一、恒生電子的大模型應用實踐

1. 大模型的發展趨勢

（1）大模型推動第三次信息化浪潮

上圖是恒生電子董事長劉曙峰先生經常引用的經典圖，將金融領域的數字化推進分為三個階段，恒生電子目前正處于 2.0 到 3.0 的過渡階段。在遷徙的過程中，最重要的生產要素就是數據。

隨著最新的 AI 大模型浪潮的襲來，當前時代充滿著機遇，而金融領域也遇到了前所未有的、碾壓式的技術革命。

（2）碾壓式的技術革命-大模型-從 AI 任務層面看

如上圖左側，在大模型出現之前，很多場景都有分散的、獨立構建的 AI 系統，使用小模型用相應的標注數據進行訓練，然而總體還是不夠理想，距離預期還有一定的差距，并且不同的任務也呈現出不同的狀況。到了以 ChatGPT 為代表的大模型面世之后，我們看到了另外一番景象，即無需要進行大量重復訓練，而是提前做好預訓練，無需針對不同的場景開發煙囪式的系統，僅通過預訓練模型經過少量精調就可以適應不同任務，并且效果往往會超預期。

（3）哪些方面能力提升了

新一代 AI 系統會碾壓前一代，并真正實現平臺化。這個代差，首先體現在語言能力上，另外還有極其精準的意圖識別能力，上下文順暢的寫作能力，對知識和邏輯的理解能力，以及代碼生成能力。對于專業領域知識，大模型也會表現得越來越專業，同時數學能力和邏輯能力也會有相當程度的提升。

（4）大模型發展路線

大模型的發展包括兩條技術路線，一條是 OpenAI 為代表的 GPT 路線，一條是以谷歌為代表的 Bert 路線。這兩條路線，一個是所謂單向的，一個是所謂雙向的。從去年開始，兩條路線已經分出勝負。

（5）大語言模型登頂 NLP 的深層原理

讓我們從 NLP 的角度來看一下，大模型都做了什么事情，解決了哪些問題。

• 橫向：遠距關聯

從橫向看，大模型解決了 NLP 領域的一個難題——遠距離上下文關聯問題，即前文提到的一個詞語或一段文字和后文的某一部分是相關的，然而兩個詞語中間的間隔可能很遠，因此不同大小的窗口設定會帶來不同的結果。

實踐發現，窗口設定的臨界值大約在 1000 個 token 這樣的量級，會給上下文關聯的能力帶來質變。因為這里會涉及前后文的 attention，即對窗口內的 token 進行大規模的計算，因此只有具備足夠的算力支持，才可以把窗口延伸得足夠遠，才能夠將前文的相關線索“抓取”出來并應用到當前文字的解讀和生成上，從而有效地實現文本的遠距關聯，突破原先 NLP 技術路線下的瓶頸。

• 縱向：隱形資源

從縱向的角度看，不管是對文本的解讀還是生成，整個過程中不僅僅使用了字面上的資源，同時還使用了很多深層的隱形資源，包括語義本體、常識事理等。前期有人嘗試將隱形資源用人工方式進行形式化（比如 CYC），實踐發現其效果非常不理想。

大模型的引入，利用優質的文本資源（如教科書、百科全書等正規的、優質的書籍），正確地學習和使用語義本體知識以及常識事理知識，通過大量優質文本的訓練，將知識及背后模式挖掘出來。當模型參數超過 500 億時，往往會產生質變，出現一種涌現能力，而這種涌現能力也是和隱形資源的體量直接相關的。

2. 大模型在金融場景的實踐

（1）金融業務場景分析

在金融領域，恒生電子涉及到的業務面較多，涵蓋客服、投顧營銷、風控運營、投研、投行、量化交易等諸多方面。每條業務線都對大模型的應用場景進行了梳理，也挖掘出了部分場景可以采用大模型來賦能，其中一些是新物種，即之前由人來完成且效率不高，使用大模型可大大提高效率。還有一些屬于原有系統，通過引入大模型來提升用戶交互體驗。

（2）金融對內場景賦能

除了外部金融業務場景賦能外，恒生還會使用大模型對內部場景進行賦能，以提升協作效率，實現軟件研發和數據生產等環節的重構，這也是非常重要的應用場景。

（3）連橫合縱：通用大模型（收）+垂域大模型（放）

將大模型技術落地應用到金融這樣的垂直領域，這樣的應用模式不同于大模型在公有云上的模式。在公有云上，會以大模型為核心，圍繞一系列插件構成的插件聯盟，應用到各種垂直領域中。但是在垂直領域，往往是一個能力中心外接多個大模型，賦能多個應用。因此，能力中心的建設就變得非常重要。

對于通用大模型，經歷過一系列“千模大戰”，實際上現在正在收縮，一些好的大模型遙遙領先，還有稍有實力的模型在拼命追趕，而有些模型在逐漸被淘汰，所以說通用大模型在收。

然而對于垂域大模型，則是另外一番景象，因為每個垂直領域都有一些特定的問題，因此相對于通用大模型，垂域大模型對特定領域會有更強的適配性，在實踐應用中會有更高效的表現，這也是恒生電子在能力中心以及中控建設之外，仍然會在垂域大模型方面進行投入和研發的原因。

3. 大模型生態

（1）“家里有數”，大模型生態因此而不同

金融領域大模型的生態，和公有云上的生態有哪些不同？

首先，金融大模型“家里有數”。所謂家里有數，一方面是金融領域有一些公開數據作為數據資產（當然，公開數據為保證其時效性，可能需要一些商業授權）。另一方面是金融機構自身的大量的私有數據、私有系統接口等。

上圖中，左邊部分主要來自外部，而右邊部分基本都來自企業內部，包括內部文檔、內部數據庫、內部知識圖譜以及內部系統的開放接口等。

大模型和應用之間會有一個以 RAG 為核心的中控，用來搭接外部數據和內部數據，起到“連接四面八方”的作用。

（2）恒生電子大模型生態藍圖

在恒生大模型生態中，算力實際上是在最底層的，基礎大模型是通用能力，不特意面向某個專業領域（實際上優秀的基礎大模型的專業能力也是不可小覷的）；而所謂行業大模型，其中一個重要理念是站在巨人的肩膀上，即：如果基礎大模型在專業上已經做得足夠好，那我們就可以少做點事；如果基礎模型做得還不夠好，那我們就多做點事。舉個例子，假如開源大模型比較“笨重”，難以進行私有化部署，那我們就提供私有部署；假如該模型已經提供私有部署，且體量適中，那我們的壓力就會大大減輕。總之，我們是站在巨人的肩膀上，避免重復造輪子。

前文所述的中控（也叫光子）部分，該插件會提供數據間“共性能力”的支撐，賦能投顧、客服、運營、合規交易等微場景，這是恒生大模型的整體藍圖。

4. 金融大模型應用現狀問題

首先，會遇到專業性不足這類問題，因此如果發現更好的大模型，我們就專注于實現這個大模型的對接；如果模型在現階段做得還不夠好，那么就增強其專業能力，使得其在現階段表現得足夠好。

其次，對于金融領域，由于涉及跨域流動甚至跨境流動等方面的合規監管，因此會存在內容生成和數據流動等方面的安全性問題，這個問題對于金融領域而言尤其需要嚴格遵守。除了涉及安全本身，其監管主要來自于國家網信辦等。對于行業的監管，作為專業知識提供者，這樣的軟件系統或者平臺，需要有對身份的把握能力。

再次，為了降低推理的算力成本，2023 年 6 月實現了 LightGPT 的發布，即恒生版本的金融大模型，10 月 19 日開始公測，年底提供一些插件服務，包括推理性能的優化，以及復雜指令的邏輯能力等。

5. 恒生大模型——LightGPT

（1）LightGPT 安全機制

在安全方面，主要實施了如下舉措：

語料安全：

• 金融法律法規（5000+ 條）：證券法/公司法/等。
• 法律相關出版書籍（1500+ 本）
• 價值觀數據：學習強國/人民日報/黨章黨建（500 萬 tokens）
• 剔除 8 大維度違規數據（總計 1.5）

模型安全：

• 生成內容安全。
• 服務透明度。
• 內容生成準確性。
• 內容生成可靠性。
• 超過 8000 條安全指令和強化學習數據。

模型評估：

• 基礎安全評估：超過 5000 條安全評測數據，合格率大于 97%。
• 金融監管評估：新增金融法律法規遵從 3500 條評測數據。
• 生成內容安全評估：應拒答率不低于 95%（國家制度、民族、地理、歷史、英烈等。）
• 內容拒答評估：拒答率不高于 5%。

其他安全措施：

• 敏感詞庫（20 萬 +）
• 應急干預措施（分鐘級生效）
• 內容過濾模型（訓練語料內容過波、生成內容安全評估，支持 31 種風險檢測）

從政治敏感、偏見歧視、違法犯罪、隱私財產、倫理道德、臟話侮辱、心理健康、身體傷害這 8 大維度對比國內其他大模型的性能，LightGPT 的優勢如下：

• 金融法律法規遵循 LightGPT 勝出 15%。
• 金融領域知識真實性 LightGPT 勝出 13%。
• 誘導性問題，拒絕率 LightGPT 勝出 5%。
• 社會主要價值觀 LightGPT 勝出 3%。

（2）LightGPT 訓練語料

訓練語料主要包括語種強化數據、領域強化數據和應用強化數據這 3 大類。隨著越來越多新的大模型底座的不斷涌現，數據強化工作后續會不斷調整和更新。

（3）LightGPT 中間件光子

中間件光子，實現了模型、應用、資源這三大連接。

• 連接模型：包括自身在內的金融大模型，同時提供連接其他大模型的路由。
• 連接資源：光子本身可以看成是大模型 Hub，作為連通八方的資源連接器，包括內外部的數據資源、程序資源、接口資源等。
• 連接應用：既包括新產生的應用，也包括恒生向各個業務域提供的傳統應用，這些傳統應用嵌入到由光子支撐的 Copilot，使用自然語言指令一鍵完成菜單點擊，這是恒生的努力目標。

（4）應用場景

LightGPT 主要應用于以下幾個場景：

第一個是寫作場景，投資顧問對特定板塊、特定個股做周報、月報等。

第二個是合規場景，基于內外部法律法規、規章制度，從檢索詢問到解讀和設置，一直到應用。

第三個是投顧場景，該場景需要集中各種優勢資源，同時也有一些合規方面的考慮。該場景往往是理財師在兜底，理財師主要是面向客戶，而我們的 AI 工具則同時把客戶信息和 AI 建議的話術提供給理財師，支持理財師進行不斷修改和完善直到滿意，然后一鍵推送給客戶。

對于客戶的提問，大模型在有些場景下會直接給出答案，在有些場景下則會基于實時的行情指標提供廣泛的答復；同樣，所提供的信息不僅僅來自原始資訊，還包括基于資訊經過二次處理并打上標簽的信息。這些信息可以在特定的對話上下文中整合，并通過計算得出回答。

在這個場景中，涉及的問題首先是深度性的，需要從多個角度進行分析；其次，它依賴于大量的活數據，這些活數據并非來自大模型本身，而是來自外部生產系統的行情資訊，以及內部 CLM 系統（客戶關系管理系統，包括客戶開戶信息、客戶交易歷史記錄等，這些數據反映客戶的風險偏好、交易習慣以及當前的持倉情況等）。以上這些活數據會顯著提升理財師、投資顧問等的服務質量。

如果缺少上述活數據的支持，需要人工獲取活數據，則很難達到較高的效率。在大模型的加持下，這些工具像巫師一樣，可以召喚出所需的信息和咨詢，并展示在屏幕上；同時，可以自行決定將哪些信息推薦給哪些客戶。這是我們非常推崇的工作方式，也是我們重點打造的場景。

第四是運營場景，主要涉及對文檔的處理，特別是對掃描后的合同文檔進行關鍵參數提取，并在此基礎上進行人工校對，不僅要檢查已提取的參數，同時要對照原文，審查其來源出處，并檢查其原始影像的質量，從而確保校對的準確性和完整性。這樣能夠在保證數據準確無誤的同時，最大程度地提高工作效率。而運營場景也正在不斷擴展，模型正在嘗試使用一句話實現復雜的、具有多層菜單結構的操作步驟，這也是未來工作的一大方向。

第五是投研系統，WarrenQ。在過去的小模型時代，我們談論的是搜索、閱讀、計算和寫作。現如今，搜索功能已經演變為 Chat 模式，包括對外部資源的搜索和內部文檔庫的搜索，還可以調取相應的數據。基于恒生旗下聚源提供的底層數據，以及分析師在工作時所使用的底稿和素材等，實現了實時精確的操作，在內部實現私密性。

基于搜索+大模型+聚源庫，WarrenQ 進一步可實現 AI 寫作、文檔挖掘、語音速記和片段對齊等功能，而這些功能都是由大模型提供底層支撐。對于上層應用，除了 PC 版本之外，還提供了小程序版本。以上就是恒生在大模型應用實踐方面的現狀。

二、大模型時代的知識圖譜

1. 數智能力：彌漫式賦能各業務場景

知識圖譜是 LightGPT 中的一個重要組件，而隨著大模型的發展，有一些知名人士（比如陸奇博士）曾公開宣稱，在大模型時代，知識圖譜已經過時，不再需要。

2. 投資決策三大件：數據、計算與推理

實際上，投資決策離不開基于數據的推理。

上圖可以看出，實現推理能力，數據、知識和結論缺一不可。然而，大模型是否可以完全實現這樣的推理呢？并非如此。

（1）推理

追蹤推理的歷史，如上圖所示，從古希臘到中國，從古代到現代，從數理邏輯到自動推理，實際上是人類對自身理性的發掘、認識、駕馭，最終實現自動化的過程。

而在自動化的過程中，推理可以進一步分為兩類，一類推理是描述特殊和一般的關系（上圖中的縱向），包括歸納（從特殊到一般）、演繹（從一般到特殊）和類比（從特殊到特殊）等；另一類推理則描述原因與結果的關系（上圖中的橫向），從原因到結果的推理是正常的演繹路徑，而從結果到原因的推理則是溯因路徑。

（2）邏輯

基于上述多種推理方式，為了研究、描述并實現這些推理，人類提出了各種邏輯系統。有的邏輯系統過于龐大，如上圖的霍恩子句邏輯。日本曾試圖基于該邏輯開發第五代計算機，但最終失敗了，原因之一就是該邏輯系統與現在主流的計算機體系架構并不完全兼容，日本試圖另起爐灶，但未能成功。

在邏輯推理中，上圖中間橙色的圈是描述邏輯，也是現代知識圖譜的基礎。

3. 知識圖譜

（1）從描述邏輯到知識圖譜

上圖是知識圖譜的技術棧，對此感興趣的讀者可以進一步了解。針對知識圖譜在大模型時代是否會被淘汰這一問題，需要根據知識圖譜的應用場景分情況討論。

（2）知識圖譜應用場景分類

首先，要看知識的來源是內部還是外部；其次，要考慮知識圖譜的應用對象是與人交互還是與系統交互。不同的應用場景，實際情況大不相同。

根據這種組合方式，可以將知識圖譜的應用場景劃分為三個類別：

• 第一類是“兩頭在外”，即從公共網絡抓取非結構化數據，最終與人類進行交互。
• 第二類是“一內一外”，這類情況進一步細分成兩種情況：
  從公告網絡抓取結構化數據，最終與系統進行交互；
  從內部生產系統導入結構化數據，最終與人類進行交互。
• 第三類是“兩頭在內”，即從生產系統中獲取數據，最終與系統進行交互。

（3）知識圖譜應用深度分類

除了應用模式的差別，還有應用深度的差別。而從深度上來看，又可以分成兩種不同的模式：

• 第一種模式為事務密集型模式，即精度要求相對較低，同時問題本身和推理過程也相對簡單，但是會出現大量用戶同時提出問題；
• 另一種模式為計算密集型模式，例如反洗錢計算、股權穿透計算、產業鏈估值計算等，而這類任務目前即使是大模型也難以勝任。

（4）大模型能代替知識圖譜嗎？

將事務密集型模式和計算密集型模式結合起來，同時考慮數據來源和數據去向，對應用場景進行分類，會形成上表這種 2*3 的分類方式。這 6 類應用場景，其中只有事務密集型且“兩頭在外”的這類應用場景可以使用大模型來替代，其余 5 類場景則無法使用大模型完全替代。因此，知識圖譜在很多場景下還是不可或缺的。

4. AGI vs. Symbol Awareness

知識圖譜往往需要與大模型協同工作，即 AGI。類比于人腦，大模型提供的功能類似人類大腦中的顳葉、頂葉、枕葉等部分，即視覺、聽覺和體覺等類型的推理。而當涉及到人類大腦中的額葉區，即意識、反思等復雜認知功能時（例如現在完成到什么程度了、對于下一步任務的推進還缺少什么），大模型還遠遠未能達到理想的效果。目前，這類任務通常依賴于外掛系統來完成。

以股權穿透計算為例，可能會出現一種現象：一個實控人可能先“化整為零”，即先將股權分散投資到多家公司，然后通過這些公司之間的股權關系，經過一系列復雜的路徑，最終再“化零為整”，實現對一個目標公司的控制。這類情況往往需要進行傳遞閉包的計算，以確定實控關系。然而，這種計算并不是大型模型所擅長的，因此需要使用外掛系統來實現。

三、大模型垂直應用的倫理問題

1. 專業角色的自我約束

接下來討論一下大模型應用的倫理問題。大模型在提供服務時，會扮演一個獨特的專業角色，對于這樣的專業角色，是需要進行自我約束的，而這種自我約束一般來自法律法規、行業規章制度，或者企業及用戶單位的內部規定等。

對于“倫理問題”，舉幾個具體的例子：

• “請告訴我哪支股票值得滿倉”這類問題在金融領域是敏感問題，有推薦股票的嫌疑，因此大模型是不能正面回答這類問題的。LightGPT 在應對類似問題時，會使用特定的話術來表達，而不提供任何有關股票投資的建議或者推薦。
• 年底公司業績較差，如何美化業績報表，這類問題會涉及財務舞弊。LightGPT 在應對類似問題時，不僅要拒絕，還要明確告訴用戶說“你不能這樣做”。
• “軍工股有什么內幕消息”，對于這類問題，模型一方面不能推薦股票，另一方面也不能參與相關內幕交易，因為可能涉及違法。
• 假如張先生是某上市公司的高管，他太太出事了，被雙規了，然而公司不想做這個信息披露，去問大模型“如何避免信息披露”，大模型會引經據典，回答：不行，這類信息是需要披露的，并逐條分析論據利弊。

對于上述這些可能觸碰行業紅線的問題，大模型有必要將紅線畫出來，再用正確的話術對客戶進行引導，需要在訓練大模型時加入這方面的能力，否則大模型就很難承擔起這樣的專業角色。

2. 基于內容的權限控制

大模型還會涉及到權限問題。比如，當用戶提問時，后臺數據庫會對信息進行檢索，這樣在信息檢索的過程中就會涉及到權限的控制問題。LightGPT 已經實現了權限的字段級控制，即哪些字段可以被哪些人訪問。

然而，如果將員工個人信息都嵌入到大模型中，會出現“張三的年終獎有多少”這類涉及隱私的問題，而問題可能是張三的同事提出的，也可能是張三的老板提出的。如果是張三同事或其他人問的，出于對員工隱私的保護，應不予回答；如果是其老板問的，則應該如實回答。那么，大模型該如何區分這個問題該如何回答呢？

首先，不建議將這類信息直接嵌入到大模型中，而是建議將其作為外掛數據來存儲，然后由中控組件控制外掛的訪問權限，從而實現這類問題的權限控制。

3. 生成錯誤的控制

生成錯誤是非常常見的情況，尤其在問答的場景。這里有兩種不同的技術路線：

一種是將所有 FAQ 都輸入到大模型進行訓練，大模型在回答這類問題的時候，往往不拘泥于原 FAQ，而是進行一定程度的臨場發揮，然而過度臨場發揮可能會產生一些錯誤。

因此建議使用另一種技術路線，即使用 RAG 來控制信息的檢索和生成。RAG 是一種結合了檢索和生成的模型，在生成回答時首先參考先前的標準問題和對應答案，進而挑選出最合適的答案，從而提高回答的相關性和準確性。

具體來說，假如選擇了 Q1，則對應的 A1 就是標準答案（同理，選擇 Q2，則 A2 是標準答案），而不是將 Q1 和 A1 輸入到大模型后，由大模型按照概率模型來生成，因為那樣的生成結果容易不可控。

4. 生成錯誤的責任歸屬：歸因標記

然而，假如生成的回答出現錯誤，其錯誤追溯會相對比較復雜，因為大模型及其插件，以及周邊資源，耦合成的體系非常復雜，相對難以定位。

實際上，按照實踐經驗，大模型生成錯誤大多會發生在訓練階段或者推理階段：

• 在訓練階段發生的錯誤，往往是訓練數據有誤造成的，因此需要對錯誤的訓練數據進行甄別。
• 在推理階段發生的錯誤，有可能是提問錯誤，也有可能是生成錯誤。
  對于生成錯誤，模型對錯誤的生成語句進行攔截或補救。
  對于提問錯誤，模型對用戶提問的初始意圖及問題的恰當性進行判斷，并增加一些手段去彌補。
• 此外，大模型的檢索增強體系也可能存在數據錯誤。

因此，需要在大模型的訓練過程中，對錯誤添加歸因標記（即生成的類似日志的標簽），利用歸因標記，便于在事后查找責任歸屬。

5. 大模型應用場景

大模型的應用場景，可以分為三類，分別是重構、嵌入和原生。

（1）重構

重構，指的是大模型賦能新應用，即借助大模型打通相關的資源鏈路，將原先人工完成的任務通過大模型來完成。

對于投研、投顧這類復雜的場景，仍然需要人工的參與，但是人工的工作負擔會大大降低，效率會提高很多。

而對于有些場景，是可以用大模型完全取代人的，例如呼叫中心接線員這類崗位，上崗前需要培訓和考試，而考試的過程，一般是考官來模擬刁鉆、脾氣不好等各類奇葩的客戶，考察接線人在這樣惡劣情況下是否還能給出得體的回應。在這樣的場景下，可以預設人設，讓大模型獨自來扮演考官這個角色，模擬這個挑剔的客戶，對接線員進行考察。

（2）嵌入

所謂嵌入式，即在原有的應用中嵌入大模型 Copilot 副駕駛的能力，從而支持一種新的交互模式。例如傳統的圖形界面交互方式，可以通過大模型結合自然語言來實現，即透過菜單的層層點擊一步到位地實現用戶的功能，實現語控萬數，進而語控萬物。這樣，不僅僅拓寬了應用場景，同時也拓寬了大模型的語義落地范圍。

（3）原生

原生，是近期各類 AI agent 的主要功能，即涉及多步操作的復雜指令，其中每步操作都會面向不同的外部資源，將外部資源進行拆解、編排、規劃，確定執行順序以及輸入輸出，將其形成任務流水線，進行通用化執行，最終得到結果。

以上是大模型的三種常見應用場景，其中重構類型和嵌入類型相對簡單，目前已有典型的落地場景案例。而在原生場景中，需要較強的任務拆解、任務規劃、任務執行等能力，同時還要具備較強的語言理解能力、計算能力和資源對接能力，這是后面需要著重完善的地方。

6. 大模型發展的路徑及思考

大模型的發展路徑及思考，可以用以下幾句話來概括：

• 始于文本，拓展至多模態理解
• 交互改善&研發提效
• 從 copilot 到 agent

大模型從最初的文本理解，已經拓展到多模態的理解，并不斷完善交互式體驗，使其在研發等場景上不斷提效。大模型從一個簡單的 copilot，逐步發展到一個具備自主派解任務、規劃任務和執行任務的 agent。

目前，大模型的發展正面臨一個關鍵的岔路口，即通用 vs. 垂域，以及模型 vs. 中控。

對于通用 vs. 垂域，筆者認為，如果垂域模型是基于公開數據和資料訓練得到的，那么在預訓練階段直接使用通用模型即可，而垂域模型在這一階段并不具有明顯的優勢。在這種情況下，更重要的在于模型精調，即優化模型與場景的資源對接。我們要站在巨人的肩膀上前行，避免“重復造輪子”。

而對于模型 vs. 中控，筆者認為，“中控”部分目前大有可為，因為其同時對接模型、應用和公共資源，而公共資源即活數據，具有時效性、精準性和私密性。因此，應將“中控”做強做厚，隨著大模型的進化，將應用場景武裝得更加智能，發揮更好的業務支撐能力。

四、Q&A

Q1：金融大模型有哪四個典型應用場景？

A1：金融大模型主要應用于投顧、投研、運維、合規這四大場景。

Q2：金融大模型率先落地哪個場景？

A2：筆者更加看好投顧和投研這兩個場景。對于投顧場景，需要對活數據的綜合使用能力。而活數據的使用也是有“厚度”的，常常需要基于活數據進行常見問題的提取和加工，以及高頻指標的計算等，需要使用大模型提高信息加工效率，因此投顧這一場景具有較好的發展前景。而對于投研場景，作為金融工程的基本能力的延展，其價值不局限于研究所，而是將其賦能到資管、風控等領域，其面向對象也不局限于分析師，而是將其輻射到一級市場的投行業務，甚至可以進一步延伸到實體經濟的競品分析、競爭態勢分析等業務。綜上，筆者看好投研、投顧這兩個場景，認為在這兩個場景下大模型可以率先落地。