【国金证券】大模型渐次落地证券业，应用是核心，国金证券CIO王洪涛透露突围点

　　财联社5月7日讯（记者林坚）随着 人工智能 技术的快速发展，大模型技术在证券行业的应用日益受到业界的广泛关注。目前，多家券商正在积极探索大模型技术的应用，至少包含 中信证券 、 国泰君安 、 国金证券 、 东吴证券 、银河证券、 海通证券 、 国联证券 、 国信证券 、 广发证券 、 国元证券 、 申万宏源 、五矿证券、 山西证券 、 财达证券 、 招商证券 、 长江证券 等近20家券商，都在寻找业务和日常运营中的应用场景。

　　财联社记者近期多方采访了解到，在业内人士看来，大模型技术将深刻改变金融领域的未来，它将使得金融服务更加智能化、个性化，也能够提高运营效率和风险管理能力。但同时，也需要关注技术造成的潜在风险，确保技术的健康发展。

　　大模型将如何深刻改变证券业的发展轨迹？哪些场景将率先应用？现阶段槽点与难点有哪些？为何参与者有限？将来的 势头将会如何？财联社记者与 国金证券 首席信息官王洪涛进行深度对话，进一步了解这一变革性技术在证券行业中的应用现状和未来趋势。

　　“金融领域有多元化的业务场景和广泛的数字化转型升级需求，是大模型极佳的垂直落地场景。我们相信大模型将成为证券行业数字化转型的关键发力点。”王洪涛明确谈到。据记者了解，在过去的2023年， 国金证券 新技术应用方面获得了很多积极进展，目前AI办公助手在公司已经被大量使用，代码辅助编程大模型开发条线全面推广，通过数据中台、数据治理赋能数字金融创造战略价值。

　　访谈重要内容摘取如下：

　　一是 国金证券 坚持创新容错的宗旨，采用先内部服务，谨慎推进外部服务（尤其是大众投资者）的形式，小步快走，逐步测试和验证不一样的技术和应用方案，循序渐进地来防范大模型不成熟可能造成的误用和滥用的危险。

　　二是大语言模型的应用可能涉及将数据传输至外部服务器进行处理，而券商所涉及处理的是高度敏感和机密的数据， 数据安全 成为一个重大的关注焦点。另外，许多证券公司的数据治理体系尚未完全建立或优化，这意味着数据可能存在分散、不一样或质量不高的问题。由于大型语言模型高度依赖于数据质量和结构，这些问题可能造成模型性能欠安或发生误导性的输出。

　　三是证券IT 稳定性要求与新技术日新月异变化之间存在矛盾。王洪涛表示，证券公司的信息系统具有很高的稳定性的要求，将大语言模型集成到证券公司现有的IT架构和工作流程中可能遇到技术挑战。这些挑战包含系统兼容性问题、成本问题和合规性的问题，而且新技术的引入也会干扰现有工作流程的稳定性和效率。

　　四是 国金证券 在大模型应用层面的目标是聚焦于提升效率和提升体验两个方面，目前公司正在探索两类场景的AIGC应用。一类是智能投研，另一类是基于大模型的交互式辅助应用。其中，大模型的产业链智能挖掘，是国金比较有特色的大模型场景。据王洪涛介绍，这是 国金证券 研究所金融工程团队首先在证券行业内提出的。

　　五是鉴于证券行业的独特的业务特性和大模型自身优势， 国金证券 提出了证券行业大模型优化的三种方法。证券业务提示词工程：通过定制化的提示词优化证券业务流程，以精准理解和满足客户需求；整合搜索引擎和大模型：使证券公司能实时获取和分析市场动态及财经新闻；证券业务算法外挂：通过特定算法外挂，强化证券业务流程智能化处理能力。

　　六是 国金证券 遵循“由松至紧逐步耦合”的准则，提出了结合外挂式、嵌入式和原生大模型进行逐步分层的推广方法，并探索结合大模型技术与RPA组建新的大模型驱动的软件操作系统，王洪涛相信，这将来很有可能是一个更大的方向。

　　七是随着证券公司在数据治理、 数据安全 ，和交易系统技术兼容性方面的不断进步，随着“AI友好”的理念的广泛接受和有意识地设计引导，同时大模型技术也在与时俱进，这样的进程不仅是技术进步推进业务发展的过程，也是业务场景的丰富反哺技术进步的过程。王洪涛认为，大模型在证券公司在降低成本、控制风险、优化体验和增加收益四个方面有很大的应用前景。

　　“现在大伙都把大模型叫GPT，也就是Generative Pre-trained Transformer，生成式预训练大模型，我个人更愿意叫成Gereral Purpose Technolegy，既‘通用目的技术’，它可以延伸到千行百业，造成应用不断地改造，推动各行各业大模型的重塑，构造新质生产力。”王洪涛对记者说，通过快速、准确地进行信息整合及自动化任务处理，大模型能够进一步推动金融领域降本增效和高质量发展，深化 人工智能 的应用创新。

　　思考一：寻找大模型应用场景，投研成为特色方向

　　王洪涛称， 国金证券 其实始终在思考大模型的落地场景，“对照监管条例、审视自身资源天赋和业务场景，和对投入比的初步评估，我们制定了 国金证券 大模型探索路径，目标是聚焦于提升效率和提升体验两个方面，为客户提供更全面、更高效、更个性化的智能化服务。目前公司正在探索两类场景的AIGC应用。”

　　应用的一类是智能投研，另一类是基于大模型的交互式辅助应用。

　　具体来看，智能投研是指，利用AI算法对大量的数据进行深入的分析和模型训练，以生成更准确的市场分析和结果预测，帮助科研人员更深入地理解市场趋势、板块轮动和指数周期，做出明智的投资决策和风险策略，并提供优质的投资组合配置。

　　智能投研是 国金证券 的特色所在。王洪涛谈到，依托 国金证券 研究所的金融工程能力，加之依托大模型的信息整合和推理的能力，聚焦投研进程中搜、读、写、信息聚合等业务场景，深入挖掘新闻解读，舆情挖掘，智能市场分析，智能研报写作等场景，为用户提供覆盖行业、股票、债券、基金的投研服务。

　　“大模型的产业链智能挖掘，是我们比较有特色的大模型场景，是我们研究所金融工程团队首先在证券行业内提出的。研究所和科技团队充分合作，进行了大模型自动生成产业链图谱的尝试，可以挖掘最新舆情中的标的，产业链板块，关联度等。好比近期的华为Pure 70的板块分析，台湾地震对芯片产业的影响，都是可以一键生成关联标的，分析产业链上下游，协助研究员快速地认知市场，提升投研的效率和质量。”王洪涛介绍。

　　思考二：办公场景逐步沉淀AI能力，员工使用率提高

　　在基于大模型的交互式辅助应用方面， 国金证券 正在研究多种开源语言大模型的本地化部署和模型能力的集成整合，并积极探索商业化大模型的应用，包含AI办公助手、AI编程助手，数字人智能交互和AI绘画等，明显提升员工的办公效率，降低企业运营成本。整体来看， 国金证券 拥有基于外挂知识库和搜索引擎构建的大模型：

　　一是公司以AIGC、大语言模型为核心的交互式问答场景挖掘，二是在证券交易风控领域的AIGC算法探索，通过外挂式和嵌入式的模式，与交互式大语言模型接口进行整合。具体来看，公司办公场景逐步沉淀AI能力，逐步拓展应用场景，同时也可利用AI办公助手来逐步收集业务部门的切实需求，为后续大规模应用AIGC做技术准备和AI赋能业务的铺垫。

　　“AI员工助手是我们的一个主要应用场景，通过系统集成的形式将国内外流行的通用大模型、开源大模型（15种以上）进行整合，通过统一的入口界面进行操作。员工通过企业微信或OA系统进入GPT员工助手，可选择单一大模型或同时和多个大模型进行交互。”王洪涛表示，目前AI办公助手已在公司内全面推广，据后台统计，自2023年11月上线以来，全公司5000名员工，每日平均使用AI办公助手超过2000人次。AI回答的问题以证券业务为主，通用问答、日常问答、科技类问题为辅。

　　“热门词汇有证券、工作、公司、管理、股票、投资、交易、基金等，员工也正在使用AI员工助手来辅助日常证券业务信息的检索和业务知识的萃取。”王洪涛说， 国金证券 的开发工程师有200多人，开发团队有10多个。我们归纳了工程师们日常工作中占相当高的编程场景，形成了3大类10余个编程场景清单，主要用于编程辅助、测试辅助和设计评审。综合多种场景的测试，AI编程助手整体能提效约30%。

　　据王洪涛介绍，在大模型知识管理、大模型千人千面的个性化营销、大模型资产管理有效地匹配资金方和资产方、大模型风险管理等方面， 国金证券 也在不断地探索，并深入到业务场景做到充分挖掘数据的价值，将数据资产变为证券业务开展所期望的信息和知识。

　　思考三：槽点如何解决？提出“AI友好”型组织等理念

　　由于金融市场的复杂性和动态性，大模型需要实时更新和学习新的金融知识。其次，大语言模型的性能受到训练数据的制约，如何提高证券场景下大模型生成内容的质量仍有待探索。在王洪涛看来，证券公司大规模使用大语言模型具有涉及数据治理、安全性，和证券IT 稳定性要求同新技术日新月异变化之间矛盾等多个方面的槽点。

　　为解决这些问题，王洪涛对记者说，公司研究团队原创性地提出来“AI友好”型组织，“AI友好”的业务流、数据流的设计宗旨，并将各种事务大体上可以分为以下几类：

　　第壹类是可重复验证的，好比一个合同是否符合某些合规性的要求，好比身份证和人脸的识别，和软件运行是否符合预期。可重复验证场景的一个追求目标是将暂且只能由人工执行的流程，通过“AI友好”设计为“AI可重复验证”。可重复验证意味着可以通过自动化执行不断提升AI的应用力度。

　　据王洪涛介绍，公司提出“AI友好”是分析出“可重复验证”的各类场景，分析其中的卡点环节，通过有意识的一些设计将目前只能由人类来校验的转变为AI可以校验，例如我们在多种规章制度中经常使用的“相关部门”、“相关制度”，如果能明确相关部门是哪些部门，相关制度是哪些具体制度，也就变成AI可以自动校验了。

　　“我们的数据体系也有意识地设计可勾稽复核性，例如我们各类文档内的数据是否可以建立某种可勾稽性。我总是喜欢举身份证从15位到18位的升级就是一个对AI非常友好的设计方式，原来15位的时候图像识别如果错了一位系统是无法知道的，但到18位的时候因为有了一个校验位，如果识别错了AI系统可以自己发现错了。这个案例很简单，但我认为比较好地体现了AI友好。”王洪涛他说。

　　第贰类是可验证但不可重复验证：例如博弈性质的，或满足时间序列特性的，好比股市的涨跌，该类可以建立回测模型，但可能不能作为一定正确的定论。这种类型的场景，AI与人相比总体可以大规模提升效率，可以低成本，并构建大规模服务能力。

　　第叁类是没有标准结果的，创意类的。例如摘要、写作、图像和视频的生成等，该类AI的系统，会成为我们员工各类工作中的助手。

　　王洪涛称，通过 “AI友好”的理念导向，使得公司可以设计更多的可落地和嵌入的AI场景；通过设计更多的AI友好的管理、技术、业务生态体系，逐步发生AI友好型的企业组织，从战略上重视共赢生态建设，通过AI治理的机制充分调动生态企业的协作意愿，从而引领业务的发展，在这场AI革命中赢得竞争优势。

　　思考四：展望未来将有四大应用前景

　　大模型技术在证券行业中的探索和发展，是一个不断积累、开拓、持续优化的过程。王洪涛认为，大模型在证券公司关于降低成本、控制风险、优化体验和增加收益四个方面有很大的应用前景。

　　降本增效。在营销、风控、投研、研发等业务场景，大模型可以有效提高企业生产效率，降低经营成本。以智能投顾为例，大模型可以在一定水平上替代人工客服，通过与客户进行交互式沟通交流，深刻理解客户的个性化需求和资产状况，帮助金融机构为客户提供精湛的投资建议和服务，让客户识别和规避潜在的投资潜在风险，并将投资收益最大化。

　　提升客户体验。相较于以往的智能客服，大模型的出现对人机交互模式发生明显变革，依托其卓越的对话生成及多任务迁移能力，可以解决更加复杂的问题，为客户提供更加智能化和人性化的金融服务。

　　控制风险。我们结合大模型和其它AI算法，在异常交易监控、场外配资监控、反洗钱、财务做假等方面进行探索；利用大模型分析多维度地挖掘风险事件的影响，管理，利用舆情、司法、财务、行情、司法等数据，进行风险事件的挖掘，并结合大模型归因与关联分析的能力，判断风险的类型，风险的传导链路，做到多类型资产的危险管控。

　　催化产品创新。通过整合多样化业务需求，基于大模型和金融领域的专有内容，形成有特色的金融产品。