Vấn đề “hai làn da” giữa tài chính và mô hình lớn

Nguồn: "Brain Extreme Body" (ID: unity007), tác giả: Zanghu

Nguồn hình ảnh: Được tạo bởi AI không giới hạn

Vài năm trước, tôi đã phỏng vấn một chuyên gia trong ngành và anh ấy đã đề cập đến một sự nhầm lẫn lớn trong việc triển khai công nghệ cao vào công nghiệp: hai lớp da.

Một số kết quả kỹ thuật đặc biệt tuyệt vời đã được công bố trên các bài báo, đó là một lớp da. Khi nhân viên kỹ thuật của công ty thương mại hóa những kết quả này, họ có thể thực hiện một số đơn giản hóa vì lý do kỹ thuật, đó là một lớp da khác.

Giữa hai lớp da có một khoảng cách, giống như sự thể hiện của người bán và sự thể hiện của người mua, chúng không hòa hợp và nhất quán.

Thông thường, những công ty có tài năng về kỹ thuật, năng lực R&D và sẵn sàng chuyển đổi trước tiên sẽ gặp phải vấn đề “hai lớp da”, gây nghi ngờ về hiệu quả của công nghệ và tỷ lệ ROI không rõ ràng.

Trong số rất nhiều người đang lao vào cơn sốt mô hình lớn, các tổ chức tài chính có thể là những người đầu tiên gặp phải thách thức “hai lớp da”.

Chúng tôi biết rằng ngành tài chính luôn là ngành sớm áp dụng các công nghệ mới và bắt đầu thử nghiệm AI từ rất sớm, có thể nói là “sinh viên hàng đầu” về AI công nghiệp, đồng thời có nền tảng thông tin hóa và kỹ thuật số tốt. Trong tất cả các kịch bản của văn phòng tiền tuyến, trung gian và hậu trường của các tổ chức tài chính, đều có chỗ để giảm chi phí và cải thiện hiệu quả bằng cách sử dụng các mô hình lớn. Vì vậy, tài chính cũng được coi là kịch bản ưu tiên để thực hiện các mô hình lớn.

Là đơn vị tiên phong triển khai mô hình lớn, nếu lĩnh vực tài chính không giải quyết được vấn đề “hai lớp da” thì đồng nghĩa với việc triển khai của người bán và triển lãm của người mua trong ứng dụng thực tế của mô hình lớn vẫn còn khoảng cách.

Bài viết này hy vọng làm rõ những vấn đề nào đang mở ra khoảng cách giữa tài chính và mô hình lớn?

##01 Câu 1: Ai là chủ yếu?

Vì là mô hình có quy mô lớn nên tất nhiên sẽ được dẫn dắt bởi các công ty công nghệ, công ty công nghệ như OpenAI/BAT, và đây là điều mà các tổ chức tài chính không hề muốn thấy.

Một chuyên gia trong lĩnh vực tài chính nói với chúng tôi rằng sau khi làn sóng mô hình lớn này trở nên phổ biến, các tổ chức tài chính đặc biệt lo lắng và có cảm xúc FOMO (Sợ bỏ lỡ).

Do làn sóng công nghệ vừa qua và sự trỗi dậy của điện thoại thông minh, Internet di động, nhiều hoạt động kinh doanh của các ngân hàng truyền thống và công ty chứng khoán đã bị các công ty tài chính Internet cướp đi. Theo những người trong ngành, “thảm kịch kinh hoàng” này không bao giờ được phép lặp lại.

Được thúc đẩy bởi sự lo lắng về công nghệ, các tổ chức tài chính rất tích cực bắt kịp xu hướng mô hình lớn, các nhà sản xuất công nghệ không cần phải đào tạo nhiều về thị trường, toàn ngành đã thực hiện rất tốt trong việc chấp nhận các mô hình lớn.

Đồng thời, các tổ chức tài chính cũng rất coi trọng việc nắm chắc trong tay những “con chip cốt lõi” của các mô hình tài chính lớn, nhấn mạnh “đặt tôi lên hàng đầu”. Một số người trong ngành ngân hàng chỉ ra: Chỉ những mô hình lớn, phù hợp với ngân hàng mới thực sự có thể ứng dụng sâu vào các kịch bản, quy trình kinh doanh. ** Cụ thể thực hiện như thế nào?

**Loại đầu tiên là chip cứng. **

Đối với các tổ chức tài chính, bảo mật dữ liệu và tuân thủ quyền riêng tư là những mục tiêu khó khăn mà không cần thỏa hiệp và có những yêu cầu rất nghiêm ngặt. Điều này cũng dẫn tới nhu cầu xây dựng nội địa hóa và tư nhân hóa, triển khai, vận hành các mô hình tài chính quy mô lớn.

Yêu cầu triển khai cục bộ có những ưu điểm và nhược điểm đối với các nhà sản xuất mô hình lớn. Ưu điểm là so với mô hình MaaS trong các ngành gọi trực tiếp giao diện API, việc triển khai cục bộ có đơn giá cao hơn, lợi nhuận cao hơn và giá trị thương mại cao hơn. Điểm bất lợi là việc triển khai riêng tư đòi hỏi một bộ giải pháp hoàn chỉnh về giải pháp đám mây, xử lý dữ liệu, lưu trữ, đào tạo mô hình, kỹ thuật nhanh chóng, dịch vụ vận hành và bảo trì, v.v. Trọng tâm của sự cạnh tranh không chỉ là bản thân mô hình cơ sở, mà còn làm tăng chi phí và khó khăn cho các nhà cung cấp dịch vụ kỹ thuật.

** Loại còn lại là chip mềm. **

Để các mô hình tài chính lớn hoạt động tốt, chúng yêu cầu tinh chỉnh dữ liệu độc quyền, giới thiệu kiến thức về miền và phản hồi dựa trên kịch bản. Bản thân ngành ngân hàng có nền tảng kỹ thuật số rất tốt và tích lũy dữ liệu sâu, trở thành một con bài thương lượng mềm mại trong bàn tay của nó.

Khi phát triển các sản phẩm AI tổng quát, Morgan Stanley đã kết hợp hơn 100.000 báo cáo tài chính, dữ liệu nội bộ và tài liệu tài chính để tinh chỉnh mô hình cơ bản của OpenAI. Theo báo cáo, ngành ngân hàng nông nghiệp nước ta cũng đã tích lũy được 2,6TB dữ liệu đào tạo chất lượng cao phục vụ cho việc đào tạo các mô hình lớn. Ngoài ra, mô hình lớn cơ bản tuy có kiến thức tổng quát vững vàng nhưng lại thiếu khả năng “khóa học chuyên nghiệp” và thiếu kiến thức tài chính chuyên nghiệp. "Phó AI" xuất sắc, lái xe không hề dễ dàng.

Điều này đòi hỏi các nhà sản xuất mô hình lớn và các công ty công nghệ phải thay đổi tư duy thông thường “lấy công nghệ làm trung tâm” và “Tôi ở đây để trao quyền/lật đổ bạn”, nâng cao nhận thức về dịch vụ và hợp tác với khách hàng tài chính, tập trung vào khách hàng tài chính.

Việc triển khai các mô hình quy mô lớn trong lĩnh vực tài chính không hề và không thể là một “sự gián đoạn công nghệ khác của ngành”. Cho dù đó là nhà sản xuất mô hình lớn nói chung hay nhà tích hợp nhà cung cấp dịch vụ ISV, họ đều phải tuân theo nguyên tắc "khách hàng là trên hết".

##02 Câu hỏi 2: Tại sao việc tích hợp lại khó khăn?

Nếu các tổ chức tài chính là chủ yếu, liệu các công ty công nghệ có trở thành những “đội xây dựng kiểu mẫu lớn” chỉ thu được một khoản phí nhỏ cho công việc khó khăn và không thể phát huy được khả năng đổi mới công nghệ của mình hay không?

Lớn không có gì đặc biệt.

**Trước hết, AI tài chính không phải là điều mới mẻ. **

Các tổ chức tài chính không hề mù mờ về AI như mọi người nghĩ. Trên thực tế, trong số tất cả các ngành, lĩnh vực tài chính chắc chắn nằm trong top đầu về “nội dung AI”. Cách đây vài năm, tôi đã phỏng vấn hiệu trưởng Trường Trí tuệ nhân tạo của một trường đại học 985 ở Trung Quốc. Ông ấy nói thẳng rằng sinh viên trong lĩnh vực AI không đến BAT hay các công ty khởi nghiệp sau khi tốt nghiệp mà đến các trung tâm thông tin/ trung tâm công nghệ trực thuộc các tổ chức tài chính như China Merchants Bank. , tham gia vào trí tuệ nhân tạo tài chính.

Do đó, xu hướng AI tài chính thực sự đã phát triển đáng kể từ vài năm trước, đây là lý do tại sao sự phổ biến của các mô hình lớn mới chỉ bắt đầu trong năm nay. Một số lượng lớn các ngân hàng trong nước như ICBC, Ping An, Ngân hàng Nông nghiệp Trung Quốc, China Merchants Bank, và CITIC Bank có thể nhanh chóng thành lập nhóm nghiên cứu chuyên trách của riêng mình cho các mô hình lớn GPT. Khả năng hành động kịp thời của ngân hàng phụ thuộc vào sự tích lũy đầu tư vào AI trong vài năm qua. Vì vậy, tập trung vào các tổ chức tài chính, chúng tôi cũng xây dựng các mô hình tài chính tốt.

**Thứ hai, mô hình lớn là một điều mới mẻ. **

Mô hình lớn tốt hơn những "AI truyền thống" này như thế nào và nó có thể làm được gì? Đây là một câu hỏi mới hoàn toàn trống.

Về mặt lý thuyết, các mô hình lớn có thể chạy qua tất cả các mắt xích của toàn bộ chuỗi ngành ngân hàng và các kịch bản ứng dụng LLM có thể được tìm thấy trong mọi ngành nghề kinh doanh và mọi hoạt động trí tuệ. Nhưng trên thực tế, chưa rõ làm thế nào để tích hợp mô hình lớn với doanh nghiệp khi tất cả các liên kết đều được triển khai đầy đủ, đồng nghĩa với việc nhiều cuộc tìm tòi sẽ thất bại và lãng phí.

Để đẩy nhanh việc thăm dò, giảm chi phí và giảm thiểu rủi ro, các tổ chức tài chính và công ty công nghệ phải hợp tác cùng nhau, cho phép các chuyên gia tài chính, nhà khoa học thuật toán, kỹ sư, người thử nghiệm, v.v. ngồi lại với nhau, cùng nhau khám phá từng chút một, hiểu sâu hơn về các kịch bản , và “loại bỏ những điều giả dối trong khi vẫn giữ lại những điều đúng đắn về nhu cầu”.

Người phụ trách một tổ chức tài chính thẳng thắn nói rằng ngành tài chính ngày nay có rất nhiều ứng dụng thông minh rất phong phú, nếu mở sổ tay quảng cáo sản phẩm tài chính của một công ty AI, bạn có thể thấy hàng trăm khả năng phân khúc, nhưng làm thế nào để chọn được thứ phù hợp nhất. Trong kinh doanh, sẽ có rất nhiều thử nghiệm và sai sót trong quá trình này.

**Hiện tại, ngành về cơ bản đã đạt được sự đồng thuận rằng các kịch bản phải được tối ưu hóa cho các mô hình tài chính lớn. Có một số từ khóa: **

**1. Tần số cao. **Trong một số tình huống chính và ứng dụng chính, các mô hình lớn có thể được đưa vào hoạt động càng sớm càng tốt để giải quyết vấn đề và hạ thấp ngưỡng ứng dụng. Ví dụ, những vị trí thâm dụng lao động ban đầu như dịch vụ khách hàng thông minh và tư vấn đầu tư thông minh có thể nhanh chóng mang lại kết quả giảm chi phí đáng kể và cải thiện hiệu quả.

**2. Giá trị cao. **Hãy là người đầu tiên khám phá những khu vực có giá trị xã hội và thương mại. Ví dụ, tài chính toàn diện là một dịch vụ tài chính hiện được cả chính phủ và khu vực tư nhân đánh giá cao, đòi hỏi những hiểu biết về dữ liệu chính xác, chi phí thấp hơn và khả năng dịch vụ dễ tiếp cận để giảm toàn diện chi phí tài chính của các doanh nghiệp nhỏ, vừa và siêu nhỏ/ thương gia. Trong số đó, khả năng biểu đạt đa phương thức cũng như khả năng hiểu và phân tích mạnh mẽ của các mô hình lớn có thể đóng một vai trò rất tốt.

**3. Dễ dàng triển khai. **Phản ứng đầu tiên của nhiều nhà tài chính khi nghe về các mô hình lớn là liệu các mô hình nhỏ có làm được điều này không? Các mô hình lớn đặt ra yêu cầu cao hơn về sức mạnh tính toán và tính ổn định của cơ sở hạ tầng phần cứng. Các tổ chức tài chính đang đẩy nhanh việc thúc đẩy phần cứng bản địa hóa. Các mô hình lớn được triển khai trong từng ngành nghề kinh doanh, gây áp lực hiệu suất, áp lực chi phí và áp lực triển khai. Tất cả đều là rất lớn. Do đó, sau khi mô hình lớn được nén và tối ưu hóa, hoặc mô hình nhỏ có tác dụng tương tự, có thể triển khai trong các kịch bản kinh doanh, chẳng hạn như mô hình lớn đưa ra khuyến nghị cho các sản phẩm tài chính ngân hàng và mô hình lớn đóng vai trò trợ lý nghiên cứu cho Đối với những AI truyền thống đã được sử dụng này, có thể sử dụng mô hình lớn. Việc nâng cấp mô hình sẽ không làm tăng chi phí điện năng tính toán và khối lượng công việc kỹ thuật quá mức và là một kịch bản tiến bộ dễ thực hiện hơn.

Chính vì mô hình lớn là một lớp da và ứng dụng thực tế là một lớp da khác nên làm thế nào để tích hợp hai lớp da và trong trường hợp nào nên ưu tiên là một con đường chưa có người đi. Cả tổ chức tài chính và công ty công nghệ đều không thể làm việc một mình, chỉ khi hợp tác chặt chẽ với nhau, chúng ta mới có thể tìm ra con đường tích hợp tốt nhất giữa các kịch bản tài chính và các mô hình lớn.

##03 Câu 3: Tại sao lại có nhiều xiềng xích như vậy?

Liệu có thể tìm ra kịch bản, tập trung chinh phục nó rồi nhân rộng trên diện rộng để các mô hình tài chính lớn có thể phát triển nhảy vọt?

Chúng tôi nói rằng các tổ chức tài chính có “nhiều người hơn, nhiều tiền hơn và nhiều công nghệ hơn”, nhưng điều này chỉ liên quan đến các ngành khác. Trên thực tế, các tổ chức tài chính không thể phân bổ ngân sách không giới hạn, đầu tư nhân lực không giới hạn, mở ra không giới hạn kịch bản để các mô hình lớn tùy ý phô diễn kỹ năng. Hơn nữa, vẫn còn một số lượng lớn các ngân hàng và công ty chứng khoán vừa và nhỏ hoạt động trong lĩnh vực tài chính và chi phí đổi mới công nghệ mà họ có thể chi trả cũng còn hạn chế.

Một người hành nghề ngân hàng đề cập đến AIGC và cho biết: Cạnh tranh ngày càng gay gắt, nhân sự hạn chế, thiếu nhân tài và chi phí eo hẹp.

**Có thể nói múa xiềng xích là nguyên nhân then chốt tạo nên “da hai lớp” tài chính và người mẫu cỡ lớn, “người bán show, người mua show”. **

**Ví dụ bài toán về khả năng tính toán. **Trong quá trình thay thế nội địa hóa, các mô hình tài chính lớn phải phá vỡ xiềng xích của việc đào tạo tốn kém và chi phí năng lượng tính toán cao, điều này đặt ra một thử nghiệm toàn diện đối với nền tảng phần cứng, khả năng tự nghiên cứu, khả năng tương thích sinh thái và hợp tác phần mềm của nhà sản xuất mô hình tối ưu hóa.

Hiện tại, các nhà cung cấp đám mây hàng đầu đang nỗ lực rất nhiều để phát triển phần cứng tự phát triển, như Kunlun của Baidu, Yitian của Alibaba, Shengteng của Huawei, cũng như phần mềm và hệ sinh thái hỗ trợ. Nếu không có những thứ này, thật khó để thực sự giành được mô hình tài chính lớn.

**Bản thân công nghệ cũng có những hạn chế. **Thành thật mà nói, bản thân công nghệ mô hình lớn vẫn còn nhiều vấn đề, đặc biệt là khi nó được triển khai trong lĩnh vực tài chính. Vấn đề ảo tưởng phải được giải quyết. Sự vô nghĩa là không thể chấp nhận được đối với hoạt động kinh doanh tài chính khắt khe. Bản chất hộp đen của mô hình sẽ khiến việc ra quyết định thông minh của AI trở nên không đáng tin cậy và không đáng tin cậy, khiến nó không thể được sử dụng thực sự trong các quyết định tư vấn đầu tư tài chính và phân tích thị trường.

**Ngoài ra, các tổ chức tài chính cũng sẽ đo lường tỷ lệ đầu vào-đầu ra ROI. **Nhưng do một lượng lớn AI truyền thống đã được tích lũy trong lĩnh vực tài chính, chẳng hạn như dịch vụ khách hàng thông minh, nên mọi người có thể đã nhận được các cuộc gọi bán sản phẩm và cuộc gọi thu tiền hóa đơn từ robot.

Vì vậy, sau khi đưa ra các mô hình lớn, hiện tại vẫn chưa có tiêu chuẩn đo lường rõ ràng về lợi ích mà nó có thể mang lại cho khách hàng, cách đánh giá tỷ lệ hoàn vốn trên đầu ra ROI và những cải tiến mà mô hình lớn mang lại là gì.

Việc không thể lượng hóa sự đóng góp của các mô hình lớn cho doanh nghiệp rõ ràng sẽ dẫn đến sự cạnh tranh mất trật tự giữa các nhà sản xuất mô hình lớn hoặc cạnh tranh mối quan hệ khách hàng, điều này cũng trở thành mối lo tiềm ẩn về tính kém hiệu quả của các mô hình tài chính lớn.

Xóa bỏ khoảng cách giữa ngành công nghiệp và các mô hình lớn sẽ là một bước đi tiêu chuẩn trong xu hướng mô hình lớn trong tương lai.

Trong quá trình này, các mô hình tài chính quy mô lớn đầu tiên gặp phải vấn đề "lớp da hai lớp" có thể cung cấp nhiều tài liệu tham khảo và thực tiễn hữu ích, và các tổ chức tài chính sẽ trở thành lứa thợ đào vàng mô hình quy mô lớn đầu tiên khám phá các mỏ vàng sớm hơn.