AI 技术的崭新时代已然到来，而金融领域正在积极迎接这场技术革命。传统的人工智能技术在金融行业中已经有了广泛的应用，但如今，生成式 AI 技术正以令人瞩目的方式重新定义金融服务和运营。这一新兴技术的兴起，不仅使金融机构能够更好地满足客户需求，还为市场参与者提供了更广泛的创新空间。

据 The Business（2023）统计，全球金融科技领域的人工智能市场规模从 2022 年的 91.5 亿美元增长到 2023 年的 115.9 亿美元，年复合增长率（CAGR）为 26.8%，预计金融科技领域的人工智能市场规模将在 2027 年达到 317.1 亿美元，年复合增长率为 28.6%。

据艾瑞咨询统计测算，2021 年 AI+ 金融核心市场规模达到 296 亿元，带动相关产业规模 677 亿元，到 2026 年，核心市场规模达到 666 亿元， CAGR 为 17.6%，带动相关产业规模 1562 亿元，CAGR 为 18.2%。

通过本文，我们将和大家一起探讨生成式 AI 较传统 AI 在金融领域的应用带来哪些突破创新？海内外金融机构和企业如何在该领域进行布局？以及生成式 AI 在金融领域落地面临哪些挑战？

01

生成式 AI 在金融领域的能力升级和应用场景

从能力上来讲，生成式 AI 相较传统 AI，主要在于“对话”与“创造”两类能力上实现根本性的突破

• “对话”能力上，过去的机器在回答问题时往往缺乏对上下文的理解，导致答案相关性低，表达机械化；而生成式 AI 可理解更长的上下文，并进行拟人化的思考和回答，沟通更自然；

• “创造”能力上，传统的 AI 系统训练计算机对人类行为、商业结果等进行预测；生成式 AI 可自动生成自洽的图形、文本甚至代码，具备不错的内容创作能力。

从技术上来讲，生成式 AI 从单领域多模型发展到多领域通用大模型

• 传统 AI 在计算机视觉（CV）、自然语言理解技术（NLP）等领域超越人类，并创造了显著的价值。但 AI 1.0 缺少像互联网时代的 Windows 和 Android 一样的规模化能力，来降低应用开发的门槛，打造完善生态链。

• 生成式 AI 克服了传统 AI 单领域、多模型的限制，可以用无需人工标注的超级海量数据去训练一个具有跨领域知识的基础大模型 ；基于大模型，各种创新应用将层出不穷。

• 金融行业数据丰富且数据质量高，具备大模型训练的良好基础。同时，金融行业大量产品最终服务于 C 端用户， 大模型应用场景丰富，生成式 AI 在金融领域具备非常好的落地场景。随着大模型与证券、保险、银行业务的融合，创新应用将层出不穷。

从应用上来看，AI 在金融中的应用场景涵盖前中后台中的市场营销、产品设计、风险管控、客户服务、运营支持等。

来源：艾瑞咨询《2022 年中国 AI+ 金融行业发展研究报告》

基于生成式 AI 在对话和内容创作能力上的升级，具体在金融行业的应用上来看，主要有以下升级：

前台业务

AI 被频繁应用在智能营销、智能客服、智能投顾等领域。生成式 AI 技术弥补了传 统 AI 在自然语言表达能力上的不足、很大程度为客户服务类 AI 带来应用升级。

具体来看，生成式 AI 可以分饰营销、客服、投顾等多个角色，使得精准触达客户 - 解决客户疑问 - 推荐定制产品的服务流程逐步实现一体化、有效提升上市公司客户流量和服务效率，例如 Lemonade 推出虚拟人 Maya 和 Jim 用于保单销售及保险理赔业务、邓白氏 (Dun & Bradstreet) 将 生成式 AI 用于客户营销。

中后台业务

当前海外金融机构主要基于自身主营业务需要“因地制宜”布局 AI 应用， 例如金融信息数据服务公司更多将 AI 技术应用在数据获取环节和产品服务环节，支付公司更加注重防欺诈以保证客户资金安全，保险公司则更倾向于风险评估与理赔预测。

02

海内外金融机构和企业在生成式 AI 应用的布局和探索

我们观察到，海外头部金融机构目前正在积极探索生成式 AI 技术的应用，取得初步进展。前台业务中生成式 AI 技术主要用于智能营销、智能客服和智能投顾，中后台则根据自身业务需要进行布局，总体来看，生成式 AI 技术一方面有望强化现有的 AI 应用，另一方面能够提升金融机构整体经营效率。

国内的机构和企业在 AGI 应用方面的探索呈现以下特点：

1. 从第一批披露“大模型”相关动作的金融机构来看，真正应用在金融场景的大模型案例，基本上是技术较为成熟的风控场景与封闭性较强的智能客服；
2. 目前国内的金融大模型主要是在一些独立的业务场景下进行中小范围的使用，进而观察大模型对业务增长、风险控制、人效提升等方面的优化能力，尚未迎来大规模商业化爆发的阶段；
3. 拥有自身业务场景的金融科技公司或金融机构，优先进行内部使用，通过内部产品的打磨来提升大模型的能力，不具备自身业务应用的科技公司，更加偏向金融行业的通用化问题解决能力，有些会和金融机构合作，共同打造金融行业和场景的大模型；
4. 银行机构则由于谨慎和保密的考虑选择“默默发力”。目前，正式披露相关消息的包括工商银行和农业银行。其中，工商银行基于昇腾 AI 的金融行业通用模型，实现企业级金融通用模型的研制投产；农业银行则通过自主研发推出“ChatABC”，并在行内科技问答场景进行了内部试点；
5. 从行业应用路径来看，科技巨头提供通用大模型，或者技术能力强的金融科技公司提供金融行业大模型，具体的金融机构基于这个行业底层模型，用自己的业务数据去做私域训练，然后做私有化的部署和应用。

03

什么样的机构可以脱颖而出（市场玩家）

通过梳理海外内企业在金融领域的生成式 AI 技术应用的探索，我们发现该市场上的玩家分为三类：一类是头部金融机构，如各个银行、非银金融机构如度小满、蚂蚁金服等，他们天然具有丰富的金融应用场景和数据储备；第二类是头部的金融科技公司，如同花顺、百融云等，这些企业以其在金融信息和数据方面的专业知识为基础，利用生成式 AI 技术进一步提升了其产品和服务。它们拥有强大的技术能力和平台资源，使其能够更好地满足客户需求；最后一类是 AI native 创业公司，他们在生成式 AI 技术领域也展现出一定的潜力。虽然它们可能没有与头部机构相同数量的数据资源，但它们专注于特定的应用场景，并具备相应的 AI 能力，这些公司通常致力于解决特定的金融问题，如内容生成或智能投研。

1、数据储备

数据储备的多样性和质量对模型的训练和性能至关重要。具有大规模、高质量、多维度的金融数据能够帮助模型更准确地预测市场趋势、进行风险评估和创新金融产品。而像 Bloomberg、同花顺等金融信息服务机构本就有大量丰富的数据资源，以及各金融机构所拥有的专有数据储备，是未来真正能够体现 生成式 AI 金融服务差异化的核心要素。

2、应用场景

打造商业模式闭环、实现商业化落地是发展 生成式 AI 金融应用的关键环节，而其中，应用场景丰富的金融机构优势更为显著，例如标普全球 (S&P Global) 将 生成式 AI 与自身业务场景相结合，通过 生成式 AI 赋能当前的数据可视化、数据馈送、数据分析工具等功能并对客户进行收费。

3、技术能力

本来就是 AI 公司，有很强的 AI 底蕴和自主研发能力，比如 alphasense、百融云创等，团队本就具备深度学习、自然语言处理、强化学习等相关领域的专业知识，则其标准化的架构或有望较大幅度降低发展 生成式 AI 应用及推动业务转型升级的技术整合门槛和迭代成本。

4、平台资源

如度小满、蚂蚁集团等背靠大厂，本就拥有底层通用大模型能力，对行业的深度理解和丰富经验、广阔的业务网络和深厚的产业资源 ，有场景、有数据、有云服务，实现业务迭代升级相对容易。

04

生成式 AI 在金融行业应用落地的挑战

较之于其他领域，金融对数据专业性以及在风控、合规、安全层面的要求都更高，这也给金融机构和企业在探索垂直领域的大模型上带来了很多挑战，这也是为什么大家都觉得金融领域具有大模型落地的天然场景和数据，市场上也有很多声量，但实际的应用落地和创业企业却少之又少。

• 准确性：在面对金融行业的关键任务和不可预期的外界变化，大模型还不能保证每一个决策都稳定和精确；
• 数据隐私和合规性：金融行业希望运用人工智能实现用户的个性化体验，但需要如个人身份信息和财务等隐私数据和大模型相融合，还存在合规安全问题；
• 数据质量和可访问性：数据质量是模型性能的关键因素。金融数据可能存在噪音、不一致性和缺失值，需要仔细的数据清洗和预处理。此外，确保数据可访问性和实时性也是挑战，因为金融市场数据不断变化；
• 解释性和透明度：在金融领域，解释性和透明度对于监管和决策制定非常重要，大模型通常是黑盒模型，难以解释其决策过程；
• 安全威胁：可能面临网络攻击和数据泄露的风险；
• 其他：如金融行业大模型应用也会对底层设备、基础架构等软硬件设施提出更高的要求，算力的成本也决定了小机构很难负担。

生成式 AI 技术正在金融领域崭露头角，其在金融领域的应用将带来更高效、个性化和创新的金融服务。然而，金融机构需要认真应对挑战，包括数据隐私、准确性、安全性等一系列问题，以确保这一技术能够充分释放其潜力，为金融领域的未来发展做出积极贡献。

黑芝麻智能｜ClickPaaS｜第四范式｜讯能集思｜探维科技｜不停科技｜ PROPHESEE｜本末科技｜开为科技｜华瑞指数云 ｜群脉科技｜云蝠智能｜九四智能｜盎锐科技｜大麦地｜星辰空间｜星测未来｜星空动力｜九天微星｜范特科技｜薪人薪事｜优蓝国际｜颐圣智能｜超维知药｜知行合一｜微密医疗｜乐准智芯｜硅基智能｜极芯通讯｜恒百锐｜信迈医疗｜博志研新｜诺领科技｜新通药物｜普罗亭｜零犀科技｜深蓝航天｜达利凯普｜九天微星｜瑞莱生物｜三盟科技｜驭势科技｜江行智能

• 缔造链上纳斯达克的开路者：全面解读 Solana 生态、技术、代币与发展 
• 漫谈近期围绕大模型创业的一些关注点 
• ChatGPT 兴起，创成式 AI 与工具软件结合的前景如何 
• 多传感器一体化趋势下的汽车感知硬件 
• 光医学 - 在体流式细胞检测技术的发展与未来 
• 半导体抛光耗材的替代机遇 
• 中国数字科技：冰封后的并购之春 
• 股权 vs 代币：投资模式与价值捕捉 
• 数字化转型的排头兵，千亿 MarTech 市场的观察与思考 
• ChatGPT 在工业机器人领域的应用 
• 建筑领域最大的机会：以建筑科技成就建筑界的“特斯拉” 
• 区块链安全赛道 Mapping
• 未来建筑的智慧基因：从 AI 1.0 到 2.0 的进阶之路 
• 半导体氮化镓的替代机遇
• AI 大模型如何助力医疗产业升级 
• N 型技术迭代背景下对光伏产业的思考
• 具身智能—机器人新范式时代 
• 中国会出现另一个 Deel 吗？
• 超级链, L3, RAAS, 共享排序器: 寻找 Layer 2 周期的下一个 alpha
• Scale AI 何以成为数据标注行业的头部玩家？ 
• 超导材料行业洞悉及近期 LK-99 事件
• 大模型和智能化背景下 GPU 的新机遇 
• 3D AIGC- 迈向下一代内容生成方式还有多远？
• 光镊 - 那只“摸得着”微观粒子的“手” 
• AI Agent，大模型时代的 AI“人类进化时刻”
• 数据安全政策和市场观察
• AI 商业化应用图谱— AI+ 游戏