如果要问，多模态的人工智能可以带给金融业哪些新的想象？从今年以来行业对大模型的探索与实践中，可以看到，生成式人工智能在金融信息数据服务、风控以及在财富管理领域的应用，正在前所未有地重塑行业格局。AI不但可以通过快速准确的信息和自动化的任务处理推动金融业降本增效同时也进一步推动了金融行业的数智化转型，拓宽了金融行业AI应用的边界。

有数据显示，全球超过90%的资产管理公司已经开始尝试AI、大数据和区块链等颠覆性技术。到2027年，由机器人顾问管理的资产将达到5.9万亿美元，相对2022年的2.5万亿美元翻了一番多。但值得关注的是，尽管AI大模型十分火热，但在实际应用中产生的价值远未达到预期。生成式AI技术在金融业中的应用尚处于技术探索和试点应用的并行期。

极态科技正是诞生于这样的大背景下。作为一家专注于提供通用资管解决方案的新锐AI公司，极态创始人团队均是AI领域的资深人士。在近日的极态AI Copilot新品发布会上，极态AI创始人王力针对这一提供通用资管解决方案的原生AI模型产品进行了深度解析。

AI Copilot是一款为专业投资机构打造的端到端AI决策辅助平台。据介绍，极态AI完全是自研原生AI大经济模型，拥有完整且独立的知识产权。原始架构代码始于2019年，目前已迭代至第8代，截至2024年3月末，极态AI已经完成了3年的实盘数据验证。经过5年多的研发，当前系统已具备了“通用风险资产定价”和“投资策略组合管理”两大核心能力，并取得突破成果。

王力向南都记者介绍，与当前金融业界大模型落地的现有案例对比来看，极态运用多模态人工智能理念所做的工作，本质有所不同。

“业内多数大模型是运用GPT架构做出来的，而GPT架构是专门服务于语言的模型架构，在这个领域中表现非常好，因此大家熟悉的AI落地，主要还是在交互端的提效，比如智能客服，或者做一些基于文本的因子挖掘和语义分析，并不一定适合直接落地到广义资产风险定价。”王力向记者分析。

据王力介绍，区别于其他利用机器学习模型的组织或机构，极态AI不堆砌PHD学历的因子“特征”，不做特征集的筛选，更不做每天或每周平凡的“模型调优” 。极态AI Copilot 所有的评分机制是基于系统算法计算，没有任何人工输入，更不是简单基于不同机构评分的加权平均，AI的预测输出完全依赖于深度学习寻找底层市场规律，令投资决策更理性、决策依据更全面。

王力对记者表示，该系统可一站式处理宏观经济、金融环境数据，涵盖多行业、公司交易、动态事件、研报等，提供可执行预测结果，提高决策效率。“极态AI让投资策略组合具备抗风险能力，穿越不同市场周期。”王力介绍，该大经济模型汇总了中外市场多年经济金融大数据，可推导自然经济、金融规律，帮助用户快速掌握市场逻辑。在传统资管方法失效时，极态AI可以发挥潜力。

“我们认为一个足够强大的基座认知模型可以贯穿不同来源、串联不同时空的信息，在金融世界中自我寻求底层逻辑，这就是极态AI的核心工作原理。”王力表示。

近两年在以中小投资者为主体的国内市场，量化交易由于技术和其背后的资本，对“散户”的投资策略和利益形成倾轧，被推至风口浪尖。同样有意于以技术驱动投资策略变革的极态AI，是否也会面临类似压力？极态AI的策略与量化交易有何区别？

王力表示，极态AI的核心逻辑，是通过对于全域市场的态势感知能力，结合顶层宏观认知和微观资产的洞察力，在更长周期上做最有利的动态资源分配决定。相比之下，量化交易因需要追求极致的速度，必须采用简化的模型架构和相对少量的高频数据源。落地到实盘上，极态的策略交易频次远低于量化交易。

“新旧工具的更替短期内在行为习惯上是有适应成本的，但是当传统资管方法，如基本面、量化等策略在变幻莫测的市场环境下普遍失效，甚至出现严重亏损的局面下，即使克隆巴菲特，历史也无法重演，因为AI已经从各个维度超越了人类的带宽。”王力说。他进一步阐述，量化交易的一个致命弱点是，策略要求较为简单，导致模块失效非常快，短期内策略过期就要重新研发。相比之下，极态的上一代模型第七代AI，迄今上线一年多时间，对于市场依然有良好的解释能力。他相信，最新升级的第八代AI Copilot必能使投资决策更理性、决策依据更全面。

据悉，极态的系统设计专注于灵活应对不同量级的资产管理需求，无论是小型的私人投资还是大型的机构投资，都能提供高效的解决方案。公司近期发展迅猛，极态AI Copilot已获两大券商客户及众多小型机构如私募、公募等支持。

采访中王力阐释，任何基础类模型都将世界抽象到某个抽象层或空间中，基于这个抽象空间进行计算和推演。例如，图像模型将世界抽象为像素空间，语言模型将语言分割成字符并基于之前的字符计算未来字符的可能分布。大经济模型则是将经济活动和相关数据抽象到一个新的空间中，在这个统一空间内理解所有发生的事件。这种抽象逻辑与现有的大语言模型有所不同。

对于通用大模型的未来，王力认为，通用大模型目前在各行业的落地需要工程化的路径。现有的语言模型基于概率学和自回归模型，因此在不同行业的应用中，需要拆解成小任务，以降低错误率。未来的发展可能需要核心模型架构的突破，才能实现更高级的人工智能，独立完成更复杂的任务。“我们已经在探索将语言模型的能力注入现有的大模型中，以实现更强大的AI。”他表示。

有报告显示，预计1至2年内，首批大模型增强的金融机构会进入成熟应用期，3年后将会带动金融业生成式AI的规模化应用。

采写：南都记者吕虹

编辑：李玲

对这篇文章有想法？跟我聊聊吧

吕虹

李玲