金融科技與人工智慧推動下一波創新浪潮

Anna Schoff – 擁有語音與自然語言處理碩士學位，專長於深度學習、資料科學與機器學習。她的研究興趣包括古語的神經解碼、低資源機器翻譯與語言識別。她在計算語言學、人工智慧與自然語言處理研究方面擁有豐富的學術與產業經驗。

Bhushan Joshi – 銀行系統軟體供應商（ISV）、金融市場與財富管理的能力領導者，具有豐富的數位銀行、資本市場與雲端轉型經驗。他曾領導全球銀行的商業策略、顧問服務與大型金融科技實施專案，專注於微服務、流程優化與交易系統。

Kenneth Schoff – IBM AI應用部門的Open Group傑出技術專家，擁有超過20年的銀行、金融市場與金融科技經驗。他專長於IBM Sterling解決方案、技術銷售，並為高階主管提供供應鏈與金融服務中AI驅動轉型的建議。

Raja Basu – 具備產品管理與創新領導經驗，專長於金融市場中的人工智慧、自動化與永續發展。擁有銀行技術轉型的堅實背景，曾在美國、加拿大、歐洲與亞洲領導全球諮詢與實施專案。目前為XLRI博士生，專注於AI對金融系統與永續的影響。

探索頂尖金融科技新聞與活動！

訂閱《FinTech Weekly》電子報

由摩根大通、Coinbase、貝萊德、Klarna等高層閱讀

金融科技的人工智慧技術發展正快速成長，潛力巨大，但由於問題的複雜性，成長速度可能較其他應用較為緩慢。

AI能捕捉人類通常會忽略的模式與異常，因為AI系統能處理大量結構化與非結構化資料。

然而，擁有超過600兆突觸連接的人腦，被譽為我們所知最複雜的物體——地球、太陽系乃至更遠的宇宙。AI能透過大量資料處理來輔助人類分析，但無法思考。

多年前在耶魯的AI課程中，他們將AI定義為**“利用計算模型研究認知過程”**。這一定義仍然適用。通常，這些計算模型本身就具有實用價值，並已從專家系統與小型人工神經網路，進步到用於建立大型語言模型（LLMs）與生成式AI基礎模型的深度學習技術。

硬體的進步使這一切成為可能，我們相信未來還有更多突破。

在1990年代，我們就知道，AI系統缺乏一般知識是重要的限制因素，而現在我們能在大型AI模型中提供這些知識。早期的AI技術僅能完成非常特定的任務，類似白癡天才——能做好一件事，但對其他事毫無用處。

儘管如此，它們在特定任務上仍能以較低的計算成本提供價值。出於永續考量，這些技術仍能在AI領域中扮演角色。

由LLMs提供的自然語言處理（NLP）與語音處理能力，現在能準確捕捉約90%的自然語言交流內容，對人機互動具有極高價值。

在當前的技術水平下，用於NLP的模型運算成本非常高（電費也很高），這與永續性理念相悖。請記住，一位經驗豐富的圖書館員或類似專業人士可以提供100%準確的結果，只需一頓午餐。我們應在適當時機使用適當資源。

近期，隨著DeepSeek等技術的發展，我們看到透過建立較小的專用應用，利用相同技術來優化模型。這是一個雙贏的策略，既能提供強大的AI技術解決特定問題，又能降低計算成本。 例如，支援財富管理的金融科技AI系統不需要具備英國文學背景。

AI輔助的財富管理建議

以財富管理為例。

建立客戶檔案的訪談可以由基本的AI技術如決策樹或專家系統驅動。**然而，根據我們過去與某些專家系統驅動訪談的經驗，一位資深顧問只需透過對話就能取得更佳結果。**沒有什麼能取代懂行的人。AI應該是協助而非主導。

投資組合分析

如果客戶已有投資組合，則需要進行分析，AI也能協助。投資表現如何？客戶是否偏好特定產業？未來預測如何？客戶的交易歷史是什麼？

根據客戶檔案與投資組合分析，顧問可以設定特定限制，例如風險偏好、資金限制或其他約束條件，來篩選投資方案。這些限制可能包括個人偏好、風險上限、資金可用範圍等。

AI輔助的財富管理建議

許多公司利用AI模型提供哪些股票或市場區段可能表現良好或不佳的預測。這可以是預測問題（預測趨勢走向），也可以是分類問題（AI擅長的領域）。顧問可以利用這些服務提供相關資訊。

環境、社會與治理（ESG）因素也可能影響結果。這些因素已經作為輸入納入AI模型中。顧問與客戶需討論哪些細節應加入投資組合模型。

草案架構

一個概念性草案可能如下圖所示。許多變化皆有可能。

一個常見的實作是由單一的生成式AI（GenAI）基礎模型完成所有任務，但我們認為將任務分割會是更佳的策略。

每個模型處理問題域的一部分，因此可以比一個完整模型更小。有些系統可能持續運行，而其他則按需啟動。

在圖中，我們假設有預測性生成式AI模型作為諮詢系統，服務於其他專用AI模型。這些GenAI模型將進行大部分市場分析，並針對不同市場與金融工具進行訓練。

它們會消耗資料串流，並結合資料湖中的其他資料，產生市場預測與異常偵測，以降低風險。我們尚未確信這些系統已成熟到可靠的程度，但它們正持續進步。

每個預測性GenAI模型的結果會被記錄在資料湖中。此外，分析模型也可以推送通知給其他模型，執行特定任務。這些模型可能定期運行，或在市場活躍時持續運作。

自主交易系統可能會利用市場分析的狀態資訊觸發交易。分類系統會定期評估資產，並在資料湖中記錄資產分類的歷史。最後，便是GenAI投資組合助理。

投資組合助理將是能存取最新市場資料與歷史的AI推薦系統。 顧問可以與助理互動，提供客戶檔案並請求建議。這最好在客戶在場時進行。 顧問與客戶的互動應被記錄在資料湖中，作為分析的輸入。

顧問透過自然語言處理（NLP）介面與AI系統互動，該介面可以是文字或語音。

投資組合助理會根據模型、資料湖或市場分析模型的API查詢，回應顧問。NLP介面提供強大助手，但根據經驗，顧問必須懂得如何提問才能獲得有用的結果。

**沒有這個人類中介，與NLP系統在如此複雜議題上的互動可能令人沮喪。**大型語言模型（LLMs）比早期技術更強大，但仍難以通過圖靈測試。

圖靈測試要求人類無法僅憑回答判斷出機器與人類的差異。這些機器不是人，無法完全模仿人類反應。許多公司聘請專職人員，專門透過設計提示詞來與LLMs與GenAI系統互動，以獲得更佳回應。

根據2021年Juniper研究報告，預計到2025年，全球40%的銀行客戶將使用NLP聊天機器人進行交易。**在任何面向客戶的應用中加入NLP，通常是企業的起點。**其他AI系統則專注於自動化常見任務，這在供應鏈應用中非常成功。

基於AI的自動化能消除許多手動流程，提高工作流程效率。NLP與任務自動化幾乎可應用於任何產業。金融市場分析的AI開發則較為困難。

康奈爾大學開發了GenAI模型StockGPT。詳見“StockGPT：一個用於股票預測與交易的GenAI模型”於

結論

金融市場的分析較供應鏈或銀行應用更為複雜。涉及更多變數與複雜行為，部分由市場數據、法規與參與者的情緒反應所驅動。

部分可用統計方法降低風險，但金融市場預測屬於代數問題，變數繁多，方程不足。AI能尋找模式與異常，除了數學計算外，還能提供額外洞察。

量子計算是另一值得探索的技術，已在科學領域展現價值。有人建議用於風險管理，例如蒙特卡羅模擬。

我們拭目以待未來的發展。