关于人工智能应用实施的认识理解分析-CSDN博客

在此应用常见的基础上增补金融领域的应用分析内容，算是补充。

依旧提及主干认识，技术的本质是通过组合和在现有技术的能力之上，创造出新的能力，这个才是技术发展的价值，AI也是如此。

按当前的说法大模型主要有三块拼图，算法、算力和数据，缺一不可。但实际过程中数据到底多重要，数据是否需要要素化，如何高质量要素化，投资者或者创业者是否需要赌上所有身家、投入所有精力到数据中，更大维度取决于认知。

所以回到说AI的衍生性，可能我们误以为技术会自动进步，但实际可能不会，相信当很多人努力使它变得更好时，它才会进步，而不是一种想法和意识驱动。具体来说，如果训练算法的数据不能很好地反映现实世界，那么即使是最好的算法也无法很好地完成工作，所以数据集等才被融入到三块拼图中。反观，哪种架构才能构建更好更全面的模型，如何持续降低算力成本，算力向训练倾向还是推理倾斜，公开数据见顶，高质量数据缺乏，领域数据和数据工程如何溢价等，这些问题依然围绕算法、算力和数据，为此，人工智能应用场景的繁荣和喧嚣又将围绕于哪？

从商业圈的角度分析，自然就离不开金融模型服务。可以想到的应用场景智慧办公、研发、自动支付、查询服务、欺诈检测、文件对比、个性化应答服务、市场分析、信贷支持等。同时伴随出现的问题即数据隐私与安全。相对于金融服务，起初在大模型开发中，数据训练带来数据隐私和安全，大模型使用中同时也存在潜在的数据隐私安全风险。而基础大模型技术带来的文本理解生成能力的另一面隐藏着大模型的可记忆功能，那么在实际应用中，实时数据存在可记忆功能下的被复制风险。

此外，金融行业容错率非常低，无论是知识问答，还是内容提取上，都对大模型技术提出非常高的要求，当然零/低容错率也是金融业数据质量高的原因所在。

当前金融行业的服务模型简单的梳理概况为“三层”。第一层是大模型训推平台，同时组合开源模型或者商业化模型，由此来支持各类应用场景业务。第二层是大模型应用开发平台或者说是智能引擎，用于快速简化或加速AI应用的创建或部署，支持复杂的工作流编排或智能体的构建。第三层则是常规的应用层，服务各类场景应用。从某种角度上说，大模类似是一种知识外包服务，针对实际应用中的知识、数据、分析、推理等各环节都可以被模型替代，如果智能体的能力得以完善与提升能够协同人工服务，可能会衍生出其他的服务形态。当大模型继续垂直金融服务场景，具体而言，大模型的能力边界到底在哪，对金融行业的深入理解、目标导向的工程能力，仍然是其所依赖的关键事项。同时，如果大模型基于语言建立逻辑空间，虽然不是通过模型，但也属于语义空间的一种映射，人工服务或知识库、经验库可能不再是唯一的智能。

基于三块拼图，算力成本大概率是随趋势发展呈现指数级降低。算法基于多模态、智能体等仍在花齐放。而数据或者说高质量的价值数据，是否会存在耗尽的可能，导致Scalling Law被迫终止。也许数据缺失属于一种假象，大模型挑战的可能是获取、生产知识的方式，是数据沉淀和数据归属的方式。

也许以上的观点分析都是错误的，还是期望服务向好。