首页科技快讯加拿大工程院院士郭嵩：大模型Agent如何化身智慧金融的贴心助手

加拿大工程院院士郭嵩：大模型Agent如何化身智慧金融的贴心助手

来源：晰数塔互联网快讯时间：2024年01月27日 22:53

2024 年 1 月 24 日，清华大学经济管理学院、度小满、《麻省理工科技评论》中国、清华大学经济管理学院动态竞争与创新战略研究中心共同主办的《2024 年金融业生成式 AI 应用报告》发布暨研讨会在清华大学经济管理学院顺利举行。

此次活动邀请到了加拿大工程院院士、欧洲科学院院士、香港科技大学计算科学与工程系教授郭嵩，度小满首席技术官许冬亮，北京智源人工智能研究院副院长曹岗，中国科学院自动化研究所研究员、中科闻歌董事长王磊，工银科技技术总监孙科伟，北京银行研究发展部总经理丁志勇，度小满数据智能部经理杨青等行业专家出席，来自金融机构、科研院所、互联网公司的数十位观众全程参加了报告发布暨研讨会。

与会者围绕“生成式 AI 在金融业的落地和推广”进行了分享和讨论，从技术、业务、学术等多个领域，聚焦中国现状，深入交流了“生成式 AI+ 金融”在 2024 年的发展前景。

会上，郭嵩教授发表了精彩的演讲，同时在圆桌讨论环节分享了独到见解。为了方便阅读，我们对他的分享进行了编辑。

图| 加拿大工程院院士、欧洲科学院院士、香港科技大学计算科学与工程系教授郭嵩发表主题演讲

郭嵩教授分享的主题是“金融业携手生成式 AI，挑战与展望”。他的分享带来了一种独特的学术视角。

郭嵩教授首先讨论了生成式 AI 的发展进程和现状。他表示，在生成式 AI 这个研究领域，其本质上不同于传统的 AI。通过观察并学习大量的训练样本，生成式 AI 能够自动创作出全新的内容，包含文本、图片、音频和视频等多种形式。随着这一技术的不断发展，我们正迎来一个全新的时代，即“生成数据”的时代。

这种爆炸式增长的生成数据将对多个领域产生深远的影响。对于科研领域来说，这意味着我们将拥有更广泛的数据资源，有望推动医学研究、气候模拟等领域的突破性进展。在商业领域，生成数据的大规模涌现将改变市场竞争的格局。企业将能够更好地了解消费者需求，通过生成式 AI 的数据分析，实现更精准的市场定位和产品创新。

在过去十年中，模型的发展经历了复杂度从“浅”到“深”，尺寸从“小”到“大”，质量从“低”到“高”，多样性从“单模态”到“多模态”的过程。应用类型也逐渐从内容分析发展到内容创作，包括文本、图像、音频和视频等。

在过去的几年中，随着深度学习和生成式模型的崛起，生成式 AI 的"让机器创造"能力正在引领行业向数字化与智能化转型的新篇章。它以卓越的降本增效、提升生产力以及产品服务创新能力，赋予了内外部应用强大的驱动力，从而为整个行业带来了无可估量的应用价值。

在金融行业内部应用，生成式 AI 可以用于提供数据驱动的决策支持和投资优化，还可以帮助我们管理风险和确保合规性，优化流程和提升团队协作。在金融行业外部应用，它可以更好地满足个性化服务和客户体验，增强市场洞察和决策支持，还可以实现自动化营销。

接下来，郭嵩教授讨论了生成式 AI 未来面对的挑战，以及他目前所进行的工作与对未来的展望。

例如，通过打造一种全新的 Agent-as-a-service 的服务模式，让大模型具备解决金融现实问题的能力；针对金融数据孤岛问题，他带领团队研究了一种面向大规模大模型的联邦微调算法，提升了联邦训练的可扩展性；为了降低高度逼真的生成内容欺骗金融从业者，他的研究团队从技术层面对生成式 AI 的滥用做出了初步探索，提出了概念否定（Concept negation）的技术，相关工作发表在最新的机器学习会议 NeurIPS 上。

“我们还看到一些安全性的挑战。”郭嵩教授表示，“我们怎么让它变得安全，特别是符合一些规定，怎么把规则和伦理变成系统提示，把系统提示植入大模型以产生合规的内容，这些也是值得探索的关键问题。”

圆桌讨论

在演讲结束后，郭嵩教授与其他几位嘉宾参与了圆桌讨论环节。

图 | 加拿大工程院院士、欧洲科学院院士、香港科技大学计算科学与工程系教授郭嵩发言

针对生成式 AI“杀手级”应用何时出现的问题，郭嵩教授表示自己最关注的还是 AI For Science（面向科学的 AI 技术）。他认为，所谓的“杀手级”应用主要是能够产生巨大的效益、积极影响的，但“科学跃迁不是人能够预料的”，所以要把“传统产业用生成式 AI 重塑”，如果可以创造新的价值，解决重大的问题，这就是“杀手级”应用。

在讨论大模型值得关注的趋势和机会时，郭嵩表示，虽然学术和金融的结合是孕育大模型“杀手级”应用的优秀土壤，但在这个过程中，必须重视三个挑战，才能把握住机会。

第一个是赋能千行百业，价值不能“只由头部产生”，所以必须要想办法降低成本。成本低才可以普惠所有人，那么怎么把成本降低，整个运行、维护都要降低，比如训练昂贵主要的原因就是模型太大，这方面还有很多值得探索的地方。

第二个是边缘侧推理，随着用户量指数级增加，通讯和运算成本也会增加。因此，实现用户边缘侧的模型部署，把模型推理任务从中心下沉到边缘，才能达到更低的成本、更快的响应速度。然而只有通过降低模型复杂度和能耗，且最小程度地牺牲性能，才能实现在边缘端推理。

第三个是追求稳定和安全，要用传统的方法和 AI 的方法结合起来，从数据、伦理等多个方面保证模型的安全，把原本不太好的地方，变成很好的功能。这其中也蕴藏着机遇。

以上就是郭嵩教授在本次活动中的分享，他用来自学术界的独特视角审视了生成式 AI 和金融业的结合，独到的见解引起了在场嘉宾和观众的思考。关于本次活动中的其他嘉宾演讲，我们此前已有报道：大模型“杀手级”应用还有多远？｜《2024 金融业生成式 AI 应用报告》发布暨研讨会内容回顾。

发布于：北京