2024年中国金融大模型产业发展洞察报告1.pdf

部门：TMT金融组2024 iResearch Inc.2024年中国金融大模型产业发展洞察报告署名：孙石琦2目 录CONTENTS01中国金融大模型产业发展背景介绍Background02金融大模型结构特征与优势能力分析Product Mix and Advantages03中国金融大模型产业卓越者评选04中国金融大模型产业未来趋势预判Industry Development Trends05中国金融大模型产业专家之声Industrial Experts InsightsOutstanding Enterprises3中国金融大模型产业发展背景介绍Background0142024.9 iResearch I从通用智能走向专业化应用技术崛起：大模型迭代历程回顾多技术聚积融合推动大模型能力逐步完善，实现从“专用智能通用智能专业化智能”的模式转变随着生成算法、预训练模型、多模态数据分析等AI技术的聚集融合，AIGC技术的实践效用迎来了行业级大爆发。在内部模型迭代与多技术协同的作用下，以“大规模”+“预训练”为核心的大模型产品，逐步由Transformer基础架构走向集图像识别、语义理解、视觉感知于一体的多模态、全应用模型体系，以产品化、业务化模式实现AIGC能力的进一步释放。与此同时，通用大模型技术的成熟推动了新一轮行业生产力变革，凭借其在场景泛化、技术涌现、强计算能力等方面的优势，大模型为多行业的发展带来了工业革命级生产能力的提升。随着专业化应用进程的推进，通用大模型在解决特定场景的专业化问题时暴露出部分局限性问题，行业深度信息的缺失导致其很难在专业领域提供高价值的服务，此外，通用大模型对于数据、算力的较高要求也提升了其在细分领域落地应用的门槛，相比之下，在专业度及成本方面更具优势的垂类大模型或将成为未来大模型技术落地应用的核心方式，预计未来5年，服务于特定行业的垂类大模型将实现超80%的专业领域覆盖，大模型能力将以专业化定制产品的方式为更多垂类专业领域赋能。大模型技术迭代与产品模式应用分析注释：各类模型的应用阶段描述仅为该阶段行业内最主流的模型应用，并不代表该阶段仅存在一种或两种模型形式以及该模型形式仅存在于该段时期；来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制垂类应用期产品建设期加速迭代期技术兴起期产业大模型应用2023年2028年（预计）-结合特定领域数据进行通用大模型微调，增强模型的领域适应性。产业大模型聚焦于大模型在特定行业下的垂类应用，为行业提供高价值、专业化服务。通用大模型以其涌现性与泛在化能力，为多行业发展提供全新生产力与创造力支持。通用大模型建设基础架构确立2018年2022年2010年2017年谷歌发布Transformer架构，为后续LLM、GPT的建设提供基础的框架支持。特定领域专用模型应用Diffusion扩散模型作为面向视觉计算的生成式模型，在图像创作、音频生成等方面提供了创造性解决方案。从专用智能走向通用智能通过在原有大模型的基础上增加对话、图像识别、视觉理解、语音感知等能力，由单一模态逐步迈向多模态应用。以GPT为例，实现由Transformer到GPT1/2/3/4再到GPTs生态的建设。自2023年起，国内外多家科技企业推出针对特定专业领域应用的产业大模型产品，依托自身专业领域特征及通用大模型建设基础，推动大模型技术实现产业落地应用的最后一环。52024.9 iResearch I能力适配：大模型与金融数智化高度适配大模型技术特征与金融业务数智化需求具有较高适配度，如何低运营成本的获取高价值大模型服务是金融行业大模型应用关注的核心问题来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制大模型技术的产业化应用业务需求与技术能力的匹配行业需求金融行业数智化转型发展需求大模型的深度学习与智慧涌现应用技术能力金融行业属于数据、信息密集型产业，对于多渠道信息汇总及数据处理能力有较高要求，随着近年金融数据升级成为“第五生产要素”，数据在金融场景的应用得到了空前的重视。金融行业的数据要素应用需求基于经验的复杂决策制定金融行业的众多业务场景对于从业人员的专业能力提出了基于专业知识储备与过往经验积累的双重要求，以满足金融业务对于精准快速的有效判断以及高质量代码、文案产出的需求。大模型是拥有巨大参数量和计算能力的深度学习模型，在自然语言的处理、计算机视觉应用、知识图谱问答等环节具有强大的数据处理与分析能力，结合深度神经网络结构，实现非结构化数据及复杂语句的理解与表达。大模型的复杂信息处理能力大模型的涌现能力随着模型规模的提升，模型的性能将在突破某个临界阈值后显著提升到高于随机的水平，为用户提供基于原始数据与经验的创造性解决方案，包括上下文学习能力、知识容量扩展、泛化应用能力及复杂推理能力等。金融行业数智化需求与大模型技术特征相契合金融行业大模型技术应用通用大模型在金融领域的应用存在弊端大模型技术为金融行业提供全新生产力大模型的学习能力与泛化能力决定了其可以服务于多个领域，但在专业要求高的领域通用大模型技术很难提供高价值服务；此外大模型产品的高运维成本也将成为业务场景实际应用的阻碍。大模型在复杂信息处理与智慧涌现方面的特征与金融业务的数智化转型需求高度匹配，业务场景中面临的海量数据分析、交易决策制定、个性化投资建议等环节对于金融从业者的专业知识储备与经验判断提出了较高要求，而大模型的应用能够优化数据处理模式，降低人力错误，并在关键决策的判断上给予金融从业者系统性支持，以技术能力重塑金融业务流程。62024.9 iResearch I产业定制：大模型技术的产业化应用近年，在金融科技发展规划与金融机构数字化转型一系列政策的指导之下，国内金融行业的数智化转型颇具成效，越来越多的金融机构意识到数字化转型为自身业务发展带来的助力，行业内对于金融科技的资金投入逐年攀升，以金融机构作为主要服务对象的技术厂商迎来了需求端市场蓬勃发展的上升期，为前沿技术的产业化定制创造了优渥的市场环境；此外，金融作为监管合规要求较高的信息密集型行业，其监管体系的完善与监管要求的提升推动了机构应用前沿技术增强合规能力的需求，大模型作为有能力优化业务流程环节、完善合规应用的技术应用，其产业化及垂类应用的价值不容小觑。数据来源：金融机构科技投入规模数据来自艾瑞咨询2024年金融科技行业发展洞察报告“2019-2027年中国金融科技投入情况”来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制大模型技术的产业化应用金融大模型科技应用成为金融行业发展的主旋律金融行业全面进入超级监管时代金融大模型监管环境明确市场环境支持 政策的指导：建设数字中国的战略号召与层层递进的数字金融系列政策，为金融机构的数字化转型提供了外在科技氛围营造与内在数字化发展指导；机构的投入：2024年中国金融机构科技投入预计超4000亿元人民币，后续将以约12%的增速保持增长。监管体制改革：国内金融监管体系改革，设立了“一行一局一会”的监管格局，明确了中国金融“双峰”监管框架；法律制度健全：制定网络安全法数据安全法个人信息保护法在金融领域的配套制度，建设高质量、多层次的国内金融监管体系。金融大模型将大模型技术与金融行业数据及场景信息相结合，应用大模型在技术涌现、多任务学习、强计算高存储等方面的优势服务信息密集型产业，通过预训练、金融语料微调及专业数据强化对齐等方式，实现大模型技术在金融行业的产业化落地。大模型的产业化应用将在智能风控、精准营销、财富顾问、投资规划等多个业务场景中为金融机构提供全新生产力支持，解决场景中可能面临的金融信息过载、复杂金融需求拆解、个性化投资建议等需求，为机构与用户提供专业化、高价值服务。大模型技术大模型产业化能力应用在投入提升与政策扶植的双重作用下，以大模型技术为底座、结合专业化金融能力的金融大模型产品应运而生金融大模型结构特征与优势能力分析Product Mix and Advantages028金融大模型结构特征与优势能力分析 金融大模型结构特征分析金融大模型核心结构总览基座支持：通用大模型功能增强：大模型工具链业务适配：大模型垂类场景训练 金融大模型优势能力分析92024.9 iResearch I金融大模型核心结构总览由通用大模型基座、专用模型工具链、私域业务场景训练三部分组成的完整金融大模型产品构建体系来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制金融大模型核心结构总览以通用大模型为底座的金融大模型产业链分析技术诀窍行业信息业务流程问题处理厂商经验积累专业术语市场逻辑金融概念模型架构专业知识输入场景信息历史表现产品特征服务方式私域信息沉淀客群画像客户行为私域管理交互信息客群特征捕捉专业术语业务逻辑场景信息宏观发展行业Know-how文心一言LaMDAGPT4-Turbo提示工程通用大模型产品通义千问检索增强大模型微调服务于基座大模型的工具链能力提升大模型泛化迁移能力库外知识体系生成与更新优化模型结构提升信息输出精准度基座支持1功能增强2业务适配3通过私域信息库的模型训练，为金融机构提供客制化的服务与问题解决方案。金融大模型核心组件结构分析：金融大模型产品的核心构建流程主要由以上三个环节构成，首先是作为技术底座支持的通用大模型为金融大模型产品的构建提供底层技术能力、算法、基础参数等底层模型逻辑方面的支持，在此基础之上，以解决特定领域应用能力短板问题的模型工具链系列产品将作为模型层与应用层的桥梁，为垂类模型的构建提供应用层面的增强，此外，私域信息库的模型训练将全面提升大模型产品的业务适配能力，为机构提供客制化的模型服务为基础模型架构提供功能延伸服务，推动大模型产品的落地应用。通用大模型作为垂类大模型产品的技术底座，为其提供基础能力架构与算法支持。102024.9 iResearch I1.基座支持：通用大模型国内通用大模型市场迎来“百模大战”时代，泛化能力的应用与专业能力的增强将成为通用大模型服务金融行业的两大主流方式随着深度学习与生成式大模型的融合应用，以卷积神经网络、对抗生成网络、ResNet为代表的深度学习模型能够在自然语言处理、计算机视觉处理等方面实现较大突破，后续随着Transformer结构的应用，以Transformer和注意力机制作为组件、参数在十亿级别以上的自监督学习模型营运而生。伴随着近年大模型技术在实践应用场景的发展，目前通用大模型市场已进入“百模大战”的全新时代。从整体来看，以GPT4-Turbo、LaMDA 为代表的国际市场头部通用大模型，在模型架构能力、参数范畴、应用交互使用体验方面具有相对领先的优势，但随着近年国内大模型产业的爆发式增长，国内市场也出现了“文心大模型”、“通义千问2.0”等立足于自身大模型产品架构基础与生态体系建设的国产通用大模型产品，考虑到金融行业对于信创建设与数据保护有较高要求，国产通用大模型体系的建设对于大模型技术在国内金融市场的应用至关重要。在实际应用过程中，通用大模型的核心使用渠道主要有两种，一种是应用其泛化学习能力，将其他行业获取的信息与模型能力迁移至金融领域，解决非核心金融业务场景中的信息处理及交互需求，另一种方式是将其作为金融行业垂类应用模型的基础底座，在工具链增强、专有业务生态训练下成为具备更高专业化金融业务解决能力的金融大模型产品，满足金融行业对于大模型产品在专业术语的概念及理解、场景针对性解决方案以及高精度、合规性的需求。通用大模型产品在金融行业的两大核心应用金融大模型产品基座支持与大模型泛在化能力应用来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制通用大模型泛在化能力应用：通用大模型专业能力增强：通用大模型产品 通义千问文心一言 混元大模型GPT4-TurboLaMDA以泛在学习能力直接应用于金融领域以服务非核心金融业务场景中的信息处理与用户基础交互为主，场景包括：金融业务场景应用 金融市场信息整理舆情汇总与情绪追踪客服机器人问答宣传材料生成通用大模型产品 大模型基座支持+大模型功能的增加+私域数据集训练服务专业度要求更高、业务场景针对性更强、客群服务特征更加明确的金融业务场景；金融业务场景应用 对于大模型产业链上下游的合作提出了更高的要求，与金融机构间的共同开发至关重要。112024.9 iResearch I2.功能增强：大模型工具链工具链作为通用大模型与垂类大模型间的桥梁，以便捷灵活的工具模块助力金融大模型建设降本增效大模型的工具链产品是指在金融大模型产品研发的过程中，为了优化通用大模型在金融领域的应用表现，在产品开发、预训练、精调、压缩、推理、部署等环节提供高性能、灵活易用的工具模块，在简化复杂的训练流程、降低大模型技术使用门槛与落地周期的同时，提高了模型使用的精准度与可靠性，增强了金融大模型产品在投资回报方面的表现。目前在国内市场，大模型工具链的使用与通用大模型之间存在深度的绑定关系，工具链的核心技术提供商以大模型厂商为主，随着通用大模型技术能力的迭代，预计未来更多的工具链产品将逐步融合进大模型内部体系，以更高水平的通用大模型产品的形式为开发者提供完整一体化的AGI服务，但对于专业度壁垒较高的行业，例如金融行业，大模型厂商在技术层面的能力补足难以真正满足金融机构的应用需求，基于长期服务金融机构的技术积累与行业Know-how能力将成为工具链功能增强的重点，因此针对特定行业的专业化服务仍需依托于有较多行业深耕能力的专精厂商负责。大模型工具链的能力增强表现及“+工具链”的实践意义分析来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制通用大模型能力需求拆解大模型工具链的功能增强服务于基座大模型的工具链能力提示工程解决大模型对于特定领域任务泛化迁移能力应用不足的问题检索增强生成生成引用数据库以外的权威知识体系，解决大模型存在的知识更新问题大模型微调提升大模型信息输出精准度，基于人类反馈进行强化学习。工具链能力加强大模型工具链的实践意义服务于金融机构的“+工具链”体系降低金融大模型研发成本与产品落地周期，平衡产品研发ROI表现。通过工具链精简了模型参数，降低金融大模型使用对于算力的要求工具链对于基座大模型在特定领域功能表现提供增强效应提升业务处理的精准度User Input Context User Intent用户输入LLM Knowledge大模型训练知识External Contextual Reference Data外部上下文参考数据1.Prompt Engineering提示工程3.Fine-Tuned LLM大模型微调2.缺乏NLG、对话管理、适应等能力4.RAG检索增强生成“基座大模型+工具链”产品组合的外延价值输出122024.9 iResearch I3.业务适配：大模型垂类场景训练大模型在特定信息域的定制化训练将全面提升其垂类业务场景的应用表现，数据信息的专业性与群体特征的捕捉能力将成为业务适配的关键来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制金融大模型垂类场景训练分析基于业务场景与客群信息的定制化训练信息积累大模型厂商专业知识积累专业术语业务流程宏观逻辑行业Know-how金融机构私域信息库客群信息产品历史表现业务场景信息业务规划行业经验服务金融机构的历史经验积累 金融机构自身业务信息沉淀数据沉淀数据沉淀大模型基座场景增强工具链金融大模型金融大模型数据训练信息合规分享业务能力迁移大模型在垂类业务场景应用的效果与其训练应用的文本数据息息相关，信息输入的质量将很大程度的决定了大模型在特定业务场景的应用表现，特别是在专业壁垒较高的金融行业，金融大模型对于金融市场运营逻辑的理解、专业术语的解读以及宏观市场环境的洞察大多依赖于大模型厂商在模型训练期间的信息输入，因此大模型厂商在金融领域的专业积累能力将极大的影响其大模型产品的应用效果，能否为模型训练提供专业化的场景信息、专业知识及行业know-how能力将成为判断其金融大模型可用性的关键。除了在大模型厂商专业知识库的场景训练之外，由金融机构提供的私域场景信息也将极大的提升金融大模型的建模精准度与问题解决能力，在合规分享的前提下，结合客户方私域信息的金融大模型产品将在模型结构与参数丰富度方面表现更为优秀，通过丰富大模型垂类场景训练的方式，为金融机构提供与业务场景及客群特征契合度更高的定制化大模型产品。13金融大模型结构特征与优势能力分析 金融大模型结构特征分析 金融大模型优势能力分析产品构建期：降低成本、保留差异化竞争空间、与底层模型同步迭代模型使用期：模型精准、结果可靠、产品结构轻量化迭代维护期：应变能力强、维护及迭代成本低142024.9 iResearch I阶段一：产品构建期以通用大模型为底座的金融大模型构建体系，在具备成本控制与同频迭代优势的同时保留了产品的差异化、个性化竞争空间来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制完整构建流程之下的金融大模型产品优势能力分析产品构建阶段商城通用大模型大模型工具链业务场景训练金融大模型缩短产品落地周期，降低成本1保障基础能力，留存产品差异化竞争空间2乘基座大模型迭代东风，与时俱进3 从产品建设周期的角度来看，以通用大模型为基础的金融大模型产品的构建及产品落地周期要明显短于“从0开始”搭建的垂类大模型产品。通过基座模型的支持，金融大模型产品的开发流程实现将模型训练成本前置于通用模型阶段，降低金融大模型产品的研发成本。通用大模型作为技术基座保障了金融大模型产品在基础技术能力以及通用业务场景的表现。在此之上，基于不同厂商行业经验积累形成的大模型工具链与场景训练，将充分体现不同厂商对于金融行业的理解以及各家金融大模型产品的差异化竞争表现。完整构建流程下的金融大模型产品将在保持较高基础技术能力的同时，提供差异化、客制化服务。建设于通用大模型基础之上的金融大模型产品，将跟随其底座大模型的升级迭代，实现“被动”的产品升级，其底层的技术能力、模型参数与逻辑、前沿科技的应用以及模型的使用方式与形态将对齐大模型行业领先标准，与时俱进。对于金融大模型产品厂商来说，由于其底层的技术模块将实现一定程度的“自动化”更新，厂商可以将工作的重心放在提升其工具链的使用效果与业务场景训练的专业度上，更多的聚焦于大模型产品的垂类应用，实现大模型产品在金融行业深度探索。以上的产品构建模式对于合作的底层通用大模型厂商的技术能力与未来发展提出了较高的要求，金融大模型厂商需在产品构建初期明确靠谱的模型技术底座，以减少后续产品应用、迭代的隐患。152024.9 iResearch I阶段二：模型使用期相比于传统的通用大模型，金融大模型产品在使用阶段的核心优势主要来自于其结构特征与行业经验积累，通过完整垂类模型构建体系下的金融大模型产品，在模型算法能力、参数精准度以及产品结构模式方面具备更优化、更精准、更轻量的特征，在其作用下，金融大模型产品的使用对于外部资源的需求程度相对较低，精简的模型产品不再受限于庞大的算力需求，在降低金融行业大模型产品使用门槛的同时也减少了机构的模型使用成本，结合金融大模型在金融场景下的问题解决能力与专业表现，轻量化的金融大模型产品将更有能力为金融机构提供更具性价比的专业化AGI服务，产品本身拥有较高的实用价值与推广应用条件。来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制完整构建流程之下的金融大模型产品优势能力分析模型使用阶段模型算法优化，指向性强模型参数精准，生成结果信息含量高核心特征产品结构更加轻量化与通用大模型相比，金融大模型产品结构特征：大模型技术金融大模型场景训练工具链经由模型结构优化、专用功能增强与业务能力提升的金融大模型产品在资源需求、生成效率与问题解决专业度方面具有较强优势模型层增强模型专业度提升业务场景应用能力增强经过完整垂类模型构建体系下的金融大模型产品金融大模型构建流程拆解 模型使用过程中的资源需求模型结构优化，专用功能增强 数据信息需求 算力需求 模型使用效率 缩短生成路径，提升使用效率：经过模型结构优化，金融大模型产品在解决金融行业专业问题时的问题处理路径更加直接清晰，模型提供的结果生成效率更高。专业问题解决能力 专业场景的理解力：在专业的金融行业公域、私域信息库训练的加持下，金融大模型产品对于金融业务场景的理解更加深刻。解决方案提供能力：金融大模型将为客户提供专业度更高、参考价值更强的金融问题解决方案，并且有能力服务专业要求水平更高的金融业务场景。信息需求：金融大模型的使用具有更强的专业导向性，信息需求以专业场景下的表现为主，对于其他场景下的信息需求较少。算力需求：经过模型算法的优化与参数的精简，轻量化的金融大模型产品在使用过程中所需的算力需求相对较低。金融大模型产品使用阶段优势能力分析：162024.9 iResearch I阶段三：迭代维护期“小而精”的结构特征在保障金融大模型产品灵活度的同时，降低了产品后续使用的维护迭代门槛，提升产品的普适性金融作为政策导向性与宏观影响性较强的服务行业，其自身机构的运营、决策与发展同外部的政策引导与市场环境息息相关，对于服务于该领域的大模型产品来说，需要有能力及时根据外部信息的变化对模型结构进行调整，为金融机构提供及时、准确、专业的业务解决方案，以适配金融行业高效性、实时性需求。与传统通用大模型在金融领域的直接应用相比，垂类金融大模型“小而精”的结构特征使其在面对外部环境变化时拥有足够的灵活性与应变能力，模型调整与重新训练的反应更加敏捷，能够快速将市场变化反应在模型结构中，为金融机构提供最前沿的业务解决方案。此外，金融大模型产品的结构特征优势也在产品维护难度与成本方面得到充分的展现，为产品后续的迭代升级与长期应用奠定基础。来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制金融大模型结构特征完整构建流程之下的金融大模型产品优势能力分析迭代维护阶段专业化金融大模型轻量化精简化产品构建期模型使用期维护迭代期灵活性应变能力维护复杂度迭代成本金融大模型构建流程维护迭代阶段产品优势 灵活性、应变能力：金融大模型精简化、轻量化的结构特征使其在面对宏观环境变化时能够及时、灵活的实现模型调整与模型训练，降低金融机构应用的延迟成本与过期信息使用风险，保障产品能够在多种宏观环境与业务场景下提供专业的AGI服务，提升产品的适用能力。维护复杂度、迭代成本：与通用大模型相比，金融大模型的结构特征预示着其在后续使用以及升级、维护的成本都要远低于完整的通用大模型体系，在降低大模型应用门槛的同时为后续产品使用的持久性与连续性奠定基础。业务场景下的优势表现03Outstanding Enterprises 中国金融大模型产业 卓越者评选18中国金融大模型产业卓越者评选中国金融科技行业卓越服务商评选“卓越者”评选说明入围说明评估指标介绍入围厂商名单19卓越者入围说明Qualification Statement for Outstanding EnterprisesiResearch：“中国金融大模型产业卓越服务厂商评选”艾瑞咨询研究团队&产业专家团队 所有的入围者，均为接受过研究团队调研的企业，其在综合能力或者关键能力方面获得了研究团队及产业专家团的一致肯定。“中国金融大模型产业卓越服务厂商”的选定，艾瑞咨询研究团队征询了来自银行、保险、证券等需求端专家的意见，外部专家团站在技术水平及服务能力的角度提出了相应的观点和看法。“中国金融大模型产业卓越服务厂商”由艾瑞咨询研究团队及产业专家团共同提名，研究团队也在最大程度上实现了对厂商的触达。对未展开调研或者未接受调研的企业，艾瑞咨询不对其发表任何评判观点。“中国金融大模型产业卓越服务厂商”不代表企业排名，也不能说明未入围者完全不具备产品力或市场力的优势。本次调研仅为对企业的当下能力判断，不代表对企业的长期判断。202024.9 iResearch Inc iResearch-卓越者 评估指标介绍iResearch-卓越者（2024，中国金融大模型产业服务厂商）核心评估指标行业深耕程度项目积累项目类型覆盖度（高）项目数量（中）服务客户情况服务客户数量（中）客户业务规模及市场地位（高）业务场景覆盖度专业化场景服务提供能力（高）基础场景服务提供能力（高）产品能力产品使用效果业务相关指标的提升（高）业务流程的优化度（高）产品构建能力产品运营稳定性（高）产品客制化能力（高）产品迭代规划（中）服务能力服务质量与服务全面性一站式智能运维服务提供能力（高）服务稳定性与持续性服务的稳定性与连贯性（高）“陪伴成长式”服务提供能力（高）生态能力资源整合与生态合作能力联合技术研发能力（高）协同企业合作能力（高）其他衍生服务（中）服务的灵活性与多样性（高）服务需求匹配度（高）生态内业务拓展能力（高）示例一级指标二级指标三级指标打分标准说明：各项指标评测结果均来自于内部及外部评审团队，根据参选企业提供的资料及调研、走访结果，结合团队专家自身对行业的认知及经验积累，综合评断得出；具体卓越者榜单情况见下页。评测说明：评测模型主要包括服务厂商的行业深耕程度、产品与技术能力、服务能力及生态能力四个核心维度，最终评测结果的产出来自于对以上四个核心维度的综合考量，为了更全面的量化各服务厂商在核心维度下的具体表现，将核心维度进一步拆分至二级、三级评价指标，并给予其不同的评测重要程度等级，具体指标如下图所示：来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制212024.9 iResearch IiResearch-卓越者 入围厂商中国金融大模型产业卓越服务厂商TOP20榜单来源：艾瑞咨询研究院自主研究及绘制iResearch 中国金融大模型产业卓越服务商TOP20榜单注释：榜单内企业排名不分前后，按企业中文名称音序排列金融业务数字化创新服务商核心技术应用服务商金融科技IT服务商中国金融大模型产业 未来趋势预判Industry Development Trends04232024.9 iResearch I市场趋势前瞻金融机构对于技术产品合规性、实践能力与稳定性的要求将指引供给端产业迭代方向；分工协作、强强结合或将成为未来产业发展的主流模式金融行业属于政策导向型产业，在前沿技术产品的选择上对于产品的合规性、实践效果与表现稳定度方面均有较高要求，而对于金融大模型产品来说，作为其底层技术能力的生成式AI已被认为走到了技术发展曲线的膨胀阶段，如何将市场对于技术能力的期待转化为大模型的产品力将成为大模型产业发展面临的重要课题。结合金融行业应用的特殊性，未来金融大模型产业的发展将极大程度取决于需求端对于产品的认可程度，即金融机构对于大模型产品的使用意愿如何。考虑到金融机构对于新技术产品选择的审慎程度，未来中短期内大模型产品在金融领域的表现效果将极大影响机构对于该项产品的认可程度，进而影响后续产业整体的发展。对于金融大模型产品的供应方来说，如何在合规的背景下保障产品的技术能力与专业度、为机构提供更优质的AI使用体验是目前短中期发展的关键，就目前国内金融大模型市场的发展情况来看，单独一家机构很难实现从技术底座、能力增强到金融知识训练每个环节均具备行业领先优势，“多环节、多机构”的合作模式或将成为优质金融大模型产品的构建方式，由分别的技术厂商提供底层技术、能力增强与专业训练，充分发挥金融实践积累与技术创新迭代的协同作用，驱动国内金融大模型产业链的整体发展。国内金融大模型产业发展趋势前瞻以需求端为导向、业务与科技深度结合的跨领域产业发展来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制金融机构技术厂商合规性实践效果稳定性金融大模型产业需求端供给端明确产品需求类型以需求为导向提升产品特性驱动产业良性成长政策导向型行业新技术产品选择审慎需求端驱动型产业机构的选择决定产业发展金融实践积累与技术创新迭代的结合分工协作、强强结合或将成为产业发展主流模式关注技术产品使用效果近期表现影响长期选择技术产品的合规性是关注的首要因素242024.9 iResearch ISTEP产品结构建设数据合规应用与成本、成效间的权衡将成为影响垂类大模型实践效果的重要因素，边缘部署与轻量化建设或将成为金融大模型产品构建新趋势金融行业对于数据信息保护有较高要求，云端部署意味着金融机构需要通过将业务数据信息上传至云端的方式来完成模型训练、获取输出结果，这对于金融机构自身的信息安全与合规应用来说是不小的挑战，市场整体的接受度与认可度也将由于该部署形式受到较大限制，多数涉及私域数据的专业化业务场景将很难接受云端部署的大模型应用，而基础的金融场景也难以发挥金融大模型在涌现性与复杂信息处理的能力，导致大模型的实践价值大打折扣。因此，大模型产品要想在金融行业实现高价值、大规模应用，应提升产品部署方式的多元元化，由云端逐步延伸至边缘侧，增强产品部署的私密性，以此降低大模型产品应用过程中面临的信息安全问题，在合规的环境下满足金融机构的个性化定制需求。于此同时，与国际市场通用大模型的“规模军备竞赛”不同，庞大的参数对于垂类大模型来说过于冗余，特别是对于结果生成时效性要求较强的场景，参数量过大的大模型产品并不是好的选择，并且模型规模的扩张也会显著提高使用成本以及软、硬件的支持负担。因此，如何压缩模型、减少模型的计算复杂度与内存占比将成为未来行业发展关注的重点问题，通过合理的剪枝、低秩分解，将大模型产品轻量化，以精准的运营为客户提供稳定可靠的运算结果。来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制金融大模型产品结构建设的趋势分析边缘部署与模型轻量化由云端向边缘侧延伸的产品部署垂类大模型的轻量化建设 与其他行业相比，金融行业对于数据信息保护的要求更为严格，云端部署的方式将在一定程度上限制金融大模型的推广应用。传统的数据保护方式会影响大模型对于数据的使用效率与信息提取能力。金融大模型金融行业的数据保护要求边缘侧部署的硬件准备 由云端向边缘侧的延伸对于软硬件的适配性、硬件设备的计算能力、存储能力提出了更高的要求。需匹配合适的边缘计算框架。金融行业垂类应用的特性对于金融行业的定向化产品结构升级 通用大模型“大力出奇迹”的结构理念在垂类场景的应用中效果并不显著，特定领域的场景化应用将更多的关注成本与收益间的平衡。不同业务场景对于结果生成的时效性与准确性的要求不同，功能冗余带来的成本提升将影响其普及应用。降低软、硬件应用负担 模型越大、越复杂对于运行条件的要求越高。模型剪枝、量化感知训练下轻量化的金融大模型能够更好的适应边缘设备的资源限制。边缘部署与轻量化建设在产品结构的发展趋势上具有较高匹配性252024.9 iResearch I技术能力迭代以大模型能力为基础，构建具备环境感知、自主理解、决策制定与执行行动力的AI Agent智能体，推动大模型能力的落地应用AI协同应用的技术演进路径与智能体组成架构分析展示来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制AI协同应用的模式演进路径：Chatbot 模式以人类为主的AI应用，AI以信息提供的形式服务人类决策。Copilot 模式AI与人类的协同合作，AI负责某部分模块化任务的执行。Agents 模式AI全权代理，自主承担工作任务的分配、拆解与执行。AI Agent 智能体=LLM+规划能力+记忆能力+工具使用长期记忆短期记忆日历类函数计算类函数代码解释器搜索函数Reflection.反思Self-critics 自我批评Chain of thoughts 思维链Subgoal decomposition 子目标拆解Agent工具记忆规划执行AI Agent智能体结构组成与总体架构剖析：AI协同应用的技术演进路径预示着AI Agent将成为大模型技术迭代与落地应用的重要方向，在“动态决策”的大模型框架之下，AI Agent将以“超级拟人化”形态，接收外部指令、信息并进行深度理解，凭借其CoT(Chain of Thought)能力，通过计划、行动与观察相结合的方式弥补推理与实践的差距，实现有效地意图识别与决策制定。此外，大模型作为Agent的“大脑”将为其全自动决策能力提供规划、记忆、执行与工具四项能力补充，促使其有能力处理更复杂、更多元的决策任务，自主进行任务规划、环境感知、选择行动、观察纠错等一系列以任务目标为导向的行动，提升大模型技术的实际问题解决能力与决策结果的准确性，推动智能体的实践应用进程。262024.9 iResearch I未来场景应用加深技术产品间的协同应用，实现由非决策场景向决策场景的过渡，承担更重要的金融投资角色；技术、业务与合规方面的应用困境仍需重视目前已有多项包括传统AI技术产品在内的前沿科技应用正服务于金融业务的多个环节，其服务模式与应用效果已达到较为成熟的水平。对于金融大模型来说，未来的服务模式并不是完全取代之前的小模型或其他技术产品，而是应用大模型在语义理解、信息分析、内容生成等方面的优势，作为补充能力实现对于原有实践效果的提升。此外，金融大模型的应用也将逐步由简单的信息处理与图文生成拓展至与投资决策相关的核心业务板块，充分发挥大模型产品在智慧涌现与复杂信息处理方面的能力，为投研、投顾场景提供更全面的技术赋能。与此同时，金融大模型的信息处理能力也将在客户运营与挖掘中得到更为充分的应用，以高效低成本的方式触达长尾客群，实现私域用户需求的深度挖掘。在走向未来场景应用的过程中，大模型的技术能力、金融行业深耕程度与监管合规要求都将很大程度影响其的实践效果，如何在合规的前提下保障产品技术水平与业务能力将成为未来金融大模型产品之争的关键。来源：专家访谈，公开资料，艾瑞咨询研究院自主研究及绘制金融大模型产品的未来场景应用分析服务模式、场景范畴与应用困境的讨论未来服务模式与小模型及其他AI产品的协同应用服务场景范畴决策场景的过渡与深度用户运营待需解决的产品应用难题大模型实践能力与可信度的提升决策判断力提升实践性提升金融大模型未来场景应用 金融大模型的应用并不意味着将取代原有的金融业务场景小模型及其他AI产品应用，而是发挥金融大模型在语义理解、信息归纳、智慧生成等环节的优势，在某些环节辅助原有产品及业务环节的运营模式，充分发挥前沿技术的协同效用。业务板块：为客户提供决策场景下的AI服务支持，未来可将服务范围拓展至产投研方向，在财富管理、资产配置等领域具有较强赋能空间。客群触达：能够高效低成本的触达长尾客群，在存量用户竞争时代实现私域用户群的深度运营与需求挖掘。技术能力：目前大模型产品仍面临部分生成内容不可控、可解释性差等技术问题，阻碍大模型决策判断的可行性与产品的实践能力。业务理解：未来将要涉及的专业化业务场景的复杂程度较高，对于金融经验储备与专业性方面提出了更高的要求。合规问题：如何在合规、安全、伦理等方面实现金融大模型产品的监管，平衡产品风险降低能力与额外风险引入的关系。中国金融大模型产业专家之声Industrial Experts Insights05282024.9 iResearch I车忠良车忠良iResearch 中国金融大模型产业 专家之声以“1+V+n”的方式构建AI基础模型的支撑体系，与战略伙伴一同推动大模型在垂直领域的生态建设来源：艾瑞咨询研究院自主研究及绘制。大模型在应用于某些特定的业务场景时需要依赖企业内部和细分领大模型在应用于某些特定的业务场景时需要依赖企业内部和细分领域的专业知识域的专业知识，这部分内容的迭代速度比较快这部分内容的迭代速度比较快，但受限于大模型知但受限于大模型知识来源与基础语料的更新频率识来源与基础语料的更新频率，大模型自身的迭代周期相对较长大模型自身的迭代周期相对较长，且迭代成本也比较昂贵且迭代成本也比较昂贵。相比之下相比之下，专属于特定领域应用的小模型专属于特定领域应用的小模型在时效性较强的细分专业领域更加适用在时效性较强的细分专业领域更加适用。对于金融行业的大模型应对于金融行业的大模型应用用，我们主张的是在基座大模型的基础之上我们主张的是在基座大模型的基础之上，与私域知识向量与私域知识向量V V及及精确计量的精确计量的n n个小模型来进行配套个小模型来进行配套，以以“1 1+V+n+V+n”的方式构建的方式构建AIAI基础基础模型的支撑体系模型的支撑体系，依托于我们与客户的共同研究依托于我们与客户的共同研究，专注于专注于“V Vn n”层面的