引言
自2022年底ChatGPT-3.5发布起，生成式AI(Generative AI)的话题热度持续走高。 该技术并非只停留于概念阶段 ，而是已开始加速影响着各行各业 ，无论是技术本身还是应 用演进的速度均十分惊人 。银行业本就是最早应用传统人工智能技术的领域之一 ，如何借力新技术 、加速数智化转型 ，构建差异化竞争力 ，是领导层当下必须深入思考的命题 。
对银行而言 ，生成式AI技术与传统AI技术到底有何不同?生成式AI能否为经营管理带来新的价值释放场景? 如何推动场景快速落地? 规模化应用又需做哪些准备工作?本文章将呈现我们对相关问题的思考和建议 。
变革已至，理解生成式AI的能力
直观理解：生成式AI带来哪些不同？
让我们来畅想一下 ，一家银行的零售理财客户经理小王的一天 。
今天是小王入行整五年的日子 。早晨到支行后 ，小王做的第一件事情便是打开最 近部门新安装的 AI 助手——小智 ，开始在对话框中录入问题 。
“小智 ，请打开我今天上午的计划表 。”
“好的 ，小王 。这是今天上午的计划表 ，你计划给三个客户打电话 ，这是预约的 时间和他们的电话号码 。”
今天要沟通的第一个客户是张女士，印象中这位客户小王迄今为止只联系过一 次 ，并不太熟悉 ，于是他在系统中勾选了“查找前期通话记录文稿和微信聊天记录” 和“查找行内交易数据”两个选项 ，并在对话框中连续问了三个问题 ，“小智 ，我上 次与她联系是什么时候 ?她目前都持有什么投资 ?最近是否在本行买卖过产品 ?”
系统只用了两到三秒就给每个问题提供了快速 、准确的回答:“根据记录 ，你上 次联系她是一个月零三天前 。她最近一个月没有交易过任何产品 。目前她的持仓只有 两笔定期理财 。”
小王继续在系统勾选“查找前期通话记录文稿和微信聊天记录”，问道:“小智 ， 她之前联系时表示对什么产品有兴趣 ?”
“她表示过对债券型基金和混合型基金有兴趣”，系统很快回答 。
“那上次是否有给她推荐债券型或混合型基金产品?她为什么没买?”小王让 小智继续在前期通话记录中找答案 。
“上次推荐产品时 ，她表示没有闲钱 ，将在一个月之后有奖金入账 ，会考虑进行 配 置 。”
那现在不正是推荐的好时候 ，小王心想 。于是 ，他立刻勾选了“产品推荐引擎”选 项，继续问道，“小智，目前本行在售的混合型基金中，哪款比较匹配张女士的偏好?”
几秒钟之后 ，小智给出了三个答案 ，“根据模型的预测 ，目前有三款产品 ，分别 是 AAA 、BBB 、CCC 三只基金 ，较为适合张女士 。”
小王想起来 ，CCC 这只基金昨天刚开始发售 ，但他还没有时间仔细学习该款产品 的文件资料 ，他于是赶紧勾选了“产品介绍”选项 。对话框中立刻调出了该产品长达 10 页的详细介绍 。
由于没有时间仔细阅读这个冗长的 PDF 文件 ，小王随即勾选了“产品比较”选项 ， 问道 ，“小智 ，请用一段文字总结这款产品的主要亮点 ，并跟 BBB 基金进行比较 。” 很快，小智在对话框中返回了CCC基金的三个亮点，以及与BBB基金的两个主要差异。
通过这段一到两分钟与小智的对话 ，小王认为自己已经准备好 ，于是拨通了张女 士的电话 ，开始营销 。通话很顺利 ，张女士表示自己恰巧在选择混合型基金产品 ，并 对小王的推荐和专业的介绍话术感到满意 。在通话期间 ，当张女士好奇问到另外一款 DDD 产品为什么表现不好 ，小王在对话框中同步将问题抛给小智 ，也得到了一段比 较扎实 、多角度的市场分析解释 ，及时传递给张女士 。
下午四点半，小王在助手小智的帮助下，比计划提前完成了今天六个客户的沟 通 ，均取得了较好的营销进展 。本想休息片刻 ，去学习一下市场动态 ，结果领导过来 布置了一个紧急的客户分析任务 ，并要求在下班前提交报告 。原来 ，最近支行财富中 收业绩有所下滑 ，领导让小王这个团队长分析他所在的小组共同覆盖的 AuM 在 300 万 到 600 万的客户近期在产品交易上的变化趋势 。
“幸好现在不用找人帮忙去系统找数 、拉数了 ，也不用自己在 Excel 搞透视表了 ， 否则今天下班前怎么可能交得了……”小王一边心里嘀咕，一边再次打开系统对话 框，勾选了“客户数据分析”选项，开始一步步盘问小智，“小智，请把ABCDEF这 六位客户经理所管户的 AuM 在 300 万到 600 万的客户都找到 。”“这些客户过去一个 月的日均 AuM 变化如何 ?”“这些客户在一个月前的合计产品持仓分布发生了什么 变化 ?”“非存 AuM 下滑最快的客户画像是什么 ?”“主要退出的产品的市场表现 有何变化 ?”……一步步地 ，小王层层深入地对着系统问了十几个问题 。在每一步 ， 系统都用几秒钟就返回了相关数据 ，并自动形成了线图 、饼图等形式的图表 ，更直观 地显示数据变化趋势 。最终小王把相关图表集中下载到 Word 文档 ，并让小智基于图 表内容自动形成了初稿总结，最后自己再用半小时完善了整体的分析报告与行动建 议 ，顺利在下班之前交出了报告 。
以上客户经理小王的一天 ，就是 AI 赋能的一个典型示例 。在生成式 AI 出现后 ，这个示 例已不再遥远 。实际上 ，场景中的许多片段目前均已实现了概念验证 。例如 ，让机器从非 结构化的通话记录文稿中 ，快速准确找到相关信息并以问答输出;让机器阅读长篇累牍的 产品或资讯文档 ，自动提炼要点;再比如 ，让机器在自然语言的指示下 ，自己去数据库抓 数和作图，打通Text-to-SQL的最后一公里，实现数据分析和制图的自动化。
从这个例子 ，可以直观地感受到生成式 AI 带来的核心体验的变化:客户经理小王不再 需要到 CRM 系统的层层功能菜单中去逐一查找并手动汇总分散的信息 ，也不需要去逐页阅读海量的通话记录 、产品类文档或市场资讯类资料 ，他甚至不需要熟练掌握各类分析性工 具(比如SQL取数、PPT制图、Excel透视分析等)。由于有小智这个不知疲惫且能开展基 础信息加工分析的助手 ，客户经理小王只需要问“对的问题”，就能高效获得精炼的 、极有 针对性的营销知识和客户洞察 ，以供进一步决策或行动 。生成式 AI 把小王从占用时间的案 头类工作中解放出来 ，使小王可以将时间和精力尽可能多地放在与客户的直接交互上 ，同 时还能体现出较之前更专业的水平 。这就是生成式 AI 的魅力 。
理解根因:什么造就了生成式AI的强大能力?
人工智能已发展多年 ，历经专家模型 、机器学习 、深度学习多个阶段 。今天生成式 AI
之所以火热 ，是因其相较传统 AI ，在“对话”与“创造”两类能力上实现了根本性的突破 。
• 就“对话”能力而言 ，过去的机器在回答问题时往往缺乏对上下文的理解 ，导致答案 相关性较低 ，表达机械化;而如今的生成式 AI 能够理解更长的上下文 ，并进行拟人化 的思考和回答 ，与人类的对话沟通也更自然;
• 在“创造”能力方面 ，以往的机器只能按照预设任务(如分类 、数值预测)输出答案; 而现在，生成式AI能够自动生成自洽的图形、文本甚至代码，具备优秀的内容创作 能力。
那么生成式 AI 背后的大模型 ，又是如何形成了突破性的对话和创造能力 ?这离不开科 学和工程的双重进步 。
一是科学的进步，即算法的突破。AI算法的本质在于特征提取。基于Attention Layer 的 Transformer 技术 ，是一种新的模型架构 ，能更好地提取“全局”特征 ，因此模型的效 果更好。Transformer技术使机器能高效捕捉海量语料中一个个词之间的关系，或者海量 图 片 中 一 个 个 像 素 之 间 的 关 系 ， 使 得 大 量 的 知 识( 本 质 上 表 现 为 词 语 之 间 的 关 系 )能 被 封 装 在训练好的模型中 。由于该模型架构强大的能力 ，在 2018 年 Transformer 技术出现后 ，三 分天下的AI应用领域(计算机视觉、语音识别和自然语言处理)逐渐形成大一统趋势。以 前各个领域有一套适配其应用场景的模型架构 ，如今 Transformer 可相对较好地处理各类 场景的问题 。
二是工程的进步，即超大规模的算力和数据的支持。由于基础设施的进步(高算力芯片、 高速网络)，模型的训练规模较之前深度学习阶段有了数量级的显著跃升 。深度学习时代 的模型参数通常只有百万量级 ，只能训练几亿级的文本且还需要人工标记;但以 ChatGPT 为例的大模型参数可达 1,750 亿 ，能训练数万亿级的单词文本且预训练不需要人工标记 。 正因为训练的语料和参数在量级上的突飞猛进 ，使大模型体现出的能力远超以前 。同时 ， 也因为足够大到能训练和封装几乎全科领域的知识，大模型能表现出很强的“通用性”能 力 ，即一个大模型可以在结合精调后运用到多个完全不同的场景 。
银行业应用场景丰富，价值释放可期
价值创造逻辑:替代人、赋能人
生成式 AI 在银行业的应用 ，从价值创造逻辑上可分为两大类:
一是替代人: 生成式 AI 可以替代人 ，开展大量重复性较高 、简单基础的任务 ，如处理 文本的要素提取 、处理进件 、识别异常项 、生成基础数据分析 、生成标准化内容等 。这能 够释放运营类人力资源 ，实现降本增效 。
部分场景下 ，生成式 AI 还可能取代人 ，催生全新的业务模式 。例如交易撮合的场景 ， 由于很多场景的交易要素非结构化 ，且需要多轮交互 ，通常需要人来协助开展撮合 ，但借 助生成式 AI ，未来买卖双方都可能只与 AI 界面进行对话磋商 ，而不再需要人作为中介进行 撮合。
二是赋能人: 利用生成式 AI 的“对话”和“创造”能力 ，可让 AI 成为助手 ，有效放大 关键节点的“人”的产能 ，尤其是客户经理 、财富顾问 、产品经理 、投研经理 、信审经理 、 市场营销人员 、编程开发人员等角色 。本报告开篇赋能客户经理的例子就是一个典型示例 。 一方面 ，通过对话式学习的方式 ，生成式 AI 可以更好地“培训”这些专业人员;另一方面 ， 在关键的展业过程中 ，生成式 AI 可以有效整合关键信息及素材 ，助力相关专业岗位的人员 ， 更快做出精准有效的判断 ，展现出更有针对性的客户互动技巧 ，或更快速地产出高质量的 交 付 物( 代 码 、 设 计 文 案 、 报 告 等 )。 通过机 器 助 手 的 加 持 ， 代 表 银 行 核 心 竞 争 力 环 节 的 单 人产能有望大幅提升 。
赋能人不仅仅是体现在专业内容的形成上 ，还可能体现在基础管理环节 。例如 ，以前 项目开展 PMO 管理 ，需要项目经理每天与多个角色共同开会来对齐进度 ，并维护一张集中 显示进度和问题的大表 。未来 ，借助生成式 AI ，有可能实现由 AI 与各个角色实时开展简单 的对话来交流进度 ，最后由生成式 AI 提炼对话中的要素 ，自动形成项目管理看板并自动识 别和提示风险 。在 AI 的加持下 ，以前一个项目经理只能管理两到三个项目 ，未来可能变成 一个人可同时管理十几个复杂项目 。
价值释放空间:贯穿银行前中后台，规模化降本增效
如图 1 所示 ，生成式 AI 在银行业的应用场景可贯穿前中后台各个环节 。银行的每条业 务线 、每个职能 ，都有可能找到生成式 AI 的应用场景 。若能在银行业实现规模化应用 ，有 望带来可观的降本增效收益 。BCG 曾以一家拥有约两万名员工的区域性国际银行为例 ，初 步梳理了该银行前中后台相关部门应用生成式 AI 的潜力和效益 ，预计在首年即可为该银行 节省约 1.5 亿美元的成本 ，占整体薪酬总包的 7% 左右(参阅图 2)。
落地可行:局部速赢已有切实路径，规模化应用还需体系性规划
优选场景:平衡收益和风险，与传统AI充分结合
在应用探索初期 ，各家银行通常优选少量场景先行试水 、循序渐进 。在选择场景时 ， 要平衡考量收益潜力 、风险 、实施难度 。同时 ，最早落地的试点场景 ，还需考虑其能否在 组织准备度诊断 、方法构建 、信心构建等角度形成示范效应 。
选择场景时 ，不能只是简单定位“业务环节”，粗放地决定到底是应用在财富管理的营 销环节 ，还是应用在公司金融的授信审批环节 。对场景的细分和选择 ，需要具体到机器的 角色和需解决的问题类型 。
以下几个问题 ，是场景定位时通常需面对的权衡选择 。
- 归纳 、分析还是决策 ?
即使是同一个业务场景 ，取决于 AI 的角色定位不同 ，其收益潜力和实施难度也不尽相 同 。以商业银行的授信审查场景为例(参阅图 3)，按照角色的要求从易到难 ，AI 的角色可 以是只对事实性信息进行自动抓取和归纳的初级研究助理 ，也可以是对行业和企业到底好 不好能形成严谨分析的分析员 ，甚至有可能成为直接给出某个申报项目到底能否批 、批多 少 、批什么条件的授信策略师 。
最后一种 “授信策略师”显然代表了最高的技术应用水平，但这并不意味着就是当下 优先级最高的必选场景 。一般而言 ，涉及大额交易的复杂投融资决策 ，往往都不是 100% 的 规则导向 、有标准答案的 ，在基于客观 、全面 、深入的理据分析基础上 ，最后的决策往往 还会融入当下团队的经验 、风险偏好 、非经济回报类收益等主观考量因素 ，机器难以捕捉 。 另外 ，机器给出的策略有利于保持每次决策的标准一致性 ，但这种一致性在历史决策并不 明智的情形下(如历史决策数据中可能包含大量由于太过谨慎而错失好机会的例子)，反而 可能导致非最优决策的更长期延续 。
反之 ，在前两种角色定位上 ，生成式 AI 的价值释放潜力短期来看可能更为显著 。对公 客户经理团队的专业水平 、学习意愿通常参差不齐 ，在申报授信方案过程中搜集整理客户 及行业的信息也通常需耗费大量时间 。而当下 ，银行的授信要具备竞争力 ，一方面要“快”， 另一方面要“专业”。作为“分析员”的生成式 AI ，可以直接构建基于专业行业分析框架 、 评估标准的初稿 ，大幅减少客户经理自己从 0 到 1 学习理解新行业和加工处理基本信息的 时间 ，客户经理写出的尽调报告的平均水平在短期有望显著提升 。
- 面客还是对内 ?
在对成本收益进行考虑时 ，不仅要考虑直接的运营人力节约的收益 ，还要考虑因潜在
风险可能导致的额外间接成本 。
例如 ，在零售远程银行的业务场景中 ，一种应用模式是让 AI 直接“面客”，让 AI 直接 成为外呼的营销坐席 ，代替真人坐席与客户开展营销互动;而另一种应用模式是对内赋能 ， 即 AI 成为营销坐席的助手 ，在真人坐席与客户互动时 ，为其实时提供更详细 、专业的信息 支持 ，或提供“回答草稿”，最终仍由真人坐席来把握实际对话内容 。前者相较后者 ，看似 直接节约运营成本的效果更加显著 ，但可能因 AI 互动质量的不确定性 ，导致部分客户体验 不佳 、反而投诉增加 。
由于银行业在开展对个人客户的销售时 ，往往较其它行业面对更严格的行为监管和内 控要求 ，在“面客”场景首先试水生成式 AI ，实际挑战可能更大 。
- 对目前已在应用的传统 AI ，替代还是结合 ?
在大模型出现之前 ，银行已有非常多的传统 AI 模型的应用 ，例如 ，在线上小额个人贷 款领域由机器实现智能放贷 ，或由机器生成理财产品推荐建议 ，或由机器判定高潜获客名 单或客户流失率 。既然 Transformer 技术有大一统趋势 ，且支持多种任务类型 ，那是不是 意味着 ，所有传统 AI 模型的应用场景 ，都需要用大模型来重新做一遍呢 ?
并非如此 。实际上 ，传统 AI 模型在不少场景已体现出很强的能力 ，其与大模型在相当 长一段时间内会共存 。如图 4 所示 ，两者适配解决的问题类型并不相同 。从单一任务来看 ， 传统机器学习模型较为擅长的是需要较强解释性 、需要进行量化预测结果的任务 。而大模 型擅长的是产出业务内容 、答疑解惑式场景的任务 。
未来 ，大模型和传统的单任务模型之间 ，更可能是强强结合 、同时使用的关系 。
两者间可能是总分关系:大模型有望成为问题解决的中枢“大脑”。通过大模型 ，可将 一个相对复杂的问题拆解成不同的步骤 ，每个步骤去调用不同的单一任务传统模型 ，最后 大模型再将不同单任务模型的输出进行串联整合 。以前 ，业务流程的数字化往往体现在单 一任务上的数字化 ，但连接不同活动的流程仍需要人的相当介入 。在大模型的帮助下 ，未 来人们可以利用自然语言 ，将长线的目标任务拆解思路教给有推理能力的机器 ，然后由机 器来完成一个完整业务问题的全流程数字化 ，使得业务流程数字化从“任务数字化”进阶 到“目标智能化”。
两者间还有可能是串联关系:针对特定任务 ，传统 AI 和生成式 AI 的串联使用可进一 步提升预测的准确性 。例如 ，在金融反欺诈场景下 ，大模型可以通过创建额外的合成数据 点 ，来解决欺诈训练数据稀缺性的问题 。国外银行已有实践表明 ，利用合成数据集 ，传统 AI 反欺诈模型的预测性能会进一步提升 ，误报率会降低 ，甚至还可识别出新的可疑活动类 型 。再比如 ，在个人金融产品的营销推荐场景下 ，大模型可代替人工 、有效读取各类非结构 化 数 据( 如 客 户 谈 话 记 录 )， 自 动 提 炼 为 结 构 化 的 客 户 画 像 标 签 ， 动 态 持 续 地 输 入 到 传 统 的产品推荐 AI 模型中 。由于输入的变量更加丰富 、准确 ，模型的推荐结果也能更个性化 、 更精准贴近客户的需求 。
巧用方法:三大抓手，让机器的答案更专业、更实事求是
从0到1训练大模型的成本和难度高企，因此大模型开发能力未来将集中于少数专业 机构 。对银行而言 ，主要的落地路径是直接应用市场上已训练好的大模型 。但拿来即用 ， 需有正确的方法来应对两大挑战 ，确保答案质量可靠 。
• 挑战一是 “说真话”: 生成式AI的“知识”是基于预训练时已经封装好的“知 识”，它的知识并不能及时更新，更没有融入各家银行自身掌握的专属数据和信息。 因此，直接与其对话时，给出的答案容易出现偏离事实、甚至“胡说八道”。
• 挑战二是“说专业的话”: 大模型虽然有很强的“泛化”知识能力，但在某些专业领 域的知识并不一定能掌握得好;每家金融机构内部一些特定的表达要求、表达风格在 预训练时也未曾捕捉。
那 么 ， 如 何 让 模 型 产 生 的 答 案 更 能 契 合 银 行 自 身 的 需 求 呢 ? 有 三 个 关 键 抓 手( 参 阅 图 5 )。
抓手一:利用嵌入(embedding)，使大模型能基于给定的数据库来生成答案 。例如 ， 银行可以将理财经理与客户 A 的前期通话访谈记录 、客户 A 在银行渠道的理财产品买卖交 易历史记录 ，都切割编码放入到向量数据库 。当理财经理问系统“客户 A 的理财偏好是什 么?”这个问题时，系统首先到向量数据库检索出相关信息片段(买卖记录中能显示出产 品偏好 、对话记录中也有表示出的产品偏好)，之后再将理财经理的问题和搜索到的信息 片段传送给大模型 ，由大模型整合形成最终的对话式答案 。
抓手二:利用强有力的提示词设计，使模型给出契合专业性要求的准确答案。问题 怎么问 ，即提示词是什么 ，对模型的输出结果有决定性的影响 。一个简单的例子 ，同样问 ChatGPT“如果我老板让我周六加班 ，我该怎么办 ?”，当加入半句话“请你以一个劳动法 律师的角色来回答”时 ，问题的答案就会完全不同(参阅图 6)。
当然 ，提示词之所以目前已称之为工程 ，甚至一个新学科 ，绝不只是体现在单一问题 上应用角色设定 、提供背景等简单技巧 。在以提示词进行应用开发时 ，可利用 LangChain 把问题解决的长线逻辑和相关例子全部融入进去 ，使大模型能按照预设的步骤 、思考链路 、 回答格式来产生答案 ，从而形成更符合专业领域要求的产出 。目前 ，领先大模型如 GPT-4 的提示词已可以容纳32K(约2万字)的输入，能支持相当复杂的、含多轮“问答对”的问 题描述 。从落地所需的能力来看 ，提示词工程对团队的要求 ，根本上是问题拆解 、流程梳 理的能力 ，对软件开发能力的要求较为有限 。
抓手三:直接对开源大模型进行指令精调 。精调模型会直接修改模型的参数 ，使得模 型在有限提示词下 ，一次性生成答案的质量更高(zero-shot 质量更高)。不过 ，即使模型进 行了精调 ，若要处理的是需拆解多步逻辑链路的问题 ，仍需要在提示词上精心设计 ，只靠 精调模型难以解决所有应用诉求。另外，精调模型需要更多的示例(数量明显多于提示词 设 计 所 需 的 高 质 量 示 例 要 求 ， 且 需 要 人 工 标 注 )和 一 定 的 算 力 资 源( 需 高 算 力 芯 片 )， 同 时 还需要团队有擅长做模型的数据科学家 ，这都使得场景应用开发的整体资源投入更高 。
因此 ，若应用方能选择的大模型本身性能足够强大领先 ，且处理的问题需要多步逻辑 拆解 ，通常优先考虑直接用“提示词设计”而非“精调”来进行场景应用的开发 。反之 ，针 对 不 需 复 杂 逻 辑 拆 解 、 相 对 直 接 的 “ 内 容 问 答 ” 类 场 景( 如 客 服 、 知 识 库 、 培 训 等 )， 银 行 通常有大量现成的高质量“问答对”的数据积累可支撑训练 ，那么精调不乏为投入产出比 更高的一种路径 。
夯实技术:合理部署、多维选型、全栈升级
从部署上看 ，银行等金融机构对数据安全性有非常严格的要求 ，这意味着模型的精调 、 模型的应用都很可能需在本地进行 ，保证专属数据“不出行”。图 7 呈现了国内银行未来可 能采取的主流部署模式 。
从技术上看 ，若要在全行前中后台都规模化应用大模型 ，多项软硬件能力也需相应升级
(参阅图 8)。
首先是算力 。即使不从 0 到 1 训练大模型 、只是进行精调 ，也需要一定的高算力资源 。 另外 ，若未来有成百上千个 AI 应用同时在组织内运行 ，对硬件基础设施的算力 、稳定性也 提出了更高要求 。
其次是模型。大模型的选型尤为重要，但这并不是一件简单的事情。模型是不是越 “大” 越好?并不一定。比如Meta的LLaMA(2023)模型参数为650亿，比GPT-3(2020)
的 1,750 亿参数量小一个量级 ，但性能却并不比后者差 。训练语料 、训练方法 、训练时长 ， 都会对模型效果有影响。另外，近期有斯坦福大学的研究表明，“三个臭皮匠顶一个诸 葛亮”，即在特定场景下 ，三个较小的模型的共同应用可能比一个很大的单一模型的表现 更好。
在具体给某个场景进行模型选型时 ，业务团队的输入很关键 。需要有充分的测试例 ， 来验证模型在准确性 、置信度 、鲁棒性 、公平性 、毒性 、效率等多个维度的表现 。针对不 同类型的场景 ，评估前述各个维度的测试例也不尽相同 。除了模型自身的效果表现外 ，模 型的选型还要考虑与平台合作方相关的其它因素 ，例如商用授权的要求 、能否支持精调 、 安全性 、兼容性等 。
从规模化应用来考量 ，未来银行需要引入和维护一个模型库 。如之前所述 ，很多场景 需要大模型和传统 AI 模型的并用 ，因此模型库需要纳入多种模型 。即使是大模型 ，目前各 家开发商仍然处在一个快速迭代 、你追我赶的阶段 ，甚至商用授权等商业模式都在快速变 化(例如7月20日，Meta宣布Llama 2支持免费商用)。因此，银行作为应用方，在现阶段 开展试水时 ，需对大模型的选择保持开放态度 ，可在以一家大模型为主的基础上 ，也仍然 积极尝试市场上其它领先的开源模型 ，持续寻找场景与模型之间的最佳适配组合 。
除了模型选型之外 ，围绕规模化应用开发 ，还需要构建其它多项能力 。
一方面是 3.2 小节中已提到的基于提示词设计进行应用开发的能力 。要发挥出大模型 的应用潜力 、缩短应用开发周期 ，就需要让不具备软件编程能力的业务团队能更加自主 、 充分地开展基于提示词设计的应用开发 ，而这需要搭建一个全部基于自然语言交互 、支持 “托拉拽”的开发工具 ，支持业务人员进行问题拆解 、定义“问答对”。银行未来可以设立 一个生成式 AI 工作室团队 ，专门为业务团队的应用开发搭建工具 、开展培训 。
另外 ，不同场景的提示词设计中的“问答对”是有可能复用的 ，甚至是需要全行有统 一定义 ，才能取得更好的效果 。这些“问答对”的沉淀 、背后的代码管理也需要有相应的 机制 。在初期进行部分典型场景试水时 ，银行的技术团队就要开始思考 ，如何构建常态化 、 针对“提示词设计”开发的研发管理机制 。
另外 ，风险控制也很关键 。如何形成高质量的测试能力 ，如何进行内容审查 ，如何持 续基于应用形成反馈 ，这些方面也都需要构建新的管理流程和标准 。
重塑体系:规模化应用需遵循10/20/70原则，技术之外更关键
我们认为 ，生成式 AI 在银行业规模化应用的落地 ，是一个体系性工程 ，其成功与否会
遵循“10/20/70”法则，即:10%是模型，20%是整体IT能力升级，70%是业务与组织的转型。
当大量运用 AI 时 ，需要有操作行为规范 ，引导员工进行合适的信息输入 、并对机器输 出进行合理地判断和使用 。围绕质量管理 、风险监控 、责任认定等 ，也需构建匹配的管理 机制 。银行还要构建负责任 AI 体系 ，在精调和应用开发时 ，尽力确保公平性 、可靠性 、透 明度或可解释性 、隐私安全 、可问责等目标 。
另外 ，生成式 AI 的大范围应用也将变革企业的岗位和人才结构 ，以及人才的选拔培养 体系 。从人才结构上来看 ，专业技能岗位的基础级别员工的需求量可能会减少 ，而质量管 理岗位的人员需求可能会增加 。从人的能力素质要求来看 ，员工之间专业技术的方差可能 会伴随机器的赋能而变小 ，但是在问题定义能力 、问题解决能力方面的综合要求会比以前 更高 、更能拉开人与人之间的差距 。围绕人才要求的改变 ，企业的人才培训体系 、人才晋 升的路径和标准也都需要相应变化 。
快速行动:银行需由点及面、敏捷推进
生成式 AI 的浪潮已席卷全球 ，国内外诸多金融机构均已开始加速应用场景的探索 。虽 然目前全市场看似兴致很高 ，但很多机构实际还未下定决心 ，热情和动力还只是停留在对 各类“首个应用”名头的跑马圈地 。
各家银行应充分意识到 ，这次的新技术不只是噱头 ，而是有望切实带来革命性生产力 提升的范式变革 。对于生成式 AI 的探索 ，银行需要有长远的眼光 ，开展体系化的顶层规划 ， 需要联合相关业务和科技部门协同努力 ，推动规模化应用的分步落地 。
具体而言 ，可分三个阶段 ，由点及面 、敏捷推进:
• 第一阶段，少量场景的概念验证和局部落地:选择重点应用场景，快速完成概念验证 (POC)、构建最小可行性产品(MVP)。利用这一过程，诊断技术、业务两方面的 准备度，梳理出部署模式、技术选型、质量和风险管理的框架标准、及配套的组织及 资源投入要求。
• 第二阶段，开展全场景盘点+体系规划:基于局部应用的效果和经验，形成规模化实 施的顶层规划，包括:盘点银行所有潜在应用场景，基于商业价值和可行性高低，排 布场景的落地先后优先级，形成投入产出量化评估方案;形成技术架构整体升级的细 化方案设计;形成质量和风险管理的体系化方案;形成业务和组织能力转型的方案设 计;形成能力建设关键举措及路线图。
• 第三阶段，规模化应用落地+体系能力固化:完成技术和工具基础设施的搭建;依次 分批推进应用场景落地;围绕业务、技术端不断积累应用经验;持续在落地中迭代问 题，并将相关能力固化至技术架构、业务流程和管理规范中。
