摘 要
当前，我国大中型商业银行已经开始布局人工智能生成内容（AIGC）。从应用场景来看，主要将其对话能力作为重点方向，智能客服是主要应用场景。从技术主体来看，商业银行多通过与第三方合作实现对AIGC的应用。基于AIGC的特点，其可以在商业银行债券业务中得到广泛应用，特别是在智能风控、智能运营和智能投研等领域。在业务落地过程中，应重点关注战略规划、嵌入业务环节和防范潜在风险等方面。
关键词
AIGC 商业银行 数字化转型 大模型
近年来，数字化和人工智能（AI）产业发展迅猛，商业银行也乘势纷纷推进数字化转型、智能化转型。人工智能生成内容（AIGC）是当前人工智能产业发展的前沿领域，其依托大模型，在数据理解、内容生成等方面相较传统人工智能具有显著优势，潜在的应用场景包括智能风控、智能运营与智能投研等。虽然国内部分商业银行正在积极布局甚至已经落地多种AIGC相关的应用场景，但由于其产生时间短，发展速度快，多数商业银行对AIGC的认识与应用尚处于起步阶段。AIGC在商业银行业务中的应用前景广阔，对于提升商业银行债券等投融资业务的运营效率可以发挥重要作用。
商业银行应用AIGC 的现实案例
（一）我国商业银行应用AIGC的现状与主要场景
在国有大型银行中，中国工商银行与中国农业银行较早布局并使用了AIGC。其中，中国工商银行与华为等机构合作，于2023年3月实现了国内首款金融通用模型的研制投产，并将其应用于客服、营销、运营、风控等业务领域；中国农业银行选择自主研发打造AI大模型，并发布了具有语言理解与问答能力的类ChatGPT应用ChatABC，并向员工开放问答助手、工单自动化回复助手等功能。在其他商业银行中，江苏银行较早布局和试用了AIGC。在ChatGPT发布之初，江苏银行使用外部公开的代码测试案例验证ChatGPT的代码编写能力；2023年2月，其宣布接入文心一言生态，并于8月在智能客服场景中落地了AIGC应用。此外，邮储银行、兴业银行等也已宣布通过与第三方企业合作的方式开展AIGC应用的研究，并将在多场景落地相关应用。
从对AIGC的应用场景来看，几乎所有商业银行在布局或应用AIGC时均将其对话能力作为重点方向，智能客服是最主要的应用场景。如江苏银行的“智慧小苏L3”以话务工单助理的身份融入人工电话客服领域。运营管理是另一重要应用场景。相较早期的AI，AIGC参数更多、计算量更大，在处理常规工作时优势明显，能够帮助商业银行实现智能运营并节约成本。如中国工商银行在业务营销、客户服务等各领域应用金融通用大模型等。还有一些商业银行计划将AIGC应用于产品的营销与研发环节。因为对数据的分析能力与创造力是AIGC的优势领域，利用AIGC能够创造出更适合投资者的金融产品，并生成与之相应的个性化宣传文案，提升研发与营销效率。
（二）与传统AI运营模式的区别
在传统AI应用阶段，大型金融机构为了实现技术安全与自主可控，普遍遵循以全场景自研为主的发展路径，通过设立金融科技子公司建立专用的企业级AI平台。根据调查，我国金融机构AI技术平均自研率在70%以上，大型国有银行与股份制银行的自研率要更高（中国信通院，2022）。
商业银行在布局AIGC时其技术主体与传统AI存在显著差异，多通过与第三方合作实现对AIGC的应用。在预训练阶段，AIGC的超大规模参数及由此对算力产生的要求导致开发和运营成本非常高。以ChatGPT为例，GPT-3.5有1750亿个参数，据估计，训练该模型需要上万个企业级图形处理器（GPU），研发运营成本高昂，一般商业银行难以承担如此高的开支。此外，自研大模型所需的技术能力、试错成本及由此带来的时间成本也非常高，因此多数商业银行选择与外部厂商合作，借助第三方厂商的技术与大模型在预训练阶段的成果，利用商业银行金融数据进行精调，以实现AIGC的应用。如国内多家商业银行已宣布接入百度、华为等生态，借助其技术累积研发适用于本行的产品。国外一些大型金融机构同样选择与大模型厂商合作，如投资银行摩根士丹利、金融科技公司布罗德里奇等与OpenAI合作，以助力人工智能在不同场景的落地。
此外，国内部分商业银行凭借其雄厚的资金实力与技术累积，选择了自研道路，使用内部数据搭建金融大模型。依托金融数据优势，此类大模型在对金融词汇的理解等任务上具有优势。但由于其仅基于商业银行内部金融数据进行训练，数据量有限，并且在设计之初目标限于金融领域的应用，参数量通常小于主流通用大模型，其在其他任务处理上弱于通用大模型，通用能力较差。国际上，彭博凭借自身的金融数据优势选择了自研道路，发布了BloombergGPT，具有金融知识问答、数据检索等功能，是世界上首款落地的金融大模型（Wu et al．，2023）。
AIGC在商业银行债券业务中的应用
针对债券领域，布罗德里奇推出了BondGPT来回答相关问题。但我国对AIGC的应用目前主要集中于智能客服等早期场景，智能投研、智能风控等其他场景应用尚不成熟，在商业银行资产负债管理、中间业务等方面的应用尚处于探索阶段。AIGC凭借其生成能力及其所依托的大模型功能，可以在商业银行债券等业务中广泛应用。
（一）智能风控
智能风控是利用AI技术实现对潜在风险的自动识别、预警与标识。相较传统的AI，应用AIGC能够提升智能识别风险的准确性与时效性，并减少风控过程中的人力成本，从而降低总体风险管理成本。
一是传统AI的智能风控通常基于为本行定制的专用模型，语料库小，内容覆盖范围有限。随着实践的不断丰富，风险事件的特点和关键词也变得越来越多样。AIGC依托的通用大模型训练集基于海量数据，覆盖范围更广，丰富了数据来源，有助于避免数据来源不足的限制。
二是AIGC凭借其通用能力和知识融合能力，对数据的理解能力也更强。传统AI通常是对文本内容进行感知推理，AIGC则能够对全面综合场景信息进行认知推理，并通过上下文的关联分析更准确地识别风险。这减少了未知风险隐患，使得模型能够及时识别新型风险。
三是AIGC能够助力商业银行在事前、事中、事后全时段把控风险。例如，商业银行在开展债券业务时需要随时关注发债主体的风险，AIGC能够帮助商业银行及时根据公开信息准确了解其风险变化。
（二）智能运营
智能运营指商业银行业务流程的自动化。基于传统AI的智能运营通常通过构建基于机器人流程自动化（RPA）的数字员工替代人工，完成重复性操作。AIGC+RPA模式将给智能运营带来新的突破。一方面，算法和算力的进步使得AIGC在处理重复性任务时效率更高，能够节省时间和资源。另一方面，传统AI仅能根据预先设定的条件处理简单的运营场景，AIGC则能够凭借对数据与文本的分析提出建议，辅助金融机构作决策。AIGC的辅助决策与RPA的快速执行可以促进整个运营流程的快速循环。
以商业银行债券市场业务为例，在业务开展过程中存在大量信息录入、核验审批等重复性工作，使用AIGC+RPA模式能够大幅减少这些工作所耗的时间，提高运营效率。此外，AIGC还具有自动纠错功能，同样可以为运营环节节省人力。
（三）智能投研
智能投研是指利用AI技术搜集、整理和解读相关市场信息。智能投研的核心工作是信息的搜集、整理与报告产出。AIGC对语义的理解能力与创造能力为智能投研提供了支持。传统AI在对数据进行搜集与分析时较为机械，仅能通过设定程序对关键词契合的有限信息进行收集并产出程式化的文本。AIGC具有对文本的理解能力，能够根据关键词背后的含义搜集、整理互联网上的海量信息，并生成个性化研究报告，其效率高、准确性高、前瞻性强，能够赋能甚至在一定程度上替代投研从业者。
债券业务是商业银行各业务中对公开信息等内容收集整理要求较高的业务，在进行债券投资、承销时，均需要大量发债主体的数据资料，在数据收集与分析的基础上需要撰写标准化的研究报告、发行文件。利用AIGC可以自动搜集并汇总发债主体网上公开信息，并自动生成研究报告，也可以减少制作发行材料中的重复性工作。AIGC还具有辅助决策的能力，这进一步强化了对研究工作的支持，使员工能够专注于对专业性要求更高的工作。
商业银行在应用AIGC时应注意的三个方面
（一）重视战略规划
一是商业银行应在战略规划上重视数字化转型及AIGC建设。目前，一些商业银行管理层尚未充分认识到AIGC的重要性，或对于应用AIGC的推进速度较慢，这会使其在新一轮市场竞争中处于弱势地位。因此，对AIGC的应用需要纳入商业银行的战略规划中。
二是AIGC的规模化应用需要系统的规划与设计。AIGC虽然是在传统AI的基础上演变而来，但随着模型参数的激增及对算力要求的显著提高，AIGC的前期投入已经超过传统金融机构的承受范围。在布局AIGC时应重视其他类型大模型的建设与应用，推动不同模态大模型的融合使用。
三是在战略规划上应特别关注国家监管政策的变化。随着AIGC的快速发展，后续相关监管要求可能更加细致，使得商业银行AIGC的先期布局可能需要进行一定的调整。因此，在布局AIGC时应重视对模型运行的监督管理，保证与政策法规的一致性，在训练模型时及时更新输入内容，并根据最新的政策法规对输出内容进行纠错和反馈。
（二）嵌入业务环节
经营管理数字化是目前商业银行数字化转型的关键，也是AIGC的主要应用领域之一。在业务经营管理环节应加快AIGC的嵌入，使用AIGC与传统AI相配合，共同助力经营管理数字化。
对AIGC的应用并非为了将所有已有的AI均替换为AIGC。在当前阶段，传统AI的专用模型在解决很多问题上表现出很强的能力，不需要完全摒弃。传统AI与AIGC各有利弊，使用场景存在差异。二者在未来很长一段时间将主要表现为合作关系——传统AI将继续用于对准确性、稳定性和可解释性要求较高的场景；AIGC则应用于对创造性、个性化和多样化要求较高的场景，如营销、客服等。因此，在业务经营管理数字化过程中，应注意传统AI与AIGC的配合使用，可以将智能客服等比较成熟的应用场景先试水，在部分场景实验结果的基础上尽快落地其他场景，以节约人力，降低人工成本。
（三）防范潜在风险
目前，AIGC还存在很多风险和不确定性，最突出的是可能出现臆造内容，甚至可能产生一些违反社会公序良俗的内容。因此，在AIGC落地前要对模型可靠性进行充分的内部测试，制定详细的约束机制。在测试与实际应用过程中，应注意对内容的审查，通过嵌入与微调等手段提升AIGC的内容质量。除此之外，还应注意应用AIGC过程中的数据安全风险。当前，多数银行选择与第三方大模型厂商进行合作，可能存在金融数据泄露的风险。在使用商业银行数据对大模型进行精调的过程中，应确保银行数据的安全性，防止金融数据的泄露。
参考文献
[1]高兰兰，贾晨，马文嘉，等． 金融行业AIGC落地方法论的探索和研究[J]．债券，2023（10）． DOI：10.3969/j.issn.2095-3585.2023.10.015．
[2]中国信通院． 金融人工智能研究报告（2022年）[R/OL]． （2022-01-21）[2023-11-05]． https：//mp.weixin.qq.com/s/zvifZ9XX_Gs26-r2tG0cKQ．
[3] WU S， IRSOY O， LU S， et al． BloombergGPT： A Large Language Model for Finance． （2023-05-09）[2023-11-05]． https：//arxiv.org/abs/2303.17564．
◇ 本文原载《债券》2023年12月刊
◇ 作者：南开大学经济学院 范猛
国务院发展研究中心金融研究所 张嘉明
◇ 编辑：高兰兰 刘颖 廖雯雯
