金融大模型应用面临三大挑战，联邦学习如何破题？

图片来源于网络，如有侵权，请联系删除

21世纪经济报道见习记者程维妙 北京报道

近年银行频频提到要以“科技赋能”提高效率，另一边，AI（人工智能）、联邦学习、大模型等热门技术名词不断更迭，对公众来说还比较抽象。银行运用了什么技术、用到哪些环节和场景上？很多人也普遍搞不清其中的关联。

“近年来，以大模型为代表的AI技术进入发展快车道，具备数字化程度高、商业化应用场景潜在价值高等优势的金融业，是AI大模型落地应用的最佳场景之一。”7月2日，在以“大模型时代AI前沿与金融应用”为主题的微众媒体学院会议上，与会专家说道。

银行的营销、风控等环节是大模型应用的重要场景，不过目前在发展应用中显现三大挑战。

与会专家表示，一是从算力角度，大模型的训练过程中需要庞大的硬件算力资源支撑，大模型参数规模呈持续扩张趋势，对算力提出了更高要求；二是从算法角度，大模型生成内容可能存在安全风险，同时广泛存在隐形偏见的可能性；三是从数据角度，近年来各项法律法规对私域数据的使用有“数据可用不可见”的要求，在医疗、金融等行业都存在海量自治的高质量数据，但受限于隐私无法共享利用。

围绕其中提到的算力提速，此前也曾有机构人士举例称，假设一家银行某地分行每天要给5000个存量用户打电话进行营销，每个用户有2000个标签，提高营销转化率就需要算力。但算力提升也是比较难攻克的一个点，假设一个明文数据是一个bit，为了不让数据泄露，同时能够算出其中的内容，隐私计算就要把它变成1000个bit。没有增加任何信息，但负载变得非常大。

怎样解决大模型应用落地的技术难题？微众银行人工智能首席科学家范力欣提到联邦学习。他表示，联邦学习作为一种先进的分布式机器学习范式，允许参与方在不直接共享原始数据的情况下协作训练模型，为解决大模型应用落地的技术难题提供了创新路径。

联邦学习是隐私计算的关键技术之一，它的一个特征就是“数据可用不可见”，可以防止数据在流转过程中泄露。业界广为流传一个“羊吃草”的比喻，假设模型是一只羊，这只羊吃的草料（即数据）来自不同提供者，提供者之间不想被对方知道自己的草料是如何生产的，羊可以从一个草场到另一个草场，而草料不出本地。

“联邦大模型技术路线通过其独特的设计，不仅解决了数据时效性、模型幻觉、专业知识融合及算力资源消耗等挑战，而且在保护数据隐私和促进AI技术公平性方面迈出了重要一步，为大模型在各领域的广泛应用开辟了新的可能。”范力欣表示。