文 | 苏瑞淇

随着人工智能技术的飞速发展，大模型已经成为全球关注的焦点。尤其在金融领域，大模型的发展呈现迅猛增长趋势，短短两年时间，从百亿级别参数已经成长到了千亿级别参数，引发人们的高度关注。

金融业因其具有大规模、高质量的数据资源和多维度、多元化的应用场景，一直以来被视为大模型应用的最优行业之一。根据中国移动上海产业研究院发布的报告，金融领域的AI大模型渗透率已突破50%，这一数据在各行业中居首位。2023年，国内参数在10亿规模以上的大模型数量实现了“破百”，达到116个，其中金融行业大模型就有18个。

然而，有不少人提出了疑问：金融大模型是否有必要追求极致的大规模，追求以“大”为优？如果当下的大模型已经能够胜任目前的任务，未来是否还有必要继续投入大量资金去研发更大规模的模型？

对于多数中小金融机构而言，当下最为紧迫的考量是平衡大模型的投入产出比。尽管大模型被许多金融机构宣传为能够降本增效的工具，但想要达到理想的效果，前提是要达到一定程度的规模化应用。如果没有足够的规模化应用进而实现收益，那么对大模型的资金投入很快就会后继乏力，中小金融机构也就缺乏进一步扩大模型参数规模的动力。在这种情况下，“小而精”的金融大模型是中小金融机构更为合理的选择。通过“喂”给AI垂直领域的相关数据，让AI做到“术业有专攻”，中小金融机构可以节省出资金更加灵活地应对金融市场的变化。

对于很多大型金融机构来说，目前仍然存在很强的驱动力进一步扩大大模型使用。大模型的规模扩大确实会带来一些显著的优势。随着参数规模和数据规模的显著增长，千亿级大模型表现出更强的通用性和全面性，可以在更加多元的金融业务场景中完成任务。金融业是对精准性、时效性要求极高的行业，行业特点推动很多大型金融机构不断提升大模型的参数规模，以应对瞬息万变的金融市场。此外，一些大型金融机构出于同行竞争的考虑，将扩大模型参数规模视为提升品牌影响力的重要举措，以此展现自身的金融科技实力，在市场竞争中更好地脱颖而出。

总体来看，金融大模型的研发与应用应当基于各家金融机构的实际情况量力而行，避免盲目跟风，一味追求参数规模的扩张。在实际应用中，过于庞大的模型可能难以在有限的计算设备上部署和训练，从而限制了其在金融应用场景中的发挥。此外，在AI快速迭代的道路上，如果盲目追求参数规模，可能会带来不必要的成本投入和资源浪费。

从行业的长远发展看，大小模型之间的有机搭配与协同作业，有望成为金融领域未来一段时间的常态。大模型与小模型相互补充，共同发挥各自的长处。在处理广泛数据、应对复杂任务方面，选用更有优势的大模型；在诸如合规等精细化的特定领域，选用更具有针对性的小模型。金融机构通过采用灵活应变、协同优化的策略，让大模型为金融领域带来更加高效和精准的服务，从而推动整个行业向更高层次迈进。