摘要：
文章中提到了大模型在以下场景中的应用：
- 智能风控：通过大模型技术，支付宝实现了风险防控的自动化和智能化，提高了风险防范的效率和准确性。
- 投资研究：大模型可以用于投资研究，例如对公司的财务状况、经营状况等进行分析，为投资决策提供支持。
- 销售赋能：大模型可以为销售人员提供智能助手，帮助他们更好地回答客户的问题，提高销售效率和客户满意度。
- 合规：大模型可以用于合规检测，例如检测文本是否符合法律法规和公司规定。
- 智能文档：大模型可以用于智能文档的生成和回答，例如为客户提供自动回答的场景。
- 投研：大模型可以用于投研，例如对股票、债券等投资标的进行分析和预测。
- 供应链：大模型可以用于供应链管理，例如优化物流配送路线、预测市场需求等。
- 智能制造：大模型可以用于智能制造，例如预测蛋白质的空间结构、优化药物研发流程等。
总的来说，大模型在各个领域都有广泛的应用前景，可以帮助企业提高效率、降低成本、提高质量和增强竞争力。
好的，欢迎观看阿克萨米的全球架构师峰会。深圳站的会前第二期直播。我是今晚的主持人，来自生物科技的高磊，也是本次大会的 AI 助力智能制造这个专题的出品人。今天晚上我们有幸邀请到了两位嘉宾，分别是来自信用基金人工智能部负责人朱平老师，以及来自阿富汗的高级技术专家贾志鹏老师。今天晚上我们将和大家一起聊一聊基础在企业业务中不应用的话题。
大家可以放松心情，了解一个轻松的对话栏目，我们将进行两个小时的直播。首先，请两位老师跟直播间的各位小伙伴们打个招呼，简单介绍一下各自的背景。
大家好，我是朱平，毕业于浙江大学，我来自于天弘基金人工智能部。我现在主要聚焦的方向有两个，一是大模型，二是针对我们的投研、销售做投资研究以及销售场景里面的销售赋能和合规等一系列的模型支持。我之前来自于互联网、百度、阿里的蚂蚁，很高兴能够在这里有机会和大家共同交流大模型在金融行业里面的应用。
好的，谢谢朱平老师。贾老师，您在阿里巴巴担任高级技术专家，同时在 IBM、阿里云 SDC 等公司从事金融制造和汽车行业的业务，包括举办、咨询和实施的工作。能不能从您的角度介绍一下大模型在这些不同领域的应用现状，以及主要解决的问题，还有在不同行业所做的一些不错的挑战。
好的，我们在这个过程中为很多公司提供了相应的解决方案服务，包括一些产品去做相应的解决方案设计。在这个过程中，我们发现不同的企业，包括一些医药行业，都有很大的变化。从经验上来看，我们也总结了三类问题。
首先是对于一些已经在运营或者建设的企业，他们本身已经有了一部分知识库。我们通过技术和效率的维护，对现有的知识库进行一些封装和优化。这是一个很好的创新点，它具有一些生成式的能力，可以探索更多的企业文档问答，以及把我们的文档价值发掘出来，针对性地解析对应的回答。这是我们之前可能会有的一些 DI 的场景。
那现在我们能不能做到论述的情况，就是我直接通过资源表达到他们的处理，能够把我的企业的数据，我想了解的一些报表，或者一些数据能够给呈现出来。然后第二个就是我们还有其他的一些，包括生产，然后第三类的话就是可能我觉得近期的探索就是看长期能不能真的做到智能化。这个其实也是可以慢慢进行调整的，但是能够把不同的场景和大数据的情况去串联起来，共同去解决他们需要做的造成决策。目前的话我更多的回答这三方面的一些诉求。
好的，谢谢陈明老师。对，我只是想问一下评委的一个问题，就是像阿里，然后现在的话目前也是在国内做的非常强的。咱们支付宝这边和这个新兴的大模型是否有一些什么样的合作，或者说我们现在钉钉跟支付宝这边是吧？对，OKOK 其实是的，其实我们现在天弘做的一件事情，就是我们之前也考虑过是否是跟第三方的厂商进行合作，甚至是说可能直接调用一些比较年轻的这种常规性的 API 去做这个事情。但是我们发现一个问题，就是在我们业务场景中，它其实对于不管是数据的实现也好，都是非常高的。所以在现在目前的通胀率来讲，去年早期出的超市预计 3.5%，它是对于这个数据的实施这一块的话，并没有这件事情就是我们这件事情的话，其实它满足不了我们各个业务上的需求，这是第一个点，就是在每一个特定场景里面，其实我们就像刚刚说的，如果希望大鹏新区的时候，他需要深刻对我们的业务场景，这个目的目标去学习更多的东西。所以通常我觉得目前来讲，它是能做到泛化的，不能做到一个精准的实现的提供。我们更多是靠自己去完成这件事情。
好吧，谢谢评委老师。OK 因为我是在这个数据集团去负责，有数据集团去负责整个数据供应链的建设相关内容的话，我们也在探索一些这种可靠性。在我们这个物流和供应链里面的一些非常直接的应用。我们这边的话，其实我们有在构建一个分析基础上，然后去关注我们在物流供应链领域的一些垂直的创新，然后基于这样的一个模型的话，我们其实也在做很多的尝试。
我们在整个大金融行业的实践大概是分成三块。第一块的话就是主要还是在售前和售后。比如说在授权这块的话，我们可以去统一的尝试给我们的这个小哥哥去配备一个智能助手。比如说之前我们想跟进的时候，客户问这个东西都可以升级，拿到这个东西能不能报价？其他的话我们可以拿他的一个经验，或者是去找相关的投资者了。那现在的话我们就可以通过这样的一个直接去问这个证书的一个形式，去获得一些在售后这一块也是是把他们的信息引入到这个支付的流程当中。比如说有一些打电话咨询售后问题的客户，那原来的话可能是边听电话的，工作人员他是边听电话，边在这个重点去记录一些对话内容。这是我们的一个要求，但是我现在利用大模型是可以对这个对话内容自动生成一些摘要，然后将其他的信息，我们在我们的这个监控，同时的话，我们其实也利用他们的资源去对我们规划内容进行一些比如说服务质检或者服务中心工作的一个流程。比如说去检查我们的客服人员，他的话就是有耐心的去解答客户的问题。然后包括客户经常反映的一些更新的问题，然后会把这些问题反馈给我们，提出来新的一些的标签，这是第一块，我们在售前售后这样一些领域的应用。然后第二块的话就是我们在在运营这方面的话，比如说我们有我们在国内国外有其实就是比如说我们在其他地的时候，尤其是我们在国际机关，这个国家，它都有一些特定的标准。就是什么都不能进，很多这种标准的话，其实是放在一些官方网站上面。现在我们也在使用大数据的时候，自动的去把这种反馈的信息把它抽取出来。疫情这么的一个标准，科技的这样一个标准，包括我们在很多时候去我如果大家有用身份证的附近的同学去写一些投资用户，就是你大家投资的是一个什么什么东西。然后最后的天气的话，其实是一个因为很多是大家非洲企业或者说不容易。我们有一些东西，包括外向非常的各种各样的都有，后期我们做了一个分类和改写，其实是一个我们现在也在领导层的基础上去去强化一块儿的一些能力。然后刚才正方有提到说，去有一些 BI 方面的应用的话，其实在中间我们也是有去做。我们也有去提供这样一些业务的一些助手，也包括帮助我们提供一些供应链分析的这样的技术手段，帮助我们的客户能够让他们的整体供应链的一些表现，以及对应的分享。然后我们有效的建议。
第三块的话就是我们我们内部的一些智慧办公的场景，比如说我们现在正在构建的一个整个企业内部的市场份额，然后去回答一些内部的非常人资、财务、IT 等方面的这样一些问题，同时我们也在我们的这个项目里面也会尽量的行动。然后去比如说通过视频的会议纪要，然后一些表现的要求，应用。这是我们在说明前在做的一些方面的一些探索。
OK，现在跟杨老师也聊完了之后，我们再讨论一下，就是不同的行业里面，不同的一些项目进行一些相关的应用。然后这些相关知识有一些不同之处，第二个的话就是想跟两位老师一起探讨一下，说 AM 的技术在物理及业务场景的时候的一些挑战和一些对应的情况下，还是提高质保质量成本和平均的量。标一起，对吧？那就是金融行业的话，对前沿技术的接纳度是比较高的。就是进行场景丰富，然后数据也是比较丰富。而且其实基本上相对较为完善的，对技术的投入也相对比较好的。那这两类的这样一个观察，目前大部分现在金融行业的一个落地进展，能够满足最开始的一个业绩的阻碍和挑战的问题。
要不要不请郑老师先回答一下，对，就是我们其实目前已经见过，其实从今天开始，或者说从现在的整个交付的角度，来说，这个金融行业的，然后我们都会涉及到这个金融行业的本身的业务和业务流程。然后我们都会涉及到你像风控营销它本身的一些企业知识库，然后甚至说它的新的细分下来的话，其实它在金融和金融行业和金融领域。在不同，然后首先其实可以确定，就是其实刚才提到的就是包括刚才讲的这句话，我们把它完善了一些风控的这些手段。首先首先要做的就是这些手段就已经完善了。我们就是想通过这种一些新的技术手段，或者说我们的图纸技术，或者说和这个版型结合，能够提供一些更厚的一个厚度，更多的话，可能我们会有一些可能比好的效果。
刚才评委也提到，就是可能我个人觉得我们就是支付宝或者是实时的一些支付风险。您在我们家居然还会有一些它的对应代码的申请的文件。然后这些其实后续的话就是我们除了要做观察之外，可能还会有一个解释。这个如果单纯应用大模型，就会涉及到一个数据全面性的问题。就是我们这个产品系统怎么去把握，这样的话会在这个过程当中比是图智能的技术，当然这个会更多的去来服务的一些相关的信息。就是我们的之前的一些课程照片，变成一些群体进行全新的一些分析扩散，然后更能充分的或者更加清晰的去表达一下这样的一个结果，这样能够及时的可解释性，然后你像合规部和这个。然后你再回归到这个，那其实它其实还会有一些就是有一些你像国家，现在金融危机越来越强了，然后那个年代国家会有些那个国家的规定要外汇。包括如何去通过这些融合之后。会提取一些相应的知识点，然后包括从文档中提取的，包括它其实有些文档除了这些数据，如何将这些数据进行，提取，关联出来这些等等。它其实都会有很大的一个变化。
数据是刚才说的，我们的数据包括它本身其实是没有一些这样的一个交易的数据，如何去让这个员工的数据整合起来。就是目前最大的一个挑战。
可以。好，谢谢老师，李老师。我觉得现在目前来讲的话，金融这个行业，它其实这个大模型的发展也是随着每个场景里面最终都要落地，落地的过程当中，其实我我觉得我看到这三个阶段，一个是一开始的兴奋，兴奋来自于我们的叉 GP 的诞生。然后那个时候是在我们去年的时候，那个时候我们看到 12GPT3.5 的这个在两个月当中迅速有 2 亿的用户。所以我觉得这件事情好像是当时就是提到的 OAI 这种说法。我们那个时候其实技术的这种做法，可能是很多时候是拿着，比方说我们已有的这种大型的制作模型，然后去到我们各种各样的这种场景里面去做实验。比方说客户，比方说这个合规风控等等。还有刚才杨老师说的关于你的损失，和关于你的这个用户的体验等方面的这种应用，然后再到下一个阶段，我看到的是变成质疑。
因为在过去的过程当中，其实很多它不是一个模型可以解决的问题，也不是一个通用的大模型，就可以完成这个过程，这时候其实很多人比方说就是大模型有患者的问题，所以很多地方他的地方就是再加上进一步的监管。比较我们的合规的这种重视度也很高。所以在这种情况下，如果模型加速了或者是做一些错误的优化，那这样的话带来的这种给用户也好，还是投资者也好，带来的这种体感和精神损失是比较难以接受的。就在这个时间段，在金融领域里面，大家觉得这个东西好像是比较理智一点的。就是现在我我感觉现在我们在处理阶段，因为这个时候，其实大家很多朋友在网上说，斯坦福出了一个阿尔法塔模型，可以是 100 美金，人手一份。一会儿我们就需要刷礼物。因为他们现在在直播足够的时候，他会出现有限的一个分析。但是总过来，就是你这个东西在你的场景里面需要有真正的落地的应用。所以在这个阶段里面，我觉得大家开始包括技术是不是真正的使用的，我们实际可以落地的技术。所以后面我们可以看到，在这样的角度上，我们产生的像 B 一样的这种架构。比方说现在我们比较经常提到的 ING 的这种架构，然后让大模型跟人一样的，或者说这种人一样的去思考，去把这些问题拆解。成一个个子任务。然后通过我们办公室的这种能够准确的理解他的去做了进一步的异步拆解，以及召召回来一步回答。这样的话才可以我们每个领域都可以去更好的用。所以我觉得这个技术过程当中应运而生的。
然后这是我看到的另外一个，就是我觉得现在越来越多的这种可能性。比方说除了我们刚才提到营销，还有这个客户体验，客户服务以及这个风控风险等等更多的一些像投资方的可能性。投资者选择辅助这种功能。也越来越多的尝试，包括国内外像之前 bloomberg 发的大模型、金融大模型，还有像番番茄 2 的翻 PPT 等等，这些都开始慢慢去尝试这条路。
所以在我们这个尝试过程中，其实我们也在慢慢把这个大模型用于投研这个方向。
OK，这就是我要好，谢谢李老师。然后正好的话就是有一位项目同学，有一个问题是这个老师那么多，我们就自己点了一个问题，我们就和我们这个同学说是我我想了解一下大模型除了在金融领域，大大模型在金融领域，除了这个阅读理解摘要方面的工作外，还有没有一些创新的想法？
就想问一下老师，好的，这是很多问题。因为这个我刚才也提到了，大家就是说大模型在金融领域的应用的时候，很多时候我们能不能对 to c 的用户进行一个服务和智能文档。因为它本来就是这个数据的时候，它就是一个对话框的形式。那就是客服面向这种自动回答的场景。我们尝试这个路径的时候，其实在投影在这个投影里面我们做了一些创新性的这种尝试。
包括我们在内部研制的一款叫红小猪的这么一个品质。然后我们是针对投研这一块，我们做了后面我们主要的特色是什么呢？就是我们已经加入了 RAT 的这种架构，去做这种检索。所以我们现在的数据不光是像大数据，还有数据库数据，还有包括一些网上的一些数据。然后另外我们在像行业研究者里面，我们做一些比较创新的事情，就是我们把研究员的这种思维，通过我们大模型提到的这种经销商的这种模式。然后也得得通过大模型，通过我们的业务的这种思维模式相结合，我们达到了自己一款叫 CTO 的一个过程。就是我们把所有的变成了我们的意图，拆解成各个子，域图，然后去理解一下这个分析。打个比方说，我们需要了解一下今天的光伏能不能投递。这个问题呢？他可能会给你一个方案的目标，但是你可以把它归错，但是他不一定是真的研究人员想要的东西。所以我们如果把这个思维放在这个大模型里面，然后去做一些创新性的这种其实可以在某种意义上能解决研究员一些作用。
OK，谢谢田老师。借这个问题的话，对这个同学问了一个问题，就是想了解一下，中小规模的公司，这个东西是比较稳的，这个同学问的是中小规模的公司想做什么？刚刚讲到的这些场景大概投入是多少？需要组建什么样的团队规模。这个其实我觉得就是看你所处的一个赛道，或者一个行业。你们的一些成绩是什么？
很多时候，其实我们所说的投资部分可能是在用的算力和数据，这些部分的话可能是相对比较重的这样一个投资，其实很多时候就是在在在您评论这方面，是不是说有一些很多这种非常专业的知识。非常专业的，数据是这些功能模型它确实是处理不了的。这个可能是决定了我们投入的一个大，就是我们自己需不需要去去去去去用那些自由的去去翻去。这是这一方面，就决定我们在这种基金方面的这个投资是什么样的。在这个方面的投资的话，如果说不要不是去不需要去翻译这个东西，或者说是通过这些这样的基础去嵌入一些知识。然后其实在这个研发人员的这个过程中，其实并没有并不会说有特别的，可能基本上公司就可以把这个事情做做起来。但是如果说在你所说的这个行业里面需要，就是你要公开的模型，或者通过这种一些这样的一个相关的一个需要，你需要去自己去定义这个数据相对 OK。好的，然后我跟跟陈轶老师，给大家一个问题。因为我觉得这个问题还是挺感兴趣的。就是因为我们也做一点投资，然后也亏了不少钱。对，我想那个李老师，欢迎您到这种大会做出对于我们这种个人投资者而言，有机会去使用他，或者对我们来说有帮助他们。
首先我觉得投资者信息，大家经常会说投资基金的意思，它不是一个典型的技术，所以其实他在中国投资的这个历史当中，其实很多时候是主观投资占主要的这个呃，但是随着人工智能的发展越来越迅速，以后我们会发现其实在很多的过程当中，就是越来越多的东西可以交给我一些思考的。这些内容就是刚才您说这个投资怎么用，其实我个人的觉得我目前的话，其实我还他是对于投资做一个辅助作用。就是他直接去你你你想买什么或者不买什么，其实这个没有意义的，因为你你也可能不会信，但是我觉得他有意思，是告诉你，你应该如果你对某一个投资标的或者投资内容和行业的话，给到你这个行业所有你想要的东西，我可以教你知道这个行业里面的现状是什么样的。我告诉你资金目前或者当当下这个资金是流向是什么样的，行情怎么样的，我说你如果买出一些资金，那你想知道我一个有没有产生这样的异动。政策方面，资金方面、基本面方面有没有发生相应的变化，甚至有甚至在宏观层面上，比方说美联储加息对我们这个投资有没有影响？这些商品的问题，通过大模型一步步拆解，把它弄明白，然后再结合到你。比方