[浙江大学]：智能金融：ai 驱动的金融变革 -尊龙凯时人生就博

智能金融：ai驱动的金融变革 郑小林教授 浙江大学人工智能研究所2025年03月24日 一、新一代人工智能 定义：人工智能（artificialintelligence，缩写为ai），又称机器智能，指由人制造出来的机器所表现出来的智能。——维基百科 ai的核心问题：建构能够跟人类似甚至超卓的推理、知识、计划、学习、交流、感知、移动、移物、使用工具和操控机械的能力等。 research project on artificial intelligence ,august 31, 1955，dartmouth ——维基百科 google transformer：引入注意力（attention）学习, 2017 前馈网络feed forward 捕捉序列中元素之间复杂关系的多功能组件。通过使用线性变换和非线性激活函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 注意力attention 嵌入层embedding wordembedding:目的是将这些非结构化的文本信息转化为结构化的信息，具体来说是将文本空间中的某个word，映射或者说嵌入（embedding）到另一个数值向量空间 position embedding：输入句子的所有word是同时处理的，没有考虑词的排序和位置信息，所以通过positional encoding来衡量word位置信息 gshard：基于moe探索巨型transformer网络（google, 2020） •编码器和解码器里的部分前馈神经网络（ffn）层被混合专家moe层替代，并采用top-2门控机制； •当模型扩展到多个设备时，moe层在这些设备间共享，而其他层则在每个设备上独立存在。 新一代人工智能发展现状 强化学习奠基人获得2024图灵奖 3月5日公布了acm图灵奖获得者andrewbarto（mit教授）和richard sutton（强化学习之父，阿尔伯塔大学教授，deepmind科学家） ◼强化学习的目标是得到一个策略，用于判断在什么状态下选取什么动作才能得到最终奖赏。 模型蒸馏 模型蒸馏是一种将大型复杂模型（教师模型）的知识迁移到小型高效模型（学生模型）的模型压缩技术，其核心目标是在保持模型性能的同时，显著降低模型的计算复杂度和存储需求，使其在资源受限的环境中部署。 deepseek蒸馏技术的关键创新 数据蒸馏与模型蒸馏的深度结合 数据蒸馏：通过大模型来优化训练数据，包括数据增强、伪标签生成和优化数据分布。模型蒸馏强化：采用基于特征的蒸馏与任务特定蒸馏策略，对小模型进行监督微调 教师模型训练：训练一个高性能的教师模型。知识迁移：利用教师模型的输出（如概率分布、中间层特征等）作为软标签，来指导学生模型的学习。学生模型优化：利用软标签监督训练小模型，使其学习到教师模型的决策逻辑和特征表示，从而提升性能。 链式思考推理迁移 知识传递的深化：不同于传统蒸馏仅模仿输出结果，deepseek要求学生模型学习教师模型的推理逻辑，使学生模型掌握完整的推理链条。 deepseek-r1模型蒸馏与行业应用 人工智能三个阶段 能理解会思考 人类多元智能 多元智能理论（theory of multipleintelligences，简称mi）是由美国哈佛大学教育研究院教授霍华德·加德纳（prof.howard gardner）于1983年所提出的教育理论。 每种智能，都可以透过持续的学习或训练，从而到达一定的水平！ ——《心智的架构》（frames of mind: thetheory of multiple intelligences） 挑战2：算法共振 算法共振与羊群效应 金融市场中多个决策模型因算法同质化、数据源相似或逻辑趋同，导致它们在市场中的交易行为高度同步，从而放大市场波动甚至引发系统性风险。 1根因1：模型同质化 •模型结构相似：依赖相似的基础模型（如lstm、transformer、强化学习）•数据来源相似：采用公开数据集进行训练•反应时机一致：信号到决策速度快，决策容易同步 2根因2:黑箱脆弱性 •噪声数据敏感：深度学习模型对噪声数据的敏感性可能导致集体误判。•模型不可解释：决策逻辑缺乏透明，隐蔽未知风险容易叠加。 面临挑战3：创造力与幻觉率悖论？ openai：推理增强会明显减少幻觉！ deepseekr1实测：推理增强后幻觉率增加！过度延展的推理机制训练数据的奖励偏差 尊龙凯时人生就博的解决方案？ prompt中添加对输出结果的约束条件，让结果更符合预期 在强化学习框架下引入幻觉在内的反馈信息 提升训练数据质量（标注、过滤噪声） 给模型输入更多的正确知识；检索增强rag 根据vectara的测试，r1的幻觉率14.3%，显著高于其前身v3的3.9%。这跟它加强了的“思维链”（cot）和创造力直接相关。 面临挑战4：价值对齐 价值对齐方法 人工智能治理政策 如何让大模型的能力和行为跟人类的价值、真实意图和伦理原则相一致，确保人类与人工智能协作过程中的安全与信任。这个问题被称为“价值对齐”或“人机对齐”（value alignment，或ai alignment） ◼基于人类反馈的强化学习（rlhf），要求人类训练员对模型输出内容的适当性进行评估，并基于收集的人类反馈为强化学习构建奖励信号，以实现对模型性能的改进优化； 中国：2023年7月，国家网信办等七部门联合公布《生成式人工智能服务管理暂行办法》 ◼可扩展监督（scalableoversight），即如何监督一个在特定领域表现超出人类的系统； 美国：2023年10月30日，美国白宫政府发布最新的ai行政命令—《关于安全、可靠和可信地开发和使用人工智能的行政命令》 ◼增强模型可解释性，即人类可理解的方式解释或呈现模型行为的能力，这是保证模型安全的重要途径之一； 欧盟：2023年12月9日，欧盟委员会、欧洲议会和欧盟理事会就《人工智能法案》达成临时协议。 ◼加强政策治理，因为ai价值对齐问题最终还关系于人类社会。 二、金融智能：研究实践 新质生产力=（科学技术革命性突破 生产要素创新性配置 产业深度转型升级）×（劳动力 劳动工具 劳动对象）优化组合 中国金融大模型市场 中国金融大模型部署市场 金融大模型市场正快速扩张 maas部署（开箱即用、按需付费）占52%市场份额，引领中小型机构规模化应用；私有化部署占48%，是大型金融机构首选。 2023年，中国金融大模型市场的规模为15.93亿元；2024年上半年，市场规模已达到16亿元；2028年，预计将增长至131.79亿元。 金融领域大模型 金融领域知识增强的大模型 金融任务增强的大模型 侧重实现金融场景，例如信贷风控、投资决策、保险销售等。 侧重理解和生成金融领域的自然语言文本，以传达领域内的知识、解释或描述。 目标 更注重推理过程，核心是如何更好地实现金融业务场景。 更注重训练过程，核心是如何学习好金融领域语料库中知识。 侧重点 用户理解 金融领域知识库（资源消耗小） 基础大模型微调（资源消耗中等） 技术 更适用于需要执行金融特定领域场景的应用，如金融知识图谱构建、自动化决策等。 适用于需要生成或理解金融领域知识的任务，通常用于金融文档的理解、摘要和解释。 适用任务 行业人员，如信贷经理、理财专家、保险销售等 行业知识小白 数字化监管规则 金融合规测评 智能监管沙箱 研究实践1:可信数据空间赋能可信行业大模型 开展可信数据空间培育推广行动 （1）积极推广企业可信数据空间（2）重点培育行业可信数据空间（3）鼓励创建城市可信数据空间（4）稳慎探索个人可信数据空间（5）探索构建跨境可信数据空间 可信数据空间核心支撑——“智隐”隐私计算平台 国家和省部级项目支持 ◼国家重点研发计划课题（no. 2018yfb1403001），多源多模态海量实时征信大数据模型与多维度表示方法。（2019-2022）◼国家重点研发计划课题（no.2022yf02001），隐私计算赋能“共同富裕”评估与监测子课题。（2023-2025）◼浙江省尖兵领雁计划（no.2022c01126），“基于区块链的数据共享和隐私计算关键技术研发与应用”（2022-2024）◼浙江省数字经济标准化试点重大项目（fyc012308-187）“浙江省数据多方安全计算标准试点”（2023-2025） 研究实践2:隐私保护大模型 挑战 现有隐私保护大模型面临通信效率低、潜在的隐私安全问题、多方协作的模型产权纠纷等挑战。 解决思路 联邦大模型（fedllm）旨在保障隐私的同时整合多源数据，突破数据壁垒。通信效率问题：通过低秩适配器lora压缩通信参数，提高效率。隐私安全问题：通过自动化敏感数据检测机制，识别隐私片段。模型产权问题：通过动态水印技术，将水印嵌入模型权重，减少产权纠纷。 研究实践3：基于大模型的金融营销短信文案生成 金融短信营销现状 目标1：丰富短信文案素材库 ◼短信文案数量少。先前的短信文案主要依赖人工编写，限制了对用户的个性化的信息沟通。 利用大模型生成更丰富的涉及不同场景和风格的短信文案，以适应不同的营销活动和用户群体 ◼文案内容单一且易被拦截。现有文案缺乏多样性，容易触发运营商的垃圾营销短信过滤机制，导致短信送达率较低。 目标2：降低短信拦截率 目标3：提升短信营销转化率 ◼短信营销转化率低。由于文案缺乏个性化、吸引力和针对性，未能有效激发用户的兴趣和行动。短信链接点击率较低且业务转化率较差。 大模型可以生成内容丰富的文案，有助于提高文案的真实性，减少被拦截的风险。 根据已投放的短信内容和短信转化率，来进行大模型优化，使模型能够生成转化率高的文本 研究实践4:营销领域大模型 营销领域大模型项目围绕大模型在智能体（agent）、检索增强生成（rag）、模型微调三方面能力持续突破，解决“小鱼管家”金融营销应用中四大应用难题：建档回填繁琐、功能检索复杂、客群问答关联性差、产品问答不智能。 营销领域大模型 建档回填助手 构建策略业 务痛 点 ：客 户建 档 和面 访 基本 依靠 手动 输 入和 部 分oc r识 别， 且 建档 内容 和 客户k y c内 容不 完 全匹 配 ，还 需要 再 多次 补 充。 解 决方 案：增 强交 互 能力，支 持客户 经理 语 音输 入，通 过a s r语 音转 文本技 术，再 结合大 模型 提 炼对应 结构 化 数据 进 行一 键 填写，对 于客 户建 档 中没 有 的内 容 也支 持 通过语 音或 备 忘的 形 式自 动 落到 用 户k y c中 提高k y c信 息完 整 度。 备忘录asr识别 客户信息回填kyc 项目支持：浙江大学-**银行金融科技联合研发中心一期项目 研究实践5：**银行新决策模型赋能信贷决策 场景分析：在信贷领域，以评分卡模型为主的量化模型已逐渐取代人工审批，提升审批效率。然而，量化模型依然高度依赖专家先验知识进行特征建模和标签发现，无法提升认知效率。该项目拟通过决策大模型，实现认知挖掘的自动化。 新决策模型赋能信贷决策 研究实践6：投研问答与投资尽调助手 投研问答系统痛点： 1.研报的多模态2.知识关联性复杂3.信息检索效率低 技术方案： 图索引g-index • 图检索g-retrieval 图生成g-generation 投研问答与投资尽调助手 案例一：跨年报知识整合总结 在这些文档的年报中，金融机构在应对经济周期波动时，分别通过何种战略性调整来优化资产负债结构?结合这些措施，分析这些调整对其资本充足率、流动性风险及盈利能力的综合影响。 检索 检索 思考 2019年12月31日的企业存款为1,853,262百万元，个人存款为583,673百万元。因此，企业存款比个人存款高出的