轉眼之間，2024 年已經過半，AI 大模型的熱度從去年的技術探索轉向落地實踐，肉眼可見的是，各行各業都紛紛在這場熱潮中尋找新的業務創新點和行業增長點。
“大模型的出現帶來了變革，它實現了知識平權，為我們提供了技術條件，使得我們能夠參與到 AI 的應用中來。” 寧德核電人工智能實驗室負責人王澍在 InfoQ 17 周年慶直播中表示，核電由于行業特殊性，從業人員自身的技術意識和能力有限，加上傳統 AI 依賴于規則驅動，知識門檻高，使得過去核電領域對 AI 的應用并不廣泛。而大模型的出現，讓過去看似不可能的事情變為了可能。
此外，即便是在物流、金融等這些已經較為普遍應用了 AI 技術等行業，大模型也帶來了新的突破。順豐科技運籌優化算法專家王一帆指出，在復雜的供應鏈領域，傳統技術面臨兩大挑戰，一是求解性能，二是使用門檻。對此，大模型解決了很多以前難以解決的瓶頸問題，使得業務效率大大提升。
螞蟻集團投研支小助技術負責人紀韓以知識圖譜技術的演進為例，介紹了大模型在金融領域的應用價值。他表示，隨著市場的變化，管理知識圖譜的成本越來越高，而且事件與金融資產波動的邏輯也在內生變化，這使得模型和知識圖譜難以跟上變化節奏。對此，大模型提供了另一種可能性，由于具備閱讀大量報告的能力，它能夠發現報告中金融邏輯的共性，使得機器進行復雜分析變得更加可行。
然而，在面對不同行業時，大模型的落地過程仍然充滿挑戰。比如，成本投入是否合理、可能帶來哪些新的風險、如何克服內外部的各種阻力等等。在直播對話中，三位老師展開了深入的探討和分享。
以下內容根據對話整理，篇幅有刪減：
大模型技術的應用落地現狀
InfoQ：幾個月前，寧德核電推出了自主訓練的核工業大模型，王老師可以介紹一下幾個月來的應用進展嗎？
王澍：自從我們幾個月前發布了大模型，它已經展現出了多方面的發展潛力。作為我們的知識管理平臺，大模型在持續迭代中顯著提升了其泛化能力，效果顯著。此外，基于大模型開發的首款應用 “AI 講師” 已經在一些試點課程中推廣使用。
在生產領域，我們設備管理等方面也推出了一些試點產品。同時，我們在 AI 人才培養方面也取得了進展，不僅培養了復合型人才，還大膽推進了種子教育計劃。核電領域由于計算機背景相對薄弱，我們需要培養既能使用大模型又能訓練大模型的人才。這一過程不能完全依賴第三方，必須培養自己的教員，以便為不同層次的一線員工提供相應的培訓。換句話說，全員都需要掌握不同程度的技能，以適應我們行業的特殊需求。
此外，我們的大模型本身也實現了擬人化，作為寧德核電人工智能實驗室的 AI 智囊，參與了日常的頭腦風暴、培訓學習和科研項目研討等工作。
InfoQ：金融行業因為具有高度的復雜性、動態性和不確定性，一直是 A 及其相關技術的應用熱點。請問紀老師，目前螞蟻集團在大模型層面進行了哪些探素？有哪些典型的實踐案例？
紀韓：我的工作主要集中在利用大模型及其多智能體系來解決投資研究中的問題。投資研究主要分為定量和定性兩個方向。在定量研究方面，我們已經有多年的利用技術刻畫金融市場的經驗，并且量化金融領域已經形成了成熟的處理方式。引入大模型后，我們采用了一種更為成熟的技術，即利用大模型生成代碼，這使得那些不擅長編程的分析師也能通過大模型進行初級的定量分析。
在定性研究方面，金融分析師需要進行大量的案頭工作，如閱讀新聞資料、研報、財報和上市公司公告等。大模型在這方面表現出了其優勢，擅長處理文字材料。基于此，我們開發了一個名為 “投研支小助” 的智能助手工具，旨在輔助分析師的日常工作。目前，螞蟻集團及其緊密合作伙伴已經開始內測這一工具，用以輔助理財師和分析師，幫助他們解決過去機器難以解決的問題。
InfoQ：大模型產出的內容，目前在咱們內部的應用率和采納率如何，準確性大概處于什么水平呢？
紀韓：可以肯定的是，大模型技術的應用在兩個主要方面取得了顯著成效。
首先，對于理財師而言，過去他們能夠服務的客戶數量是有限的，因為他們需要為每位客戶準備個性化的服務材料，包括投資分析報告和持倉分析等。但通過機器輔助，理財師的服務半徑得以顯著擴大，可以覆蓋更多的客戶，實現了服務能力數量級的提升。
其次，以支付寶的理財服務為例，過去在沒有大模型技術支持的情況下，我們每天只能挑選有限的重點事件、新聞或政策進行解讀，數量通常在 30-50 篇之間，甚至更多時候只有個位數。深入應用大模型技術后，我們可以對細分行業領域進行更細致的分析和解讀，覆蓋全市場的行業，數量可以達到 100-200 以上。目前，我們每天都由機器先生產一大批相關的分析和解讀，然后由人工專家進行審核和改寫。這使得分析報告從過去的幾十篇甚至個位數，提升到了上百篇，實現了數量級的增長。
InfoQ：請問一帆老師，多年來，順豐一直在基于智能算法優化物流供應鏈，那么結合大模型我們最近有哪些新的應用或實踐嗎？
王一帆：順豐作為物流行業的重要企業，一直致力于解決物流和供應鏈中的優化問題，包括庫存優化、銷量預測、物流配送和路徑規劃等全鏈路供應鏈場景。我們不僅采用了傳統的運籌學方法，也積極運用人工智能技術。隨著大模型技術的興起，順豐投入了大量資源進行研發，利用我們在供應鏈領域的豐富項目經驗和行業積累，發揮了天然優勢。目前，順豐在兩個主要領域進行了深入研究。
供應鏈分析領域：傳統的對話式機器人需要用戶提出非常具體的問題才能給出準確的回答。借助大模型技術，用戶可以用更寬泛的問題提問，大模型能夠對這些問題進行細致篩選，提取出精準信息，再傳遞給傳統的 AI 問答工具。這樣，工具可以針對解析出的信息進行深入分析，提供全局性的供應鏈分析建議或咨詢方案。
供應鏈決策領域：在裝箱問題、庫存優化和路徑規劃等方面，傳統技術可能會遇到性能或定制化的問題。大語言模型最初用于解決詞匯層面的對話生成，例如提供句子的后續詞匯提示。盡管這看似與路徑規劃無關，但實際上，路徑規劃中的訪問次序優化與詞匯生成的順序邏輯在數理上具有相關性。順豐借鑒了這方面的知識，將其應用于路徑規劃，取得了良好效果。
傳統 AI 技術的瓶頸與挑戰
InfoQ：在與眾多企業的交流中，我們發現雖然生成式 AI 或大模型技術被認為具有巨大的想象力和潛力，但企業在實際投入時往往持謹慎態度，會深思熟慮技術實力和成本問題。因此，大家普遍希望對比了解，在傳統 AI 技術的基礎上，大模型或生成式 AI 技術能夠解決哪些傳統技術無法解決的問題，或者在哪些方面能夠帶來更好的效果？
王澍：在大模型技術興起之前，我們核電領域對 AI 的應用并不廣泛，主要集中在一些特定領域的探索，如 AR 眼鏡和機器狗等。這其中主要有兩個原因：首先是能力層面或意識層面的問題。由于 AI 本身具有較高的知識門檻，而核電人員往往缺乏計算機背景，因此很難具備應用 AI 的意識和能力。大模型的出現帶來了變革，它實現了知識平權，為我們提供了技術條件，使得我們能夠參與到 AI 的應用中來。
第二個方面是業務層面的差異。傳統 AI 更多依賴于規則驅動，但核電領域的復雜性使得我們這些 IT 領域的門外漢難以輕松找到并應用這些規則。大模型的端到端目標驅動方式和自然語言交流機制，使得我們即使沒有深厚的 IT 背景，也能夠將看似不可能的事情變為可能。
王一帆：在使用大模型技術之前，我們在行業內遇到了一些難以解決的瓶頸問題。這些問題通常涉及復雜的供應鏈領域，我們面臨的第一個挑戰是求解性能。舉個例子，對于某類型的優化問題，傳統技術能夠在一天內求解 100 個案例，并且每個案例的得分都能達到 90 分以上，但如果沒有硬件或軟件的提升，就很難突破現有瓶頸，高效率的求解更多案例。大模型技術的出現改變了這一局面。現在我們可以在一天內解決一千一萬甚至更多案例。雖然目前大模型可能還無法完全達到傳統方法 90 分以上的平均水平，但其潛力巨大。
另一方面，使用門檻也有所降低。以往，解決這些問題需要算法人員或技術專家設計特定方法。有了成熟的大模型平臺后，只需按照規定格式進行數據標注和投喂，大模型就能根據現有數據不斷訓練和迭代，成為一個高度智能的工具。面對新的應用場景，大模型能夠快速得出良好結果，而使用這種技術不再依賴于專業的算法能力，只需在數據層面和操作層面進行一些培訓即可，這大大降低了使用門檻。
紀韓：在金融領域，主觀研究一直帶有一種神秘性，業界一直在嘗試用機器來解決主觀決策的問題。例如，早期的 Alphasense 公司就利用自然語言處理技術來理解新聞，并從中提取與金融領域相關的事件和觀點。還有一家在金融界廣為人知的公司 Kensho，它利用知識圖譜技術，將資產的漲跌和行業事件聯系起來，實現金融推理。這些公司在大約 10 年前取得了一些技術成果。
隨著市場的變化，管理知識圖譜的成本越來越高，而且事件與金融資產波動的邏輯也在內生變化，這些模型和知識圖譜很難跟上世界的變化。從那時起，大約從 2013 年到 2023 年，在這 10 年間，通過機器進行決策的嘗試相對沉寂。直到大模型技術的爆發，金融界才重新發現了一種新的可能。現在，我們可能不再需要像過去那樣，費盡心思地從分析師的大腦中提取他們的分析方法論和模式，通過知識工程的方式將其沉淀下來。
大模型只需要大量的金融語料，比如分析師撰寫的報告，就能從中抽象出分析師自身的分析邏輯。由于大模型具備閱讀大量報告的能力，它能夠發現報告中金融邏輯的共性。這種能力在過去，對于整個金融界來說，幾乎是不可能通過機器實現的負責分析邏輯。大模型的出現，為金融領域帶來了一種全新的可能性，使得機器進行復雜分析變得更加可行。
Al 大模型落地過程中的挑戰 & 應對辦法
InfoQ：王澍老師之前提到，寧德核電在 AI 應用方面起步較晚，因此用戶可能認為核電是一個相對傳統、復雜且保守的領域。對于引入大模型可能帶來的風險，那最初是如何考慮的，以及的初衷是什么？
王澍：核電行業的保守程度可能遠超外界的想象。在我們這個行業，有一條基本原則——任何未經證明安全的行為，我們都視為不安全。安全是我們核電人的底線。換句話說，如果一項技術存在風險，我們絕不會在核電行業中引入它，我們只使用那些經過驗證的保守和成熟技術。
然而，我們在現實中考慮引入看似不太成熟的大模型，這可能聽起來有些矛盾。實際上，這背后有兩個方面的考慮。首先，我們需要判斷大模型技術是否值得投入，是否應該采用。經過大半年的可行性驗證，我們看到了它的價值，認為這是值得做的事情。一旦確定這一點，我們就會進一步評估它可能帶來的風險。核電行業并非所有崗位和領域都涉及安全風險。因此，我們選擇了一些業務價值大且不涉及安全風險的領域來引入大模型。例如，我們特別重視人才培養和第一個大模型平臺的開發，這些都是圍繞知識管理和人才發展進行的。既然我們已經判斷這項技術必須采用，那么接下來的問題就是如何更好地實施它。我們的目標是找到既能發揮大模型技術優勢，又能確保安全和風險可控的方法。
面對一項新技術，尤其是像大模型這樣不太成熟的技術，核電行業所面臨的挑戰是全方位的，每一個挑戰都可能非常嚴峻。我經常感到窒息的一個問題是，核電領域對 AI，包括大模型的認知基礎非常薄弱。我去年 5 月開始探討這個話題時，行業內幾乎沒人明白我在說什么。
在這個極其保守的行業中，對新生事物往往存在偏見，甚至敵意。在這樣的環境下，如何推廣大模型技術，并最終取得階段性成果，是一個復雜的過程。我認為這個過程可以分為幾個關鍵步驟。
第一，說服領導：我從去年 7 月開始，自己投入了大約 10 萬元，購買電腦，自學如何部署開源大模型，并訓練了一個效果出乎意料的大模型。這最終打動了領導，使他們認識到這項技術確實比人類更有優勢。
第二， 說服一線員工：在說服了領導之后，接下來需要在整個一線環境中說服大家接受這個新事物。我們去年推廣了一個名為 “全民大模型” 的計劃，讓所有人都能通過大模型解決工作中的效率問題和難點問題。
第三，持續教育和培訓：我們持續對管理層和一線員工進行大模型的科普宣講和培訓，不斷向他們灌輸一個概念：如果不學習 AI，未來就可能被 AI 淘汰。大模型已經非常強大，幾乎能做你們能做的所有事情。
第四，培養種子教員：由于我們的基礎特別差，覆蓋面廣，但對人才培養非常重視，我們必須培養能夠講授 AI 和大模型知識的教員。這樣既能降低成本，也能讓企業相信我們真的能夠持續推進這項技術。
目前，從組織的最高層到基層員工，我們已經形成了一種共識：大模型技術的價值是無法估量的。這種認識貫穿了整個組織結構，大家都認識到這項技術的重要性和潛在的巨大影響。
InfoQ：螞蟻在技術與業務結合的探索層面一直走在行業前列，作為先行者可能沒有太多現成經驗可參考，那么在我們進行 Al 大模型應用過程中遇到的最大的落地難點是什么？對此螞蟻采取了什么手段，又取得了什么階段性進展？
紀韓：在螞蟻集團，我們對于大模型技術持有非常開放和包容的態度，許多同事自發地利用業余時間進行研究和嘗試。這種自發性的研究熱情，加上公司對新技術的鼓勵和支持，創造了一個積極的環境，促進了大模型技術的應用和發展。
在金融領域應用大模型技術，我們面臨一些挑戰，尤其是模型的嚴謹性和合規性問題。金融領域對嚴謹性的要求極高，因此我們在模型的調試和訓練上投入了大量的精力，使用了精心制作的金融數據，包括正例和反例，以確保模型生成的內容符合金融邏輯和嚴謹性。此外，我們還建立了智能體評審機制和 “安全圍欄”，確保生成內容的合規性、專業性，并滿足金融領域對數值型信息的精確處理需求。由于早期基礎大模型在數值感知和時間識別方面的能力有限，我們通過與傳統專家系統和規則系統的結合，確保最終生成內容的準確性。
在這個過程中，我們特別重視人才梯隊的建設。金融領域的專家知識積累相對欠缺，研究方法論主要通過資深分析師的口頭傳授。為了讓模型生成的效果達到預期，并評估模型是否真的解決了金融問題，我們需要真正懂金融的專業人士對模型生成的結果進行打分、標注和修正。
最初，讓資深分析師來參與模型標注可能比較困難，但隨著一些對新技術更開放的研究員的參與，模型開始展現出效果，比如幫助生成初步的分析報告。這逐漸吸引了更多的分析師愿意參與到模型的打標和迭代過程中。這個過程涉及到技術人員、算法人員和分析師之間的信任建立和磨合，最終形成了一個良性循環，使大家認同大模型能夠幫助解決實際工作問題。這可能是金融機構以及對大模型應用有高正確性和嚴謹性要求的領域所面臨的情況。
InfoQ：不同的行業，盡管具體情況各異，但在應用新技術和優化流程時遇到的問題往往存在共性。下面請一帆老師分享順豐在供應鏈優化方面的經驗和見解。
王一帆：在面對新技術的應用和推廣時，不同行業雖有差異，但遇到的問題存在共性。我們的任務是說服相關人員采納這些技術，并幫助他們有效使用。在供應鏈領域，我們已經積累了豐富的經驗，這些經驗可能源自傳統行業和傳統技術。我們面臨的挑戰并不全是 AI 大模型技術出現后才遇到的，但新技術的出現無疑帶來了新的挑戰。
首先，AI 是一個快速發展的新興領域，技術更新迭代迅速，并依賴于多樣化的應用場景。我們需要不斷跟蹤新技術，對它們進行驗證，并針對具體問題開發解決方案。這是一個不斷螺旋上升、積累有價值技術方案的過程。
其次，需求的差異性也是一個挑戰。供應鏈領域的客戶對服務的細節要求各不相同，如時效性或成本。將這些差異化的需求轉化為大模型可以識別和響應的特征，需要大量的迭代和調整。
再者，實現這些目標需要一個堅實的數據基礎。沒有歷史數據的支持，我們不能期望大模型一步到位地達到理想效果。必須基于以往的決策和業務實踐，分析其優缺點，并通過數據標注等工作，為大模型提供必要的訓練數據。
其四，大模型本身的決策精度問題。大模型追求泛化效果，能夠應對多種場景，但要針對特定客戶或項目達到預期效果，則需要在泛化的基礎上進行更多定制化的調試和優化。
其五，和之前提到的老師一樣，我們也遇到了需要自己投入資源以先期證明技術能力的情況。大模型開發涉及到軟硬件以及人力資源的大量投入，需要充分的支持才能取得效果。
傳統 Al 技術與大模型的有機協同
InfoQ：對于企業而言，大模型未必越大越好，大家認為未來傳統 Al 技術和大模型如何有機地協同配合？
紀韓：在實際應用大模型技術時，成本是一個重要的考量因素。我們經常需要研究什么樣的模型規模和參數量適合解決特定復雜度的問題。在早期研究階段，我們傾向于使用較大的模型以期達到接近人類專家的金融研究水平，以獲得高質量的分析結果。在真正投入生產時，我們必須考慮是否需要對金融市場上每天發生的幾千個事件，很多事件可能并沒有太大價值。例如，在財報季，上市公司集中公布財報和舉行電話會議，A 股市場每天可能有五六百家公司發布財報，每份報告可能數十萬字，用大參數量的模型處理這些報告將消耗巨大的資源。
我們需要識別哪些信息真正適合用大模型處理，以及哪些信息對業務有重大的增量價值。在金融行業研究中，我們可能更關注對市場影響大的龍頭企業，而對于基本面變化對行業影響微弱的長尾公司，則不必使用過于強大的模型處理。
我們采用了多智能體技術來模擬金融專家的分析任務，通過不同的任務節點分工合作，如問題拆解、定量分析、定性分析和信息匯總等。這個過程被抽象成一個多智能體協作的 PEER 范式，即 Planning（規劃）、Executing（執行）、Expressing（表達）、Reviewing（評審），模仿專家分解任務、執行任務、撰寫報告和通過同行評審迭代分析結果的過程。在這個過程中，不同任務節點的難度不同，所需的模型規模也不同。
例如，規劃任務可能不需要很大的模型，而撰寫任務則可能需要更大參數量的模型，如 72B 或 110B 以上，以便處理大量信息語料。我們認為，能夠根據不同任務選擇適配的模型，并建立相應的基礎設施，是未來在工業實踐中有效利用大模型的關鍵。這樣不僅可以確保任務的復雜度與成本開銷之間達到合理匹配，還能提高大模型技術在實際應用中的效率和效果。
王一帆：大模型以其出色的泛化能力受到認可，但這并不意味著模型越大越好。雖然大型模型能夠提供更強的推理能力和更精準地理解用戶意圖，但它們在特定領域的專業性上可能不夠深入。例如，當面對領域專家提出的專業問題時，大模型可能給出的回答不夠精確，表現出 “什么都知道一點，但什么都不精”的特點。針對這一問題，我們研究并采用了一種結合 “大模型” 和“小模型”的解決思路。“小模型”，也就是傳統 AI 中的分析工具，擅長在特定類型的問題上給出精確答案，但它們可能無法回答所有問題。結合這兩種模型的優勢，我們可以在供應鏈分析等領域進行更有效的嘗試。
在使用過程中，我們首先利用大模型的泛化能力進行初步分析，理解并分析用戶想要提出的問題類型，然后對問題進行解析和歸類。例如，在供應鏈分析中，可能包括根因分析、庫存仿真推演、銷量預測等具體問題。用戶可以用寬泛的方式向大模型提問，大模型將問題提煉并分發到不同的小模型中，由這些小模型提供精確的分析和回答。最終，這些精確的回答可以通過大模型以更精致、系統的方式呈現給用戶，比如通過圖形、報表或全面的解析報告。這種結合使用大模型和小模型的方法，能夠充分發揮各自的長處，互補不足，從而提高整體效果。
王澍：大模型確實不是越大越好。在我們核電行業，大模型訓練是我們經過近一年訓練所積累的技術優勢之一。這包括數據收集、清洗，以及在大模型訓練中的模型選擇、超參數設置等。除了傳統 AI 技術與大模型的結合，我想進一步探討的是傳統 AI 技術、通用大模型、垂直大模型以及人如何協同作戰。關鍵在于發揮各自的優點，而不是過分關注缺點。我們不應該期望單一技術解決所有問題，也不應該因為某項技術的短板而全盤否定它。
大模型的優點主要有兩個：一是在準確回答問題方面能夠做到極其精準；二是它們提供了強大的泛化能力，也就是所謂的頭腦風暴能力。人的特點在于，我們可以迅速判斷一個答案的正確與否，這是在四者協同工作中的一個顯著優勢。通過這種協同，許多曾經難以處理或無法解決的問題，現在至少有了新的解決思路。這種協同作戰不僅提高了解決問題的能力，也為我們提供了更廣闊的視野和更多的可能性。這些感受來自于我過去一年在訓練和使用大模型過程中的親身體驗。通過將傳統 AI 技術、不同種類的大模型以及人的判斷力有效結合起來，我們可以更全面、更高效地應對各種挑戰。
Al+ 業務場景如何真正釋放價值
InfoQ：技術的先進性要真正落實帶企業業務場景，給業務帶來收益才有價值。那么，如何將 Al 大模型技術的應用與企業的業務需求緊密結合？阻力是什么？如何跨越？
王一帆：在大模型技術到來之前，我們面對的挑戰已經存在多年，特別是如何讓業務人員理解 AI 大模型或傳統運籌學算法。由于這些技術對他們來說難度相當，我們的目標一直是促進技術和業務之間的互通，以便更好地推動算法項目的落地，具體來說有以下幾點。
第一，我們需要深入理解業務場景，這樣才能將業務需求轉化為算法能夠理解的語言，并通過算法或大模型技術將所需結果傳遞給客戶。
第二，我們要在眾多技術方案中選擇適合特定項目的技術。例如，如果項目對時效性要求高但對求解精度要求相對較低，AI 大模型或快速啟發式方法可能是合適的選擇。相反，對于一些規劃或計劃層面的項目，可能更適合采用更傳統、更保守的方法，以確保結果的穩定性和安全性。
第三，我們需要考慮客戶的接受程度。客戶只有在理解技術和業務的基礎上，才能對所采用的方法給予支持。這需要我們在客戶的使用習慣上進行培養，逐步引導他們適應新技術帶來的便利性和優勢，并通過 KPI 報表等結果導向的方式證明技術的有效性。此外，數據質量的提升也是關鍵。維護高質量的數據可以促進 AI 大模型的迭代，使其更加精準。
第四，順豐作為物流行業的代表，正在積極探索各種行業場景中大模型和傳統方法的應用，并針對這些場景進行深入探索和擴展。這是一個長期的過程，我們將持續投入。
王澍：企業普遍面臨的共性問題之一是辦公效能的提升。自從我們引入大模型技術后，首先解決的就是這方面的一些問題。例如，通過大模型技術，我們能夠實現文本自動生成圖表和 PPT，連模板設計都變得不再必要，這在國有企業中已經成為一種常規操作。然而，在安全至上的核電行業，大模型的應用面臨一些特有的挑戰。
大模型的前期能力不足：這主要表現在兩個方面，一是大模型的幻覺問題嚴重，即生成的信息可能不準確；二是泛化能力不足，即對特定領域的適應性不強。解決這一問題沒有捷徑，需要耐心迭代，堅信大模型的能力會隨著時間積累而實現質的飛躍。
傳統行業的使用意愿低：這主要是因為大家不熟悉如何使用大模型，或者沒有意識到大模型在解決特定問題上的優勢。要提高使用意愿，可以通過提供培訓、獎勵機制，或者適度施加行政壓力等手段，激發大家使用大模型的動力。
此外，大模型在寫論文方面的應用，為企業員工提供了一個明顯的受益點，這可以作為一個非常好的突破口。通過大模型輔助撰寫或解讀論文，不僅可以提高研究效率，還能幫助員工在學術和專業領域取得更好的成果。
紀韓：大模型技術在金融領域的應用已經開始展現出顯著的業務價值。例如，它被用來幫助上市公司生成財報和金融機構生成研報，這在一些合作緊密的上市公司中已經成為現實。
提高研究效率和覆蓋度：在金融投資領域，大模型技術如投研支小助等產品可以輔助專家閱讀大量新聞、財報和研報，極大地提高了市場研究的及時性和覆蓋度。這種能力是人工所無法比擬的，可以說是量級式的提升。
風險識別和欺詐檢測：在風控領域，大模型通過文本分析能夠識別資料中的矛盾點，進行欺詐檢測，幫助風險管理部門更有效地識別潛在風險。
C 端用戶的金融助手：螞蟻集團通過智能金融管家支小寶，將高端的金融管家服務帶給普通用戶。這種服務以往只有高凈值或超高凈值人群才能享受，但現在通過技術手段，可以讓每位用戶都獲得個性化的投資顧問和保險配置服務。
解決投資焦慮：在市場波動時，普通投資者可能會感到焦慮和不安。金融助手可以通過專業的分析幫助用戶理解市場動態，減少不必要的擔憂，鼓勵長期健康的投資行為。
普惠金融價值：雖然金融服務在業務數值上可能難以直接衡量，但從普惠金融的角度來看，技術的應用具有巨大的社會價值。它可以幫助普通投資者更好地管理自己的財務，提高整個社會的金融素養。
未來暢想與規劃
InfoQ：對于 Al 大模型＋業務場景，各位老師有什么樣的暢想和規劃？據此，當下企業該做好哪些準備？
紀韓：我們公司內部目前有一個普遍認同的觀點：當前大模型和智能體技術，正處在學習模仿金融專家的階段。現階段，這項技術已經能夠輔助金融專家進行工作，未來我們希望它不僅僅是輔助的助手，還能進行獨立的金融決策，成為金融專家的 Agent 替身。這是一個長遠的目標，也是我們對未來技術發展的愿景。
王一帆：我們在供應鏈分析和供應鏈決策這兩個領域已經取得了一些初步的成果和進展。如果這些進展順利，我們公司計劃在下半年推出一些基于大模型的新產品。請大家持續關注我們的動態。
王澍：在我們這種傳統公司，準備工作應該從以下三個方面規劃。
一是機制建設：首要任務是建立一種機制，避免讓帶薪上班成為常態。這里存在一個矛盾：在產品可行性得到驗證之前，企業不太可能進行投資；但若沒有企業的投資，產品也無法完成可行性驗證。因此，機制建設是我們需要優先考慮的問題。
二是人才培養：對于垂直領域的大模型開發，需要該領域的專業人員深度參與。與其從外部培養專業人員，不如加強內部人員的培養，使他們能夠掌握大模型技術，具備相關的能力。
三是算力儲備：我將這一點排在第三位，因為只要有足夠的資金，算力是相對容易獲取的資源。雖然重要，但相較于機制建設和人才培養，它并不是最迫切需要解決的問題。
本文來自微信公眾號 “InfoQ”（ID：infoqchina），作者：高玉嫻，36 氪經授權發布。
京公網安備 11010802036102號