AI导读：

金融大模型发展迅速，从百亿级别参数已成长到千亿级别。中小金融机构倾向“小而精”模型，大型金融机构则追求更大规模。未来，大小模型之间的有机搭配与协同作业有望成为金融领域常态。

　　随着人工智能技术的不断革新，大模型已成为全球瞩目的焦点，尤其在金融领域，其发展势头更为迅猛。短短两年内，金融领域的大模型参数规模已从百亿级别跃升至千亿级别，这一变化引发了业界的高度关注。

　　金融业凭借丰富且高质量的数据资源，以及多元化的应用场景，被视为大模型应用的最优行业之一。中国移动上海产业研究院发布的报告显示，金融领域的AI大模型渗透率已超过50%，在各行业中独占鳌头。2023年，国内参数规模在10亿以上的大模型数量已达到116个，其中金融行业占据18席。

　　然而，关于金融大模型是否应追求极致规模的问题，业界存在争议。有人认为，若当前大模型已能满足需求，未来是否继续投入巨资研发更大规模的模型值得商榷。对于多数中小金融机构而言，平衡大模型的投入产出比成为首要考量。尽管大模型被视为降本增效的工具，但规模化应用是实现其效益的前提。若无法获得足够的规模化应用收益，中小金融机构将缺乏进一步扩大模型参数规模的动力，因此，“小而精”的金融大模型成为更合理的选择。

　　对于大型金融机构而言，扩大大模型使用仍具有强大的驱动力。千亿级大模型展现出更强的通用性和全面性，能在更多元的金融业务场景中发挥作用。此外，出于同行竞争和品牌影响力提升的考虑，大型金融机构更倾向于扩大模型参数规模，以展现自身的金融科技实力。

　　综上所述，金融大模型的研发与应用应量力而行，避免盲目追求参数规模。在实际应用中，过于庞大的模型可能难以在有限计算设备上部署和训练，从而限制其发挥。此外，在AI快速迭代的背景下，盲目追求参数规模可能导致不必要的成本投入和资源浪费。

　　展望未来，大小模型之间的有机搭配与协同作业将成为金融领域的常态。大模型与小模型相互补充，共同发挥各自优势。在处理广泛数据和复杂任务时，选用更具优势的大模型；在精细化特定领域，如合规等，选用更具针对性的小模型。金融机构通过灵活应变、协同优化的策略，让大模型为金融领域带来更高效、精准的服务，推动整个行业迈向更高层次。

（文章来源：经济日报，图片来源于网络）