人工智能助力書寫數字金融大文章-楊青.pdf

1、人工智能，助力書寫數字金融大文章楊青度小滿 數據智能部總經理，技術委員會執行主席2024.08.16CONTENTS1.人工智能+金融，開啟數字金融新時代2.傳統式AI驅動金融：潛力巨大，方興未艾3.生成式AI重塑金融：開源啟航，落地生根4.展望：AI賦能，從數字金融到千行百業CONTENTS1.人工智能+金融，開啟數字金融新時代2.傳統式AI驅動金融：潛力巨大，方興未艾3.生成式AI重塑金融：開源啟航，落地生根4.展望：AI賦能，從數字金融到千行百業4紡織機、蒸汽機電力、內燃機、新交通工具、新通訊手段、化學工業第一次工業革命第二次工業革命第三次科技革命第四次科技革命17601870“電氣時代

2、”“信息時代”開創了以機器代替手工勞動的時代科學技術大幅度提高促進社會經濟結構和社會生活結構的重大變化生產力大幅提升，科學和技術開始結合“蒸汽時代”“人工智能”新興技術間高度融合人與機器共同進步，一起通往AGI2022.102020s原子能、電子計算機、空間技術、生物工程AI技術革命引領社會加速邁入智能新時代達特茅斯會議提出“AI”感知機誕生專家系統第一次浪潮“符號主義”反向傳播算法卷積神經網絡提出統計機器學習第二次浪潮“聯結主義”知識圖譜AlphaGo戰勝圍棋冠軍強化學習第三次浪潮“深度學習”1950s1980s2010s算法算力智算、超算云計算異構計算集成電路時代ChatGPT多模態具身智

3、能第四次浪潮“生成式AI”1950第一臺電子計算機誕生涌現、代理、功能可見性、具象5科技創新與迭代加速：AI一日，人間一年人機交互程度18281970201320172022第一臺打字機打字機商業化電子打字機IBM個人電腦Apple Macintosh推出PDA早期移動設備1868iphone安卓5G出現神經網絡transformerChatGPT20152024個人手機普及個人電腦普及GPT4文心一言PaLM2CopilotGemini1.0L.lavaCodexGPT-4oMiniCPMSoraHithinkGPTYi-VLQwen-VLSD3通義聽悟InternVL有道子曰大模型打印機時

4、代電腦時代手機時代智能時代Gemini2.0可靈靈醫大模型多模態大模型對話大模型代碼大模型垂類大模型音視頻大模型多模態大模型技術進步的速度日益加快，近3年極速涌現了大量新興技術打字機誕生大模型基石6科技超越數據密集型領域，加速向個性化行業滲透科技創新的滲透速度在持續加快發布后的月數少數據積累多重復性勞動多少科技擴散科技創新在用戶側的滲透速度加快產品/應用達到1億用戶所用時間（年）0102040605030100M75M50M25M0 2個月9個月30個月41個月55個月61個月用戶數交通物流智能家居土木工程影視制作 能源環保農業教育醫療金融傳媒社交7科技創新推動金融業進入數字金融新時代科技在金

5、融領域的應用速度科技對金融的影響深度和廣度IT+金融互聯網金融數字金融*圖形大小代表適配金融的創新科技數量科技替代體力勞動 科技延伸人類觸角科技輔助腦力勞動ATM、銀行卡IT自助設備股票電腦交易金融網絡門戶網商銀行在線咨詢智能投顧智能核保核賠智能產品定價AI核心能力群語言大模型多模態大模型機器學習生物識別自然語言處理 知識圖譜語音技術因果推斷金融業務金融業務金融業務投資銀行保險理賠資產管理消費金融國際結算財務分析金融業務8數字金融意義重大，是五篇金融大文章的基礎科技金融綠色金融普惠金融養老金融數字金融聚焦金融業的生產力的提升，是新質生產力在金融業的體現支撐其它金融的發展提升金融服務實體經濟質效

6、加速要素的流通與配置資金信息數據矯正市場失靈與金融割裂透明度效率服務門檻五篇大文章9數字金融內涵豐富，選取AI+信貸一窺當前進展AI：推動產業轉型升級，引領智能時代潮流信貸：促進資源有效配置、激發經濟活力AI+信貸是推動數字金融發展的高價值領域人工智能5G區塊鏈云計算大數據用戶深度運營資管信托保險理財支付信貸金融CONTENTS1.人工智能+金融，開啟數字金融新時代2.傳統式AI驅動金融：潛力巨大，方興未艾3.生成式AI重塑金融：開源啟航，落地生根4.展望：AI賦能，從數字金融到千行百業11以信貸為例，人工智能已成為行業迭代發展的核心驅動精準客戶定位個性化營銷投放成本優化投放策略基于經驗，強依

7、賴平臺流量供給，不確定性強，成本高智能獲客質量預估模型轉化預估模型ltv預估模型機器學習一方面通過分析用戶的行為和偏好，預測哪些用戶更有可能對廣告產生興趣并轉化為貸款用戶；另一方面通過評估廣告位競爭強度優化實時出價，降低廣告成本并提高轉化率A卡B卡C卡反欺詐大數據風控智能征信解讀自證信息解讀基于規則與經驗在有限的建構話數據上，做出簡單風險判斷智能風控OCR技術通過智能文檔處理技實現對多媒體材料的識別生物特征識別通過活體及相關防深偽技術進行欺詐風險的防控自然語言處理通過NLP技術實現對所有文本信息的挖掘圖/時序機器學習通過最新算法提高處理征信和帳單等復雜數據的效果通過模型直接計算用戶的貸款額度和

8、利率，最大化用戶需求、平衡全局風險，從而提高決策準確率智能客服代替大量的同質化的人工服務，釋放人力；通過對用戶情緒的監測、客服質量的監督，為客戶提高全流程中的體驗智能語音因果推斷額度模型價格模型還款方式模型需求模型流失模型差異化定額個性化定價多樣化還款方式運營決策偏主觀，重視群體忽視個體；相關性和因果性常被混淆智能經營12業務問題用戶的長期價值識別困難信貸場景通常需要18-24個月的觀察，時間過長用戶價值和經營強相關，經營策略不穩定用戶實際價值分布長尾，較難識別高價值借助對問題深入挖掘，創新性的在信貸獲客營銷上探索出高效方案營銷：優化流量價值識別，提升精準獲客能力媒體側流量參競 用戶點擊授信

9、用信深度轉化出價系數實時回傳傳統方案：分階段單過程建模多目標融合方案：排序建模深度轉化方案：多階段課程學習授信模型CTR模型質量模型用信模型質量打分申請授信CTR、CVR、質量模型、用信模型等MMOE（KDD 2018)、ESMM(SIGIR 2018)、PRM(RecSys 2019)AHNS(AAAI 2024)NS in nextPOI Rec(WWW 2024)傳統解決方案創新應用蒸餾方案利用設備號特征在歷史數據上學習LTV問題：在信貸領域用戶LTV隨著風險、額度、利率影響極大；歷史樣本無法很好泛化t1t2額度風險t容易樣本困難樣本訓練代理模型T-24MT0生命周期真實LTV過擬合泛化

10、LTV流量轉化價值xxxxtraintraintrainpredictionprediction15%+8%Baseline投放效率+20%相對提升相對提升ocpx機制下的投放效率問題業務場景難點一難點二目標用戶識別難度大負樣本規模巨大導致的模型效率和效果難以達到最優正負樣本比樣本稀疏1：100w13風控：NLP技術演進，提升長文本理解和風險識別效果預訓練模型經典transformer架構下的預訓練模型，處理超長文本會遇到以下問題：泛化能力下降推理慢不滿足生產要求難以捕捉長距離依賴借助自然語言處理技術迭代發展，有效處理長文本的風險信號業務場景長文本信息解讀除了征信，用戶行為如app內瀏覽路徑也

11、包含即時風險信息。這些數據通常篇幅較長，構成了長文本信息處理的挑戰?；钴S的信貸用戶：App內軌跡平均3萬字行為類1每份征信超過千字信用類之前的解決方案1經營流水超過萬字流水類應用于智能風控業務注意力機制Bert微調分片式序列模型超長文本預訓練領域預訓練29%26%18%BaselineKS33%貸前模型貸中模型較征信模型7.3%風險區分度7.7%風險區分度5.0%短周期代表算法：基于RoPE改進的位置編碼代表算法：Block transformer代表算法：Mamba狀態空間算法片段粒度算法長度外推算法超訓練長度的序列預測問題長序列處理性能問題長距離依賴捕捉問題YaRN：大型語言模型的有效上下

12、文窗口拓展，2023Block Transformer:通過全局到局部的語言建模加速LLM推理,2024Mamba:基于選擇狀態空間的線性時間序列建模,202420242019 -2023NLP技術演化階段業務問題14風控：圖機器學習，提升關聯信息解讀和風險區分能力吳文俊人工智能科學技術獎機器之心“人工智能+”創新案例標桿2023全球數字經濟大會創新成果智能征信解讀平臺榮獲人工經驗人工特征衍生27%26%24%Baseline22%KS機器自動衍生深度學習圖表達增強圖深度計算2019 -20232024 30%圖機器學習銀行評分卡圖表達增強2227風險區分度30挑戰1：節點不平衡信用歷史信息厚

13、度差異導致圖中節點總數有較大的差異代表算法：Graph Mixup挑戰2：連接不平衡個人風險行為差異導致同類型和不同類型邊數都有較大的差異代表算法：Graph Sparsification代表算法：Graph MOE挑戰3：結構不平衡大小和連接不平衡共同導致模型關注的風險結構模式有偏IGM:分布外泛化子圖混合圖不變性學習,AAAI 2024SsAG：屬性圖的摘要與稀疏化，ACM,2024圖神經網絡中的節點級過濾：專家混合方法，2024優化效果圖深度計算36%11%最新算法與效果業務問題構造信用大圖結合大量、豐富類型的關聯信息構造信用大圖。然而，不同用戶信息厚度、類型差異大，建模難度大，風險挖掘

14、效果不佳。在圖結構上表現為：信用圖的節點不均衡信用圖的邊不均衡業務場景征信建圖征信中有大量關聯信息，如用戶與機構間的借還行為、用戶間的工作/住址關聯等。利用這些主體與之間的關聯性，可以構成信用圖，根據節點與關系傳導情況，識別潛在風險。之前的解決方案結合圖機器學習，高效挖掘關聯信息，顯著提升風險區分能力15時序數據解讀演進趨勢AR類，如ARMA、ARIMA機器學習Prophet(facebook)SFA49長序列深度學習LSTMTransformer52短周期風險區分度KS29專家經驗滑動窗口統計差分特征統計學模型35信貸序列特殊性用戶信貸行為持續時間長，重要行為（逾期）密度低最新算法模型效果風

15、控：時序模型，精準挖掘信貸行為趨勢提升風險識別能力業務問題構造統計特征結合專家經驗使用滑動特征，或再進一步用機器學習進行風險預測。這種方式難以精準挖掘時間維度上的連續性和相關性，無法更好地預測未來風險趨勢業務場景時序信息解讀信貸行為如借款行為、還款行為等，組成了時間序列信息，隱藏著變化趨勢和規律，能夠有效反應用戶的風險變化傳統解決方案利用時序模型挖掘用戶行為的相關性和連續性，捕捉風險變化趨勢16經營：因果推斷，優化額度模型平衡全局風險額度和風險的關系存在認知陷阱借助因果推斷的思考方式：（1）風險水平同樣受額度影響，給不同額度時，同一用戶的逾期概率也不同（2）不同用戶在額度增加時，呈現出來的風險

16、增速也不同：好用戶額度增加風險增速遠低于差用戶傳統認識陷阱：（1）風險越低，則應額度越高（2）額度越高，則應風險越低利用因果推斷技術，通過額度模型，實現定額最優化傳統定額根據用戶畫像計算額度風險評級償債能力資產評級宏觀調整方案：通過交叉風險評級、償債能力等固定維度，進行額度劃分缺點：（1）額度變化后，用戶的風險會變化，無法衡量額度變化后的風險遷移情況（2）每個細分模塊發生變化時，都需要大量人力分析統計Meta-Learners框架Debiased Learning框架多任務反事實預估網絡框架表示學習框架2024202120222023因果定額因果推斷技術演進挑戰1：樣本混淆偏差大理論上同質客戶

17、風險會隨額度上升而升高，實際上數據呈現完全相反趨勢挑戰2：任務非獨立額度影響多個子任務，這些任務之間并不是獨立關系，例如額度風險依賴該筆放款產生網絡結構：解決方法：普通單調積分網絡在樣本較少處學習能力較差，應用最新單調神經網絡提升表征能力解決方法：通過多任務學習，設計隱含層共享信息，效果較單任務學習提升5參考：ICLR2023 Expressive monotonic neural networks+35%+30%經營效率 Baseline+40%業務問題+25%CONTENTS1.人工智能+金融，開啟數字金融新時代2.傳統式AI驅動金融：潛力巨大，方興未艾3.生成式AI重塑金融：開源啟航，落

18、地生根4.展望：AI賦能，從數字金融到千行百業18企業需求向垂直領域深耕，注重大模型實用性大模型專業性、泛化性和經濟性很難兼得經濟性泛化性專業性問題專注大模型在企業核心業務中的直接應用專業化場景提升企業ROI行業特有問題生產效率提升投入成本降低需求驅動旨在提升業務效率和競爭力實際效果評估評估大模型帶來的業務改進方案場景目標企業對大模型的需求轉變：由廣泛探索轉向核心業務深化，旨在解決具體問題大模型不可能三角19金融業應用大模型方式多樣，開源模型調優是其中較優路線路線一：直接使用閉源模型私域數據隱私安全本地部署難以實現路線二：直接使用開源模型往往存在性能瓶頸無法達到生產要求路線三：開源模型+Pro

19、mpt+知識庫難以處理復雜指令prompt編寫難度高路線四：基于開源模型進行適配調優靈活性定制化可控性高效性.定制化|針對特定領域需求進行微調高效性|在少量領域數據上進行快速適配靈活性|自主選擇模型結構和優化策略可控性|全流程掌控數據和模型，杜絕泄露風險開源調優的優勢企業對大模型的核心需求：將私域數據轉化為競爭優勢，并確保場景應用安全可控20開源基座的選擇：在隱性與顯性能力間實現最優權衡大模型能力的“冰山理論”顯性能力微調和對齊效果在具體應用場景中的表現對話流暢度、專業知識掌握、語言風格等預訓練效果深層次語言理解和邏輯能力語義理解、復雜推理、指令遵循等隱性能力隱性能力決定模型的上限顯性優化可以

20、提升模型在特定任務上的表現，但無法從根本上改變隱性能力，如同對基座模型進行表面裝飾不同場景對能力要求不同關鍵場景(如醫療、金融等)對模型的隱性能力要求較高，需要從底層能力把控相對寬松的場景(如閑聊、創意等)可以更多地通過顯性優化來提升用戶體驗21Llama3系列成為最強開源模型，為領域賦能帶來新機會86.046.780.595.168.088.759.492.096.471.188.651.189.096.873.8LLaMA3.1 405BLLaMA3.1 70BGPT4 OmniMMLUGPQAHumanEvalGSM8KMATH排名模型發行機構類型1Gemini-1.5-Pro-Exp-

21、0801Google閉源2GPT-4o-2024-05-13OpenAI閉源3GPT-4o-mini-2024-07-18OpenAI閉源4Claude 3.5 SonnetAnthropic閉源5Gemini-Advanced-0514Google閉源6Meta-Llama-3.1-405b-InstructMeta開源7Gemini-1.5-Pro-API-0514Google閉源8Gemini-1.5-Pro-API-0409-PreviewGoogle閉源9GPT-4-Turbo-2024-04-09OpenAI閉源10GPT-4-1106-previewOpenAI閉源11Claud

22、e 3 OpusAnthropic閉源隱性能力扎實在各大Benchmark上表現出色顯性能力領先全球大模型擂臺賽排開源第一22頂尖開源模型潛力巨大，但實現場景化落地仍面臨挑戰中文理解生成欠精準場景適配能力不足實時高效服務受限中文知識覆蓋局限中文生成效果欠佳中文理解深度不夠垂域專業知識匹配低交互模式固化服務策略單一推理性能瓶頸工程適配不足運行和維護成本高開源大模型場景落地過程中面臨的三大關鍵挑戰中文處理能力挑戰專業場景應用挑戰在線服務能力挑戰23通識基礎 通識是領域認知的前提 在大規模通用文本數據上訓練，掌握廣泛的語言理解和信息處理能力，為后續學習奠定堅實基礎行業賦能 從通識到專業深造 經過行業

23、特有數據的訓練，深入了解行業術語、行業案例、專家經驗以及最佳實踐，逐漸具備行業所需的專業能力場景反饋 從學習到實際應用的進階 大模型在實際工作場景中得到反饋，是進一步提高性能和適應性的關鍵中學生：接受通識教育大學生：接受專業教育職場人：以崗位產出為導向數據增強算法增強工程增強場景增強測評體系建設領域大模型優化類比人類的成長路徑：從通識能力到場景專精24數據增強數據收集數據質量數據安全算法增強工程增強場景增強評估反饋領域大模型構建的五大關鍵抓手基礎核心保障方向動力預訓練指令微調強化學習模型量化推理加速架構優化提示工程檢索增強智能體多維度評估指標行業評測集持續迭代優化25高性價比實踐：從通用Lla

24、ma3到金融行業基礎模型私域數據融合：微調或外掛知識庫模型業務效果突破增量預訓練300B Tokens模型資源成本控制模型中文能力提升基于Llama3的優化之路最終效果指令微調百萬條SFT數據，通用：金融=3:1強化對齊3w條精標偏好數據，PPO強化訓練工作流程嵌入：開源框架即可實現微調和推理：以最小參數Llama3-8B為例，2張A100顯卡即可微調，一張4090顯卡即可推理多項Benchmark看齊GPT中文流暢性提升100%+通過十余項金融從業資格考試；金融表現達SOTA融入決策流程，在RPA/營銷/信審等場景落地應用通用能力強大金融能力領先業務能力優越26大模型將重塑金融業務：嵌入、輔

25、助、共生信貸業務銀行消費金融互聯網金融保險業務人壽保險財產保險健康保險財富管理商業銀行基金公司證券公司基礎能力層智能助手層人機共生層n嵌入類應用：集成到已有系統中，技術相對成熟，落地案例較多n輔助類應用：提供智能化的輔助工具，提升工作效率和決策質量，處于快速發展階段n機器人應用：探索人與機器深度協作的可能性，目前處于探索階段，未來發展潛力巨大成熟度低高多模態理賠識別OCR/NLU/信息抽取風險標簽抽取財報分析摘要信貸話術生成代碼生成/數據分析/辦公PPT保單推薦投資策略生成大模型客服數字員工具體描述27MiniCPMInternVLGLM-4VTextMonkeymPLUG-DocOwlGPT

26、-4oGeminiLLaVAPhi-3開創階段CLIPBLIP典型代表GPT-4V文檔理解輕量模型原生多模中文友好少/零樣本文檔通用智能這是一張收據圖像，請分別輸出購買物品的件數和付款額ImageEncoderconnectorLarge Language Model 件數：6，付款：35.70generator識別及邏輯推理能力升級多模態輸入融合實現特征表達支持上百種復雜場景，準確率97%+印章雙語疊字表格圖形版式識別屬性理解屬性從狹義到通用：多模態技術驅動文檔智能化躍遷通用識別信息抽取可處理輸入單一提取流程繁瑣文檔分類朝向矯正版面分析閱讀順序定制化成本高日期：2020.10.23件數：6付

27、款：35.70分析處理公式檢測公式識別表格重建層級分析交易流水企業財報實體識別關系抽取技術框架痛點和挑戰統一架構實現跨模態的交互，邁向通用文檔智能狹義文檔智能的局限性多模態大模型驅動通用文檔智能28瞬息萬變的金融市場不同風險偏好的用戶多因素難平衡個性化建議風險控制傳統投顧問題用戶畫像上下文記憶投資組合管理實時數據RAG專家案例庫理財分析LLM大模型智能投顧協同推理，模仿人類專家的分析決策過程大模型投顧助手：AI 驅動的理財決策新范式量身定制，個性化的投資方案實時大數據分析，提升收益預測的準確性降低投資門檻，實現普惠化的專業投資服務.持有一定比例的純債基金，可以平滑組合的凈值波動，降低投資組合的

28、整體風險。尤其是在股市震蕩加劇的時期，配置純債基金可以起到“壓艙石”的效果.建議在做好風險評估的前提下繼續持有?？梢酝ㄟ^定投的方式分批布局，平滑申購成本.A股價異常波動可能主要源于市場投機炒作，與公司基本面關聯度不大。鑒于股價已大幅偏離基本面，后續繼續大幅上漲的空間和持續性存疑，股價回調壓力較大。建議投資者保持謹慎，注意投資風險.A股票異常波動，請分析其帶來的交易風險穩穩上漲的純債債基有必要賣掉嗎？理財投顧Agent智能體框架模仿人類理財師工作流程大模型投顧進入財富管理新時代29人機共生的協作典范：智能客服3.0時代平均響應時間減少 90%人力成本降低 60%客戶滿意度提升 30%AI客服 1

29、.0AI客服 2.0AI客服 3.0傳統客服能力升級技術升級人工電話/在線支持標準化腳本回答有限的服務時間和容量基于規則的自動回復簡單的關鍵詞匹配有限的問題解決能力串聯系統集成更靈活的問題理解能處理更復雜的對話集成多種交互方式端到端,減少中間環節更連貫的對話體驗人力傳統機器人ASR+LLM+TTS多模態+端到端人類角色操作者協作者監督者基于話術基于規則基于智能機器生成式AI帶來客服場景人類角色變化：從操作者變監督者智能客服3.0信貸營銷場景30直面生成式AI為金融領域帶來的機遇與挑戰AI 風險安全層：如何防范 AI 偽造被濫用于生成虛假信息、欺詐等行為應用層：如何避免幻覺事實性錯誤、邏輯不一致

30、、甚至憑空捏造信息倫理層：如何應對道德風險算法歧視、隱私泄露、就業替代等31虛實之間：警惕“幻覺”,確保金融決策的準確性幻覺和原因及風險利用RAG技術提高內容的準確性、可靠性和可信度訓練數據局限性模型泛化能力差推理過程不確定性投資誤判風險失控信用評估偏差市場波動加劇幻覺出現的原因幻覺帶來的風險RAG技術范式匹配個性化知識補充實時數據用戶信息專業知識庫規范要點大模型更準確更專業檢索增強結合專業知識庫，可以顯著提升生成內容的準確性和相關性優化檢索算法和語義匹配，RAG 不斷提升信息檢索能力串行RAG動態RAGAgentic RAGZero-Shot動態RAG（Random)動態RAG（KNN)海天

31、瑞聲股價怎么樣了?加倉的時機如何把握?截至2023年3月10日，海天瑞聲的股價為68.99元/股，但總體來說呈現上漲趨勢。海天瑞聲（股票代碼：688787）最新股價為63.73元，與前幾個交易日相比有所下跌以下是對海天瑞聲股價及加倉時機的分析.Without RAG：過時&幻覺With RAG：實時&準確32防范于未然：破解AI偽造難題，筑牢金融安全屏障AI 生成技術引發金融詐騙身份和資產信息泄漏危機人臉偽造+材料偽造生成方式的不斷發展，內容真假越發難辨面部重演+音頻偽造細粒特征融合下的偽造檢測，準確率99%PSVAEGANSDDIT人眼可見手工篡改機器篡改與對抗生成機器可見人機難辨大模型內容

32、生成SpaceFrequencyTimeMulti-M圖像特征頻域特征多源特征融合時間特征RealFake備注：圖片案例來自互聯網備注：圖片案例來自互聯網生成技術濫用風險多源信息融合的偽造鑒別生成式驅動下的多源信息偽造33倫理之問：引導AI向善，構建負責任的金融科技未來4 43 31 12 2決策偏見數據來源導致社會偏見模型不透明決策偏見個人敏感數據泄露交互過程信息泄露惡意使用傳播虛假信息引導網絡攻擊社會影響金融AI取代部分傳統崗位社會分歧與極化建立健全倫理規范/加強行業自律隱私保護/算法公平性/建立行業監管框架引導技術向善技術創新&風險控制并重多方協同治理行業自律與標準制定法律法規完善&監管

33、加強可解釋AI社會參與監督信息泄露大模型道德風險解決方案：應對大模型道德風險的核心策略CONTENTS1.人工智能+金融，開啟數字金融新時代2.傳統式AI驅動金融：潛力巨大，方興未艾3.生成式AI重塑金融：開源啟航，落地生根4.展望：AI賦能，從數字金融到千行百業35促進產業創新引導產業投資服務范圍擴大釋放更多消費需求增強消費購買力制造業“四流合一”智能制造農業改善融資難題農業現代化教育業提升貸款服務優化資源分配汽車業交通運輸業零售業新型支付方式便捷結算政務服務公用事業服務便利提升效率和體驗醫療健康業土木工程業跨境貿易業服務實體經濟強化數字技術創新應用大數據生成式人工智能5G區塊鏈云計算互聯網

34、金融數字銀行大數據金融智能金融區塊鏈金融數字普惠金融數字金融智能技術路徑推動普惠金融提升服務效率改善資源配置數字金融強化支撐實體經濟，逐漸走入千行百業科技創新的涌現和落地速度在加快，開啟數字金融新時代傳統人工智能紅利依然巨大，持續為行業創造更大價值生成式人工智能將重塑金融業務，但風險不可忽視人工智能助力數字金融大文章，從數字金融到千行百業總結37度小滿軒轅系列已有17款開源大模型，適配廣泛場景任務，滿足不同開發者需要軒轅大模型完成十億-百億-千億全參數模型矩陣發布五大能力全面提升知識創作理解分析對話面向金融領域落地，度小滿開源軒轅大模型5月度小滿開源了國內首個千億級金融大模型軒轅9月度小滿開源軒轅70B大模型3月開源軒轅6B及軒轅2-70B大模型20231月度小滿開源軒轅13B大模型2024軒轅3.08月發布掃碼訪問軒轅GitHub頁面38洞見未來，共話人工智能的無限可能軒轅大模型負責人 楊青 出品大語言模型原理與工程實踐關注個人公眾號獲取更多AI前沿觀點和技術解讀掃碼訪問