術、多能力和多應用的發展趨勢，在理想實驗室環境和垂直行業的真實環境中均展現了良好的應用效果，未來將形成大小模型與云邊協同發展的智能體系。

同時，人工智能也對現有的倫理準則、社會治理帶來了巨大的沖擊和挑戰。因此，如何實現人工智能的有效治理，成為近年來國內外各界的關注焦點。可以看到，國內外人工智能治理取得突破性進展，已從理念層面進入建章立制、落地實施階段，發展可信AI成為核心內容。

應該說，當前人工智能已成為技術創新最重要的“催化劑”，而與ChatGPT相關的自然語言處理（NLP）被認為是人工智能皇冠上的“明珠”。我們看到，人工智能的發展歷史，事實上是不斷提升模型維度的歷史，從人工專家寫規則，到機器寫少量規則，再到機器寫大量規則，最后到遷移學習大模型。在此過程中，ChatGPT用文本學習方式來拓展領域，GPT-3即擁有5000億單詞、1750億參數，最終在海量信息的支撐下，獲得了功能的全面提升，但也存在內容可信、數據安全、落地成本高的挑戰。

數據：超3萬枚ETH從Coinbase轉入未知錢包:金色財經報道，據WhaleAlert監測，30052枚ETH于今日10:38從Coinbase轉入未知錢包，價值約4648萬美元。具體轉入地址為：0x1EE6106b355A9F166DC0b4f46F1Bb69EEbba6C1B。[2022/11/3 12:12:35]

02 從金融需求角度看人工智能應用機遇

隨著數字經濟和數字社會建設深入推進，產生了大量的數據，為人工智能的建模、訓練和應用提供了廣闊的“土壤”。特別是在金融領域積累了大規模、高質量的數據，同時具有多維度、多元化的應用場景，為人工智能應用蓬勃發展提供了良好的契機。通過人工智能和金融領域客戶服務、產品創新、運營管理、風險防控等業務場景深度融合，對金融服務全流程進行模式重塑和智能賦能，推動金融產品創新、流程再造、渠道融合和服務升級，拓展金融服務的廣度和深度，成為金融數字化轉型的重要源泉和驅動力量。

歸根結底，人工智能的應用價值在于解決金融領域存在的問題，這就要從金融需求角度來進行剖析。具體而言，從金融業的中觀和微觀層面看，面臨的困境一是戰略性問題。面對日益復雜的經濟金融形勢，金融業機構的戰略制定變得尤為重要，這不僅僅是機構“一把手工程”，更需要視野、邏輯、經驗的有效結合，也需要及時有效地進行動態優化。人工智能在戰略制定中的應用思路，正是感知、推理、決策，天然地有可能與金融機構綜合或專項戰略制定相結合，并且進行動態隨機優化。

約7976枚BTC從Coinbase轉移至幣安，價值約2.93億美元:根據Whale Alert數據，北京時間6月2日7:25，7,976.374枚BTC（價值約2.93億美元）從Coinbase轉移到了幣安，交易哈希為dff15286ad771d17d044c9cfed38d3d206c017be386483ff487366ebe9d7b566。[2021/6/2 23:03:40]

二是結構性問題。雖然我國金融業綜合實力不斷增強，但還有諸多發展不平衡、不充分的結構性矛盾，這也為人工智能的“補短板”提出了要求。例如人工智能應用于財富管理領域，能否給家庭資產結構、金融資產布局失衡帶來改變，直接影響到金融助力共同富裕的重大目標。

三是生產要素問題。金融機構的可持續發展與數字化轉型，都需要考慮要素投入的經濟性、規模性、效率性，其中最核心的就是數據和人。一方面，數據已成為重要的生產要素，是國家基礎性戰略資源。金融業如何改善數據“采、存、算、管、用”全生命周期活動，推動數據要素到數據資產的轉化，是當前面臨的迫切挑戰，而人工智能與大數據相結合則會激發更多活力。另一方面，金融科技人才也是稀缺資源，

人工智能可以成為提升員工能力的“智慧助手”，也可以通過構建“數字人”來彌補團隊能力。

數據：機構從Coinbase轉出7.694億美元比特幣:據Glassnode數據顯示，周日，機構在10分鐘內從Coinbase轉出12638枚比特幣，價值約7.694億美元。[2021/4/12 20:10:31]

四是組織運營問題。金融業數字化轉型離不開組織架構與運營能力的保障，在此過程中可以充分利用人工智能打造自動化、智能化的運營模式，不斷優化運營流程，創新運營模式，提升運營服務質量，降低運營成本，從而支撐綜合化、智慧化的金融服務。

五是服務能力問題。金融機構的服務能力體現在多元化的產品、充足的市場分析能力、市場營銷與渠道能力、客戶維護與增值服務能力等。尤其是在定制化智能產品設計、客戶全息畫像服務精準營銷、線上線下體驗一致性等方面，已經有了卓有成效的探索。

六是風險管理問題。當前金融業面臨的宏觀與微觀風險更加復雜，如能有效利用人工智能，可以在整合、分析大數據基礎上，建立智能風控模型，成為識別風險、監測風險和控制風險的有效途徑。一方面構建客戶、業務和風險視圖，動態全面反映風險全貌；另一方面，優化智能信用風險評估，實現風控向數控、智控的轉變。

七是服務效果問題。人工智能在金融業應用是否高效，一是從金融機構自身看，二是從服務實體來看。一方面，近年來在金融業快速發展過程中，信息技術已經對金融業全要素生產率的提升與轉變，產生了非常深刻的影響。人工智能的使用價值體現之一，就是能否進一步改善金融機構運行效率、優化財務指標。另一方面，金融業在助力普惠、綠色、科技、共同富裕等方面還有諸多職責，人工智能應用對其功能完善的價值如何，也需要進行考量。

3001枚BTC從Coinbase交易所轉出 價值4144.9萬美元:據WhaleAlert數據顯示，北京時間11月02日03:05, 3001枚BTC從Coinbase交易所轉入38UmuU開頭地址，按當前價格計算，價值約4144.9萬美元，交易哈希為：f1d1cd9c72d1ec80a9bd4d055632112c76c146c6d5061a878b2a1beb866e451e。[2020/11/2 11:24:23]

八是合作生態問題。從開放銀行到開放金融已經成為全球創新的主流，金融機構更需要與商業生態系統共享數據、算法、交易、流程和其他業務功能，為生態系統的客戶、員工、第三方開發者、金融科技公司、供應商和其他合作伙伴提供服務，從而打造“智慧、開放、共享、敏捷、融合”為主要特征的數字金融生態。在人工智能和大數據的加持下，或許有助于進一步改善金融機構外部生態。

03 金融業應用人工智能存在的挑戰

ChatGPT進一步凸顯了人工智能的應用能力，但對于金融業來說，仍然面臨諸多挑戰，使其較長時期內仍無法給金融業帶來重大變革。

一是數據治理。金融業數字化轉型的起點是做好數據治理，需要真正完善數據治理體系、增強數據管理能力、加強數據質量控制、提高數據應用能力。人工智能應用同樣離不開高質量的海量數據，但金融機構的數據治理普遍處于起步階段，數據低質量、數據孤島、數據散亂等普遍存在，難以為人工智能提供充足的數據要素支撐。

二是場景的標準化。雖然人工智能的金融應用體現個性化、“千人千面”等特點，但長遠來看在金融與技術的融合過程中，真正具有生命力的是標準化、通用型的金融科技創新場景，而非基于傳統外包模式的差別化合作，這也是現有人工智能金融應用的制約之一。

三是技術與方案的高成本門檻。人工智能在金融活動中的技術應用與解決方案設置，通常具有較高的部署成本，難以適應廣大中小金融機構的需要。據國盛證券的研究估算，GPT-3訓練一次的成本約為140萬美元，對于一些更大的LLM（大型語言模型），訓練成本介于200萬美元至1200萬美元之間。

四是透明度與不可解釋性。所謂可解釋性，就是在一項行動認識或決策過程中，需要從中獲取充足的、可理解的信息，從而幫助做決策。而在機器學習領域，在輸入數據和輸出答案之間通常有被稱為“黑箱”的不可觀察空間。只有發展可解釋、可信任的人工智能金融應用，才能實現用戶信任、模型可審計性并降低風險。

五是組織內部協調。就金融機構應用人工智能等前沿技術來說，通常難以形成有效的“激勵相容”機制，而促使內部利益主體達成共識，以最大效率地體現技術創新價值。對此，如何在技術方案自身優化迭代的同時，努力通過規則設計來優化組織協調模式，也是人工智能繞不開的挑戰。

六是責任分擔。金融機構的產品設計與業務運行具有一定特殊性，也存在各類復雜風險。因此，基于風險可控和金融消費者保護的邏輯，任何金融活動都需要有清晰的責任分擔機制。當引入人工智能之后，原有的金融機構業務流程中的權責相稱，可能會出現一些新的模糊性，亟待從制度規則、業務實踐、技術與業務、模型與人的關系等方面進一步探索。

七是合規性與倫理性。伴隨著金融科技的快速發展，各國的監管都在與時俱進，面對動態演變的監管原則與模式，人工智能的金融應用存在更突出的合規壓力。同時，算法歧視、大數據殺熟、信息泄露等金融科技倫理挑戰，也給人工智能應用帶來“陰影”，仍需深入探索如何用“負責任”的科技創新打造“有溫度”的金融服務。

總之，人工智能驅動金融業數字化變革的圖景已經展開，但這并非一帆風順，仍面臨眾多重大挑戰，亟待自我優化與持續“闖關”。

國家金融與發展實驗室

個人專欄

閱讀更多

金色早8點

Odaily星球日報

金色財經

Block unicorn

DAOrayaki

曼昆區塊鏈法律

Tags：人工智能GPTCHATHAT人工智能chatGPTGPTGStripchat10元等于多少代幣Love Hate Inu

幣贏