招聯消金章楊清：以科技踐行普惠——對大模型及其金融套用的思考

來源：意見領袖

意見領袖丨中國金融雜誌

作者丨章楊清（招聯消費金融股份有限公司黨委書記、總經理）

以大模型為代表的人工智能技術已成為引領新一代產業變革的核心力量。2024年政府工作報告首次提出「人工智能+」，要求「大力推進現代化產業體系建設，加快發展新質生產力」「深化大數據、人工智能等研發套用，開展‘人工智能+’行動」。隨著人工智能技術被納入國家發展的頂層設計，其在各行業的套用也將開啟新篇章。

金融業是國內最早套用人工智能的行業之一，在中國邁向金融強國的新征程中，金融業需牢牢抓住當前數智化技術變革機遇，前瞻性布局大模型等領域的自主創新和套用，培育金融業的新質生產力，按照黨的二十屆三中全會和中央金融工作會議的部署，全力做好「五篇大文章」。數碼金融是「五篇大文章」的底座，而大模型將成為數碼金融的基礎設施。在此，筆者就大模型時代如何「以科技踐行普惠」談幾點思考。

關於大模型的幾個問題

在探討大模型賦能普惠金融的具體套用之前，我們不妨先研究幾個問題，分析一下本輪技術變革的特點。

畢達哥拉斯曾言「萬物皆數」，數學被認為是描述自然界規律最有效的工具之一。工業革命以來，經濟學、社會學等人文社會學科大量運用數學，開啟方法論的革命。尤其是進入資訊化時代後，數學在推動人類社會進步中的主導作用已經越來越明顯。大模型的出現，再一次印證了數學工具在人類思維模式探究領域的價值。

近期OpenAI的技術專家發現，在相同的數據集上對不同模型進行訓練，幾乎每個具有足夠權重和訓練時間的模型都會收斂到同一點。筆者認為，這從一個側面說明，表達人類思維的數學框架已基本得到工程驗證，後續將會在持續叠代中逐步最佳化和收斂。即便是復雜的人類情感、主觀意識等，目前看來也可以用數學建模來無限近似地表達。只要能用數學表達，就意味著可以交付機器解決。

自1943年單個神經元模型首次提出以來，摺積神經網絡（CNN）、迴圈神經網絡（RNN）等主流模型已叠代前進演化數十年，為何大模型卻姍姍來遲？

究其根源，算力才是人工智能發展的瓶頸因素。記得筆者在1992年做影像辨識的研究課題時，國內最先進的機器是VAX8700（全國只有兩台），要排隊申請機時，輪到上機時，把遙感辨識神經網絡系統和衛星遙感數據輸入電腦，第二天才能跑出結果，比對正確率後調整網絡層數和輸入參數等，再排隊上機驗證結果和調整模型。那時人工智能專案與當今大模型的算力和規模不可同日而語。

隨著電腦硬件效能和數據規模的躍升，疊加模型的持續最佳化，現今擁有幾百億乃至上千億參數的巨型模型終於「湧現」出了接近人的智力。對於大語言模型來說，模型參數規模對於效能提升依然是決定性因素。當前最先進的GPT-4模型參數量為1.8萬億，尚不足人腦神經突觸數量的0.2%，卻已表現出接近人類的智能。當模型參數繼續擴充套件，在接近甚至超過人腦神經突觸規模的過程中，一定會不斷出現令人驚喜的智能躍遷。

大語言模型被冠以「語言」二字，令很多人誤以為大語言模型的套用只限於語言。事實上，從套用廣度來看，大語言模型可用於所有思維領域。

語言可以抽象世界萬物，是人類認知世界的核心工具。當建立在深度神經網絡的大模型像人一樣進行學習和邏輯推理時，它就已經打破了專門知識領域的束縛。在大模型具備了最關鍵的學習和推理能力後，要想拓展至影像、影片、語音或其他領域，只需透過空間對映的方式與核心的大模型相結合即可。最終訓練結果取決於兩方面，一是數據集的質素（相當於「教材」），二是訓練方法是否得當（相當於「名師」）。

以機器人制造為例，以前哪家企業推出能跑能跳的機器人，業界為之驚艷，因為此類機器人「頭腦」簡單，研發方向是讓其「四肢」發達，技術門檻很高。但現在很多公司都能制造出此類機器人，就是因為大模型的突破，機器人突然變「聰明」了，能夠基於多模態的訓練和自適應，利用「頭腦」發達來彌補「四肢」的不足。

通用大模型展現出的全能性只是硬幣的一面，垂直大模型所帶來的「專、精、特、新」力量有望為傳統行業帶來革命性的機遇——不僅是模仿專家，更可能創造天才。

人類認知世界的規律為「觀察—假設—實驗—結論」。這方面的經典案例是開普勒及其老師第谷。第谷修建了當時先進的天文台，積累了大量的天文觀測資料，但第谷擅長觀察實驗而不擅長分析計算，欠缺建模能力，他臨終前把觀測資料留給了開普勒。開普勒運用其擅長的數學方法對老師留下的數據進行了系統的分析整理，發現了開普勒定律。

人類數千年來已經積累了大量數據。特別是近三十年來，借助互聯網，人類生成和儲存的數據超過了此前數千年的總和，但是人類認知能力有限，難以發現和總結所有規律，而這恰好是大模型最擅長的。如果參數容量跟人腦神經突觸數量相仿，並且已經訓練成超越大多數人的專家大模型，每天24小時不知疲倦地分析思考，筆者相信，在大模型時代，輸入「第谷」們的觀測數據，人工智能同樣能夠發現當代的「開普勒定律」，催生出類似牛頓的天才，在物理、生物、中醫、制藥等垂直細分領域，取得諾貝爾獎級別的重大進展。如果這樣的天才如雨後春筍般出現，這個世界將會發生怎樣的劇變？

在人工智能領域，盡管中國與美國等已開發國家在算力、演算法和人才等方面有著較大的差距，但也要看到中國具有後發優勢，一些「卡脖子」問題的應對已初見成效，新技術尤其是量子技術的突破有可能帶來新的發展機遇。同時，中國龐大的使用者規模和豐富的套用場景，也將為大模型的落地發展帶來持續的牽重力。

此外，面對算力的約束，可以透過最佳化演算法來解決。在大模型時代，把數據集、模型分散或復制在多個圖形處理器（GPU）並列處理，能夠彌補單機算力不足的缺陷，其他一些集約最佳化的辦法也可以降低算力消耗。以招聯消費金融股份有限公司（以下簡稱招聯）「招聯智鹿」大模型的前進演化為例，2023年推出的「招聯智鹿」大模型采用130億參數，在國內權威榜單C-Eval、CMMLU分別排名第20位、第10位。近期升級的「招聯智鹿二代」大模型雖然將參數逆勢調降至80億，但透過最佳化模型演算法、提高數據質素、完善訓練方法，實作了節約算力下的效能倍增，且優於一些參數量超過700億的行業大模型，取得了C-Eval、CMMLU分別排名第14位元、第5位的好成績。目前「招聯智鹿二代」的套用場景不僅涵蓋日常辦公和營運、智能信貸審批、客戶服務和資產管理等，還延伸至環保等行業的數智化轉型領域。以智能客服為例，它不僅可以結合具體會話狀態與服務場景，快速精準地進行會話小結，大幅提升作業效率，還能充分利用深度學習技術準確理解客戶意圖、共情客戶情緒，並將與客戶互動的「經驗」和「感覺」積累成參考樣本，實作「舉一反三」的智能服務。

大模型將給普惠金融帶來哪些改變

普惠金融的概念最早由聯合國在2005年提出，其核心思想是建設能夠全面覆蓋社會各個群體的金融體系，推動個人、家庭和企業以合理的成本獲取廣泛的金融服務，同時也強調了金融機構自身的穩健營運和可持續發展。

以普惠金融體系中的零售信貸為例，該業務呈現小額、分散、高頻的特點，營運成本和風險相對較高，實作「普」與「惠」兼得是個難題。而金融機構的數智化轉型有效擴大了零售信貸業務的覆蓋面，提升了信貸的精準性、可得性和滿意度，大模型的進一步賦能必將帶來更大的改變。

筆者認為，普惠金融服務的覆蓋面應「適可而止」，服務的客戶群體範圍既要適度又需精準，做到「不該貸的不貸，該貸的額價合理」，才能實作可持續的普惠。

傳統的銀行信貸模式受限於技術經驗培養周期、人工處理能力和費用等因素，很難低成本地為千百萬量級的客戶提供高質素服務。當前眾多金融機構已經開啟數碼化轉型，而大模型湧現出的超強智能，將進一步驅使某些金融領域快速進入數智化顛覆階段。

風險管理是金融業的關鍵業務環節，其底層邏輯與諸多行業相通。例如，公司招聘員工，本質上就是根據應聘者送出的材料，以及背調獲取的「征信」資訊，結合面談最終作出是否錄用的決策；中醫看病，本質也是透過「望聞問切」等個人資訊搜集手段，比對醫生積累的知識體系，最終得出對病情和療法的判斷。透過大量案例的訓練，大模型可以替代甚至超越人工，具備此類崗位的學習、思考和判斷能力。

利用大模型技術，創新打造「審批智能體」，從大量看似瑣碎的資訊中，辨識出有效資訊，利用大模型的「湧現」能力生成診斷邏輯，有望在根本上實作普惠金融的「普應適度」。

普惠金融所面對的城鄉「奮鬥者」客群有著大量資金需求，但也存在收入來源不穩定、缺乏抵押物、征信資訊不全等問題。在傳統的風控邏輯中，金融機構基於掌握的客戶資訊審批授信，無論貸款金額還是價格往往都是「一錘定音」，但這種流程並非完全合理，也無法精準匹配客戶的需求。

透過打造「營運智能體」，與客戶即時智能互動，更加高效精準地響應客戶需求，動態調整產品和服務，推動利率不斷下行，正是普惠金融踐行初心使命的表現。「普」在覆蓋面上固然應該適度，但「惠」在價格上可以永無止境。

實踐證明，在科技力量的推動下，普惠金融對客戶的精準讓利還有很大空間。招聯兩年前推出了名為「自信」和「自愈」的智能互動服務模式，利用智能技術讓客戶自主管理自己的信用，無論是利率、額度還是還款方式調整，都可以「一鍵喚起」、即時商量，人工智能客服就像跟朋友聊天一樣，理解客戶的訴求、滿足客戶的需求、解決客戶的痛點。要做到及時滿足海量客戶的不同訴求，而且還能持續讓利客戶，只有依靠低成本、大批次、高質素作業的營運智能體，由此在踐行「惠無止境」的同時，實作金融機構的微利可持續經營。

誠信是現代經濟發展的基石，是政府取信於民的基礎，是企業發展的生命，是個人立身的根本。社會主義市場經濟的發展，是以信用關系的日益透明和不斷擴大為基礎的。

在誠信社會的建設過程中，數據是基礎，守信激勵和失信懲戒是保障。對於普惠客群而言，信用曾經是一個「先有雞還是先有蛋」的問題：沒有信用資訊，則無法借款；不借款，就沒有信用資訊。普惠金融興起後，幫助數以億計的信用「白戶」建立起基本信用。客戶在獲得授信之後誠信履約，「有借有還，再借不難」，二者之間實作「雙向奔赴」與良性互動，逐步建立完善個人信用與企業信用體系，從而降低整個社會的信用成本與經濟執行成本。

當然，普惠金融並沒有改變金融「經營風險」的本質。社會如果對於少數惡意失信者采取縱容態度，則是對全體守信者的懲罰。傳統的貸後管理采取人海戰術，在服務質素上參差不齊，在成本上難以為繼，無法實作對客戶信用的全流程跟蹤、報告，難以精準辨識惡意失信行為，讓一些「老賴」逍遙法外，反催收、逃廢債等「黑灰產」愈發猖獗。在貸後管理環節運用大模型等人工智能技術，可以即時處理結構化數據和非結構化數據，動態跟蹤並分析客戶的真實信用狀況，將非惡意逾期和惡意逾期或黑灰產介入等區別開來，分類施策，幫助金融機構補齊貸後短板。

「讓信用不負期待」不僅是招聯的理念，也是普惠金融高質素發展的目標。這一目標的實作，不僅需要金融機構、企業和消費者的努力，也需要相關政府部門、司法系統進行數智賦能，夯實數碼金融的基礎設施。一是完善既有數碼征信體系，探索公共數據向持牌征信機構開放的新模式，使數據依法合規套用於信貸領域；二是加速落地線上金融商事調解中心，為金融領域的糾紛投訴調解提供支持；三是加大互聯網法院的區域布局，突破法治資源供給瓶頸，有效打擊「黑灰產」，降低信用成本，惠及重信守諾的企業和個人，形成不負各方期待的信用閉環。

「超級調解人」助力和諧社會建設

新技術推動社會進步，應該不限於提高產業領域的生產效率，基於大模型展現出的廣泛套用潛力，筆者更期待人工智能成為和諧社會的「超級調解人」。

調解機制的本質是基於各方訴求，在一定的公序良俗框架內，找到最佳解決方案，實作各方利益的最大化和平衡。真實世界中要做到調解成功，必須在動態博弈中即時高速處理海量動態資訊，提出多方共贏的調解方案。

金融領域的逾期債務催收，是維護社會誠信的必要途徑，但也衍生出一些社會問題。大模型時代的「超級調解人」，將會在交叉驗證欠債人涉及意願和能力的多維度資訊後，甄別出「老賴」和「黑灰產」等，「背靠背」根據債權債務方的條件，叠代確定雙方接受的方案，從而大幅減少商業成本和社會問題。

推而廣之，筆者建議，未來可以透過訓練大模型生成具有一定政府部門職能的「超級調解人」。遇到多方復雜的利益訴求時，它可以在「背靠背」的情況下，匯總多方博弈的新訴求、新建議，叠代出平衡各方利益的最優方案，促使相關方達成共識。若人工智能「超級調解人」問世，則有望降低整個社會的信任成本，促進經濟要素高效流轉。除了金融糾紛，在更為廣闊的C端（消費者端）市場，人工智能「超級調解人」也有極大的套用空間。擁有海量人際關系的社交軟件可開發「超級調解人」功能，針對人與人之間的矛盾、糾紛，快速給出一攬子的解決方案，進而在個人的授權下，隱秘且適時地聯系相關方進行「背靠背」居中調解，形成共識方案後告知相關方。「超級調解人」也在成功和失敗的案例中，逐步學習成長為「調解天使」。當大量人際沖突可以被「超級調解人」高效化解，則大模型對於社會和諧的促進，將比賦能某些具體產業更有意義。

以科技踐行普惠，讓信用不負期待。願大模型從賦能普惠金融開始，促進誠信社會建設，進而助力構建和諧世界，由點及面塑造美好的未來。