第21屆中國國際金融論壇於12月19日-20日在上海召開，主題爲「金融高質量服務新質生產力發展」。 廣發証券 副總經理、首席信息官辛治運出席並演講。

以下爲演講實錄：

辛治運：尊敬的各位領導、各位專家，今天很高興有這個機會和大家一起交流。我今天分享的主題是《金融大模型加速證券業數字化轉型》。

本次分享分兩個內容，一個是金融大模型發展與行業的應用情況，第二部分是給大家彙報一下我們在生成式AI應用相關的實踐和案例。

首先，第一部分生成式AI整體應用情況。今年11月底中國 Internet Plus-related 信息中心發佈《生成式 人工智能 應用發展報告》，數據統計到6月底，3.5億人表示聽說過生成式AI，2.3億人表示使用過生成式AI產品，佔全國整體人口16.4%，也就是說平均每6箇中國人就有1個人使用過生成式AI產品。

美國國家經濟研究局也做了調研，截止到8月，39.4%的18—64歲美國人使用過生成式AI產品，這兩個數據雖然不是可比口徑，但一定程度上說明了中國、美國生成式AI民衆使用還是有一些差距。美國相對人數比我們多一些，場景更加豐富，整體上使用生成式AI應用場景主要在回答問題、撰寫溝通內容、執行行政任務、幫助寫代碼等方面，體現了生成式AI對大家工作、生活提升有不少助力。

在國家層面，今年政府工作報告首次提出開展「人工智能+」行動，將「人工智能+」列入國家重點工作來推，2019年是「智能+」，今年是「人工智能+」，把人工智能上升到國家戰略。過去20年如果說是Internet Plus-related革命，那麼未來將會是人工智能的科技革命時代。根據麥肯 錫 今年發佈的專題報告，生成式AI有望爲全球貢獻大概7萬億美元的價值，中國有望貢獻其中2萬億美元，接近全球總量的三分之一，將爲高科技、 先進製造 、零售消費、銀行、金融等產生巨大的經濟效益提升。這次中國國際金融論壇如此重視AI也是這麼一個背景。

金融業而言，我們也看到了生成式AI應用不斷落地。相關研究指出，隨着技術成熟、應用深入，生成式AI將對金融業帶來三方面變革。首先，有利於提升整個金融市場的有效性。大模型可以降低金融行業信息不對稱，從供需兩端提升金融機構服務實體經濟的能力，提升社會公衆的金融素養和金融能力，並最終提升金融市場的有效性。第二，有可能變革整個金融業的服務範式，因爲在服務長尾客戶方面，它有望產生非常大的影響，可能會形成新的服務入口或超級應用。第三，有可能改變行業競爭格局，大模型應用可能會將金融行業集中度進一步提升，數字能力、金融專長等稟賦可能更爲關鍵，頭部機構、大型持牌 金融科技 公司有可能重新排序，部分中小機構可能通過生成式AI技術應用實現跨越式發展。這是生成式AI有可能對金融業帶來的影響。

針對生成式AI在金融業的應用，Gartner今年2月對海外投資服務業也就是金融業做了調研報告，根據價值高低和可行性高低，收集整理出19類生成式AI應用場景和探索方向，包括投資顧問助手、代碼生成、顧問工作流、人工智能管理產品組合等等。這些應該說都是目前AI應用比較好的應用場景，尤其是圖上尖部像投資顧問助手這幾個，有較高的價值和可行性。

具體落地上，憑藉相對成熟的技術能力，海外金融機構也正在密集上線生成式AI應用，包括內部運營、金融諮詢、财富管理、 保險 、信貸、支付等各領域，比如說彭博打造了BloombergGPT、上線資訊智能生成與檢索，MorganStanley、 富國銀行 在財富顧問助手、智能客服對話方面的領先應用，匯豐也在反洗錢、風險管控提升了保護的能力。這頁展現的都是海外金融機構生成式AI的應用情況。

國內金融機構也都在探索大模型的應用，基於大模型的生成式AI將成爲金融業廣泛的基礎設施，包括第三方機構、銀行等都在應用企業或行業的大模型，開展很多場景應用，比如客服、投研辦公等等。證券業主要有兩種模式，一種是 國泰君安 和東吳，投資比較大，打造自己專業的行業大模型，另外像中信、中金、廣發投入少一點，主要是應用「行業通用大模型+微調」的方式來構建大模型應用能力，我們在投顧、投研、運營等方面落地了40多個應用場景。

總體來看，大模型在金融業各行各業落地場景不斷增多，但是有一個感覺：雷聲大、雨點小，與預期有一些差距，目前還沒發現具有顛覆性的創新應用。今年初，德勤面向16個國家、六大行業做了一個調研，2800多名高管受訪認爲當前企業應用主要重心在於創造更多策略性效應，比如降本增效，而不是加速增 長和 促進創新；79%的高管預期生成式AI將在未來3年內推動實質性的企業變革，可以看看未來會有哪些大的發展。生成式AI的應用前景無限，那爲什麼AI還沒有實現生產力的極大提升呢？我想主要原因還是生成式AI存在一些現實瓶頸，尤其生成式AI面客時，金融機構由於監管、法律以及投資者保護等原因要非常慎重，所以距離生產成熟估計要2~5年，導致核心應用場景還是受限。另外還有一個關鍵問題，在於我們員工對於AI認知、駕馭的能力有待進一步提升。

生成式AI不像一般的科技，比如機車、計算機，直接就能對績效、產出提升非常明顯，生成式AI需要有能力駕馭AI的個體，包括人的基本能力、使用AI的能力、構建AI應用的能力，所以一方面要提升AI自身的能力，同時也要培養我們的員工使用AI的能力、構建AI應用能力，要進行組織轉型和流程變革，建立AI原生的組織文化，將AI技術深度融入業務流程，集中資源尋找AI最佳應用場景並逐步實現全面賦能。做技術的人可能都能了解，就是我們的AI應用好、技術應用也好，業務部門要有數字化方面的意識、運用AI意識，和技術雙向奔赴才能得到好的應用效果。

接下來，我給大家彙報一下廣發証券應用生成式AI的案例與實踐。

廣發証券制定了人工智能整體佈局規劃藍圖，主要是以AI賦能業務爲願景，在建設好算力、數據算法3大智能化核心要素的基礎上，圍繞客戶服務、提升效率、降低成本、輔助決策、防範風險5大目標，重點從AI投顧、AI投研、AI投行等12大主題領域進行規劃，推動公司智能化轉型。

從技術來看，目前我們已經建立了GF-Smart AI平台，包括AI算力設施、算法模型、AI基礎能力和中臺，持續賦能公司業務，目前重點建設基於大模型的生成式AI能力，包括 GPU 信創適配、大模型能力、agent智能平台等。

基於大模型的生成式AI平台已經成爲廣發証券的基礎設施，我們累計落地了40多個應用場景。比如，财富管理領域財富AI員工助理，投研領域智能研報助手、研報點評生成，投行領域投行智能覈查，交易領域衍生品對客服務助手等40多個應用場景。可以看到，其實我們在價值高的、可行性比較難的地方還是有一些好的場景在探索中。接下來，我給大家展開講一下五個案例。

第一個是今年落地的新應用：財富AI員工助理。我們公司平台上有六萬多個產品，包括公募、私募、資管 OTC等，粗略計算，總共8000多名服務員工要面對全國幾千萬客戶的諮詢和服務，服務量非常大。怎麼可以更快速響應客戶的諮詢、問答、營銷，提高這些工作的效率，是一個很大的挑戰。所以，我們基於檢索增 強生 成、工作流等技術，整合超過1000個API和數據字段，覆蓋產品超六萬多個，打造了一個 綜合 多智能體。自上線以來，三個多月累計問答超4.4萬輪次，生產的研究報告、營銷素材等效率，相比傳統人工模式提升20倍以上，應該說效果非常好的。

第二個領域是投行業務。投行一個IPO項目有時候文件要拿多個拉桿箱裝，非常多文件要處理，文檔質量、覈查、把關非常困難，撰寫、搜索也比較難，中間要找某些信息也非常難。針對這些痛點，我們率先探索投行大模型應用，課題研究成果獲得了中證協優秀課題，目前已經上線應用。我們不光是能發現簡單的錯誤，專業術語的錯誤也能檢查出來。比如， 新能源 電池裏「 磷酸鐵鋰 」是很關鍵的材料，如果寫成「碳酸鐵鋁」這類錯誤，非專業人士哪怕一行行校對都很難發現，可能學新能源的人知道，但大模型可以直接把這種錯誤找出來，起到非常大的核查作用。又如有一些單位應該是「萬元」，有時候錯誤寫成「元」，或把公募基金的募寫成墓地的墓，AI都可以找出來，其他還有很多，在提高整個投行業務文檔質量覈查方面有非常顯著的作用。

第三，場外衍生品客服助手。我們場外衍生品交易員只有幾個人，要面對1000多個機構客戶對衍生品業務來做報價、交易、資金的查詢，業務問題的解答等等，工作量非常大。我們上線了一個場外衍生業務對客助手，是對機構客戶服務的，使得交易員對客響應速率提高了10倍，不到10個交易員可以每天應對1000多機構客戶的業務需求，日均處理企微群消息3000多條，幫助每個交易員可以跟機構客戶處理300多次客戶交互，應該說效果提升顯著，大大的減輕了機構交易員的工作負擔，也很好地利用了生成式AI 技術服務 客戶。

第四，在金融風險管理方面，當某些特定客戶出現風險時，我們要及時查一下金融機構有多少信用風險、哪些有市場風險，與我們的業務合作可能帶來哪些輿情風險甚至操作風險。原來爲解決這個問題我們可能4~5個專業人員忙半天，彙總出特定風險企業的風險報告，現在我們有了智能體之後，風險報告生成速度加快，傳統4~5個人忙半天時間現在只要20分鐘就可以完成，效果顯著。

最後一個案例，大家非常關注的大模型AI賦能 軟件 開發。我們公司1000多研發人員，軟件代碼開發效率提升1%也是比較可觀的，在提高研發效率、節約成本方面很有用，我們非常重視大模型在需求、設計、編碼、測試、運維等各環節的應用。市場上不少機構說AI輔助開發的代碼採納率有百分之三、四十，不是很清楚計算口徑，但根據我們自己實踐，採納率只有百分之十幾，這塊我們要繼續投入資源，進一步探索，希望和在座各位多多交流。

實踐中，大家都知道其實生成式AI應用還面臨不少挑戰。首先可靠性、可解釋性、可控性不足的問題，我們對面客服務應用也是非常的謹慎，整個金融行業都是這個情況。同時，大模型對數據質量要求、數據安全問題也存在不同程度的挑戰。從證券業角度看，行業的應用制度框架、規範還沒有發佈，比如應用在哪些範圍、基本的原則；如果出現問題，怎麼應急處理；是否對大模型固有缺陷能有一些容忍，等等，這些方面都有待進一步的完善。如何發揮大模型的積極作用，同時減少潛在的負面影響，是當前非常值得關注的問題。

最後我想說，對於大模型的應用、金融機構智能化轉型其實是非常大的系統工程，浮在水面上的大模型算法、數據、技術這些都是冰山上的10%、20%，實際更重要的是那70%在水底下的，包括公司的戰略導向，要重視這個事，同時要有敏捷的組織和架構，支持靈活的應用場景落地。我們業務部門、高層領導、業務部門領導要真正有應用方面的意識，才能夠更好支持落地。另外，剛前面講了，我們要有能夠駕馭AI的人才和組織能力，要有會充分使用AI的人才，才能更大發揮AI 作用，做好迎接AI時代的準備。

這是我今天的報告，請大家多指正，謝謝大家！