当AI时代扑面而来，哪些行业将发生深刻的变革？大家先想到的可能是办公软件、智能硬件等，其实还有一个特别巨大的行业，那就是金融业。

对金融行业的从业者来说，一方面置身其中，是AI浪潮的参与者。另外一方面，作为资产管理机构，又是这个时代的重要观察者。

5月18日上午，由《财经天下》、「市界」、《博客天下》联合举办的2023年异想大会在北京望京凯悦酒店召开。大会现场，市界执行主编成静卫携手五位金融界人士，从行业机会、应用场景、投研风控等方面，对AI时代的金融业进行了探讨。

如何看待年初以来ChatGPT的投资热潮？AI为金融领域带来的产业创新覆盖哪些方面？我们该如何面对及处理由此产生的困难和风险？

在圆桌论坛“奇点来临——AI让金融更具想象力”中，华软新动力私募基金董事长徐以升、达观数据副总经理吕文超、马上消费金融人工智能研究院高级总监张斯聪、诺安基金研究部总经理邓心怡、爱玩特智能/鸿熵量化私募创始人雷宗就以上问题分别发表了自己的观点。

在ChatGPT横空出世以前，金融领域一直对科技和AI赛道都非常重视。ChatGPT火了以后，用它写投研报告、做客服、帮助智能投顾为客户提供个性化投资建议等新闻已经见诸报端。AI究竟能为金融领域带来什么赋能？ChatGPT在其中又扮演着什么角色？

诺安基金研究部总经理邓心怡表示，大模型和人工智能在公募基金投研领域的应用更多还是从量变到质变的过程。目前，研究员在做一些行业跟踪和公司比较时会用到的非结构性数据，需要反复交叉验证，人工智能的接入，可以帮忙解放生产力和提高工作效率，把研究员从冗余的会议纪要中解脱出来，把时间和精力放在真正捕捉行业业务中去。

随着人工智能的迭代，邓心怡相信未来信息的数量是会更快速地上升的，“现在每位投研人员面对的信息已经是爆炸规模，以后我们希望人工智能能做出类似于千人千面的输出报告，以满足不同风格、不同策略的基金经理和研究员需求。”

马上消费金融人工智能研究院高级总监张斯聪从消费金融角度分享道，AI和消费金融的结合有两个维度。第一个维度是消费金融的业务维度，分别对应贷前、贷中、贷后三个阶段。涉及智慧化营销、客服、安全支付、风控和内部高效智能化运营支撑系统的落地。第二个维度是技术维度，主要集中在安全和体验两方面。安全“向前”是保障客户资产安全；“向后”是保障公司业务安全。体验“向前”是借助AI的能力提升用户使用体验，例如智能客服、智能支付等；“向后”是借助AI的能力，降本增效、确保公司业务高效率运转，例如用AI打造智能客服培训系统，极大地降低了公司内部培训成本。

在实际应用中，人们也会发现，人工智能有时候会有“智障”表现。

达观数据副总经理吕文超就拿GPT举例道，“因为它是一个生成类的模型，每次可能产生上下文不一致，给出的答案尤其是客观事实类我们不敢去用。”对此，达观数据寻找到的解决方案是先用搜索引擎去把存在潜在答案的内容区域框选出来，再用大模型归纳总结。这样做，既能保证大模型给出来的答案是有依据的，不是胡编乱造，又能具备高度总结性和概括性。

站在当下，人工智能的变化对各行各业来讲，既存在机会也存在颠覆性冲击。当AI变得越来越全能，有人担心它们会最终取代人类岗位，逼迫人类下岗。

对此，吕文超的观点是，在大模型时代，因为有了一个更好的工具、一项新技术的加持，一些员工的角色定位和工作边界可能会发生一些变化，但不是裁员，而是由原来一个人干一份活变为一人干两份活，有一些岗位的人员会减少，但另外一些岗位的人员职责会更加丰富。

不难发现，金融领域被AI渗透已是大势所趋，而一些近在眼前的行业趋势已经达到了惊人的地步。

华软新动力私募基金董事长徐以升分享了一组数据，“目前，国内股票量化基金的规模大概有1.5万亿人民币，量化交易所产生的日成交量大概占A股每日成交量的30%，可能还会有进一步上升的趋势和空间。”

他进一步解释道，股票市场或者说交易金融市场是人工智能特别适合的领域。因为前者需要通过模型去对数据进行梳理，通过算力来实现结果。“将更多的数据处理模型应用到市场投资，已经成为最近这几年比较重要的趋势。”徐以升补充说，目前市场量价类数据已经被挖掘得差不多了，未来重心之一将是如何拥有更多数据，尤其是另类数据，供模型和算力分析。

吕文超从他所接触到的头部金融客户诉求方面，描述了他们对于大模型到底是什么样的认知，以及期待大模型能够达到的水平。他称，金融客户最迫切的需求是模型及数据的私有化需求，希望模型可以本地化部署在自己的数据中心和机房里面。由私有化紧接着就会带来成本的挑战，即如何在可接受的成本范围内用到这个工具，毕竟大模型在预训练阶段通用底座的成本至少是千万级的。“此外，大模型需要和已有产品、应用场景做更多的结合，而不是仅仅局限在现在的ChatGTP聊天形式。”

邓心怡称将从三个方向上关注AI的发展。一是从虚拟到现实。“这一次人工智能的变革和此前任何一次都不一样，此前AlphaGo等人工智能产品，是让人工智能在各个领域和人竞争。但这一次是人工智能在各个领域和人合作。”

第二个方向是安全。第三个方向是对于人工智能大模型的“可解释性”和生物科学的结合。对于“可解释性”的研究不光能够让我们提高对于模型的信任程度，加快模型的迭代和更新，也能让我们触及人类生命科学奥秘的边界更进一步。

邓心怡分享了清华大学张亚勤院士与清华大学国家金融研究院院长朱民的一段话：“如果说数学是描述物理学的语言，可能AlphaGo这种生物领域的人工智能模型就是未来描述生物学中蛋白质的最好的语言”。

需要警惕的是，人工智能不是绝对的完美无瑕。它在提升效率的同时，也容易因为过于喜欢自由发挥带来风险。在这样的背景下，我们不得重新审视，用GPT做投资这件事本身是否还能够成立？它存在哪些潜在问题？

爱玩特智能/鸿熵量化私募创始人雷宗发现，最近一篇名为《用ChatGPT获得累计500%的回报》的文章很火。

但他指出，事实上，在行业探索中大家会发现，GPT技术有两点需要注意。第一，GPT是个很好的文科生，但不是一个很厉害的理科生，先天就不太具备数学建模和概率推算的能力。

第二，GPT具备了同类类比的能力，而在金融领域做投资决策，同样的类比来源于你放了什么语料进去，放什么语料决定着你是赚钱还是亏钱。而如果把研报拿去进行训练，研报很多以买入信息为主，这又让GPT很难区分真伪。

总之，“不管是投资风险、合规风险，还是整个可行性上，GPT技术应用在金融领域上还是有很长的路要走。”雷宗称。

徐以升表示，目前纯粹人工智能机器学习领域的挖掘还是有不确定性风险。

张斯聪也认为，人工智能涉及到的首要风险是数据隐私和安全问题，如何让数据采集、存储、传输、使用更安全，需要进一步深度探索。第二个风险是人工智能的可解释性不明确。在AI的实际应用过程中会碰到幻象和灾难性遗忘问题。前者是指人工智能会一本正经的告诉你完全错误的答案，后者是指当神经网络精调训练时，后面学习的知识可能会降低前面模型已经具备能力的性能。

为了避免这种情况发生，需要更细致地通过人工的方式将导致出现幻象和出现错误结论的训练数据清洗出去，也需要结合传统的预处理和后处理的方法规避它的一些错误答案。但是如何高效直接命中问题所在点，还需要学术和工程界继续研究明确。

尽管麻烦种种，人类还是有必要积极拥抱人工智能。雷宗称，“任何一个技术出现时，大家对它的想象往往高于它实际的能力，而真正用技术去探寻时，又会发现很多幻想破灭了，进而质疑它的实践能力。”在雷宗看来，这是一个必然的过程，只有技术逐渐的成熟，人们对它的信心才会越来越增强。

整理 | 陈 畅编辑 | 韩忠强运营 | 刘 珊