文 | 蘇瑞淇

隨著人工智能技術的飛速發展，大模型已經成為全球關注的焦點。尤其在金融領域，大模型的發展呈現迅猛增長趨勢，短短兩年時間，從百億級別參數已經成長到了千億級別參數，引發人們的高度關注。

金融業因其具有大規模、高質量的數據資源和多維度、多元化的應用場景，一直以來被視為大模型應用的最優行業之一。根據中國移動上海產業研究院發布的報告，金融領域的AI大模型滲透率已突破50%，這一數據在各行業中居首位。2023年，國內參數在10億規模以上的大模型數量實現了“破百”，達到116個，其中金融行業大模型就有18個。

然而，有不少人提出了疑問：金融大模型是否有必要追求極致的大規模，追求以“大”為優？如果當下的大模型已經能夠勝任目前的任務，未來是否還有必要繼續投入大量資金去研發更大規模的模型？

對于多數中小金融機構而言，當下最為緊迫的考量是平衡大模型的投入產出比。盡管大模型被許多金融機構宣傳為能夠降本增效的工具，但想要達到理想的效果，前提是要達到一定程度的規?；瘧?。如果沒有足夠的規模化應用進而實現收益，那么對大模型的資金投入很快就會后繼乏力，中小金融機構也就缺乏進一步擴大模型參數規模的動力。在這種情況下，“小而精”的金融大模型是中小金融機構更為合理的選擇。通過“喂”給AI垂直領域的相關數據，讓AI做到“術業有專攻”，中小金融機構可以節省出資金更加靈活地應對金融市場的變化。

對于很多大型金融機構來說，目前仍然存在很強的驅動力進一步擴大大模型使用。大模型的規模擴大確實會帶來一些顯著的優勢。隨著參數規模和數據規模的顯著增長，千億級大模型表現出更強的通用性和全面性，可以在更加多元的金融業務場景中完成任務。金融業是對精準性、時效性要求極高的行業，行業特點推動很多大型金融機構不斷提升大模型的參數規模，以應對瞬息萬變的金融市場。此外，一些大型金融機構出于同行競爭的考慮，將擴大模型參數規模視為提升品牌影響力的重要舉措，以此展現自身的金融科技實力，在市場競爭中更好地脫穎而出。

總體來看，金融大模型的研發與應用應當基于各家金融機構的實際情況量力而行，避免盲目跟風，一味追求參數規模的擴張。在實際應用中，過于龐大的模型可能難以在有限的計算設備上部署和訓練，從而限制了其在金融應用場景中的發揮。此外，在AI快速迭代的道路上，如果盲目追求參數規模，可能會帶來不必要的成本投入和資源浪費。

從行業的長遠發展看，大小模型之間的有機搭配與協同作業，有望成為金融領域未來一段時間的常態。大模型與小模型相互補充，共同發揮各自的長處。在處理廣泛數據、應對復雜任務方面，選用更有優勢的大模型；在諸如合規等精細化的特定領域，選用更具有針對性的小模型。金融機構通過采用靈活應變、協同優化的策略，讓大模型為金融領域帶來更加高效和精準的服務，從而推動整個行業向更高層次邁進。