广发证券辛治运：金融大模型加速证券业数字化转型

　　第21届中国国际金融论坛于12月19日-20日在上海召开，主题为“金融高质量服务新质生产力发展”。副总经理、首席信息官辛治运出席并演讲。

　　以下为演讲实录：

　　辛治运：尊敬的各位领导、各位专家，今天很高兴有这个机会和大家一起交流。我今天分享的主题是《金融大模型加速证券业数字化转型》。

　　本次分享分两个内容，一个是金融大模型发展与行业的应用情况，第二部分是给大家汇报一下我们在生成式AI应用相关的实践和案例。

　　首先，第一部分生成式AI整体应用情况。今年11月底中国互联网信息中心发布《生成式人工智能应用发展报告》，数据统计到6月底，3.5亿人表示听说过生成式AI，2.3亿人表示使用过生成式AI产品，占全国整体人口16.4%，也就是说平均每6个中国人就有1个人使用过生成式AI产品。

　　美国国家经济研究局也做了调研，截止到8月，39.4%的18—64岁美国人使用过生成式AI产品，这两个数据虽然不是可比口径，但一定程度上说明了中国、美国生成式AI民众使用还是有一些差距。美国相对人数比我们多一些，场景更加丰富，整体上使用生成式AI应用场景主要在回答问题、撰写沟通内容、执行行政任务、帮助写代码等方面，体现了生成式AI对大家工作、生活提升有不少助力。

　　在国家层面，今年政府工作报告首次提出开展“人工智能+”行动，将“人工智能+”列入国家重点工作来推，2019年是“智能+”，今年是“人工智能+”，把人工智能上升到国家战略。过去20年如果说是互联网革命，那么未来将会是人工智能的科技革命时代。根据麦肯锡今年发布的专题报告，生成式AI有望为全球贡献大概7万亿美元的价值，中国有望贡献其中2万亿美元，接近全球总量的三分之一，将为高科技、先进制造、零售消费、银行、金融等产生巨大的经济效益提升。这次中国国际金融论坛如此重视AI也是这么一个背景。

　　金融业而言，我们也看到了生成式AI应用不断落地。相关研究指出，随着技术成熟、应用深入，生成式AI将对金融业带来三方面变革。首先，有利于提升整个金融市场的有效性。大模型可以降低金融行业信息不对称，从供需两端提升金融机构服务实体经济的能力，提升社会公众的金融素养和金融能力，并最终提升金融市场的有效性。第二，有可能变革整个金融业的服务范式，因为在服务长尾客户方面，它有望产生非常大的影响，可能会形成新的服务入口或超级应用。第三，有可能改变行业竞争格局，大模型应用可能会将金融行业集中度进一步提升，数字能力、金融专长等禀赋可能更为关键，头部机构、大型持牌金融科技公司有可能重新排序，部分中小机构可能通过生成式AI技术应用实现跨越式发展。这是生成式AI有可能对金融业带来的影响。

　　针对生成式AI在金融业的应用，Gartner今年2月对海外投资服务业也就是金融业做了调研报告，根据价值高低和可行性高低，收集整理出19类生成式AI应用场景和探索方向，包括投资顾问助手、代码生成、顾问工作流、人工智能管理产品组合等等。这些应该说都是目前AI应用比较好的应用场景，尤其是图上尖部像投资顾问助手这几个，有较高的价值和可行性。

　　具体落地上，凭借相对成熟的技术能力，海外金融机构也正在密集上线生成式AI应用，包括内部运营、金融咨询、财富管理、保险、信贷、支付等各领域，比如说彭博打造了BloombergGPT、上线资讯智能生成与检索，MorganStanley、富国银行在财富顾问助手、智能客服对话方面的领先应用，汇丰也在反洗钱、风险管控提升了保护的能力。这页展现的都是海外金融机构生成式AI的应用情况。

　　国内金融机构也都在探索大模型的应用，基于大模型的生成式AI将成为金融业广泛的基础设施，包括第三方机构、银行等都在应用企业或行业的大模型，开展很多场景应用，比如客服、投研办公等等。证券业主要有两种模式，一种是和东吴，投资比较大，打造自己专业的行业大模型，另外像中信、中金、广发投入少一点，主要是应用“行业通用大模型+微调”的方式来构建大模型应用能力，我们在投顾、投研、运营等方面落地了40多个应用场景。

　　总体来看，大模型在金融业各行各业落地场景不断增多，但是有一个感觉：雷声大、雨点小，与预期有一些差距，目前还没发现具有颠覆性的创新应用。今年初，德勤面向16个国家、六大行业做了一个调研，2800多名高管受访认为当前企业应用主要重心在于创造更多策略性效应，比如降本增效，而不是加速增长和促进创新；79%的高管预期生成式AI将在未来3年内推动实质性的企业变革，可以看看未来会有哪些大的发展。生成式AI的应用前景无限，那为什么AI还没有实现生产力的极大提升呢？我想主要原因还是生成式AI存在一些现实瓶颈，尤其生成式AI面客时，金融机构由于监管、法律以及投资者保护等原因要非常慎重，所以距离生产成熟估计要2~5年，导致核心应用场景还是受限。另外还有一个关键问题，在于我们员工对于AI认知、驾驭的能力有待进一步提升。

　　生成式AI不像一般的科技，比如机车、计算机，直接就能对绩效、产出提升非常明显，生成式AI需要有能力驾驭AI的个体，包括人的基本能力、使用AI的能力、构建AI应用的能力，所以一方面要提升AI自身的能力，同时也要培养我们的员工使用AI的能力、构建AI应用能力，要进行组织转型和流程变革，建立AI原生的组织文化，将AI技术深度融入业务流程，集中资源寻找AI最佳应用场景并逐步实现全面赋能。做技术的人可能都能了解，就是我们的AI应用好、技术应用也好，业务部门要有数字化方面的意识、运用AI意识，和技术双向奔赴才能得到好的应用效果。

　　接下来，我给大家汇报一下广发证券应用生成式AI的案例与实践。

　　广发证券制定了人工智能整体布局规划蓝图，主要是以AI赋能业务为愿景，在建设好算力、数据算法3大智能化核心要素的基础上，围绕客户服务、提升效率、降低成本、辅助决策、防范风险5大目标，重点从AI投顾、AI投研、AI投行等12大主题领域进行规划，推动公司智能化转型。

　　从技术来看，目前我们已经建立了GF-Smart AI平台，包括AI算力设施、算法模型、AI基础能力和中台，持续赋能公司业务，目前重点建设基于大模型的生成式AI能力，包括GPU信创适配、大模型能力、agent智能平台等。

　　基于大模型的生成式AI平台已经成为广发证券的基础设施，我们累计落地了40多个应用场景。比如，财富管理领域财富AI员工助理，投研领域智能研报助手、研报点评生成，投行领域投行智能核查，交易领域衍生品对客服务助手等40多个应用场景。可以看到，其实我们在价值高的、可行性比较难的地方还是有一些好的场景在探索中。接下来，我给大家展开讲一下五个案例。

　　第一个是今年落地的新应用：财富AI员工助理。我们公司平台上有六万多个产品，包括公募、私募、资管 OTC等，粗略计算，总共8000多名服务员工要面对全国几千万客户的咨询和服务，服务量非常大。怎么可以更快速响应客户的咨询、问答、营销，提高这些工作的效率，是一个很大的挑战。所以，我们基于检索增强生成、工作流等技术，整合超过1000个API和数据字段，覆盖产品超六万多个，打造了一个综合多智能体。自上线以来，三个多月累计问答超4.4万轮次，生产的研究报告、营销素材等效率，相比传统人工模式提升20倍以上，应该说效果非常好的。

　　第二个领域是投行业务。投行一个IPO项目有时候文件要拿多个拉杆箱装，非常多文件要处理，文档质量、核查、把关非常困难，撰写、搜索也比较难，中间要找某些信息也非常难。针对这些痛点，我们率先探索投行大模型应用，课题研究成果获得了中证协优秀课题，目前已经上线应用。我们不光是能发现简单的错误，专业术语的错误也能检查出来。比如，新能源电池里“磷酸铁锂”是很关键的材料，如果写成“碳酸铁铝”这类错误，非专业人士哪怕一行行校对都很难发现，可能学新能源的人知道，但大模型可以直接把这种错误找出来，起到非常大的核查作用。又如有一些单位应该是“万元”，有时候错误写成“元”，或把公募基金的募写成墓地的墓，AI都可以找出来，其他还有很多，在提高整个投行业务文档质量核查方面有非常显著的作用。

　　第三，场外衍生品客服助手。我们场外衍生品交易员只有几个人，要面对1000多个机构客户对衍生品业务来做报价、交易、资金的查询，业务问题的解答等等，工作量非常大。我们上线了一个场外衍生业务对客助手，是对机构客户服务的，使得交易员对客响应速率提高了10倍，不到10个交易员可以每天应对1000多机构客户的业务需求，日均处理企微群消息3000多条，帮助每个交易员可以跟机构客户处理300多次客户交互，应该说效果提升显著，大大的减轻了机构交易员的工作负担，也很好地利用了生成式AI技术服务客户。

　　第四，在金融风险管理方面，当某些特定客户出现风险时，我们要及时查一下金融机构有多少信用风险、哪些有市场风险，与我们的业务合作可能带来哪些舆情风险甚至操作风险。原来为解决这个问题我们可能4~5个专业人员忙半天，汇总出特定风险企业的风险报告，现在我们有了智能体之后，风险报告生成速度加快，传统4~5个人忙半天时间现在只要20分钟就可以完成，效果显著。

　　最后一个案例，大家非常关注的大模型AI赋能软件开发。我们公司1000多研发人员，软件代码开发效率提升1%也是比较可观的，在提高研发效率、节约成本方面很有用，我们非常重视大模型在需求、设计、编码、测试、运维等各环节的应用。市场上不少机构说AI辅助开发的代码采纳率有百分之三、四十，不是很清楚计算口径，但根据我们自己实践，采纳率只有百分之十几，这块我们要继续投入资源，进一步探索，希望和在座各位多多交流。

　　实践中，大家都知道其实生成式AI应用还面临不少挑战。首先可靠性、可解释性、可控性不足的问题，我们对面客服务应用也是非常的谨慎，整个金融行业都是这个情况。同时，大模型对数据质量要求、数据安全问题也存在不同程度的挑战。从证券业角度看，行业的应用制度框架、规范还没有发布，比如应用在哪些范围、基本的原则；如果出现问题，怎么应急处理；是否对大模型固有缺陷能有一些容忍，等等，这些方面都有待进一步的完善。如何发挥大模型的积极作用，同时减少潜在的负面影响，是当前非常值得关注的问题。

　　最后我想说，对于大模型的应用、金融机构智能化转型其实是非常大的系统工程，浮在水面上的大模型算法、数据、技术这些都是冰山上的10%、20%，实际更重要的是那70%在水底下的，包括公司的战略导向，要重视这个事，同时要有敏捷的组织和架构，支持灵活的应用场景落地。我们业务部门、高层领导、业务部门领导要真正有应用方面的意识，才能够更好支持落地。另外，刚前面讲了，我们要有能够驾驭AI的人才和组织能力，要有会充分使用AI的人才，才能更大发挥AI 作用，做好迎接AI时代的准备。

　　这是我今天的报告，请大家多指正，谢谢大家！  

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。