天博·体育人工智能驱动下的证券行业变革AI的概念最早源于20世纪50年代艾伦·图灵提出的“图灵测试”，经过近70年的发展，实现了从规则型AI到判别式AI，再到生成式AI的演变，算法、学习方法和应用领域得到了不断创新和拓展。

　　与规则型AI和判别式AI相比，生成式AI 在使用难度、使用广度、效率和准确性、可交互化、创造性上更具优势。一是生成式AI极易上手，对用户信息技术方面的要求较低，通过提问就能有效利用生成式AI完成工作。二是生成式AI使用经过大量非结构化、无标签数据训练的基础大模型，能够处理各种各样的任务。三是生成式AI能够更快构建模型、处理数据、生成结果，且生成的准确度通常更高，更具可靠性。四是生成式AI可以根据数据反馈不断调整和优化输出内容，更好与用户交互。五是生成式AI不仅可用于识别天博·体育、分类，还能生成具有一定创意的新内容和想法，帮助企业探索新的业务模式。

　　国内外绝大部分券商都已在业务开展中应用了传统AI技术，但目前智能化程度仍较低，速度和准确度等都有提升空间。各类金融机构积极探索生成式AI在行业的应用，目前主要集中于两类公司，一类是彭博、恒生电子、同花顺等金融科技公司直接构建金融垂类大模型，另一类是摩根士丹利、华泰、国信等公司将大模型应用到各类金融场景。预计未来生成式AI应用将进一步拓展至前中后台等各领域，辅助人工工作，优化现有流程和任务，提高证券公司的工作效率和服务质量。

　　一方面，AI技术在证券行业的财富管理领域，如智能客服、智能审核等的应用已有一定基础，但处理复杂问题时的能力有待提高、个性化程度也有待提升，生成式AI可以在一定程度上解决现有问题。例如，引入生成式AI后的智能客服，有望通过大量的深度学习和训练更好理解客户需求和证券公司的产品和服务，在与客户沟通时更流畅专业。

　　另一方面，生成式AI可以通过自然语言处理和机器学习等技术更好地理解和解释人类语言、自动识别和过滤信息，未来在信息自动搜索和整理、话术推荐等场景可能有更多应用，为投顾、客户经理等提供多方位的帮助。例如，和OpenAI合作推出了基于GPT-4的聊天机器人，对其内部报告信息进行处理和解析。财务顾问不再需要浏览大量内部网站获取研究员的评论和观点，只需将需求输入到与该的对话框中，就可获取相关的报告和观点。

　　（二）生成式AI可以帮助分析师和投资经理完成从数据和信息挖掘到投资交易等一系列工作，提高工作效率和决策精准度

　　一方面，当前，各金融科技公司或证券公司等正在积极探索生成式AI在投资与研究领域的应用，在语音识别转录、股票趋势分析方面都已有一定成效，未来随着模型加快优化，其准确度和可靠性可能会进一步提升。例如，VantagePoint软件官网显示，其利用AI技术能提前3天预测股票趋势变化，使交易员能够更准确地把握买入和卖出时机，预测准确率已达87.4%。

　　另一方面，未来生成式AI或可以帮助分析师完成从信息和数据挖掘、到数据清洗和分析、再到构建知识图谱、可视化观点呈现、研报撰写等一系列工作；为投资经理提供证券市场实时数据和趋势分析、对市场情绪进行分析，实现智能选股、自动化交易，提升投资交易的速度和准确度。

　　具体来看，生成式AI能帮助分析师和投资经理从各类新闻、报告、财报中提取有用的信息；输入自然语言由AI自动生成代码对复杂数据进行分析；将数据分析结果以可视化观点呈现、对债券进行信用评级，甚至利用AI撰写研报；对市场情绪进行分析，帮助分析师和投资经理判断市场热点和趋势，及时调整投资策略；实现智能选股/债和智能交易，并进行交易实时风控。例如，推出的一体化智能投研平台Warren Q可根据用户对话指令进行数据、报告和资讯的查询并支持原文溯源，将提取信息进行有效的整合归纳、精炼及拓展；摩根大通正尝试使用生成式AI为分析师报告撰写总结；彭博的BloombergGPT能够对新闻标题或语句的情绪进行判断；借助ChatGPT的Portfolio Pilot插件构建的自动化投资和交易的实盘投资GPT Portfolio，募集资金已由初始5万美元提升至3500万美元以上。

　　一方面，AI技术在投行的应用主要集中在材料识别、底稿审核、报告对比等领域，能够减轻人工工作时间和成本，提高审核效率。随着大模型的出现，其精准度也在提升，目前市面上已有产品字段识别精准度能达到98.42%。未来生成式AI和大模型有望进一步提升底稿审核等的准确度和逻辑性。

　　另一方面，生成式AI具有较好的内容生成能力，未来基于自然语言处理和机器学习技术，或能通过预训练大量的基础材料，自动化生成招股说明书大纲或完整的材料。但目前还没有实际落地的应用，利用生成式AI生成招股说明书可能会存在逻辑性和内容把控等问题，需要人工审核。

　　生成式AI在材料识别、反欺诈/反洗钱、异常交易监控、企业智能分析等已具有较为成熟的经验，未来在中后台其他领域也能有效提升员工工作效率、加速工作流程。生成式AI能帮助合规人员搜索和解读规章制度，帮助风控人员进行舆情分析，帮助IT人员撰写代码、测试系统、进行智能运维，帮助品牌宣传人员撰写宣传文案和生成宣传海报视频，帮助HR起草职位描述和筛选简历、进行一对一员工培训，帮助法务人员撰写和审核合同。例如，国信证券的“国信爱卿”可以服务内部研发团队进行代码编写，还可以自动生成设计图像，进行营销宣传等，提升工作效率。

　　证券行业具有强烈的数字化需求、良好的数字化基础和对新型技术的高接受度和支持度，为生成式AI的落地奠定了基础。根据埃森哲的统计和预测 ，AI在金融行业的应用成熟度水平较低，2021年成熟度中位数仅27%左右，行业平均中位数为36%左右，未来AI在金融行业的应用存在较大的提升空间。预计到2024年，AI在金融行业的应用成熟度水平将接近40%。

　　生成式AI可以让部分重复、确定性的工作基本实现全自动化，减少这些岗位的人力投入和设备投入，优化资源配置，降低成本。根据信用评级公司CRISIL GR&A的测算，将AI大模型应用到投资研究，考虑到节省员工费用和减少花在研究上的时间，节省的成本可能达到22.5%天博·体育。根据瑞银证券的测算，证券行业每降低10%的人工成本，可以提升净利润约8%。

　　生成式AI的发展将促进证券公司从粗放式发展模式向高质量发展模式转变，从人海战术向“金融+科技”转变，走数字化、平台化发展道路。证券行业对平台的依赖更强，在平台赋能下，大量基础性工作可以交由人工智能来完成，投顾只需要直接对接客户，为客户提供综合解决方案；分析师的工作重心从重复性的数据分析转向更具有创造性、更需要逻辑思考的工作，分析师数量可能减少。

　　生成式AI可能让人的能力逐渐平均化，缩小各券商之间“人才”的能力差距，进而缩小券商之间差距。根据哈佛商学院、沃顿商学院及麻省理工专家一起发表的一篇论文 ，AI缩小了低水平顾问和高水平顾问的平均绩效差距，使用了GPT-4之后，二者的成果质量分别提升了43%和17%，平均绩效差距从22%减少到仅4%。同理，未来AI在证券行业的广泛应用也可能逐步缩小大中小券商之间的差距，部分券商或可利用AI等金融科技技术增强综合竞争力。

　　生成式AI在证券行业的应用目前仍处于初步探索阶段，距离渗透到核心业务，真正替代人工，产生较大的实质效果还有较长的时间，需要解决以下问题。

　　大模型诞生的时间较短，精度、准度等仍存缺陷，且对数据质量和数量的要求很高，否则容易产生“幻觉”，输出杜撰的结果，用户难以辨别答案真伪。而证券行业的专业性很强，容错率很低，生成式AI生成的内容需要专业且严谨才能被使用。对内，如风控场景，生成式AI的理解和判断不能产生任何偏差，才能直接在风控场景应用；对外，如对客的智能客服、智能投顾等，生成式AI也不能有自由发挥的空间，以免对客户产生误导。

　　第一，生成式AI通过对过去海量信息的深度学习，基于统计规律生成回答，而证券的历史数据样本量有限，未来走势并不会完全依靠过去的数据来决定，且未经过深入逻辑推理生成的结果没有可解释性，因此现阶段证券投资、投研等并不能直接依靠AI来进行决策。第二，相似的模型算法和数据可能会导致AI对某个行业或某只股票的未来发展预测一致，若投资人员高度依赖模型预测结果，缺乏自己的判断和分析，可能会导致羊群效应。

　　第一，证券行业涉及大量的客户数据和敏感信息，目前部分AI大模型还无法确保数据的安全性和隐私保护。这些数据被非法使用或泄露，将对用户的隐私造成严重威胁。第二，各证券公司之间存在竞争关系，数据难以共享，AI大模型在开发和训练过程中可能面临参数体量可能不够大、质量不高的问题，导致最终的模型可信度和可靠性降低。

　　生成式AI需要大量的计算资源和储存空间，对算力具有高要求。随着政策环境的变化，模型需要不断进行优化和迭代，以保持其精度和可靠性，这也需要投入大量的时间和资金。大模型的开发成本根据模型规模、训练数据、目标问题的难度、技术水平等的不同而变化。以ChatGPT为例，据市场分析，其开发成本约10亿美元，后续运行成本约每年1亿美元。其中，初始投入约8亿美元，GPT-4的训练成本约6300万美元，ChatGPT每天的推理成本约28万美元。

　　鉴于生成式AI存在准确性、可解释性、安全性、成本与收益平衡等方面的多种问题，短期内，AI在证券行业的应用将仍以传统的辅助性工作为主，不会取代人工，也不会直接对客使用。可先从辅助员工进行信息和数据搜索和整理、生成各类个性化材料等入手，待技术更新迭代更为成熟后，再逐步应用到各类领域。证券公司在使用AI时要谨慎划分人机协同的边界，通过人机协同来提升工作质效。

　　由于通用层基础大模型的开发需要大量的资金投入和较高的技术水平，耗费时间也较长，不是证券公司等金融机构的首选。据估算，通用层基础大模型的训练和开发所需投入可能达到50亿人民币，后续每年运行和维护资金达上亿人民币，模型从零开始到推出约需要三年以上的时间。而金融机构跟第三方公司合作私有化部署行业大模型的价格只要几百万到几千万元每年。因此，金融或证券垂类大模型和业务层大模型将是未来AI在证券行业的应用趋势。

　　一方面，行业大模型开发所需算力和资金投入仍旧较高，耗费大量时间和人力资源，即使是头部券商也可能面临技术和资源限制，难以独立开发。另一方面，大模型对数据的质量和数量的要求极高，而单一券商的数据有限，部分第三方金融科技公司的数据存在较多错误，这些都会影响大模型的质量。因此，建议证券业协会联合各券商，整合资金天博·体育、数据、人才等多种资源，以开源通用大模型作为基础，协助研发证券垂类大模型，各券商再接入行业层大模型结合自身业务和客户在业务层进行私有化部署，通过小规模的算力进行微调，形成各类生成式AI平台，赋能各项业务。

　　尽管短期内生成式AI的应用还存在一定障碍，但长期看能促进证券行业业务模式和行业格局转变，未来对金融科技的技术掌握和应用能力可能成为证券公司的核心竞争力之一。证券行业应高度重视等金融科技技术，加强行业人才培养。一方面，需要从内外部挖掘和培养生成式AI人才；另一方面，要推动从管理层到基层员工的人工智能知识普及和应用能力提升。只有深入了解AI在证券行业的应用场景和应用方式，储备相关技术人才，证券公司才能更好地应对人工智能带来的新的客户需求和市场挑战。

　　生成式AI在国内的发展仍处于初级阶段，相关的法律法规和规章制度较少，未来监管机构需要进一步完善法律法规，尤其是针对涉及大量客户隐私的的金融或证券行业，要明确生成式AI的使用范围、安全要求、隐私保护等规定。同时，证券公司在使用生成式AI时要进行全面检测和评估，对数据进行加密处理、设置访问权限等，确保其符合监管要求和用户隐私保护标准。

　　我国的证券行业是严监管行业，一定程度上限制了金融创新。随着全球金融创新的不断发展和AI技术的快速进步，我国证券行业面临巨大挑战。建议通过监管沙盒等机制允许获得授权的证券公司在封闭场景下利用生成式AI等技术运营业务，促进生成式AI在证券行业各领域的应用落地。这将有助于平衡新技术和风险的关系，提升我国证券公司的金融科技能力和国际竞争力。