意见领袖丨中国金融杂志
作者丨章杨清（招联消费金融股份有限公司党委书记、总经理）
以大模型为代表的人工智能技术已成为引领新一代产业变革的核心力量。2024年政府工作报告首次提出“人工智能+”，要求“大力推进现代化产业体系建设，加快发展新质生产力”“深化大数据、人工智能等研发应用，开展‘人工智能+’行动”。随着人工智能技术被纳入国家发展的顶层设计，其在各行业的应用也将开启新篇章。
金融业是国内最早应用人工智能的行业之一，在我国迈向金融强国的新征程中，金融业需牢牢抓住当前数智化技术变革机遇，前瞻性布局大模型等领域的自主创新和应用，培育金融业的新质生产力，按照党的二十届三中全会和中央金融工作会议的部署，全力做好“五篇大文章”。数字金融是“五篇大文章”的底座，而大模型将成为数字金融的基础设施。在此，笔者就大模型时代如何“以科技践行普惠”谈几点思考。
关于大模型的几个问题
在探讨大模型赋能普惠金融的具体应用之前，我们不妨先研究几个问题，分析一下本轮技术变革的特点。
世间万物是否都能用数学公式来表达
毕达哥拉斯曾言“万物皆数”，数学被认为是描述自然界规律最有效的工具之一。工业革命以来，经济学、社会学等人文社会学科大量运用数学，开启方法论的革命。尤其是进入信息化时代后，数学在推动人类社会进步中的主导作用已经越来越明显。大模型的出现，再一次印证了数学工具在人类思维模式探究领域的价值。
近期OpenAI的技术专家发现，在相同的数据集上对不同模型进行训练，几乎每个具有足够权重和训练时间的模型都会收敛到同一点。笔者认为，这从一个侧面说明，表达人类思维的数学框架已基本得到工程验证，后续将会在持续迭代中逐步优化和收敛。即便是复杂的人类情感、主观意识等，目前看来也可以用数学建模来无限近似地表达。只要能用数学表达，就意味着可以交付机器解决。
为什么大模型异军突起的关键是算力
自1943年单个神经元模型首次提出以来，卷积神经网络（CNN）、循环神经网络（RNN）等主流模型已迭代进化数十年，为何大模型却姗姗来迟？
究其根源，算力才是人工智能发展的瓶颈因素。记得笔者在1992年做图像识别的研究课题时，国内最先进的机器是VAX8700（全国只有两台），要排队申请机时，轮到上机时，把遥感识别神经网络系统和卫星遥感数据输入计算机，第二天才能跑出结果，比对正确率后调整网络层数和输入参数等，再排队上机验证结果和调整模型。那时人工智能项目与当今大模型的算力和规模不可同日而语。
随着计算机硬件性能和数据规模的跃升，叠加模型的持续优化，现今拥有几百亿乃至上千亿参数的巨型模型终于“涌现”出了接近人的智力。对于大语言模型来说，模型参数规模对于性能提升依然是决定性因素。当前最先进的GPT-4模型参数量为1.8万亿，尚不足人脑神经突触数量的0.2%，却已表现出接近人类的智能。当模型参数继续扩展，在接近甚至超过人脑神经突触规模的过程中，一定会不断出现令人惊喜的智能跃迁。
大语言模型的应用为何不只局限于语言
大语言模型被冠以“语言”二字，令很多人误以为大语言模型的应用只限于语言。事实上，从应用广度来看，大语言模型可用于所有思维领域。
语言可以抽象世界万物，是人类认知世界的核心工具。当建立在深度神经网络的大模型像人一样进行学习和逻辑推理时，它就已经打破了专门知识领域的束缚。在大模型具备了最关键的学习和推理能力后，要想拓展至图像、视频、语音或其他领域，只需通过空间映射的方式与核心的大模型相结合即可。最终训练结果取决于两方面，一是数据集的质量（相当于“教材”），二是训练方法是否得当（相当于“名师”）。
以机器人制造为例，以前哪家企业推出能跑能跳的机器人，业界为之惊艳，因为此类机器人“头脑”简单，研发方向是让其“四肢”发达，技术门槛很高。但现在很多公司都能制造出此类机器人，就是因为大模型的突破，机器人突然变“聪明”了，能够基于多模态的训练和自适应，利用“头脑”发达来弥补“四肢”的不足。
大模型能否催生超越人类的天才
通用大模型展现出的全能性只是硬币的一面，垂直大模型所带来的“专、精、特、新”力量有望为传统行业带来革命性的机遇——不仅是模仿专家，更可能创造天才。
人类认知世界的规律为“观察—假设—实验—结论”。这方面的经典案例是开普勒及其老师第谷。第谷修建了当时先进的天文台，积累了大量的天文观测资料，但第谷擅长观察实验而不擅长分析计算，欠缺建模能力，他临终前把观测资料留给了开普勒。开普勒运用其擅长的数学方法对老师留下的数据进行了系统的分析整理，发现了开普勒定律。
人类数千年来已经积累了大量数据。特别是近三十年来，借助互联网，人类生成和存储的数据超过了此前数千年的总和，但是人类认知能力有限，难以发现和总结所有规律，而这恰好是大模型最擅长的。如果参数容量跟人脑神经突触数量相仿，并且已经训练成超越大多数人的专家大模型，每天24小时不知疲倦地分析思考，笔者相信，在大模型时代，输入“第谷”们的观测数据，人工智能同样能够发现当代的“开普勒定律”，催生出类似牛顿的天才，在物理、生物、中医、制药等垂直细分领域，取得诺贝尔奖级别的重大进展。如果这样的天才如雨后春笋般出现，这个世界将会发生怎样的剧变？
如何看待人工智能领域的中外差距
在人工智能领域，尽管我国与美国等发达国家在算力、算法和人才等方面有着较大的差距，但也要看到我国具有后发优势，一些“卡脖子”问题的应对已初见成效，新技术尤其是量子技术的突破有可能带来新的发展机遇。同时，我国庞大的用户规模和丰富的应用场景，也将为大模型的落地发展带来持续的牵引力。
此外，面对算力的约束，可以通过优化算法来解决。在大模型时代，把数据集、模型分散或复制在多个图形处理器（GPU）并行处理，能够弥补单机算力不足的缺陷，其他一些集约优化的办法也可以降低算力消耗。以招联消费金融股份有限公司（以下简称招联）“招联智鹿”大模型的进化为例，2023年推出的“招联智鹿”大模型采用130亿参数，在国内权威榜单C-Eval、CMMLU分别排名第20位、第10位。近期升级的“招联智鹿二代”大模型虽然将参数逆势调降至80亿，但通过优化模型算法、提高数据质量、完善训练方法，实现了节约算力下的性能倍增，且优于一些参数量超过700亿的行业大模型，取得了C-Eval、CMMLU分别排名第14位、第5位的好成绩。目前“招联智鹿二代”的应用场景不仅涵盖日常办公和运营、智能信贷审批、客户服务和资产管理等，还延伸至环保等行业的数智化转型领域。以智能客服为例，它不仅可以结合具体会话状态与服务场景，快速精准地进行会话小结，大幅提升作业效率，还能充分利用深度学习技术准确理解客户意图、共情客户情绪，并将与客户交互的“经验”和“感觉”积累成参考样本，实现“举一反三”的智能服务。
大模型将给普惠金融带来哪些改变
普惠金融的概念最早由联合国在2005年提出，其核心思想是建设能够全面覆盖社会各个群体的金融体系，推动个人、家庭和企业以合理的成本获取广泛的金融服务，同时也强调了金融机构自身的稳健运营和可持续发展。
以普惠金融体系中的零售信贷为例，该业务呈现小额、分散、高频的特点，运营成本和风险相对较高，实现“普”与“惠”兼得是个难题。而金融机构的数智化转型有效扩大了零售信贷业务的覆盖面，提升了信贷的精准性、可得性和满意度，大模型的进一步赋能必将带来更大的改变。
依靠“审批智能体”践行“普应适度”
笔者认为，普惠金融服务的覆盖面应“适可而止”，服务的客户群体范围既要适度又需精准，做到“不该贷的不贷，该贷的额价合理”，才能实现可持续的普惠。
传统的银行信贷模式受限于技术经验培养周期、人工处理能力和费用等因素，很难低成本地为千百万量级的客户提供高质量服务。当前众多金融机构已经开启数字化转型，而大模型涌现出的超强智能，将进一步驱使某些金融领域快速进入数智化颠覆阶段。
风险管理是金融业的关键业务环节，其底层逻辑与诸多行业相通。例如，公司招聘员工，本质上就是根据应聘者提交的材料，以及背调获取的“征信”信息，结合面谈最终作出是否录用的决策；中医看病，本质也是通过“望闻问切”等个人信息搜集手段，比对医生积累的知识体系，最终得出对病情和疗法的判断。通过大量案例的训练，大模型可以替代甚至超越人工，具备此类岗位的学习、思考和判断能力。
利用大模型技术，创新打造“审批智能体”，从大量看似琐碎的信息中，识别出有效信息，利用大模型的“涌现”能力生成诊断逻辑，有望在根本上实现普惠金融的“普应适度”。
打造“运营智能体”助力“惠无止境”
普惠金融所面对的城乡“奋斗者”客群有着大量资金需求，但也存在收入来源不稳定、缺乏抵押物、征信信息不全等问题。在传统的风控逻辑中，金融机构基于掌握的客户信息审批授信，无论贷款金额还是价格往往都是“一锤定音”，但这种流程并非完全合理，也无法精准匹配客户的需求。
通过打造“运营智能体”，与客户实时智能交互，更加高效精准地响应客户需求，动态调整产品和服务，推动利率不断下行，正是普惠金融践行初心使命的表现。“普”在覆盖面上固然应该适度，但“惠”在价格上可以永无止境。
实践证明，在科技力量的推动下，普惠金融对客户的精准让利还有很大空间。招联两年前推出了名为“自信”和“自愈”的智能交互服务模式，利用智能技术让客户自主管理自己的信用，无论是利率、额度还是还款方式调整，都可以“一键唤起”、实时商量，人工智能客服就像跟朋友聊天一样，理解客户的诉求、满足客户的需求、解决客户的痛点。要做到及时满足海量客户的不同诉求，而且还能持续让利客户，只有依靠低成本、大批量、高质量作业的运营智能体，由此在践行“惠无止境”的同时，实现金融机构的微利可持续经营。
“让信用不负期待”形成诚信社会闭环
诚信是现代经济发展的基石，是政府取信于民的基础，是企业发展的生命，是个人立身的根本。社会主义市场经济的发展，是以信用关系的日益透明和不断扩大为基础的。
在诚信社会的建设过程中，数据是基础，守信激励和失信惩戒是保障。对于普惠客群而言，信用曾经是一个“先有鸡还是先有蛋”的问题：没有信用信息，则无法借款；不借款，就没有信用信息。普惠金融兴起后，帮助数以亿计的信用“白户”建立起基本信用。客户在获得授信之后诚信履约，“有借有还，再借不难”，二者之间实现“双向奔赴”与良性互动，逐步建立完善个人信用与企业信用体系，从而降低整个社会的信用成本与经济运行成本。
当然，普惠金融并没有改变金融“经营风险”的本质。社会如果对于少数恶意失信者采取纵容态度，则是对全体守信者的惩罚。传统的贷后管理采取人海战术，在服务质量上参差不齐，在成本上难以为继，无法实现对客户信用的全流程跟踪、报告，难以精准识别恶意失信行为，让一些“老赖”逍遥法外，反催收、逃废债等“黑灰产”愈发猖獗。在贷后管理环节运用大模型等人工智能技术，可以实时处理结构化数据和非结构化数据，动态跟踪并分析客户的真实信用状况，将非恶意逾期和恶意逾期或黑灰产介入等区别开来，分类施策，帮助金融机构补齐贷后短板。
“让信用不负期待”不仅是招联的理念，也是普惠金融高质量发展的目标。这一目标的实现，不仅需要金融机构、企业和消费者的努力，也需要相关政府部门、司法系统进行数智赋能，夯实数字金融的基础设施。一是完善既有数字征信体系，探索公共数据向持牌征信机构开放的新模式，使数据依法合规应用于信贷领域；二是加速落地线上金融商事调解中心，为金融领域的纠纷投诉调解提供支持；三是加大互联网法院的区域布局，突破法治资源供给瓶颈，有效打击“黑灰产”，降低信用成本，惠及重信守诺的企业和个人，形成不负各方期待的信用闭环。
“超级调解人”助力和谐社会建设
新技术推动社会进步，应该不限于提高产业领域的生产效率，基于大模型展现出的广泛应用潜力，笔者更期待人工智能成为和谐社会的“超级调解人”。
调解机制的本质是基于各方诉求，在一定的公序良俗框架内，找到最佳解决方案，实现各方利益的最大化和平衡。真实世界中要做到调解成功，必须在动态博弈中实时高速处理海量动态信息，提出多方共赢的调解方案。
金融领域的逾期债务催收，是维护社会诚信的必要途径，但也衍生出一些社会问题。大模型时代的“超级调解人”，将会在交叉验证欠债人涉及意愿和能力的多维度信息后，甄别出“老赖”和“黑灰产”等，“背靠背”根据债权债务方的条件，迭代确定双方接受的方案，从而大幅减少商业成本和社会问题。
推而广之，笔者建议，未来可以通过训练大模型生成具有一定政府部门职能的“超级调解人”。遇到多方复杂的利益诉求时，它可以在“背靠背”的情况下，汇总多方博弈的新诉求、新建议，迭代出平衡各方利益的最优方案，促使相关方达成共识。若人工智能“超级调解人”问世，则有望降低整个社会的信任成本，促进经济要素高效流转。除了金融纠纷，在更为广阔的C端（消费者端）市场，人工智能“超级调解人”也有极大的应用空间。拥有海量人际关系的社交软件可开发“超级调解人”功能，针对人与人之间的矛盾、纠纷，快速给出一揽子的解决方案，进而在个人的授权下，隐秘且适时地联系相关方进行“背靠背”居中调解，形成共识方案后告知相关方。“超级调解人”也在成功和失败的案例中，逐步学习成长为“调解天使”。当大量人际冲突可以被“超级调解人”高效化解，则大模型对于社会和谐的促进，将比赋能某些具体产业更有意义。
以科技践行普惠，让信用不负期待。愿大模型从赋能普惠金融开始，促进诚信社会建设，进而助力构建和谐世界，由点及面塑造美好的未来。
(本文作者介绍：权威、专业、理性、前沿，宣传金融政策、分析金融运行、报道金融实践)
责任编辑：张文
新浪财经意见领袖专栏文章均为作者个人观点，不代表新浪财经的立场和观点。
欢迎关注官方微信“意见领袖”，阅读更多精彩文章。点击微信界面右上角的+号，选择“添加朋友”，输入意见领袖的微信号“kopleader”即可，也可以扫描下方二维码添加关注。意见领袖将为您提供财经专业领域的专业分析。
