导读 随着大模型技术的不断发展，自 2022 年起，这一技术逐步从研究阶段迈入工业化，并进入公众视野，成为一个备受瞩目的发展趋势。未来，尤其是面向 2029 年 AGI 和强人工智能的发展，大模型将对“硅基”和“碳基”生物之间的关系产生深远影响。然而，大模型虽具有广泛的应用潜力，但也不可避免地带来了风险，尤其在安全可控的情况下，它的应用能够为日常生活中的问题提供解决方案。特别是在金融领域，大模型能够为风险管理和防控提供支持，但同时也面临一些挑战和隐忧。
1. 风险分类与大模型的对应
2. 大模型在金融领域应用举例
3. 大模型的挑战与数据空间概念
4. 远景应用
分享嘉宾｜雅楠老师 个人 领域专家
编辑整理｜Neil
内容校对｜李瑶
出品社区｜DataFun
风险分类与大模型的对应
在金融领域，风险管理是一项复杂而关键的任务，涵盖多种风险类别，包括市场风险、信用风险、声誉风险、操作风险、技术风险，以及近年来越来越重要的反欺诈风险和地缘性风险。随着大语言模型（LLM）的发展，其在各类风险管理中的应用潜力日益显现。不同类别的风险对应着不同的大模型应用场景。
1. 市场风险与大模型
市场风险主要涉及市场波动对金融资产价格的影响，涵盖信贷、商品、期货和交易等领域的风险监测。传统的市场风险管理依赖于宏观经济指标和商品价格的监测，大模型则在此基础上提供了更强大的辅助功能。
通过大模型的问答和生成能力，可以实现市场监测报告的智能化生成，辅助分析师快速识别潜在风险。尽管目前大模型在市场风险领域的应用仍偏向辅助，但其在数据整合与提示功能上的表现，显著提升了市场风险监测的效率和准确性。
2. 信用风险与大模型
信用风险是金融机构关注的核心领域之一，也是大模型应用潜力较大的方向。信用风险可以分为 ToB（企业端）和 ToC（消费者端）两个方向：
ToB 端：大模型主要应用于信贷审批流程，包括报告生成、尽调报告解析以及监管制度的智能检索。这种应用显著提高了企业信贷审批的效率与合规性。
ToC 端：大模型结合传统模型体系，能够进行因子筛选和指标生成，为信用评分模型提供支持。此外，大模型在语义理解和因果关系分析方面的优势，也为信用风险预测提供了创新路径。
3. 声誉风险与大模型
声誉风险管理涉及公司舆情监测和敏感合规内容的识别。
舆情监测：通过大模型的生成和理解能力，可以高效地收集和分析全网舆情，并对公司相关事件的用户反馈进行整理与分析。
敏感词监测：大模型能够结合上下文语义，精准识别敏感词及其潜在风险。这在内审、内控以及合规管理中发挥了重要作用。此外，生成式大模型凭借其联想能力与涌现特性，在复杂场景下的验证与引用生成方面具有独特优势。
4. 操作风险与大模型
操作风险涵盖内部监测、办公优化以及违规操作的识别等领域。
视觉与语言结合：通过大模型与多模态技术的结合，可以在视觉算法基础上增强语义理解能力。例如，在日志分析和违规行为检测中，大模型能够识别潜在风险信号并进行语义关联分析。
办公优化：举例大模型作为代码助手和制度检索工具，可在代码编写、日志检索及运维管理中提升效率，并降低潜在风险。在各类文案生成中，图文、影音、视频编辑中已经证明有明显优势。
5. 技术风险与大模型
技术风险包括模型类风险与系统类风险，主要涉及以下两方面：
模型类风险：在模型训练与参数选择中，大模型的效果监测与优化成为重要任务。
系统类风险：系统开发中的安全隐患，如代码漏洞和运维问题，可通过大模型的辅助工具进行快速定位与排查，从而降低技术风险的影响。
6. 反欺诈与大模型
反欺诈风险通常是信用风险的前置部分，其复杂性体现在需要利用图计算和稀疏矩阵分析等技术。目前阶段大模型由于自身技术发展，在此领域的表现目前较为有限，尤其在处理稀疏矩阵数据时的优势不明显。然而，通过将大模型与经典算法结合（例如图算法），可以约束大模型的“涌现”与“幻觉”问题，提升其在反欺诈场景中的表现。
7. 地缘性风险与大模型
地缘性风险涉及不同国家和区域的政策与制度差异。大模型可以根据各国数据库与法规要求进行调优，为跨国业务提供支持。例如，在出海场景中，大模型能够结合本地化数据与合规要求，优化金融机构的风险管理策略。
大模型在金融领域应用举例
金融模型经历了从传统评分卡（Scorecard）到大语言模型（LLM）的演进。评分卡依赖固定规则，机器学习弥补了数据挖掘能力的不足，而大模型则进一步突破非结构化数据的局限，开创了金融智能化的新局面。
金融领域面临数据复杂性、人工审核成本高等痛点。大模型凭借高效的数据处理与生成能力，在信用报告生成、舆情分析和反欺诈等场景中表现突出。同时，其调用费用相较人工成本具备显著优势，即使费用提升数倍，依然比传统方式经济。
在实际应用中，大模型不仅优化了信贷审批、舆情监测和合规检查，还通过简化业务流和信息流，加速了金融业务的智能化转型。尽管存在生成错误等问题，但其在降本增效方面的潜力巨大，是金融行业未来发展的重要推动力。
1. 金融模型的前世今生——从 SCORECARD 到 LLM
金融模型的发展历程如同台阶式的上升，经历了从规则化到智能化的显著演变。最早期的阶段，金融模型主要以规则类为主，依赖手工尽职调查和规则性判断来完成风险评估。自 20 世纪 80 年代到 90 年代初，这种以规则为主的模型初步形成了对贷前、贷中和贷后风险的评估框架，为后续模型的发展奠定了基础。
随着统计方法的引入，特别是回归分析和时序分析的广泛应用，金融领域逐渐发展出了系统的评分卡体系（如 A 卡、B 卡、C 卡）。这些统计型算法体系为信贷审批、风险定价等奠定了坚实的理论和实践基础，并推动了动态优化在定价领域的落地，极大提升了模型的实用性。
进入 20 世纪末和 21 世纪初，机器学习开始进入金融领域。以树模型为代表的算法被引入，以优化传统回归模型，随后隐私计算和图计算技术相继兴起，进一步推动了金融模型的技术革新。强化学习与深度学习的融合增强了模型对复杂数据的处理能力，尤其是在反欺诈和高频交易等场景。然而，这一阶段的技术应用也暴露了模型可解释性不足的局限性，迫使行业对算法的透明性和可审查性提出了更高要求。
近年来，生成式 AI（AIGC）和大语言模型（如基于 Transformer 架构的模型）以其强大的生成能力和语义理解能力开始引领金融模型的下一次革新。大模型不仅帮助提升了传统机器学习算法的性能，还在风险控制、智能审核和预测分析中展示了其独特优势。这些技术的引入使金融行业从风险评估到信息处理的整个流程变得更加智能化和高效。
未来，随着技术的不断演进和巴塞尔协议的进一步发展（如从巴塞尔 III 向可能的 IV、V 过渡），金融模型体系的架构有望进一步优化和重构。可以预见，以人工智能为核心的新一代风险管理模型将成为行业的主流，并带来更具深度和广度的变革。这不仅是技术发展的趋势，也代表了金融行业在风险管理与业务创新上的新目标。
2. 痛苦与甜蜜的烦恼——金融领域业务的痛点 VS 大模型的优劣势
金融领域在建模过程中面临着诸多痛点，尤其是在当前复杂的业务环境和技术要求下，这些问题变得更加突出。
首先是数据不全面和标签漂移的问题，这是金融建模中普遍存在的痛点。数据不全面往往会限制模型的泛化能力，使得模型无法覆盖所有场景；而标签漂移则意味着在数据分布随时间变化的情况下，模型的预测能力可能会逐渐下降。这直接导致动态优化和算法稳定性的问题。例如，某些模型在特定时间切片上表现出色，但随着时间推移或因前序问题的影响，优化效果可能快速失效。此外，算法监测的重要指标也可能表现出波动甚至不稳定，从而需要对模型进行频繁调整，甚至彻底重构。这不仅增加了建模的复杂度，也对策略制定的精准性造成影响。
其次，在金融业务中，尤其是市场风险和二级市场交易领域，模型中有效模式的失效速度较快，同时模式查找也非常困难。这一问题在指标建立过程中尤为明显，增加了分析和优化的工作量。例如，在市场风险评估中，快速变动的模式可能导致模型无法及时捕捉关键变化，从而影响决策。
第三，非结构化数据（如视频、合同、流水）处理困难的问题也不容忽视。这些数据格式多样、复杂，对传统模型提出了更高的要求。例如，在处理合同模板不统一的情况下，传统方法往往需要大量的人力和时间进行人工校验和调整。视频处理方面，对清晰度和格式的一致性要求更高，这进一步加剧了传统方式的局限性。
此外，在 ToB 业务中，管户数量庞大导致人效较低成为另一个主要难题。大量的客户经理和运维人员需要同时处理多个客户需求，不仅效率低下，也难以保证精准度。与此同时，金融领域的跨国业务往往受到各国监管要求的影响，合规成本高，且不同国家的制度和红线要求增加了业务运作的复杂性。
然而，针对这些问题，大模型（尤其是基于 AIGC 的大语言模型）展现出了极大的优势。首先，它在处理助手类任务时非常高效，其上手门槛低，能够快速适配不同场景。大模型在解决流程化问题方面表现尤为出色，尤其是在问题查询和流程优化中，能够显著提升效率和准确性。
通过其强大的理解能力，大模型可以结合现有的传统算法，进一步提高因子监测和指标分析的能力。这一特性使其在动态优化和稳定性改进方面比传统模型更为可靠。此外，大模型在交互设计方面同样具有优势，结合自然语言处理（NLP）的问答系统，其表现十分优异，为用户提供了更加友好的使用体验。
特别是在处理境内外数据、快速积累信息条款和优化合规技术（Regulation Tech）时，大模型展现出了卓越的适应性。例如，它能够快速提取和整理大规模数据，在满足不同国家监管要求的同时，显著降低合规成本。
最后，大模型的多模态处理能力也极具潜力。它不仅能够优化传统模式下难以处理的复杂场景，还能通过生成式 AI 的能力，解决长期困扰金融领域的效率、稳定性和数据处理等问题，为未来的金融科技发展提供全新的可能性。
3. 业务流与信息流的交响——目前市场上应用举例
从业务流和信息流的角度来看，金融领域大模型的应用主要涵盖以下几个方面：客服、营销、查询、审批、风控、办公运营和 IT。这些方面各自的成熟度和应用场景差异较大，但大模型在其中的表现均展示出其独特的优势。
客服：智能外呼与意图识别的成熟应用
客服领域是目前大模型应用最为成熟的领域之一，尤其体现在智能外呼和客户投诉处理上。在智能外呼中，大模型能够通过电话信息的收集和分析，快速识别客户的核心诉求和意图。例如，当客户进行投诉时，大模型可以基于预设知识库和标准话术，为客服人员提供解决方案建议。这种助手式支持不仅提高了客服效率，还显著减少了人工投入。这一领域的应用已经非常成熟，并成为智能客服发展的典范。
营销：图像与视频生成的潜力与挑战
在营销领域，大模型在图像和视频生成方面展现了较大潜力，但同时也面临监管和版权问题。例如，银行信用卡业务和保险行业中的图片推送通常需要人工审核，确保符合合规要求。尽管大模型在初期的生成阶段能提升效率，但其与传统工作室所产出的专业级图像和视频仍存在差距。目前，这些生成内容在大规模媒体投放（如 DSP 广告系统）中的应用仍较为有限。然而，对于中小企业的跨境业务而言，大模型生成的内容在一定程度上能降低营销成本，尤其适合资源有限的初创企业。
查询：问答体系的自动生成与优化
在查询场景中，大模型通过从大量数据中提取结构化信息，为客户提供高质量的文案生成服务。例如，当客户提出问题时，大模型能够提取相关数据并通过润色与总结，生成清晰、准确的答案。这样的能力极大地提升了查询效率，同时优化了客户的使用体验。这种问答生成路径已经成为金融领域智能化应用的核心技术之一。
审批：精调审批书生成的高效模式
审批类场景中，大模型被广泛用于生成审批书草案，特别是在标准化流程和模板下。借助大模型，审批书的生成效率大幅提升，例如原本需要四个小时完成的任务，现可缩短至 25% 的时间。这种效率提升显著降低了人工成本，特别是在涉及大规模审批工作的机构中表现尤为突出。然而，审批书生成仍需与企业的业务流和系统进行深度融合，同时也需解决科技伦理和权责界限问题。
风控：指标筛选与因子生成的技术提升
在风控领域，大模型通过筛选关键指标和生成重要因子，为风险监测提供了全新的技术支持。在传统风控中，指标和因子的筛选通常依赖于手工操作，效率较低。大模型的引入使得这些过程在初期阶段变得更加高效。例如，北美地区的一些公司已通过大模型分析本地数据和市场风险，在海外市场中获得了显著成效。相比之下，国内在这方面仍较为保守，但也逐步显现出潜在的应用前景。
办公：会议记录与摘要生成的便捷应用
办公领域的大模型应用主要集中在会议记录、摘要生成和待办事项整理等方面。国内科技公司，如科大讯飞等，结合大模型技术，在这些场景中已经表现出较强的基础能力。例如，通过语音转文字结合大模型的总结能力，会议记录和关键点提取效率大幅提升。这些工具极大地方便了日常办公流程，尽管当前仍需要人工对生成内容进行验证和调整，但其助手作用已得到广泛认可。
运营与 IT：客户管理与代码生成的深度赋能
在客户运营中，大模型主要用于辅助客户经理提升人效。例如，面对上百个客户的管理需求，大模型可以通过语义分析和意图识别，为客户经理提供产品推荐和客户运营建议。此外，在 IT 领域，大模型已成为代码生成和知识分析的重要工具。例如，代码生成工具已被广泛使用，普遍能节省 50% 以上的开发时间；而日志分析工具则通过自动生成报表和结论，为运维人员提供强有力的支持。这些技术应用在提高效率的同时，也优化了工作流程。
大模型的挑战与数据空间概念
数据空间的概念应用来源于欧盟，旨在通过建立可信的数据交换协议来解决数据源、知识库以及安全性和地缘政策等问题，尤其是在跨国数据交换的场景下。数据空间通过去中心化的方式，将各方作为数据的消费方和使用方，帮助推动数据的共享与交换。
其基础设施包括密码学传输、数据交易、数据清算和数据安全机制，并且设有认证体系，确保数据交换的合法性和透明度。同时，数据空间还构建了数据产品和应用产品市场，支持参与方在安全的框架内进行数据交换和交易。随着中国在 2024 年发布的政策推动，数据空间的应用将逐步增强，尤其是在金融和其他行业的数据使用能力与交换能力上。
为了支持数据空间的安全交换，采用了区块链和同态加密等技术，其中区块链保障了数据交易的透明性，而同态加密确保了在加密状态下对数据的计算与处理。然而，这些技术仍面临成本和速度上的挑战，尤其是在处理大规模数据时，加密解密过程会影响效率。目前，在数据量较小的情况下，数据空间的技术应用能够应对，在大规模数据处理上仍需要进一步优化。
随着大模型技术的发展，数据空间与大模型的结合将变得越来越紧密，尤其是在私域数据和数据共享方面，数据空间将为大模型提供一个可靠的基础设施，帮助解决数据源和隐私保护的问题，提升数据处理和应用效率。这个趋势为未来的技术发展提供了巨大的潜力，尤其是在金融领域以及更多行业中，如何更高效、安全地共享和利用数据将成为重要的研究方向。
远景应用
在未来，随着大模型技术的不断发展，预计在多个领域中，尤其是在风险管理方面，将会有显著的进步。
大模型底层技术的性能提升和成本的降低将会成为趋势。
在反作弊和反 AI 作弊监测领域，随着技术的进步，能够有效降低操作风险，确保系统的安全性和可靠性。
数据领域的扩展，尤其是在数据空间技术的支持下，私域数据、公共数据和跨国数据的结合应用将为未来的发展带来更加广阔的前景。
多模态应用，特别是多模态融合技术的进展，以及聚神智能等相关应用，也将为风险管理提供新的解决方案。这些技术的不断迭代，将帮助提升数据处理能力和算法精度，进一步优化风险识别与预判。
地缘风险和出海市场风险的优化也是未来的一个重要方向。随着大模型技术的推广，能够有效支持跨国企业进行风险评估和优化，尤其是在应对黑天鹅事件或灰犀牛事件时，更具备实时响应和精准决策的能力。
风险决策问题的优化也是人们广泛关注的领域。大模型的决策支持能力，将帮助提升决策性能和准确性，减少人为失误，推动更智能、更高效的风险管理体系。
整体来看，大模型在风险领域的应用前景广阔，将为未来的业务发展提供强有力的技术支持。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
