事实上，在AI及数据化布局上，招行早有行动。2017年招行率先成立了AI实验室；2023年3月，招行宣布完成全面上云，即“金融交易云”和“原生云平台”的建设，并将所有应用系统、数据等全部迁移至云上，进入到全面数据化阶段。
此外，目前国内的智算平台还处于起步阶段，性能方面也需要持续提升。俞吴杰表示，招行在国内智算平台建设方面走在前列，但因目前尚无成熟的智算平台可以借鉴，在进一步提升算力效能方面仍面临诸多挑战。
新一代AI将对银行业务带来全面变化
在俞吴杰看来，银行有三个重要的“密集型”特征，一是数据密集，包括客户数据、行业数据、产业数据等；二是知识密集，银行业有着大量的政策、法规、条款，同时还包括银行内部的合规要求、管理等；三是人力密集，银行业存在大量的运营工作，无论是网点还是审核团队，大量的人力都集中在业务运营中。
因为这三个特征的存在，大语言模型能够产生的价值面非常广。“其实今天我们谈及大语言模型的应用，并不是说在银行的某一个点或者某一块业务方面产生价值，而是全方位的。”俞吴杰表示。
如在服务质检方面，目前只需要借助语音识别技术将通话转化为文本，再交由大语言模型处理，并按照银行要求整理归类即可处理，以前人工可能需要5分钟，现在效率已经达到“秒”级。
在风控方面，招行强大的AI水平可以集中体现在“天秤”风控平台上。目前，“天秤”风控平台已经可以通过神经网络算法，识别客户的异常风险行为并进行风险前置提示。
俞吴杰表示，“总体来看，AI已经融入银行日常营销、服务、经营的各个方面。虽然目前更深层次的AI使用还有待论证，但实际上我们日常工作中存在很多重复性的、简单的流程化工作，而这恰巧是大语言模型能够发挥作用的地方。”
聚焦“三个场景”打造“智慧招行”
即使拥有领域大模型，相对“智慧招行”建设来说也只是“万里长征走完了第一步”，要全方位打造智慧招行，需要更丰富多样的应用场景。
“在应用场景的选择方面我们也有比较全面的思考。”俞吴杰表示，场景选择标准有“三多”：一是“钱投入多”、二是“人投入多”、三是“耗时多”，“这些场景用AI产生的价值会更大，对于招行而言，我们的创新一般两条腿走路——自下而上和自上而下。”
自上而下是指招行会基于对大模型应用的整体规划来投入资源，目前该行的规划是按照业务条线，如零售、批发、中后台业务，以及按照业务形态来划分的营销、运营、合规、风控等领域，来进行资源投入。
自下而上则是运用FinTech（金融科技）基金、创新竞赛等机制设立和资金引导等方式，鼓励一线员工发掘创新应用场景，引导广大员工把大语言模型应用到日常工作场景中去。
聚力有温度、有效率的“人+AI”服务
第二个阶段，即使用数字化手段提高效率。在该阶段，部分银行通过自研或采买的自然语言处理小模型解答客户疑问，但存在“答非所问”和“不知所云”等一系列问题，第二阶段因技术的不成熟及人工的“失位”可能造成不好的用户体验。
俞吴杰表示，在既要有温度、又要有效率，同时又能够让真正有需要的客户随时触达到服务人员等方面，目前招行已经探索出一套行之有效的“招行方案”，未来还会在人机协同方面继续发展，为客户提供更高质量的服务。
如何规避AI逻辑“黑盒”？
新生业态往往伴随着新生风险。纵观银行业乃至整个金融业，信息安全都是绕不开的重点论题。“数据隐私是人工智能在金融领域方面非常大的考量。”俞吴杰表示，目前招行涉及训练数据的准备上非常谨慎。
“尤其是在训练环节，一定不能使用客户敏感信息训练模型，否则大模型可能会记住，并把信息泄漏出去。”俞吴杰强调。
此外，在大语言模型对于答案的可解释性问题方面，俞吴杰表示目前该领域有很多的“黑盒子”。
“我们给大模型输入，大模型给出一个输出，但是为什么会给到这个输出，还无法完全掌握，很多神经网络分析的逻辑是黑盒子。落地到具体的金融业务场景，比如要做一个贷款发放审批，机器判断这位客户不通过，但无法判断原因，就没有办法使用，必须得让其解释清楚。”俞吴杰表示。
值得注意的是，在银行传统信息科技应用中，也有相较于目前“大模型”的“小模型”，如信贷决策模型、评分卡模型等，“小模型”技术拥有更好的解释性，它是专门针对银行业务某一个场景开发的，能更好的适配该场景。
在“大模型”与“小模型”配合方面，俞吴杰表示未来二者一定会长期并存，“大模型覆盖的领域会越来越广泛，但在可解释性方面‘小模型’有很好的针对性，特别是在算数方面，比如给客户的授信额度如何评测，小模型表现会更好，我们会持续地用下去。”