AI+投行：应用场景大有可为，投行数字化转型升维探讨

前期，普华永道已就生成式人工智能领域发布了一系列的文章，包括《AIGC对企业赋能：思考未来作业新模式》《搭建AI大模型趋势下的企业创新机制，赋能企业快速响应挑战》《AI时代重新定义运营管理，企业如何迈向AI应用落地实现商业价值》《政策解码：从合规领域视角探寻AIGC服务监管的创新与治理边界》《多层并进，全程管控：搭建全方位人工智能治理工程能力，实现AIGC商业价值》等等，已覆盖了生成式人工智能发展的多个方面，本文主要就生成式AI在投行领域的应用进行探讨。

2023年10月，中央金融工作会议提出做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章，在人工智能蓬勃发展的当下，新时期数字金融发展的关键在于金融与生成式人工智能的有机融合。目前来看，两者融合已具备一定的发展条件：一是金融业的数字化水平已具备一定的成熟度，能够为生成式AI的深度学习提供丰富的训练语料；二是投资者的个性化需求日益增长，生成式AI能够有效提升差异化金融服务的供给效率；三是金融业作为信息密集型行业，对于市场资讯、企业行为、新闻舆情，监管处罚等实时更新数据的需求非常高，且金融业务往往需要对多个渠道的信息进行整合分析才能作出更为合理、精准的决策，生成式AI的多渠道信息聚合、分析能力能够对此进行深度赋能。

然而，金融行业也具备强监管、专业性强、逻辑严谨、重风险、可靠性要求高等特性，同时数据时效性、隐私安全性、语言表达局限性等缺陷或带来的业务决策失真、客户体验降低、合规瑕疵等问题，这些对生成式AI在应用的前置环节造成了一定约束，使得国内金融机构的生成式AI仍停留在试验和学习阶段，尚未在具体应用层面实现大面积铺开，在技术转化为实际生产力时仍有精进空间。

相比之下，券商投行业务对于个性化表达以及客户交互体验的要求较低，再加上投行业务本身具备知识密集型以及手工操作量大等特性，生成式AI应用的潜力和价值都能进一步释放，普华永道认为，券商投行业务有望成为生成式AI在金融行业应用取得突破性进展的重要一环。在生成式人工智能发展的“早鸟阶段”，券商投行可以先通过典型业务场景进行牵引，确保在技术跟随与试错成本之间取得平衡，以实现多方共赢的局面。

生成式AI在投行领域应用的挑战

一是大模型选型及部署较为复杂。在大模型选型阶段，需要综合考虑大模型的需求匹配能力、数据量处理水平、性能和稳定性、安全与合规性、工程化能力、对计算资源和存储资源的要求等多重因素；部署阶段需要足够强大的处理器、内存、存储空间等硬件资源，以支持大模型的正常运转。另外，国家对金融基础设施的自主可控性、安全性等要求日益趋严。2024年1月，习近平总书记在省部级主要领导干部推动金融高质量发展专题研讨班开班式上发表重要讲话，强调要建立健全自主可控安全高效的金融基础设施体系。在此背景下，海外大模型的使用将更加审慎，未来国内企业需要考虑适合本地的解决方案。

二是投行专业大模型的建设难度较高。投行业务涉及大量非结构化文字资料，不仅涉及大量的内外规要求，还需要海量的实操案例作为支撑，因此建设大模型所需的知识库内容繁杂、分散。通用的AI大模型难以支持投行的业务深度，需要训练一个针对投行领域的专业模型，但语料整理、模型调优、提示词设计等工作都需要资深保代配合方能完成。

三是数据安全要求引发高部署成本。从业务层面看，投行业务本身即涉及大量公司财务数据、内部经营数据等“内幕信息”，这对于数据存储、数据传输等环节均提出了更审慎的要求。从模型层面看，大模型的数据泄漏风险是目前影响范围最广、危害程度最大的大模型安全风险之一，主要包括大模型的提示语泄露、大模型学习敏感数据导致的隐私泄露和承载大模型的环境漏洞导致的数据泄露；除此之外，面向大模型的提示语攻击、数据投毒攻击、成员推断攻击等由于对抗攻击导致的外部安全风险也是行业亟待解决的问题，对此，行业也逐步提出内部和外部安全评估、测试要求与例如多方安全计算、联邦学习、差分隐私和算法鲁棒性增加等解决方案，无形中增加了整体部署成本。

四是大模型可信度仍在持续优化中。随着注册制的全面实行，监管机构专业分工更加明确，监管力度持续加重趋势已不可逆，投行项目承做人员在执业过程中绝不能让项目“带病”流入下一环节。而大模型使用的深度学习算法、神经网络模型等技术存在“算法黑箱”，生成内容的可信度仍有待审核及验证，这将使得承做人员不敢轻易使用大模型的输出结果。金融行业针对生成式人工智能的监管还在持续规范、完善中（2022年3月，中共中央办公厅、国务院办公厅印发《关于加强科技伦理治理的意见》，提出强化科技伦理审查和监管。随后，人民银行于同年10月正式发布并实施《金融领域科技伦理指引》），待相关规范细则出台后，大模型的可信性也将进一步优化。