作者 |祝世虎
本文作者為光大興隴信托有限責任公司信息技術部副總經理、數據中心總經理
智能風控的發展陷入了瓶頸，主要體現在數據、模型、成本、對抗等四個瓶頸。
當前，大模型在金融業加速落地，為智能風控建設進一步發展與自我革命提供了有力方法與手段，如何更好地推進大模型在金融業，特別是智能風控領域落地，需要金融行業不斷地探索與實踐。
1 大模型在金融業的落地
人工智能在1956年達特茅斯會議上被首次提出后，歷經了三個階段：一是"專家系統+機器學習"階段；二是"數據驅動+深度學習"階段；三是大模型的通用人工智能階段。
進入通用人工智能階段標志著人工智能開始由"小數據、單任務"分析范式向"大數據、多任務"生成范式轉變，此時人工智能具備了更強的通用能力、生成能力和人機交互能力。
從大模型的算法來看，《自然》雜志將大模型定義為網絡參數規模達到億級以上的"預訓練深度學習算法"。在大模型的工程實踐中，由于人類的知識存在于書本、圖畫等語言中，所以目前大模型的訓練素材主要以語言為主，其主要是指大語言模型（Large Language Model，LLM）。
基于語言的預訓練算法決定了大模型的智能類型是一種感知智能（基于Bayes公式），不同于決策智能（基于先驗概率），更不是計算智能（基于計算公式），智能類型就是大模型的應用邊界。
從生產力角度看，人類社會先后經歷了農業革命、工業革命、電氣革命、信息革命等重大變革，目前正在經歷自動化和智能化革命，其主要的生產力就是人工智能，而大模型就是典型的"由電力到智力"的革命，將有效提升社會的平均智能。
從應用角度看，大模型天然具備人機交互能力、語言與代碼的生成能力，目前其在金融領域的應用主要體現在三個方面：一是基于人機交互能力的外部智能客服、內部智能服務；二是基于生成能力的智能辦公、低代碼生成；三是基于效率效能提升的智能機器人、一崗多專的智能員工。
但這些均不是金融領域的核心應用場景，而基于金融的特性，監管科技、合規管理、風險管理、客戶管理才是大模型在金融領域的核心應用場景。
2 智能風控的進一步發展需要自我革命
智能風控的發展經歷了三個階段：一是規則驅動階段，將部分簡單高頻的人工審批變為基于規則的自動化審批，智能風控進入"專家規則"時代；
二是數據驅動階段，數據技術激活了算法的發展潛能，也使得智能風控進入"數據+算法"時代；
三是模型驅動階段，隨著大模型對社會平均智能提升作用的顯現，智能風控由"基于歷史數據的預測"的被動風控階段跨越到"基于模型對抗"的主動風控階段。
目前正處于第二階段與第三階段的更迭時期，智能風控的發展陷入了瓶頸，主要體現在數據、模型、成本、對抗等四個瓶頸。
一是數據瓶頸。從理論上看，商業銀行所采集的歷史數據無法有效應對黑灰產的新型惡意攻擊；從實踐上看，疊加數據治理成本、數據安全風險等，基于特征庫的數據價值挖掘對模型分辨率提升的邊界效應逐步下降。
面對新業務的發展、新區域的拓展，中小銀行對于“小樣本、零樣本”的建模需求與日俱增。
二是模型瓶頸。傳統模型是單任務模型，不同的模型算法可應對不同的任務，以客戶畫像為例，傳統模型是一系列不同算法的小模型，如以統計算法計算銀行的九種資產、以網絡圖譜計算客戶關系、以樹模型計算客戶偏好，其數據分析結果均為固定化的評級評分等；大模型相對于傳統模型具有通用優勢與對抗優勢，不僅可以感知描述客戶畫像，而且能夠進一步感知風險濃度、欺詐態勢等。
三是成本瓶頸。傳統的智能風控體系成本較高，主要包括人力成本、科技成本、數據成本以及試錯成本等。高昂的成本極大限制了中小銀行智能風控的發展，而大模型的出現似乎能夠解決這一問題。
四是對抗瓶頸。隨著客群下沉與黑灰產新型攻擊挑戰的日益嚴峻，基于歷史數據預測未來的風控邏輯的模式備受質疑，基于傳統ABC卡的通用策略也出現效能下降的情況，因此對抗的升級正在改變傳統的智能風控體系。
3 對大模型在金融業落地的思考
1.三層落地框架
大模型在金融領域的應用呈現出三層金字塔結構：底層是通用的基礎大模型底座，中間層是金融行業級大模型，頂層是各家金融機構的任務級大模型。
基礎大模型底座提供的是通用能力，由實力較強的頭部AI公司開發，這類公司擁有海量的數據和雄厚的算力;金融行業級大模型提供的是金融的行業能力，由與金融機構合作的AI公司開發，這類公司擁有金融行業的數據與知識，并且對金融行業的應用場景十分熟悉;
任務級大模型通常是由銀行自主開發或與AI公司合作開發的適合自己的大模型，用于執行具體的工作和任務。
2.中小銀行構建大模型能力的路徑
中小銀行的科技投入有限，要把有限的資源放在刀刃上，需要完成三件事：一是數據整合，將銀行內部的數據進行整合，并將外部數據作為必要的補充，形成特色知識庫；
二是算力合作，中小銀行的算力有限，而算力又是"非核心競爭力的專業能力"，因此建議其采用云模型等方式進行外包；
三是模型精調，即結合行內大數據與知識庫，以銀行的小規模算力遷移大模型能力，打造輕量級推理模型(精調模型)。
3.落地的關鍵點：自主可控自主可控是大模型在金融行業落地的關鍵點，可以從三個層面來實現：
一是硬件層面的自主可控;
二是軟件層面的自主可控;
三是生產內容的自主可控
，也稱為“AI對齊”，即在基礎大模型層面通過數據集和教練模型，使AI系統的目標和人類的價值觀與利益相對齊。
4.落地的目標：“能力對齊”甚至彎道超車
縱觀金融科技發展歷程，中小銀行與大型銀行在數字化等方面的差距越來越大，智能風控的差距更是如此。
對大模型的應用可以使中小銀行彌補投入不足、數據不足、算法落后、科技落后等方面的缺陷，實現與大型銀行的"能力對齊"，加之中小銀行相對于大型銀行擁有更加敏捷靈活的機制，因此，中小銀行有望在部分風控場景中實現彎道超車。
注：本文刊于《中國金融電腦》2024年第1期
