“模型應用，產業先行”正在成為產、學、研界的共識。

　　7月28日，騰訊云與中國信通院在南京共同啟動行業大模型標準聯合推進計劃，雙方宣布聯合牽頭中國首個金融行業大模型標準的編制工作，其中對金融行業大模型的評估方法覆蓋了投研、投顧、風控、營銷、客服、銀行、保險、證券等應用場景，并對大模型在數據合規性、可追溯性、私有化部署、風險控制等方面提出要求。

　　在此前6月19日舉辦的騰訊云行業大模型峰會上，騰訊云就曾宣布聯合信通院共同構建行業大模型的標準體系及能力架構，包括ILMOps方法論、數十項能力建設指標。該標準體系覆蓋多個行業，涵蓋模型行業能力、模型工程化性能、模型算力網絡、模型安全可靠等方面。這不僅是推進國產大模型的堅實一步，也是大模型落地，實現產品化的必然之舉。

　　大模型數量增至116個，商用場景是關鍵

　　從年初ChatGPT引爆AIGC（生成式人工智能）概念，到騰訊、阿里、百度、華為、京東發布大模型，“百模大戰”似乎正在經歷割裂的輿論場—— 一面在公眾的認知里才剛拉開序幕，一面在業內人士看來已從盲熱回歸理性。

　　盡管在概念上未有統一口徑，但不少業內人士傾向認為大模型是指具有大量參數和復雜結構的機器學習模型，也有“通用化”和“垂直化”之分。總之，無論是否披著“大模型”，機器學習都是科技企業開展了數年的工作，這也就解釋了為什么業內人士認為大模型之爭已經回歸理性，而公眾則以為這個業態剛剛興起。

　　《中國人工智能大模型地圖研究報告》顯示，截至5月末，全國參數在10億規模以上的大模型已發布79個,數量僅次于美國排名全球第二。而兩個月后，據騰訊研究院副秘書長楊望調研分析，目前國內的大模型數量已增加至116個，其中金融行業大模型約18個。

　　業界關注的是呈加速落地之勢的“大模型”理念和技術，如何真正在商用場景中解決實際業務問題。作為頭部參與主體，騰訊云正在通過標準編制、場景挖掘等舉措，推動大模型應用走進行業發展的要塞環節。

　　聚焦在具體場景上，騰訊云基于對市場需求和自身技術優勢的充分研判，錨定金融這一垂直行業，試圖在對信息精度和數據合規有著嚴苛要求的風控場景取得商用突破。

　　券商中國記者采訪了騰訊研究院副秘書長楊望、騰訊云天御首席科學家李超，他們都表示金融風控正從主要依托歷史數據和專家經驗的“規則對抗”時代，進入由機器學習、人工智能主導的“模型對抗”時代。

　　騰訊云力推的金融風控大模型，就是行業大模型與騰訊安全20多年對抗金融欺詐黑灰產經驗沉淀融合的載體。騰訊云試圖以此在新舊時代的轉換里占據一席之地。

　　錨定剛需場景：推動風控建模效率和性能提升

　　“智能投顧、智能客服、營銷渠道、保險理賠、研報撰寫……”, 楊望認為，大模型在金融行業有著諸多落地場景，但都要能經得住穩定性、準確性、可操作性的檢驗。

　　現在，騰訊云試圖在金融業務安全領域，錨定機構交易、信貸、營銷等場景的風控需求做文章：基于MaaS(Model as a Service,模型即服務）的模式，助力金融機構提升風控建模的效率，規避黑灰產欺詐損失。

　　為什么選定風控環節，尤其是貸前風控環節？因為該場景存在著最急迫的需求。“通過數據的買賣以及各種形式的黑產或者灰產的行為，給金融行業在信貸和交易領域帶來了極大的資金損失風險。比如說像在信貸領域，因黑產造成的欺詐已經占到了整個逾期規模的40%-70%。”李超告訴券商中國記者。

　　據李超介紹，風控模型就是把專家經驗抽象成一系列風控策略集，包括欺詐檢測模型、準入模型、風險定價模型、額度管理等，貫穿金融信貸業務的全生命周期。金融風控體系大部分來自于歷史金融數據，依賴于用過去行為預測未來行為，近年來不少金融機構現有風控體系遭遇頻繁假人假機、假人真機、真人假機的欺詐行為，傳統風控策略已然失效。李超甚至預測，不排除黑灰產深度利用AI模擬真人行為，發起金融欺詐，這帶給金融風控巨大的沖擊。

　　正是因為金融欺詐黑灰產猖獗，金融機構對風控模型的迭代頻率需求增多，從過往的以年為單位演進到以月為單位。“風險動態治理”成了很多金融機構對風控模型的訴求。

　　據券商中國記者從騰訊云了解，某金融機構的渠道和客群變化較快，基于傳統的專家聯合建模方式效率較低、成本較高，無法滿足風控系統快速迭代要求。接入騰訊云行業大模型后，模型迭代周期從17天縮短到3天，建模效率提升60%。

　　某銀行對欺詐樣本積累不足，在風控建模階段面臨訓練難題，新建的模型無法滿足性能要求。而接入騰訊云的金融風控大模型后，該銀行客戶基于少量提示樣本就可以遷移得到適配自身業務場景的定制模型，相比于傳統的建模方式性能提升20.5%，在跨場景的泛化性測試上性能提升53%。

　　以上兩個案例，都是金融機構亟待提升動態風控建模能力，而騰訊云金融風控大模型恰好解決這一痛點的縮影。截至目前，騰訊云已與頭部金融機構聯合共建了近百個定制化風控模型。

　　契合定制化需求：基于機構客戶樣本側場景進行建模

　　金融機構正在進入存量精細化運營時代，獲客方式、風控策略逐漸差異化加劇，對反欺詐的訴求也從通用型服務轉化為針對自身場景調優的定制服務為主。根據騰訊云天御的客戶實踐顯示，2022年的定制化服務需求數量相比2020年增加了5倍。

　　“不同的金融機構有著不同的產品形態和金融產品定位，不同的產品形態面臨的欺詐風險因素是有差異的。當黑灰產逐漸應用機器學習方法去迭代欺詐手法的時候，也需要相應持續做出風險的迭代。這也就意味著我們沒辦法在訓練好一個風控模型之后，一成不變地應用它。”李超介紹，這也是很多金融機構開始希望騰訊云提供定制化能力的根本所在——根據客戶自身的樣本側業務場景建模。

　　此外李超還提及，不僅僅是反欺詐環節，客戶分層、定額、定價等貫穿客戶貸款周期的風險審批諸多環節，都可以采用定制建模的方式。整體來看，目前更多需求場景集中在貸前風控，貸中環節也逐漸多了起來。

　　“定制化建模相比于傳統的通用風控模型，一般會有20%左右的反欺詐效果提升。”李超透露。

　　在騰訊云的調研里，金融機構風控建模存在著共性的痛點：建模流程耗時耗力、業務場景面臨小樣本或零樣本難題、缺乏對模型的多維度泛化性評估。騰訊云金融風控大模型試圖針對這三個痛點對癥下藥。

　　據李超介紹，金融機構基于騰訊云金融風控大模型，在建模階段只需使用少量提示樣本，就能自動構建適配自身業務獨有特點的風控模型，并且實現全流程自動化的部署上線，并支持持續發布快速集成到自身的風控系統上。來自騰訊云的數據顯示，該方案幫助客戶風控策略部署效率提升10倍。

　　其次是依托20多年沉淀的海量欺詐樣本和多場景下的豐富風控模型能力，幫助樣本積累有限以及新業務上線“零樣本”的企業，高效解決“小樣本”訓練難題。來自騰訊云的數據顯示，模型區分度比傳統模式提升20%。

　　最后是為金融機構提供超越自身樣本的模型評估體系，包含所有的風控模型評估指標，覆蓋全量金融風控的細分場景，讓機構能360度全面評估到模型的穩定性和泛化性。