参访人介绍：

秦建明先生，金仕达副总经理，2006年加入金仕达，具有金融IT行业十余年从业经验，在金仕达全面负责风控、合规、审计等大风险产品研发及实施工作，有效推动金仕达在大风险管理解决方案上的持续创新与实践。主导多家金融机构风控合规类系统的项目规划及建设，为行业风控合规水平的提升起到重要作用，具备丰富的金融行业风控合规系统研发建设经验和卓越的团队管理技能；并且对证券、期货、银行等多个金融细分市场的风险合规业务需求拥有前瞻性的业务视野和敏锐的市场洞察力。

1.在您来看，金融大模型产品与通用大模型、小模型产品之间最核心的区别有哪些？与以上两项相比，金融大模型产品有哪些优势？

秦建明： 在金融领域的深度训练和数据处理方面，金融大模型通过大量金融数据的训练，包括历史市场数据、交易记录和宏观经济指标，能够精准模拟金融市场的复杂行为。与此相对，通用大模型虽然包含金融数据，但其训练数据覆盖多个行业，可能在金融领域的专业性上有所欠缺。小模型则因资源限制，通常只能使用有限的数据集，这限制了它们的泛化能力和准确性。

在安全性和合规性方面，金融大模型在设计时特别强调合规性与安全性，严格遵守金融行业的法律法规，确保数据隐私和安全性，以及模型输出符合监管要求，为金融机构提供符合行业标准的解决方案。相比之下，通用大模型和小模型可能需要额外的调整和验证，以满足金融行业等特定行业的合规标准。

金融大模型的优势在于提供高准确性和专业性的分析与预测，深入理解金融机制和市场动态；通过定制化服务提供更贴合实际的解决方案，满足金融领域具体需求如信用评分和投资策略建议等；通过自动化处理大量数据，金融大模型显著提升决策效率并减少人力成本；此外，金融大模型将促进金融产品和服务创新，如个性化理财建议和智能投顾，增强客户体验；最后，通过深度学习和大数据分析有效进行风险管理，金融大模型将帮助金融机构稳健运营。综上，金融大模型通过其深度的专业知识、高度定制化的能力以及对金融数据的高效处理，为金融机构提供了超越通用大模型和小模型的独特价值。

2.关于AIGC在金融风险管理场景中的应用现状，您认为现阶段存在哪些痛点？

秦建明：关于AIGC在金融风险管理场景中的应用现状，尽管已展现出显著的潜力和诸多正面影响，但也存在一些痛点和挑战，主要表现在以下几个方面：

(1)数据质量和隐私保护：AIGC技术的性能很大程度上依赖于高质量的数据输入，但在金融领域，数据获取往往受到严格的隐私保护法规限制，如何在保护用户隐私的同时获取和利用高质量数据，是当前的一大难题。

(2)模型的可解释性与透明度：金融监管要求高透明度，但在使用AIGC进行风险评估和决策支持时，模型的黑盒性质可能导致决策过程难以解释，影响监管接受度和客户信任。

(3)技术与业务融合的复杂性：金融风险管理涉及多维度和复杂的业务逻辑，AIGC技术虽能处理大量数据，但在与具体业务场景的深度融合、定制化应用上仍存在挑战，需要专业的技术团队和长时间的磨合。

(4)模型的持续优化与更新：金融市场环境快速变化，新的风险因素不断出现，AIGC模型需要持续学习和适应新数据，模型的维护、更新和优化工作量巨大，且需要高效的方法来确保模型的时效性和准确性。

(5)风险管理的全面性：尽管AIGC有助于自动化识别和评估一些风险，但在全面覆盖所有风险类型，特别是识别新型风险和非结构化数据中的风险信号方面，仍存在局限性，需要与人工判断相结合。

(6)合规性与监管适应：随着AIGC技术在金融领域的深入应用，如何确保其使用符合现有的金融监管框架，以及如何在技术快速发展的背景下，与监管机构协作制定适应新技术的政策和标准，是亟待解决的问题。

(7)安全与防欺诈：虽然AIGC可以用于防范欺诈，但其自身也可能成为攻击的目标，如何确保模型和系统安全，防止模型被恶意操纵或滥用，是必须重视的挑战。

(8)模型幻觉：尽管金融大模型增强了大模型在金融领域的知识，但仍然与通用大模型使用了相同的技术，所以模型还是不知道自己的知识边界，会一本正经的胡说八道，这是一个严重的问题，影响了模型结果的可信度。

3.贵司是如何选择、适配大模型服务的金融业务板块的？贵司的大模型产品为金融机构的运营及业绩表现带来了怎样的提升？

秦建明：

金仕达在选择和适配大模型服务金融业务板块时，主要采取了以下策略：

(1)深刻理解业务的需求：金仕达基于对金融行业尤其是证券期货行业的深厚理解和长期积累，能够准确把握业务痛点。我们针对金融机构在交易管理、风险管理、合规管理等关键环节的需求，选择和开发适合的大模型应用场景。

(2)技术与业务融合：金仕达将大数据、人工智能、云计算等先进技术与金融业务深度融合，设计出能够优化业务流程、提高决策效率的大模型解决方案。金仕达注重模型的持续优化和升级，确保大模型能够及时响应市场变化和监管要求，通过不断的学习和调整，提高预测精度和决策效果。例如，在合规风控领域，我们的“大模型在证券期货行业合规领域应用场景”方案因其创新性和实用性荣获了“金信通”金融科技创新应用卓越案例奖。

总之，金仕达的大模型服务通过技术创新和业务实践，有效推动了金融机构的数字化转型，提升了金融机构在复杂市场环境下的竞争力和可持续发展能力。

4.在实际服务客户的过程中，随着行业对于大模型的认知逐渐加深，客户层面上对技术路线、场景应用成效、落地周期效率等方面，与过往合作过程中相较，是否有相似或者全新的要求？

秦建明：在实际服务客户的过程中，随着行业对大模型认知的深化，客户层面对技术路线、场景应用成效、落地周期效率等方面的要求确实呈现出了一些新变化和更高期待，具体有以下几点：

(1)技术路线的透明度和可解释性要求增加：客户不再仅仅满足于大模型带来的性能提升，他们越来越关注技术背后的原理和逻辑，要求供应商能清晰阐述技术路线的选择依据、模型架构及其对业务的实际影响。特别是在金融领域，可解释性变得尤为重要，因为监管要求和内部审计都强调决策过程的透明度。

(2)场景应用的实战效果与定制化需求：客户对大模型在具体业务场景中的应用成效有着更高的期待，希望看到明确的ROI（投资回报率）和业务改进实例。此外，随着对大模型能力理解的深入，客户开始寻求更加定制化的解决方案，以匹配其独特的业务流程和市场需求，需要持续优化和升级以应对市场变化，而不再是简单的“一刀切”式应用。

(3)落地周期与效率的紧迫性：随着市场竞争加剧，客户对项目落地的周期和效率有了更高的要求。他们希望服务商能够快速响应，缩短从方案设计到实施部署的周期，尽快见到实际效果。这要求服务商具备成熟的项目管理和实施能力，以及高度灵活的解决方案，能够快速适应和迭代。

(4)数据安全与合规性的重视：随着数据保护法规的完善和公众意识的提升，客户对数据安全和合规性的考量愈发严格。在合作过程中，客户会要求服务商确保数据处理的每一个环节都符合当地及国际的法律法规，同时采取有效的数据加密和隐私保护措施。

5.贵司为金融机构提供的金融大模型产品的部署模式是怎样的(MaaS\SaaS\软硬结合\云端部署等)？这样的部署模式有何优势？

秦建明：我们提供的金融大模型产品可以采用多种部署模式，以适应不同客户的需求和偏好。我们提供的部署模式包括但不限于以下几种：

(1)SaaS（Software as a Service，软件即服务）：通过云平台提供大模型服务，客户无需自行部署硬件或软件，只需通过网络访问即可使用服务。这种模式便于快速部署、易于维护，并且成本相对较低，因为客户按需付费，无需前期大量投资。SaaS模式也便于金仕达快速迭代升级产品，确保所有客户都能享受到最新的功能。

(2)MaaS（Model as a Service，模型即服务）：这种模式下，金仕达直接提供模型服务，客户可以通过API接口调用模型进行预测、分析等操作。MaaS模式简化了模型集成过程，让没有强大AI研发能力的机构也能轻松应用先进的金融大模型。

(3)软硬结合：针对某些需要高性能计算或特定硬件支持的场景，金仕达会提供包含定制化硬件和软件的整体解决方案。这种模式确保了模型运行的高效性和稳定性，适用于对数据处理速度和安全性有极高要求的金融机构。

(4)云端部署：云端部署意味着大模型运行在云服务器上，客户可以根据需求弹性扩展计算资源，既能够满足高峰期的计算需求，又能在低峰期节省成本。云端部署还便于数据备份和灾难恢复，提高系统的稳定性和可靠性。

金仕达始终将安全与合规放在首位，确保了所有服务模式均严格遵循行业安全标准和监管要求，为客户营造了一个安全、合规的服务环境。此外，金仕达提供的专业技术支援和持续的服务保障，不仅减轻了客户的技术负担，也为他们提供了强有力的后盾。这些优势共同铸就了金仕达服务模式的核心竞争力，使其成为客户信赖的首选。

6.从技术的角度来看，贵司金融大模型选择了以下哪种技术路线？
  ·  通用模型+金融语料微调大模型
  ·  预训练金融垂类大模型

秦建明：在金融大模型的技术路线选择上，金仕达更倾向于采用两种技术路线的结合策略，即：

（1）通用模型+金融语料微调大模型：这种方法首先利用通用模型的广泛知识基础，然后通过在大量金融特定语料上进行微调，使模型能够吸收金融领域的专业知识，提高模型在金融场景下的表现。这种方法能够平衡模型的通用能力和专业深度，是目前较为常见且有效的一种方式。

（2）预训练金融垂类大模型：金仕达在金融领域深耕细作二十余载，我们从一开始就使用丰富的金融数据进行模型的预训练，模型天生具备金融领域的专业性，适合处理复杂的金融问题。

我们采取的混合策略首先基于通用模型进行初步训练，获取广泛的知识基础，随后通过金融垂类数据进行大量微调，形成既拥有广泛知识又具备金融专业深度的金融大模型。这样的策略能够充分利用通用模型的泛化能力，并在此基础上通过专门的金融数据训练，使其更贴合金融行业的实际需求，达到更高的业务适配性和效能。

7.贵司选择该技术路线的原因有哪些？与另一种路线相比，该路线具备哪些方面的优势？

秦建明：金仕达选择两种技术路线混合策略的原因：

(1)兼顾通用性与专业性：通过先采用通用模型进行预训练，金仕达能够确保模型具有处理广泛任务的能力，再通过金融领域的特定数据进行微调，使得模型能够深入理解金融领域的语言和逻辑，从而在保持广泛适用性的同时，增强其在特定领域的专业性。

(2)提升模型性能：金融领域的专业术语、规则和数据结构与其他领域差异较大，针对性的微调或预训练可以显著提升模型在金融场景下的准确率和有效性，如风险预测、交易策略分析等。

(3)优化成本与效率：相较于完全从零开始构建一个大规模的金融专属模型，利用已有的通用模型进行微调或是在金融领域进行预训练可以在一定程度上减少训练成本和时间，同时还能利用已有的技术积累和资源。

(4)适应性强：金融环境变化快，新的产品、法规和市场动态不断涌现。选择这种技术路线能够更灵活地适应这些变化，通过持续的微调来优化模型，保持其在新情况下的适用性和准确性。

8.就国内市场整体来看，以上两种技术路线哪种比较主流？国内市场与国际市场在技术路线选择上有区别吗？技术路线的选择对于国际化竞争会有怎样的影响？

秦建明：就国内市场整体来看，通用模型+金融语料微调大模型和预训练金融垂类大模型两种技术路线都有其应用场景，但近年来随着对模型专业性和准确性的要求越来越高，预训练金融垂类大模型开始受到更多关注和应用。这是因为金融行业本身具有高度的专业性和复杂性，专为金融领域定制的预训练模型更能精准捕捉行业特性和细微差别，从而提供更优质的服务。然而，通用模型加微调的方案依然因其灵活性和较低的进入门槛，在很多场景中继续占有一定市场份额。

国内市场与国际市场在技术路线选择上存在一定的共性，但也存在差异。国际市场上，由于技术和数据资源的分布更为广泛，大型金融机构和科技公司可能更倾向于投资于深度定制的预训练大模型，尤其是在高度发达的金融市场中。而一些新兴市场或中小企业则可能因资源限制更偏向于采用通用模型加微调的方案。此外，国际市场的合规要求和数据隐私保护标准也可能影响技术路线的选择。

总之，技术路线的选择不仅要考虑国内市场的现状和需求，还要放眼国际，评估其对全球化战略的支撑能力，以期在国际舞台上保持竞争力和可持续发展。

9.贵司未来会考虑与国外顶尖的大模型机构合作吗？在您看来，国外科技公司在通用大模型、金融大模型领域的发展，对于国内市场有怎样的影响？

秦建明：金仕达对于合作共赢一直持有开放的态度，例如我们与腾讯云、DolphinDB的深度合作，旨在通过与国内外优秀企业的合作，共同推进技术创新和行业进步。如果能够将国外公司在大模型领域的先进技术和研究成果通过合作、技术授权等形式引入国内，将有助于加速国内金融行业的人工智能技术水平提升，推动本土技术创新。

（1）行业标准与规范：国际企业在参与中国市场时，往往会带来国际化的行业标准和最佳实践，有助于提升国内金融大模型应用的标准化和规范化水平，推动行业健康发展。

（2）合作机遇：尽管存在竞争，但国外科技公司也为中国企业提供了合作机会，通过共同研发、市场共享等方式实现互利共赢，有助于中国企业走向国际市场。

（3）人才交流与培养：国际合作项目通常伴随着人才的交流与培养，这有助于提升国内人才的国际视野和专业技能，为金融大模型领域培育更多高端人才。

综上，国外科技公司在大模型领域的进展对国内市场既是挑战也是机遇，推动着国内金融科技向更高层次发展，同时也促进了国内外技术与市场的深度融合。

10.未来贵司对于金融大模型新一轮技术迭代的方向有怎样的规划？未来可能会实现与哪些技术的融合应用？在金融大模型功能方面会有怎样的补充？还有哪些重要方向仍需要行业内的各方参与者共同努力？

秦建明：金仕达关于金融大模型未来一轮技术迭代的规划：

（1）深化AI、区块链等技术的融合与创新：金仕达将会继续深化人工智能技术在金融大模型中的应用，包括但不限于NLP、CV、强化学习等，以提升模型的自动化处理能力、交互体验和决策精准度；利用区块链技术提高交易透明度、增强信任机制和优化供应链金融等场景；加强云原生架构的建设和边缘计算的应用，实现模型的高效分布式处理和实时数据分析。

（2）强化数据安全与隐私保护：在金融大模型的迭代中，加强数据的安全性和隐私保护机制是不可或缺的一环。金仕达将会探索联邦学习、差分隐私、同态加密等技术，确保模型训练和应用过程中的数据安全，满足日益严格的监管要求。

（3）低代码/无代码平台化：为了降低金融机构的使用门槛，提高模型的可访问性和灵活性，金仕达将会开发低代码或无代码的模型搭建平台，使非技术背景的业务人员也能轻松定制和部署金融大模型。

（4）绿色金融与ESG融入：随着可持续发展成为全球共识，金仕达将会将环境、社会和治理（ESG）因素融入金融大模型，支持绿色金融产品创新、环境风险评估和可持续投资决策。