每經(jīng)記者 張宏    每經(jīng)編輯 廖丹    

7月2日，微眾銀行“大模型時(shí)代AI前沿與金融應(yīng)用”主題活動(dòng)在北京舉辦。

會(huì)上，微眾銀行人工智能首席科學(xué)家范力欣表示，模型越大，能力越強(qiáng)，隨之而來(lái)的問(wèn)題是高成本，盡管現(xiàn)在“百模大戰(zhàn)”，用戶成本可能越來(lái)越低，但使用和訓(xùn)練大型模型的成本實(shí)際上并沒(méi)有降低，這為大模型應(yīng)用落地帶來(lái)挑戰(zhàn)。

會(huì)后，《每日經(jīng)濟(jì)新聞》記者（以下簡(jiǎn)稱“NBD”）就如何防范和糾正大模型“幻覺(jué)”、銀行業(yè)大模型落地面臨的挑戰(zhàn)、數(shù)據(jù)要素與大模型之間的關(guān)系等問(wèn)題專(zhuān)訪了范力欣。

圖片來(lái)源：每經(jīng)記者 張宏 攝

基于內(nèi)容嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)庫(kù)查詢和校驗(yàn)可防范大模型“幻覺(jué)”

NBD：在金融機(jī)構(gòu)中，數(shù)據(jù)精準(zhǔn)度至關(guān)重要，因此有人認(rèn)為生成式AI不適合應(yīng)用在金融機(jī)構(gòu)的核心部門(mén)。針對(duì)生成式AI可能出現(xiàn)的“幻覺(jué)”問(wèn)題，你認(rèn)為可以如何進(jìn)行防范和糾正？

范力欣：在技術(shù)層面，可以基于內(nèi)容嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)庫(kù)查詢和校驗(yàn)。目前，這一過(guò)程已經(jīng)在實(shí)際應(yīng)用中得到實(shí)施。

首先，在生成內(nèi)容之前，（生成式人工智能）需要先查詢信息。當(dāng)查詢來(lái)源為網(wǎng)絡(luò)時(shí)，信息的可靠性參差不齊，查詢結(jié)果的準(zhǔn)確性并非總是能夠得到保證。但在（金融機(jī)構(gòu)的）實(shí)際應(yīng)用中，所依賴的是內(nèi)容嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)庫(kù)，這構(gòu)成了第一層保障。

其次，生成的內(nèi)容需要再次與數(shù)據(jù)庫(kù)進(jìn)行校驗(yàn)，以確保生成的內(nèi)容與數(shù)據(jù)庫(kù)之間不存在矛盾。這是技術(shù)層面上的第二層校驗(yàn)。

在流程層面上，我們的系統(tǒng)并不直接面向?qū)崟r(shí)生成業(yè)務(wù)。以客服為例，客服背后有一個(gè)龐大的數(shù)據(jù)庫(kù)支撐。以往遇到的問(wèn)題是，數(shù)據(jù)庫(kù)中一個(gè)問(wèn)題對(duì)應(yīng)一個(gè)答案。隨之而來(lái)的難點(diǎn)是如何將同一問(wèn)題千變?nèi)f化的問(wèn)法與數(shù)據(jù)庫(kù)中的答案對(duì)應(yīng)?，F(xiàn)在，（有了生成式人工智能）可以擴(kuò)展問(wèn)題的表述范圍，使其能夠覆蓋用戶未來(lái)可能的表述，從而達(dá)到答案與問(wèn)題的“多對(duì)一”匹配。由于數(shù)據(jù)庫(kù)是離線的，并且可以人工審核，從應(yīng)用層面避免了“模型幻覺(jué)”問(wèn)題。

NBD：剛剛你提到的數(shù)據(jù)庫(kù)是銀行內(nèi)部的私域數(shù)據(jù)庫(kù)嗎？

范力欣：是的。實(shí)際上，包含兩個(gè)數(shù)據(jù)庫(kù)：第一個(gè)是事實(shí)材料庫(kù)，也稱為背景庫(kù)，它用于查詢和聯(lián)合校驗(yàn)。第二個(gè)數(shù)據(jù)庫(kù)是面向服務(wù)端客服的問(wèn)答庫(kù)。這個(gè)問(wèn)答庫(kù)原本是一問(wèn)一答的模式，現(xiàn)在已經(jīng)發(fā)展為多問(wèn)一答的模式。

NBD：校驗(yàn)的過(guò)程由模型完成，還是由人工完成？模型在校驗(yàn)過(guò)程中會(huì)不會(huì)出現(xiàn)“幻覺(jué)”？

范力欣：大模型校驗(yàn)。但最終會(huì)由人工審核，就像一支人機(jī)混合的足球隊(duì)，大模型是前鋒，攻城拔寨，人工審核是后衛(wèi)守門(mén)員，保證不失一球。

投入產(chǎn)出比為大模型應(yīng)用落地帶來(lái)挑戰(zhàn)

NBD：人工智能的發(fā)展對(duì)金融機(jī)構(gòu)人員專(zhuān)業(yè)占比有沒(méi)有影響？

范力欣：微眾銀行擁有超過(guò)50%的科技人員。在這些科技人員中，涵蓋了我們通常所說(shuō)的ABCD各個(gè)方面，即人工智能（AI）、區(qū)塊鏈（Blockchain）、云計(jì)算（Cloud）以及大數(shù)據(jù)（Big Data）。目前，這些技術(shù)領(lǐng)域已經(jīng)基本融合。

NBD：大模型落地目前還面臨哪些挑戰(zhàn)？

范力欣：雖然大模型在技術(shù)上有廣闊的想象空間，但我們必須考慮投入產(chǎn)出比。小型模型可能能力不足，而大模型可能具有質(zhì)的飛躍，但隨之而來(lái)的問(wèn)題是成本也可能有質(zhì)的飛躍。銀行是高度數(shù)字化和信息化的，理論上完全可以使用該技術(shù)。然而，銀行必須計(jì)算投入產(chǎn)出，許多小企業(yè)也同樣關(guān)注這一比率。任何企業(yè)首先考慮的是生存問(wèn)題，而成本控制是首要的考慮因素。

目前，大模型帶來(lái)的微小收益可能已經(jīng)被其額外的成本所抵消。因此，現(xiàn)階段我們只能篩選那些產(chǎn)出大于投入的業(yè)務(wù)。對(duì)于其他業(yè)務(wù)，我們可能會(huì)進(jìn)行簡(jiǎn)單的嘗試或評(píng)估，以確定是否可行。當(dāng)大模型到達(dá)另一個(gè)階段，能力更強(qiáng)、成本更低的時(shí)候，將有更多可能的業(yè)務(wù)亟待拓展。

NBD：目前哪些應(yīng)用在投入產(chǎn)出比上有優(yōu)勢(shì)？

范力欣：目前在投入產(chǎn)出比上具有優(yōu)勢(shì)的應(yīng)用主要包括生成視頻、生成圖像以及營(yíng)銷(xiāo)領(lǐng)域。除此之外，還有對(duì)客戶進(jìn)行評(píng)估和判斷的相關(guān)應(yīng)用。這些都是可以進(jìn)一步開(kāi)發(fā)的領(lǐng)域，但有時(shí)候不一定要使用大模型。

NBD：你提到聯(lián)邦大模型，借助聯(lián)邦大模型似乎可以達(dá)到數(shù)據(jù)可用不可見(jiàn)。數(shù)據(jù)要素市場(chǎng)建設(shè)有沒(méi)有可能與人工智能相融合形成1+1＞2的效果？

范力欣：我們的理解是，關(guān)鍵不在于數(shù)據(jù)要素，而在于模型要素。為什么這么說(shuō)呢？數(shù)據(jù)本身如同原油，可以提煉為柴油、汽油等多種形態(tài)，只有當(dāng)數(shù)據(jù)被納入一個(gè)有效的模型中，數(shù)據(jù)才具有可用性。雖然這個(gè)比喻可能略顯粗糙，但可以理解為，原始數(shù)據(jù)有多種潛在用途，在具體用途不明確的情況下，我們無(wú)法對(duì)數(shù)據(jù)進(jìn)行準(zhǔn)確的定價(jià)，只能根據(jù)數(shù)據(jù)的規(guī)模和大致質(zhì)量進(jìn)行初步估計(jì)。

然而，更精確的定價(jià)應(yīng)當(dāng)面向應(yīng)用。只有當(dāng)我們明確了數(shù)據(jù)的使用目的，以及它在實(shí)際應(yīng)用中帶來(lái)的幫助，我們才能評(píng)估其真正的價(jià)值。否則，同樣的數(shù)據(jù)對(duì)某些人可能毫無(wú)價(jià)值，而對(duì)另一些人可能非常有用。

這種應(yīng)用價(jià)值的評(píng)估需要通過(guò)模型來(lái)實(shí)現(xiàn)，即通過(guò)訓(xùn)練或微調(diào)，使數(shù)據(jù)得以有效利用，從而揭示其真正的價(jià)值。從這個(gè)角度來(lái)看，實(shí)際上是模型賦予了數(shù)據(jù)價(jià)值，就像羊吃了草之后，我們是對(duì)羊定價(jià)，并向客戶提供羊的使用價(jià)值。

封面圖片來(lái)源：視覺(jué)中國(guó)-VCG41N1419339719