不同的大模型培植路径之间不是互斥关系，银行在选择大模型培植路径时，须要根据自身的业务需求、技能实力、资源投入等成分综合考虑，不同的路径各有利害，银行应根据实际情形选择最适宜自己的培植路径。目前紧张的银行大模型培植路径有五种：购买嵌入了大模型的运用、调用大模型的API接口、通过信息检索扩展大模型、在大模型的根本上微调以及自建根本大模型。
1、 购买嵌入了大模型的运用
银行不须要自行研发大模型，而是直策应用第三方成熟的产品和做事，直策应用嵌入了大模型的商业运用，例如金山办公WPS AI目前在底层嵌入了MiniMax、文心一言等大模型，基于大模型的运用所提升的能力将直接转换为用户的利用代价，而用户无需为底层大模型付出额外本钱，以非常低的价格乃至零本钱体验大模型的能力且基本不会改变用户现有的事情流程。然而，其缺陷在于缺少灵巧性，无法构建超出标准运用功能之外的事情流程，也无法将大模型的能力扩展到运用之外，且依赖第三方产品可能带来数据安全和隐私保护方面的风险。
2、 调用大模型的API接口
调用大模型的API接口是一种灵巧高效的办法，银行通过调用根本大模型API来构建自己的运用，然后通过提示工程进行进一步优化，勾引大模型天生有效输出。企业可以利用大模型快速创建一个定制化的运用，将大模型利用到现有产品中，只须要为模型的利用付费，而无需为其演习付费，比较自建根本大模型，调用API的本钱更低，且能够快速实现功能集成。然而，其缺陷在于向后兼容性，供应商必须连续支持旧版本的模型，否则会影响基于模型建立的运用。
3、 通过信息检索扩展大模型
检索增强天生使企业可以通过外挂数据库的办法将企业自有知识补充到大模型中，并将检索添加到提示中来增强提示词，提高特界说务领域大模型的相应质量。通过RAG(检索增强天生)进行数据检索，企业可以将根本模型演习数据之外的其他数据纳入模型中，办理了大模型的容量限定，为企业供应了一种将企业私有数据“外挂”到根本大模型的办法，使企业不须要为了特界说务重新演习全体大模型(微调或从头构建)，通过及时增强模型，可以优化大模型在特界说务领域的输出，办理模型幻觉问题。然而，其缺陷在于RAG方法受限于高下文窗口，限定了可发送给模型的检索信息量且利用RAG方法须要重新设计技能架构和事情流程，接入新的技能组件如向量数据库、Embedding模型等，增加这些技能组件会带来额外的本钱。
4、 在大模型的根本上微调
银行可以在大型预演习根本模型之年夜将领域知识或企业知识喂给模型进行进一步演习，形成定制的领域大模型或企业大模型，节省大量的打算资源和韶光，同时提高模型的针对性和准确性。通过利用企业私有数据或特定领域数据对特界说务进行微调，可以提高特界说务的性能，减少模型幻觉，与从头演习一个根本大模型所须要的数据比较，微调常日不须要大量数据(但是数据必须是高质量的)，目前市场上的很多参数量更小但性能更高的开源大模型，如Llama2等使得微调大模型变得更加可行且投入产出比更高。然而，其缺陷在于向大模型注入特定领域知识存在寻衅，需大量数据和打算资源，微调可能导致高切换本钱和专业化风险，影响模型泛化能力。
5、 自建根本大模型
自建大模型为银行供应定制化办理方案，适应特定业务需求，但面临高本钱、技能人才短缺和市场快速变革的寻衅。外部供应商的创新速率可能超过内部开拓，因此自建大模型需权衡本钱与效益。
在选择培植路径时，企业须要考虑的关键成分包括领域数据、利用本钱、数据安全与隐私保护以及模型输出质量。从购买嵌入了大模型的运用、调用大模型的API接口、通过信息检索扩展大模型到在大模型的根本上微调以及自建根本大模型，其领域数据从少到多，数据安全与隐私保护能力从弱到强，模型输出质量从低到高，相应地，本钱也从低到高。因此对付大型银行而言，其专业数据海量、运用处景丰富且对投入本钱的顾虑较小，适宜引入业界领先的根本大模型，在此根本之上针对不同的场景选择微调、RAG扩展或者提示工程优化；对付中小银行而言，应综合考虑运用产出和投入本钱的性价比，避免“人有我有”的不理性决策，按需引入各种大模型的公有云API接口或私有化支配做事，或者直接购买嵌入了大模型的成熟运用，知足业务诉求。
二、 银行大模型培植的详细案例
针对浩瀚的大模型用例，银行须要从业务代价和可行性两个核心维度进行用例筛选和优先级排序，助力银行实现营收增长、降本增效、提高用户体验并降落风险，银行CIO、CTO或科技、数据部门干系决策者应该优先选择业务代价更大、可行性更高的用例，在可行性附近的情形下优先选择业务代价更高的用例，在业务代价附近的情形下优先选择履行难度更低、更易于落地的用例，进行合理的资源投入与分配。
银行应优先考虑业务代价高且可行性强的大模型用例，如智能问答助手和营销物料天生，而降落代价和可行性低的用例，如机器人交易助手和虚拟客服，以科学分配资源，优化业务效益。
案例1：员工智能问答助手
百度、第四范式、恒生聚源、华为云、科大讯飞、澜舟科技、中关村落科金等供应商给银行供应员工智能问答助手工具，利用大模型的问答能力，结合企业知识库，创建常用领域的问答应用，为银行员工供应了快速、准确的信息查询做事，例如金融产品、规章制度、业务文档等信息，提高员工获取所需信息的效率，从而更高效地开展事情。
以浦发银行审计制度问答场景大模型运用为例，浦发银行通过“大模型+向量数据库”搭建审计领域的制度搜索做事，在向量数据库中构建自有审计制度知识资产，并进行提示工程采取对话勾引式问答交互，通过问答形式完成知识查找，充分发挥浦发银行所拥有的丰富、多种形态、高质量的知识资产，为审计职员供应知识助手做事，具有更高的专业性和时效性。
案例2：营销物料天生
百度、科大讯飞等公司为银行供应工具，利用大模型根据关键词、产品特性等自动天生个性化营销物料，支持二次编辑，增强营销效果。
以安然银行营销物料天生场景大模型运用为例，安然银行将大模型用于营销物料天生场景，通过“创意+AI+智能创意”根据客户偏好自动天生沟通文本，提升内容生产质量、效率、灵巧性及客制化程度，实现“千人千面”营销。
三、 银行大模型的落地展望
当前银行大模型大多只运用于为员工赋能减负以及面向内部运营管理利用，多数银行还处于技能储备和浅层试验阶段，AI大模型还很难真正分开“人”来发挥“AI+”的效果。随着金融领域垂直大模型技能的深入发展，接下来银行大模型运用将更多地触及银行核心业务。
1、智能风控
大模型帮助打造智能风控体系紧张包含用自动化流程提高审批效率以提升操作标准化程度、构建大模型智能剖析系统，快速处理海量金融信息以提升业务过程中的风险评估能力、降落人工运营的操作风险以强化合规管理水平等三方面，个中交通银行已成功打造反诈一体化平台，拦截可疑交易超7万笔，涉及金额超14亿元。
2、投资及投研
银行大模型在投资领域的运用尚低级，紧张用于日常报告整理和数据处理，还不能供应个性化专业建议。在金融领域大模型全面、规模化发展之前，投研助手不太可能替代财富方案师等专业职员，乃至很难对他们形成“劣币驱逐良币”的压力。
大模型正推动银行数字化转型，影响各业务领域。银行需考虑多成分选择得当路径，保持技能领先。未来，大模型将更广泛深入运用于银行，促进高质量发展。
