在日前举行的麦肯锡2023年中国金融业生成式人工智能发展论坛上，度小满CTO许冬亮表示，大模型是科技公司的“必争之地”，但训练大模型的门槛非常高，在这一背景下，中小机构与头部机构的数字化、智能化鸿沟有进一步扩大的可能。“在大模型时代须警惕中小金融机构‘技术掉队’。”许冬亮说。

　　麦肯锡2023年中国金融业生成式人工智能发展论坛以“捕捉GenAI新机遇”为主题，展望了生成式人工智能在全球及中国的发展趋势及机遇赛道。许冬亮在发言时说，金融行业数字化基础好、人工智能应用场景密集，是大模型落地的最佳领域之一。但金融行业业务决策复杂，合规要求高，金融机构要将大模型应用于实际业务，还将面临模型可控性、资源投入门槛、安全合规等方面的挑战。

　　首先是资源投入门槛较高。算力方面，许冬亮举例称，如果用100张A800 GPU(图形处理器)集群，去训练一个百亿参数规模的大模型，至少需要15天，这意味至少2000万元的资金投入。如果想压缩时间或者训练更大的模型，就需要更大规模的算力。人才方面，相比传统的人工智能开发，大模型落地应用需要既懂技术、懂业务又有工程开发能力的高精尖领军人才，这样的人才在市场上是“一将难求”。

　　其次是通用大模型的能力并不能满足金融行业的需要。一是通用大模型本身精度不够，当前大模型原生的幻觉问题、可控性问题和可解释性问题都限制了生成内容的质量和可靠性，而金融又是一个对精准性要求很高的行业；二是通用大模型缺少金融专业知识。高质量数据才能带来高质量模型效果，核心金融数据基本都储存在金融机构内部，通用大模型的训练无法获取高质量金融数据。

　　再次是落地应用方面面临挑战。在to C业务上，AI原生应用要能够再造用户体验流程，让用户可以和产品更自然地交互；在to B上，通过营销助手、坐席助手、办公助手、代码助手等赋能员工。

　　最后是安全合规和数据隐私保护的挑战。“大模型是颠覆性的新技术，我们对它的风险还没有完全了解，投入生产必须慎之又慎。随着大模型落地的不断推进，如何平衡大模型落地收益和大模型风险控制，是一个越来越突出的问题。”他说。

　　对于中小机构应当如何数字化、智能化转型，许冬亮建议，一是发挥生态伙伴的力量，同科技公司如提供行业大模型解决方案的公司合作，实现AI应用快速落地；二是组建既懂技术又懂业务的复合型团队，单纯业务驱动或者技术驱动都做不好智能化；三是场景选择上先易后难，先做to B业务助手类的应用再提供to C客服、咨询类的服务，先落地容错度高的场景再落地容错度低的场景。