“百模大战、千模大战的时代背景下，大模型正在经历自己的发展周期，用人类的青春期比喻现在的大模型最为恰当，青春期的它充满了‘懵懂’与‘彷徨’。”

今年以来，大模型可谓是市场热点，金融大模型在金融领域也成为一个高频词汇。通用大模型仍在含苞待放之际，聚焦垂直行业的大模型竞相来袭，在金融领域，数据分析、智能交互等业务方向问世多个大模型，头部的金融科技平台、持牌消金齐齐发力，积极布局大模型，推动金融大模型加速落地。

在陆全看来，大模型正在为金融产业带来体验方面的变革，金融领域需要私有化部署的通用大模型、知识大模型、工具型大模型、决策型大模型等四类大模型，而提供决策流程智能生成执行的决策型大模型，将是未来趋势。不过，在大模型应用落地当中也存在数据合规安全等挑战，需要持续探索。

大模型的发展不能“刻舟求剑”

“大模型的核心还是能够理解人说的话，并且能够生成让人理解的话。"此外，陆院长还表示大模型还是个能说的人。

陆全将大模型比作一个资质很高的人、一个名校毕业的大学毕业生，像管培生一样，最后可以在企业中做所有的事情。“他不需要再去进行一些微调、训练，可以实现一个顶一万个。”陆全说，像孙悟空可以拔很多根毫毛变成好多不同的小猴子去干不同的事情一样。

有数据显示，国内大模型约有200个，中央网信办发布的第一批、第二批通过备案的大模型已超20个。在实际应用中，大模型带来三个能力：对自然语言的理解和生成能力、知识学习能力和模型规划能力。不过，陆全认为，当前大模型将知识深入抽象的学习能力和模型规划能力还不够成熟。

在陆全看来，大模型带来的帮助不只是一个消耗能源的工具，它可以帮助小模型生成更好的合成数据，尤其对金融合规和风控，陆全认为，这一场景最缺的就是样例数据。

陆全强调，不管是大模型技术还是大模型行业应用，发展速度都非常快，因而不能刻舟求剑，“任何完全基于现有的、最好的基础，做得定制化的都应该做的更开放”。

金融领域决策型大模型是未来趋势

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，金融行业细分领域众多，且大量产品最终服务于C端用户，大模型应用场景丰富。据陆全观察，金融领域公布的大模型有20多个。

近年来，随着国内金融行业大模型标准的发布，以华为、火山引擎、百度等为代表的国内头部企业聚焦在通用基础模型，落地实践陆续取得积极进展。而以蚂蚁、马上消费、度小满等头部一流企业垂直在金融行业的大模型。2023年8月，马上消费基于数据驱动和可信AI，发布全国首个零售金融大模型——“天镜”大模型。

“马上消费依托海量数据资产、大规模数据决策和极致智能化这三大优势，实现全场景大规模数据决策的零售金融平台。”陆全指出，“天镜”大模型具有知识汇集、唤醒数据价值等能力,可助力零售金融机构实现智能客服、精准营销、风险控制等。“天镜”大模型功效如何？“举例而言，相较于传统机器人的电销方式，‘天镜’大模型驱动将为我们提高20%营收。”

“如果把通用大模型看作一匹资质超群的‘野马’，打造专注于金融垂直领域和细分场景的大模型应用就相当于对野马的驯化。”陆全称。那么，对于金融领域而言，需要怎样的大模型？陆全认为，金融企业需要的大模型分为四个方面。

第一是私有化部署的通用大模型：金融企业有强监管，肯定是大部分情况下数据或者说有企业的秘密都不能出私域，这上面需要有一个私有化部署的功能供它做泛化的使用、私有化部署。

第二是知识大模型，陆全表示，大模型核心解决企业内部不管是数据库里面结构化知识还是文本半结构化知识，也许是视频或者是图像、声音等一些半结构化的知识，这些都可以通过不同的专有知识处理大模型帮助它提效，甚至替代人工去做中间的转化工作。

第三是工具型大模型，端到端代替原来简单的或者说原来必须要人工去做的事情，如果知识型大模型还是辅助，工具型的更主要是替代性的。

“最后一种是决策型大模型，提供决策流程智能生成执行，未来肯定是趋势，但是现在还是比较前沿大家正在探索的阶段。”陆全如是说。

“金融大模型不是对传统模型的替代，其优势在于与人的交互能力更强。”陆全总结道：“无论是工具型、知识型还是决策型大模型都要融到场景中去，脱离了场景大模型就是一个抽象的概念。”

人机交互、风控管理等将迎来深层次革新

陆全透露，马上消费大模型在各种不同的场景做试验，遍地开花可能太乐观，但是经过多次试验，在一些场景中大模型真正产生价值，还是比较乐观的。

“马上消费下一步的方向是做决策大模型，让大模型真正拥有像人一样规划决策的能力，朝着这个方向做下一步的探索。”陆全坚信，朝着这个方向努力后，随着大模型整体技术的快速发展和完善，在金融场景尤其在消费金融场景，定会带来人机交互、风控管理以及合规管理等方面根本性、深层次的革新和变化。

根据前瞻产业研究院数据，我国AI市场规模有望在中短期保持高速成长，2025年有望超过2000亿。未来大模型有望以“订阅+流量”和“项目+服务”等模式落地行业。

但是，发展大模型中也存在多重挑战。“行业和场景的细分数据就有数据上的难点。”陆全直言，越是专业化的数据越抽象。第二个是算力的问题，大模型有训练成本和推理成本，将来加速减少推理成本将是一个核心优势。此外，就是人才方面的挑战，“一般算法工程师可能不懂推理，懂推理的工程师可能不太懂怎么部署，这就需要学习能力强、综合性素质高的人才。”

另外，安全是一切金融业务的发展核心。金融行业往往希望为用户提供个性化的服务体验，但这种个性化的体验需要个人隐私数据和大模型相融合，出现了数据合规安全的新问题。大模型的基础架构、技术芯片等对科技技术底层结构也提出了挑战。此外，大模型要求构建增强学习的网络化平台，并持续贡献数据和反馈，对跨组织、跨机构的共享机制需要持续性的探索。