金融機構競相接入大模型，但其應用效果在金融領域並不理想，麵臨效率瓶頸、技術局限和“幻覺”問題等挑戰。
年初以來，隨著DeepSeek爆火，金融機構競相開展大模型計劃。近日宣布完成DeepSeek大模型私有化部署，“工銀智湧”體係已覆蓋信貸、風控等20餘個業務條線，落地場景超200個，成為大行AI轉型標杆。截至3月10日，已有20餘家銀行宣布接入Deepseek係列模型。目前，盡管金融機構對大模型的熱情高漲，實際應用效果卻並不如預期。
一方麵，大模型在金融領域的應用效率並不理想，比如許多銀行在引入大模型後，發現生成的內容需要大量人工幹預，甚至在一些關鍵業務上，AI的可靠性不如人工處理。另一方麵，盡管DeepSeek的開源特性推動金融業的“技術普惠”，但金融機構在應用過程中仍麵臨數據安全與合規的挑戰。
業內人士表示，盡管金融機構對AI大模型的應用充滿期待，但目前仍麵臨效率瓶頸、技術局限以及“幻覺”問題等多重挑戰，在提升效率的同時解決上述問題，成為金融行業亟待攻克的難題。
高投入、低產出的瓶頸
在采訪過程中，記者發現，AI大模型在金融行業的應用實際效果與預期仍有較大差距。
某大行員工對記者表示，在實際工作中，AI係統生成的內容常常需要大量人工幹預，在一些關鍵業務上，AI的表現還不如人工處理可靠。
某股份行的科技部門負責人也表示，目前銀行的業務主線流程中，大模型的切入還比較有限，主要集中在所謂的“邊緣業務”。例如，智能報告係統雖然被視為一個亮點，但目前仍需要通過人工幹預來解決幻覺等問題，無法完全依賴AIGC實現全自動化解決業務痛點。
比如，在輔助合同審核方麵，盡管不少金融機構已經引入了AI大模型，但目前準確性欠佳。許多銀行雖然優化了櫃麵流程，但由於機器的準確度不夠，人工還需要再檢查一遍，這並沒有達到省事的效果。一位銀行櫃員對記者說：“機器審核的結果我們不敢完全信任，最後還是要靠人工複核，反而增加了工作量。”
不僅如此，AI大模型在處理關鍵金融業務時的專業辨別能力仍存在不足。例如，在信貸審批領域，大模型可能無法準確區分正常的貸款審批和潛在的貸款詐騙行為。
記者還從多家證券機構了解到，盡管一些金融大模型早已深入行業操作流程，但在文件報送、高頻交易等重要環節，仍需依賴人工審核。一位證券機構交易員表示：“之前可能兩個人做一個環節，花上兩三個小時也就結束了，現在先讓大模型做，還要給關鍵詞、調整邏輯，最後還要核對一遍，前後花費的時間和自己做差不多，甚至還要多。”
此外，不少銀行員工還關心大模型在授信流程中的應用。他們希望大模型能夠生成盡調報告，並將數據整理成表格，從而減輕人工負擔。然而，目前這一功能的實現也不太理想。一位股份行授信部門員工對記者說：“大模型生成的盡調報告內容不完整，數據表格也經常出錯，我們隻能當作參考，大部分工作還是要自己來。”
AI大模型“高投入、低產出”也成為金融機構麵臨的挑戰。在成本方麵，不少銀行科技部門引入大模型的投入巨大，無論是服務采買還是運行所需的硬件資源，都是一筆不小的開支，但效益卻難以量化。一位大行科技部門員工向記者透露：“我們引入大模型後，硬件設備的投入增加了近30%，但實際業務效率提升並不明顯，這讓管理層對後續投入產生了疑慮。”
某股份行員工還向記者透露，該行此前斥巨資打造AI係統，但運行結果不盡如人意。“我們投入了大量資源，但實際收益卻微乎其微。”該員工表示，這個係統一半的時間被用於演示PPT，另一半的時間則被用於修複係統漏洞。
去“幻覺”的探索
隨著人工智能技術在金融領域的廣泛應用，AI大模型的“幻覺”問題逐漸成為行業關注的焦點。所謂“幻覺”，是指AI大模型生成的內容與現實不符或缺乏依據的現象，這在金融領域可能導致嚴重的信息誤導和風險。
“大模型的幻覺現象主要由多個因素共同作用，其中訓練數據的質量、金融領域的複雜性以及模型架構設計是關鍵影響因素。”數字經濟學者、工信部信息通信經濟專家委員會委員、DCCI互聯網研究院院長劉興亮對記者表示。
北京國家金融科技認證中心副總經理李振指出，金融行業涉及複雜的金融工具、市場動態和專業術語，模型理解這些內容的難度較大。一方麵，訓練數據的不準確可能導致模型出現缺陷；另一方麵，存在偏差的對齊數據可能使模型傾向於迎合用戶觀點，而非依據客觀事實進行判斷。
華院計算蔡華博士對記者表示，自回歸文本生成方式由於缺乏外部知識驗證機製，容易出現幻覺問題。在處理長文本推理和複雜邏輯推理時，這種局限性尤為明顯。特別是在跨段落、跨文檔推理時，模型容易引入邏輯混亂或錯誤推斷，進一步加大了幻覺出現的概率。
為應對這一挑戰，金融機構和科技企業正在積極探索解決方案。記者了解到，目前，金融領域的解決方案主要圍繞RAG（搜索增強生成）、高質量指令參數數據集、結合格式化數據和計算能力進行優化。
“RAG技術可以通過改變提示的方式，有效提高回答的準確性。”華院計算董事長宣曉華對記者表示，大模型主要依賴歸納法進行學習和生成，在微調階段，如果使用高質量的數據集，且該數據集能夠全麵覆蓋所屬領域的各個方麵，那麽大模型的可靠性也會得到顯著提升。
大型金融機構更傾向於采用RAG+搜索的方式，結合專業數據庫進行金融數據庫的標注和分析。某大型外資銀行科技部門人士對記者表示，數據是AI大模型的基礎，質量直接影響模型的準確性和可靠性，采用RAG技術，讓AI在回答問題時能夠實時調用專業領域的知識和數據，從而提高輸出的準確性和可靠性。
例如，在專業的保險領域，往往需要投入大量人力與時間，對海量的保險條款、PDF文檔及Excel數據進行加工與標簽化處理，確保數據的準確性和可用性。上海燕道數科負責人婁道永對記者表示，保險大模型往往要通過積累並運用精算技術，將全國範圍內的保險產品、社保規則及相關法律法規等信息進行結構化處理，涵蓋全行業壽險產品、社保規則以及養老、醫療等多維度數據，這不僅需要強大的技術支持，更離不開專業精算團隊的深度參與。
定製化訓練與場景優化也是金融機構在去“幻覺”化中常用的辦法。金融機構通過定製化訓練，針對特定業務場景優化AI模型。例如，接入DeepSeek大模型後，通過業務人員的微調訓練和專業語料庫支持，嚐試降低“幻覺”問題。富國基金則通過將大語言模型應用於量化投資決策，利用情緒因子等技術提升業務效率。
上海人工智能研究院算法專家陸文韜總結，為了能有效避免AI大模型生成錯誤結果、產生“幻覺”，從技術實現角度應該注意三個方麵問題，一是確保訓練數據的高質量和多樣性至關重要，二是調整模型架構與訓練策略，三是完善實時監控與反饋機製。
除了RAG架構之外，還可以采用多種方法來優化模型性能。蔡華對記者表示，例如，強化學習優化（RLHF），通過人類反饋提升輸出的真實性和專業性，減少錯誤。同時，是基於約束的生成，利用外部API校驗或規則模板約束，避免生成不符合事實的內容。此外，結合Agent技術，增強模型的工具調用和任務規劃能力，減少幻覺，提升在金融等領域的可靠性。
對於場景優化中保護行業核心技術和數據的問題，陸文韜提出，為保障金融科技領域的數據安全與合規，行業可借鑒數據脫敏與加密、可信數據生態構建、合規工具鏈完善等方法。例如，采用聯邦學習實現“數據可用不可見”，確保原始數據不外泄；利用區塊鏈技術進行語料共享存證，實現數據確權與溯源等。
