度小满首席架构师李丰：平台能力建设是大模型落地成败的关键
11月21日，由21世纪经济报道主办的“2023首席科技官思享会（闭门会）”在北京成功举行，聚焦大模型的热点话题，金融机构、金融科技公司等资深人士进行了深入研讨。
度小满首席架构师李丰表示，智能化技术在金融领域的经历了经典学习算法、深度学习、AGI/LLM（大语言模型）的三个阶段。通用人工智能可以看作是一个新的浪潮，在深度学习基础上有更多的理解和推理能力。大模型可能是生产工具级别的升级，最终会带来生产力的提升。
“寄希望于大模型短期带来应用层面快速爆发或者场景突破，不是很现实。”李丰认为，这不是大模型擅长的场景，它擅长的是知识库压缩、推理、问题拆解、问题解答等底层能力。真正体现大模型价值，一定是与场景结合，这个进程不会那么快，尤其是金融场景的新技术应用必须经过反复验证，确定效果才能上线。
李丰表示，任何技术的发展都会有火热的阶段，价值体现是慢慢地渗透，渗透到每一个环节的方方面面，最终会达到质的飞跃，这是大模型价值释放的方式。
据他介绍，通用大模型需要巨大的人力财力投入，度小满选择基于成熟通用基座模型，专注于打造金融领域大模型。基于通用大模型来做金融领域大模型，要在高质量金融数据基础上进行调优，同时要保证部署和使用方式的灵活性，才能满足金融机构的情况。度小满“轩辕”大模型内部使用中，在一些应用场景和知识问答等方面体现了比较好的效果，主要价值是基于特有场景的调优，才能更有利于产生对业务的直接贡献。
“平台能力建设是大模型落地成败的关键，没有一个很好的平台很难在生态应用场景层面发力。”李丰说，大模型落地到场景需要跨越的鸿沟主要有三个方面：服务可靠性（并发/延迟/稳定/降级/容灾）、服务可控性（权限/安全/隐私/合规）、服务易用性（会话/通用能力/API/提示词工程/灵活切换）。
在他看来，大模型的应用可以先内后外，先从企业内部做提质增效的实验，然后再推到更广阔的应用场景。一方面，内部验证风险更低；另一方面，把内部用户的认知和能力打磨之后，会为后续更广泛应用打下很好的基础；此外，内部应用会加快加深对技术的认可，获取更多的资源支持。任何一个新技术都有风险，大模型也不例外，不能把它看作是必然的东西。
“做好前面这几步，才能真正面向场景。”李丰表示，大模型在应用场景中做的是底层支撑，真正做好应用是非常工程化的事情，需要进行一些探索。比如，营销活动GPT，可以作为从需求、设计、到评估、实现，端到端的营销活动智能助手；对话式金融服务机器人，能够做到真正千人千面、按需实时共建的服务流程；智能客服，比肩金牌业务员，服务效率提升25%。
