在刚刚落幕的世界人工智能大会上，蚂蚁集团发布了「隐语 Cloud」大模型密算平台，以及金融 AI 助理支小宝。

　　前者是蚂蚁探索多年的隐私计算技术的阶段性成果，首次在国内把 GPU 使用到了密算过程中，后者则是服务了 4300 万用户的「私人理财专家」—— 只需一部手机，用户就能获得高质量的行情分析、持仓诊断、资产配置和投教伙伴等个性化的服务。

　　自从大模型爆发以来，本来就有理财习惯的用户，自然希望能借一臂之力。简单点的，是打开聊天窗口直接发问，比如这样

　　同样是问英伟达的股票表现，左边的 Kimi 不仅给出了分析看法，还列出了信息来源。相比之下 ChatGPT 返送的回答，就更简单一点。

　　尤其是后面追加的茅台行情，ChatGPT 的回答透露着一股「不熟，勿扰」的即视感

　　相比于万能场景的 Chatbot，支小宝不愧是立足理财场景，给出了非常丰富、而且是可视化的回答。

　　信息来源包含了多家券商的数据和信息，all-in-one 的方式，直接省掉了反复切跳平台的工夫。

　　不过，信息差还是能看得出来的。让支小宝回答英伟达相关的问题，结果不比茅台那么眼花缭乱，但仍然足够有诚意。

　　‍在结尾时，无论是GPT还是支小宝，都 ‍ ‍ ‍一定会强调投资决定全在用户个人，所有的信息，统统仅供参考。

　　普通用户借助 AI，提高自己的理财收益，挣点零花钱，问题不大，管理好预期，记住股市有风险就行。

　　本月初，对冲巨头桥水启动了一只以机器学习为决策依据的基金——盘子规模达到了 20 亿美元。 目前基金使用的模型是专有技术，不过，未来计划尝试引入 OpenAI、Anthropic 等大公司的模型。

　　然而，那是管理着超过 1080 亿美元的桥水来说，20 亿或许都不算什么。但考虑到是 AI 主导、人工辅助的操作，听着就有点儿抽象了。

　　作为用户，在手机这端看到返送结果的时候，难免会好奇：这些回答的背后，大模型都干了些什么？怎么做到的？

　　早在 2017 年，摩根大通就尝试了用人工智能处理金融文件，名为 COIN，主要用于处理合同文书等材料。

　　Bloomberg 借助 GPT 开发了专门的大语言模型，50 亿参数的数据集包含了 Bloomberg 自家的新闻文章、市场数据和研究报告。

　　就在昨天，a16z 领投了 AI 搜索引擎 Hebbia 的 B 轮融资，金额高达 1.3 亿美元，估值 7 亿美元。

　　Hebbia 强调自己的技术能够分析文档、音频和视频，以及更复杂的非结构化数据。一直以来，它的重点服务对象之一就是金融业。

　　在金融领域，找到非结构化数据之间的关联，至关重要。自然语言处理中的 NER 技术，不仅可以用来做信息提取，提供投资建议，还可以通过识别风险实体，监控欺诈、洗钱等不合规行为。

　　除此之外的另一种路线，是基于「情绪分析」，这也可以交给机器学习。 早期的方法是基于 Python，通过把含义积极和消极的词语分别量化，来编制情感分数星空.体育。 当市场情绪表现乐观，股票也就看涨； 反之，则看跌。

　　但这种方法的局限性很大，并不能准确反映市场情绪。不断改良之后，通过引入深度学习模型、朴素贝叶斯、向量机等方法，有效提高了预测准确性——尤其是提高了股票市场的分析。

　　「它们不知道什么是贪婪，什么是恐惧，以及可能的因果关系是什么」，桥水的联席首席投资官 Greg Jensen 这样说。

　　但大模型只懂数据，更偏向「有效市场假说」的路线：股票的价格，反映了所有可用的信息，通过挖掘和分析各种数据，投资者可以建立对市场的了解，从而判断股价的变化。

　　除了在桥水工作，Greg Jensen还是扑克爱好者，曾经在2022年世界大赛上获得金手链 图片来自：华尔街日报

　　模型对投资决策的判断，建立在对历史数据的理解上，从而展开预测。东京大学的最新研究，提出了一个新的框架 LLMFactor，不仅要提高预测结果，还要能提供可解释性。

　　既然是基于大语言模型，首要任务是获取足够多的知识。研究人员把从纽约证券交易所和纳斯达克证券交易所收集到的资料，用于指导模型。

　　下一步，则是提炼出关键因子，指示模型提炼住影响股票价格走势的关键因子。在这一步里，研究人员对指令做了结构化处理，不仅是着眼于关键字，更要结合新闻内容，整体性地理解所有可能出现的影响。

　　在后续的比较测试里，这个关键因子的框架被用于和几个传统派别下的不同方法做对比，包括情感分析，关键词分析等，LLMFactor 都有不错的表现。

　　相比于捕捉到下一只暴涨的股票，这个研究团队更希望捕捉到「可解释性」——可以这样理解，如果不能讲明白为什么对某只股票看涨或看跌，那离赌就不远了。

　　大语言模型因此被寄于厚望，它可以把计算机的判断和决策过程，生成为人类可读的解释。新加坡国立大学的一个研究团队也在做类似的尝试。

　　通过「总结-解释-预测」三个步骤，模型不仅能够收集和分析信息，还要自己学着解释信息，最后提供投资预测。

　　蚂蚁集团财富保险事业群智能服务算法总监陈鸿的看法是，金融领域中，观点必然是冲突的。

　　「某种意义上，冲突构成了市场交易的基础，买卖双方必然对资产价格有截然不同的预期，所以才有一买一卖。」

　　那么，经过专业训练、多年执业的分析师，也不能敢说在纷杂的信息当中，做到百胜不怠，大模型能够保证吗？

　　尽管投入了 20 亿美元，Jensen 表示，桥水基金的分析师仍然会参与协助，提供人工辅助，确保投资决策流程的完备。

　　不过，「具有内在缺陷，不代表系统不能安全工作。」陈鸿认为，人本身就是这样一个例子。

　　大语言模型究竟有没有真正具备「分析」和「理解」的能力，始终存在争议。更重要的是，除了专业知识，「know-how」，也就是过程性知识。

　　一件事情如何拆分、如何规划、如何执行，都需要过程性知识。AI 如何捕捉这些碎片化的、非结构的信息，并用于决策当中，都将是未来需要突破的难点。