金融業界におけるAI技術の重要な応用分野である金融ビッグデータモデルは、高速カバレッジから最適価値への移行という課題に直面しています。本稿では、金融ビッグデータモデルの現状、課題、そして将来の方向性について詳細な分析を行い、フィンテック分野の専門家にとって貴重な知見を提供します。金融AIの応用、技術革新、そして業界動向に関心のある方におすすめの一冊です。

金融ビッグデータモデルは、AIビッグデータモデルの産業化の第一歩と考えられています。

2023年以降の中国大規模金融モデル市場の発展は、まさにこの判断を裏付けています。関連データによると、中国市場ではすでに20近くの大規模金融モデルが実装されており、大手金融機関はAI大規模モデルを応用しているか、AI大規模モデルの研究・応用計画を表明しています。

金融機関は現在、コスト削減と効率性向上を背景に、モバイルファイナンスや自己置換型デジタルシステムなど、複数のデジタル投資目標のバランスを取る必要に迫られていることを理解することが重要です。大規模AIモデルに利用できるリソースは限られており、AIへの投資収益率は依然として非常に限られています。大規模モデルを効率的に導入することは、金融業界にとって本当に価値のあることなのでしょうか？

2023年のフィンテックサミットで、ある銀行の担当者と話した時のことを思い出します。彼は、金融機関が大規模AIモデルを開発する根本的な動機は、彼らの懸念にあると指摘しました。モバイルインターネット時代の到来以前、世界の金融業界は概して新技術の影響を過小評価していました。その後、Apple Pay、Alipay、WeChatといったモバイルインターネットプラットフォームがこの時代の恩恵を享受しました。金融機関が大規模AIモデルへの投資を増やす根本的な動機は、同じような事態を繰り返さないことです。

そうだとすれば、金融業界は単に大規模モデルへと急速に移行するだけでは不十分であり、将来の風潮に耳を傾け、長期目標から短期・中期の行動計画を遡及していく能力も必要となる。

今日は、この観点から、大規模モデルを急速に導入した金融業界がどこに向かっているのかについてお話ししたいと思います。

I. 壮大な財務モデル：高速カバレッジ1.0から最適価値2.0へ

生成AIによるビッグデータモデルの変革は、世界市場から中国市場に至るまで、わずか1年余りで金融業界に技術革新の波を巻き起こしました。

国際的には、OpenAIは金融業界をGPT技術の実装における最初の分野と見なしています。例えば、モルガン・スタンレーと提携し、GPT-4をベースとした投資アドバイザーロボットを開発しました。

中国の金融業界では、AIビッグデータモデルがかつてないほど急速に導入され、わずか1年余りで大手銀行、証券会社、保険会社がこれらの金融ビッグデータモデルの導入と活用に成功しました。

例えば、中国工商銀行（ICBC）は、業界初となる数千億元規模の完全独立・制御可能なAI大規模モデル技術システムの構築を発表し、複数の金融業務分野において革新的な応用を実現しています。例えば、支店業務においては、この大規模モデルを基盤とした支店職員向けインテリジェントアシスタントを導入しました。中国農業銀行（ABC）は、ChatGPTに類似したAI大規模モデルアプリケーション「ChatABC」をリリースし、テクノロジーQ&Aシナリオにおける社内パイロットプロジェクトを実施しました。中国郵政銀行（PSBC）は、百度の「文心一言」を統合し、インテリジェントリスク管理、インテリジェント運用、インテリジェント投資調査、インテリジェントマーケティングなどのシナリオに大規模言語モデルを適用しています。

プライベートバンキング分野では、MYbankがビッグデータモデリング技術を産業金融に応用し、中小零細企業の信用プロファイルを特定しています。保険業界では、衆安保険が「中友凌霆」システムを構築し、インテリジェントな顧客サービス、満期通知、インテリジェントな運用といった業務シナリオにビッグデータモデルを統合しています。

テクノロジーおよびソリューションプロバイダーの観点から見ると、中国市場は現在、金融ビッグデータモデリング技術の多様な供給チャネルを提供しています。Tencent CloudとAnt Financialは、金融ビッグデータモデリングソリューションを既にリリースしています。これらのソリューションは、金融業界の大規模なモデル展開とインフラ整備の両方のニーズに対応しています。2023年には、ファーウェイがPanguビッグデータモデルを活用し、金融グレードのPaaSソリューションをリリースし、「AI for Data」「AI for Business」「AI for IT」の3つの主要カテゴリーで、10のシナリオに対応する金融ビッグデータモデリングソリューションを発表しました。

オープンソースのビッグモデルのレベルでは、杜小曼は1760億のパラメータを持つブルームビッグモデルを基盤として学習した玄元ビッグモデルをオープンソース化しました。このモデルは、マーケティング、顧客サービス、リスク管理、オフィス、研究開発など、杜小曼の様​​々な業務シナリオに適用され、一連のビッグモデル評価において主導的な地位を獲得しています。

ご覧のとおり、金融ビッグデータモデルは、高速カバレッジを特徴とする1.0時代を急速に超えています。第一段階では、金融ビッグデータモデルに関連する技術やソリューションが急速に登場し、大手金融機関が競って導入を進め、中国における金融ビッグデータモデルの発展に確固たる基盤を築きました。

金融ビッグデータモデルの第一フェーズでは、急速な技術開発と高いユーザーエンゲージメントといった成果が明らかになっています。さらに、このモデルは銀行から保険、証券に至るまで幅広い業界を網羅し、関連する技術サプライチェーンも確立されています。クローズドソースとオープンソースのモデルをバランスよく組み合わせ、多様な導入オプションを提供し、金融ビッグデータモデルを支えるハードウェアとソフトウェアのインフラも比較的整備されています。

しかし、今後、財務グランドモデルは探索的な 1.0 段階から収益率​​を必要とし、長期的な開発価値を反映する 2.0 段階に移行する必要があります。

この段階では、大規模な金融モデルが直面する課題はより複雑になり、戦略的方法論の問題も前面に出てくるでしょう。

II. すでに明らかになった課題

大規模金融モデルの導入プロセスを見ると、メリットとデメリットの論理は、金融業界におけるAI技術のこれまでの応用と全く同じであることがわかります。最初の段階では、業界はAIの有用性を直感的に感じるでしょう。しかし、より大きな課題は、AIが十分な投資収益をもたらし、ビジネスの中核に浸透できるかどうかにあります。

現在、大規模な金融モデルも同様の問題に直面しています。まず第一に、大規模モデルがもたらすインテリジェンスの錯覚とデータ汚染は、金融業界における専門性とセキュリティに対する極めて高い要求と両立することが困難です。

第二に、金融業界では機密性とセキュリティコンプライアンスの要件が極めて高いため、大規模なモデルの導入には多くの場合、プライベート化が必要となる一方、モデルが大量のデータから学習したり、過剰なデータフローを制限したりすることが困難です。これにより、2つの問題が発生します。第一に、プライベート化は金融機関に研究開発費と運用コストの面で多大な負担をかけます。第二に、高いセキュリティレベルとデータ利用の制限は、大規模な金融モデルの性能低下などの問題につながります。

金融機関にとって、大規模モデルの開発・訓練コストは法外なほど高額であるだけでなく、様々なシナリオに展開するコストも莫大です。大規模金融モデルは現在、探索段階にあり、具体的な商業的収益を生み出していないため、その展開は多くの場合、社内や周辺業務分野に限定されています。その結果、展開コストは継続的に上昇し、商業的価値は依然として不透明です。

最後に、金融業界の高いセキュリティ要件と大規模モデル技術の未成熟さとの間のギャップは重大な問題です。大規模な金融モデルは、一般的に金融の中核業務には導入できません。例えば、大規模モデルを活用したインテリジェントな顧客サービスは、人間のカスタマーサービス担当者を代替することはできないだけでなく、人間のエージェントを頻繁に起動させる必要があり、エージェントはユーザーのニーズを改めて理解する必要に迫られる可能性があります。大規模モデルはリスク管理などの産業アプリケーションにおいて大きな可能性を示していますが、複雑なリスク異常に真に対処できるわけではありません。

このような状況では、他の多くのフィンテック技術と同様に、大規模な金融モデルは一定期間実行された後、誇大宣伝が薄れ、無視されるようになる可能性が高いです。

テクノロジーと産業の間に長年存在してきた障壁を、どうすれば突破できるでしょうか？そのためには、金融ビッグデータモデルが遠くからの声を聞き取る必要があるかもしれません。

III. 未来の視点から現在を振り返る

ブレット・キングは、著名な著書『Bank 4.0』の第一章で、第一原理への回帰について論じています。これは、問題の根源、つまり設計の本質に立ち返る必要があることを意味します。金融の文脈で言えば、まず銀行がなぜ設計されたのかを理解し、その上で銀行がどのように発展していくべきかを議論する必要があることを意味します。

壮大な金融モデルが直面するであろう障壁を突破するためには、次の点にも留意する必要があります。壮大なモデルが将来の金融に何をもたらすのかを考え、判断し、さらには仮説を立て、そして未来から現在へと逆算していくことです。たとえその未来が比較的遠いものであっても、少なくとも遠くから吹いてくる風が私たちを行き止まりに導くことはないでしょう。

では、AIビッグデータモデルは金融に具体的に何をもたらすのでしょうか？この問いは、技術的な側面と応用的な側面という2つの側面から理解することができます。

技術的な観点から見ると、大規模言語モデルの技術的アップグレードパスは比較的決まっており、業界では技術開発パラダイムとエンジニアリングの実践に関して明確なコンセンサスに達しています。

例えば、私たちは最近、杜小満金融技術委員会執行委員長兼データインテリジェンス応用部門ゼネラルマネージャーである楊青氏の著書『大規模言語モデル：原理とエンジニアリングの実践』を読みました。本書では、大規模言語モデルのいくつかの主要技術を明確に概説するだけでなく、創発性と推論能力の観点からその特徴を指摘し、広く議論されている大規模言語モデルのスケーリング則についても言及しています。モデルの学習と推論能力の向上に伴い、大規模言語モデルは今後もインテリジェントな創発効果を発揮し続けるでしょう。この技術的基盤は、金融業界が追求する長期的な価値であり、杜小満のようなフィンテックプロバイダーが大規模言語モデルを探求する上での価値関心事でもあります。

アプリケーションの観点から見ると、現在、大規模な財務モデルには多くのアプリケーション シナリオがありますが、それらは次の 3 つの側面に要約できます。

1. 一般ユーザー向けのインテリジェントなカスタマー サービス - インテリジェント アドバイザー。
2. 産業ユーザー向けのインテリジェントなクレジット識別 - クレジットシステムの構築。
3. 金融機関内の従業員の能力向上。

これら3つの機能の究極的な実現こそが、大規模金融モデルがもたらす長期的な価値を体現しています。例えば、将来的には、大規模言語モデルを基盤としたインテリジェントな顧客サービスが、インテリジェントアドバイザーやマンツーマンの金融サービス専門家へと進化していく可能性があります。業務調整や情報発信といった基本機能を完結するだけでなく、ユーザーのニーズに基づいたカスタマイズされた金融ソリューションを提供することで、金融カスタマイズ機能を高価値ユーザーや法人ユーザーから包括的なユーザーへと変革することを実現します。

技術と応用の側面を組み合わせることで、壮大な金融モデルの将来を次の 3 つの側面で固定することができます。

1. 企業と個人向けのクレジット サービスのインテリジェントかつユビキタスな性質。
2. 金融機関の顧客サービスは、人員削減や無人化が進んでいます。
3. 金融機関の総合的なインテリジェント機能の究極。

モバイルファイナンスによって銀行や証券会社が直接ユーザーに近づき、金融へのアクセスが容易になるとすれば、AI を活用したビッグデータファイナンスは、ユーザーのあらゆるニーズと資産を金融サービスに結び付け、ユーザーをさらに前進させます。

IV. 遠くからの風を利用して、前方の道路を測定します。

金融ビッグデータ モデルの分野では、これまで長い間、理論的なアプローチと実践的なアプローチの間で議論が続いてきました。

「理想的なアプローチ」とは、金融機関がアルゴリズム自体とモデルのパフォーマンスに重点を置き、まずは大規模モデルを実装し、金融業務における特定のニーズに対応するツールとして活用することを指します。一方、「実践的なアプローチ」では、金融業界におけるアプリケーションシナリオから着手し、インテリジェントな金融アプリケーションのセキュリティ、コンプライアンス、コスト管理を最優先に考え、その後、大規模モデルを金融サービスにより適したものに適応・調整していくことが求められます。

どちらもある程度は正当な主張をしているものの、新たな視点も提供できる。なぜなら、どちらも短期的な意思決定を重視し、壮大な金融モデルの出発点が業界にとっての革命的なアップグレードであり、モバイルファイナンスと同等、あるいはそれ以上に根本的な長期的な変革を求めているという事実を無視しているからだ。

包括的な金融モデル構築における次のステップは、実用的かつ抽象的な思考を超え、未来を見据え、達成可能な理想の目標から現在の取り組みを段階的に導き出すことです。未来の風が、私たちの現在の歩みを導きます。この観点から、金融機関は、包括的なモデル導入の効率性と将来のAI技術革新の可能性のバランスを取る必要があります。金融機関は、デジタルアーキテクチャとハードウェア／ソフトウェアインフラが、常に進化するAI技術のイテレーションと互換性があることを確保する必要があります。

具体的には、「未来志向」の金融グランドモデルには、次の 3 つのアクション層が含まれると考えられます。

1. 包括的な財務モデルのための強固な基盤を構築します。これには、社内研究開発体制と、技術プロバイダーとのオープンで効果的なパートナーシップの両方が含まれ、過度の保守主義による技術停滞を回避します。
2. 大規模金融モデルにおけるエンジニアリング能力と想像力の両立。大規模言語モデルの長期的な発展のためには、金融業界は単に大規模モデルを保有するだけでは不十分です。大規模モデルに対するエンジニアリング制御を磨き上げ、常に特定のニーズに合わせて適応させながら、大規模モデルの創造的な探求に積極的に取り組む必要があります。これには、内部改革と外部機会の獲得の両方が含まれます。
3. 長期的かつ明確でインテリジェントな目標を設定する。大規模な金融モデルにおいては、長期的な可能性だけでなく、短期的な限界も認識する必要がある。戦略的には、大規模モデルそのものの基本原則に立ち返り、それを何よりも優先し、そこから逆算して各ステップを前進させていくべきである。

金融業界に大規模モデルが登場すると、まず驚くと同時に思索にふけることがよくあります。しかし、実際の適用においては、モデルが実際に使われているかどうか、どのようなビジネスシナリオをカバーしているのか、そしてその結果得られる投資収益率といった、目先のことばかりに焦点が当てられがちです。この時点で、新たな課題や不明確な価値がしばしば矛盾を生み出し、金融機関はジレンマに陥ります。しかし、未来の風を吹き込み、金融インテリジェンスの長期的なビジョンで現状を照らし出せば、多くの問題は解決の糸口を見出すことができるでしょう。

著者：Feng Ciyuan、出典：Brainstorming（ID：341401）