金融大模型发展趋势 - 金融大模型将颠覆行业参与主体的角色、功能和定位，重构全面合作的商业模式 [1] - 大模型正从"为了AI而AI"的技术验证阶段转向以商业价值为导向的"体系化深耕" [3] - 应用呈现两大趋势：从内部提效向核心创收领域转移，从效率工具向深度参与决策的协作伙伴升级 [3] - 全球大模型发展呈现技术迭代、资源升级、价值深化与生态竞合交织的复杂格局 [2] 金融大模型应用路径 - 两种主要路线：在通用大模型基础上加入金融语料训练，或直接构建金融垂类大模型 [3] - 深度融入金融服务需要触及资源配置、风险管理、交易结算等深层次金融功能 [3] - 正引领金融业迈入人机协作新浪潮，重构智能风控与营销两大核心体系 [7] 行业面临挑战 - 三大核心挑战：高昂实施成本、复合型人才稀缺、组织文化变革管理难度大 [4] - 多重挑战包括：高价值数据碎片化、战略规划不清晰、组织人才升级需求迫切 [5] - "三座大山"中数据是最大挑战，需加强数据治理"回头看"工作 [7] 数据要素关键作用 - 数据成为大模型竞争关键变量，盘活数据资源是行业破局突破口 [5] - 数据演进三大路径：激活沉睡数据、发展合成数据、推进数据精标 [6] - 需增强数据信任（收集使用信任、数据本身信任、数据生成者信任） [6] - 数据确权是基础，需解决数据要素外部性、非排他性等特征 [6] 行业发展建议 - 需围绕"防风险、强监管、促发展"核心思路展开工作 [2] - 要全面整合行业力量，打通行业间、机构间数据共享和技术创新壁垒 [7] - 金融科技企业应以大模型创新为契机推动业务转型，探索"模型即服务"新模式 [7]

数据在金融行业的重要性 - 数字数据已成为全球经济金融体系的命脉，缺乏精准和可信的数据将导致整个经济体面临潜在风险 [1] - 伦敦证券交易所集团(LSEG)每天向190个市场的客户提供约3000亿条数据消息，包括每秒730万个价格更新 [1] - 自2019年以来，客户对数据需求的年均增长率约为40% [1] AI对金融行业的影响 - AI正在重塑金融行业格局，提升生产力、效率和决策质量，并改善客户体验 [1] - 生成式人工智能(GenAI)通过处理大规模非结构化数据为金融行业带来新机遇，但前提是拥有值得信赖且合规的数据 [2] - 不良数据会增加AI幻觉、模型漂移和无意偏见的风险 [1] 数据完整性与质量 - 数据的价值不仅体现在数量，更在于其完整性和可信度，不准确的数据会导致不可靠的结果 [2] - 数据供应商需精心筛选与验证数据集确保"GPT就绪"，市场对此需求日益增加 [2] - 数据的透明度、安全性与完整性对合规、客户信赖和AI有效部署至关重要 [2][5] 数字权益管理 - 客户期望解决方案能够明确界定LLM中数据源的可用性、规范AI政策责任、防范知识产权侵权 [4] - 需要建立更严格的知识产权与数字权益管理框架 [9] - 金融数据的"水印"技术在实际应用中体现数据来源的可追踪性 [5] 行业协作与监管 - 行业间的广泛协作、标准化"数据信任"概念和构建互操作性监管框架是关键 [2][6] - 欧盟的《人工智能法案》与《数字运营韧性法案》为金融服务领域构筑安全防线 [7] - 美国NIST发布的《人工智能风险管理框架》帮助企业评估和管理AI系统及数据风险 [7] 未来挑战与方向 - 政策制定者需确保法规具备灵活性，与其他司法管辖区协同，同时贴合未来AI应用场景 [10][11] - 行业需追求最高透明度，确保客户洞悉数据集内容、所有权归属及使用授权详情 [7] - 高质量数据的流通需要更强的标准化、协调以及稳定的监管环境 [6] LSEG的业务概述 - LSEG是全球领先的金融市场基础设施提供商，服务170多个国家的40,000多名客户 [13] - 主营业务包括数据与分析、富时罗素指数、伦敦证券交易所、外汇、风险情报和交易后业务 [15][16][17][18][19][20] - 公司拥有三个多世纪的丰富经验和创新技术，团队来自60多个国家的25,000名人才 [13]