伴随ChatGPT掀起的人工智能热潮，互联网巨头、科技公司纷纷开启了人工智能、大模型等创新技术的商用落地竞逐。
而基于不同行业，不同细分的领域，大模型发展逐渐从“通用”迈入“垂类”。其中，在大模型步入应用阶段，行业发展也在倒逼垂直领域的大模型快递向前推进，并在不同产业中抢占先机，实现落地价值。
6月1日，度小满与哈尔滨工业大学宣布共同成立“哈尔滨工业大学-度小满人工智能（大模型）联合研究中心”。据了解，双方将围绕大模型基座研发、大模型技术原理及其应用技术等领域展开前沿研究，旨在提升大模型的技术创新能力和实际应用效果。双方还将共同培养生成式人工智能技术领域的领军人才，推动前沿技术的产业化应用加速。
其实在金融科技行业中，就企业侧而言，不论是依托自身创研能力，抑或企业之间强强联手，还是借助高校科研力量，都希望能将强大的算力、大规模数据以及科研人才等要素嫁接到金融垂类大模型上，以此更好地满足金融用户在特定领域或者场景下的需求和期待。
那么，对于垂类大模型落地运用于金融科技领域，是否具备先发优势？校企共研，能否打破理论实践两分离桎梏，在行业中形成可复制蓝本，进而为各类企业打开进军垂直大模型的大门。
大模型呈现分化
垂类大模型核心聚焦行业需求
随着各大厂商参与竞逐，市场正在分化为通用与垂直两大路径。
此前，有业内人士指出，当前国内大模型赛道主要包括三类，一类对标GPT的通用大模型，聚焦基础层的公司；一类是在开源大模型基础之上训练垂类大模型，聚焦垂直行业的企业；另一类则是专注具体应用的纯应用公司。
以度小满为例，凭借其拥有广泛的用户数据以及科创实力，已开始基于大模型“底座”，训练适配自身的垂类模型。
5月26日，度小满正式开源国内首个千亿级中文金融大模型——“轩辕”。轩辕大模型是在1760亿参数的Bloom大模型基础上训练而来，在金融名词理解、金融市场评论、金融数据分析和金融新闻理解等任务上，效果相较于通用大模型大幅提升，表现出明显的金融领域优势。
度小满CTO许冬亮曾表示，轩辕大模型是经度小满业务场景中积累的金融数据训练而来的，对金融相关问题的理解比通用大模型更有优势。把大模型能力开放给金融机构，有利于推动大模型在金融行业的应用，降低大模型的应用门槛，提升金融行业智能化水平。
对于金融行业而言，作为高度数字化和专业化的领域，自然成为大模型落地垂类实践的最佳场景。事实上，从商业逻辑的角度也不难看出，大部分公司不具备做通用大模型的能力，巨头更适合做通用大模型，而拥有丰富场景数据积累的公司更适合做垂域模型。垂类大模型以深度解决行业需求为主，即企业在自己擅长的领域训练适合自己的“产业版GPT”。这类大模型生成的内容更符合特定垂类场景的需求，且质量更高。
另外，在技术侧，金融行业生产和处理大量数据，而人工智能大模型尤其是基于深度学习大模型，擅长处理这种数据密集的环境，这种能力对风险评估、欺诈检测、市场预期等方面至关重要。大型人工智能模型能够在短时间内高效地处理和分析大规模的金融数据，使金融机构能够迅速应对市场变化，识别异常情况。
基础能力持续精进
行业智能化进程加速
近日，据IDC方面公布数据显示，预计中国人工智能市场规模在2023年将超过147亿美元，到2026年将超过263亿美元。另外，市场研究机构Market. us预测，到2032年，金融科技市场中的生成式人工智能将从2022年的8.65亿美元增长到62.56亿美元。此外，预计将实现复合年增长率2023年至2032年的增长率(CAGR)为22.5%。
面对庞大的市场，金融科技企业正经历从传统的“金融+科技”向“金融+AI”转型，同时也映射出金融机构在不断地创新和变革，以适应新的技术和市场环境。
多年来，度小满携手顶尖科研院所，不断探索人工智能前沿技术在金融领域的应用。2018年10月，度小满与北京大学光华管理学院成立“北大光华-度小满金融科技联合实验室”；2020年9月，与中国科学院自动化研究所启动博士后联合培养项目，共同开展人工智能及相关领域的博士后联合招收培养；2021年4月，度小满与西安交大共同成立“西安交通大学-度小满人工智能联合研究中心”。
此次，度小满携手哈尔滨工业大学，将联合研究包括大模型的思维链能力来源的探索、大模型长上下文建模、大模型快速适配声音、图像、文本等多模态数据、不同场景下大模型输出决策的可解释性等八大课题。
落地到实际运用上，这一系列的探索将利用生成式AI技术来帮助金融机构更好地管理风险、提高效率和个性化服务，从而为金融机构和消费者带来更多机遇和便利。对于度小满来说，依托百度大模型和自身在金融垂直领域的深度积累，加之联动高校的科研实力，这将让其持续为行业数智化发展提供强大新动能，并长期在新技术变革浪潮中处于有利地位。
可以预见的是，传统风控模式面临效率低下、容易出错、难以面对大规模数据处理等挑战。而类似度小满在内的企业，通过大模型技术探索，企业可以自动化地处理大量数据，快速、精准、全面地分析和识别贷款潜在风险，进而优化风险模型，提高风险控制的准确性和效率。
此外，在探索金融业务场景应用的同时，融合大模型的基础能力亦会持续精进，使得金融与科技二者之间形成良性促进的协调关系，最终让金融科技实践加速金融业智能化发展，提高金融科技在全球范围内的竞争力。
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
