Atom Capital：大模型在金融领域落地，想说爱你不容易

写在前面

近来研究大模型在垂直行业落地应用。金融，作为一个市场规模巨大、且深度采用AI技术的行业，自然也成为我们重点观察的领域之一。然而在做了一些相关研究后，我们发现一个有意思的现象：在这一轮大模型引发的创业潮中，相对于它的市场规模，金融+LLM应用所吸引的关注与讨论并不多，下注的大投资机构也不多。这是为什么？在这篇文章中，我们从这个角度，分析下当下LLM落地金融行业的现状、挑战和机会。

 01  LLM+金融创业概览

金融是许多大模型应用的创业者们很关注的领域——市场规模大、客户付费能力强、对AI技术采纳早、领域专业性强易于构建起数据壁垒等等，这些都是吸引创业者的行业优势。然而，事实真的如此吗？

我们梳理了一下今年以来海外在LLM+金融领域的创业公司（如下图，数据来自crunchbase, 不一定全面但基本可以代表市场趋势）

通过这个梳理，有几个比较直观的发现：

• 创业公司融资金额普遍较小，以100万美金以下的种子轮居多。

• 下注投资的大机构非常少。其中较为知名的就是YC，投了几个很早期的项目。

• 尚无能吸引市场注意的“明星项目”。与我们之前研究的法律领域不同（后者这一轮涌现了多个获得头部机构大额融资的“明星公司”——如Harvey、evenup、casetext等），LLM+金融领域尚未有这类引领市场关注的“头部项目”出现。除了Bloomberg自研的BloombergGPT，它几乎是目前这个领域吸引关注与讨论最多的一个产品。

 02   一级市场遇冷的背后：核心挑战分析

为什么LLM在金融这个垂直场景的落地应用会出现这样“青黄不接”的局面？针对这个有意思的现象，我们进行了一些行业研究与调研后，提出几个推测，希望抛砖引玉，与从业者讨论。

金融业的本质与LLM的内生性矛盾

在讨论LLM在金融场景的落地应用之前，先来讨论一个更加基础的问题：这轮LLM带来的技术突破，最适合的应用场景是哪些？

LLM开启了AGI的大门，让大家似乎窥见未来AI“无所不能”的时刻。但是，现阶段LLM的优缺点还是非常明显的。在落地应用中，被讨论最多的一个问题是大模型的“Hallucination”（幻觉）。目前业界的共识是，LLM 幻觉问题只有可能随着模型参数的变大而降低，但无法消除。在这种情况下，我们认为，LLM能得到最快速应用的场景，实际上是幻觉能作为“Feature”（优势）而不是“Bug“（缺点）的领域。比如泛创意类：广告文案、营销、设计、写作等等。在这些场景中，幻觉带来了人类意想不到的创意，却不会造成太大不良的“后果”。而在另外一些领域，幻觉则成为了需要克服的问题，应用LLM需要花费大量时间和成本解决自身的这个“Bug”。这是实际落地中很大的问题与挑战，而金融恰好是这样一个场景。

金融业的本质之一是对风险的精准定价与管理，基于此为客户提供相应的产品与服务，以确保资产安全，保障投资者利益。可以说，金融业是一个极其追求精确性与严谨性的行业。而以LLM为代表的新一代生成式AI，其输出的结果是基于概率的“模糊的正确”，并不精确。这带来了LLM应用与追求“精确”的金融行业的底层冲突，也给LLM在金融领域的落地带来了不小的挑战。

行业特性导致“颠覆式创新“”很难发生，AI技术更多是围绕流程做优化

金融业对于“稳健经营”的要求强于“创新”和“效率”。同时，由于它涉及国计民生，一旦出现问题会造成严重的社会影响，因而受到各国政府的严格监管。为了实现“稳健经营”，金融业自身进行了漫长的探索，现代金融业的监管体系、业务流程是在一次次应对风险与危机的过程中慢慢构建起来的复杂系统。这是一个强监管、厌恶风险、业务差错后果严重的行业。因此，技术在其中能够起到的作用，更多是围绕现有结构做提效和优化，却很难彻底打破整个底层的业务流程做颠覆式创新。

也是如此，我们看到金融业的巨头多是“百年老店”——即便出现了新的技术，这些巨头也并没有被完全颠覆，而是将这些新技术整合到现有的工作流中，做效率提升与改进。在上一轮的“Fintech”大潮中成长起来的公司，也多是切入了金融业工作流的某些环节——如支付、KYC、风控、身份验证等。

在金融场景下，LLM及其应用很难取代传统AI应用

AI应用于金融服务并不是新鲜事。在大模型之前，金融就是传统AI的主要应用方向之一。摩根大通CEO Jamie Dimon曾在其2022年致股东的信中写道，该银行在人工智能上花费了“数亿美元”，并看到了可识别的回报。摩根大通对AI技术的投入并非特例，2022年NVIDIA发布了一份关于金融服务领域AI技术使用现状的报告，指出目前在金融服务的所有领域——资本市场、投资银行、零售银行及金融科技——有超过75%的公司采用了机器学习、深度学习或高性能计算等AI相关技术。

由于之前传统AI技术在金融领域的成功普及，很多人惯性地认为金融也必将是本轮LLM应用的重点领域。然而事实上我们目前的观察是，金融业对传统AI的广泛应用可能反而会成为这轮AI进入的阻碍。大模型并不擅长数学（至少在短期内），但金融领域是个高度依赖数学的领域——有大量工作是需要处理数据、精确计算的，而在这些领域，传统AI模型比LLM工作得更好，比如，量化交易、收入预测、资产定价等定量业务。当然，LLM未来也许可以通过Plugin/Agent或者自身能力升级的方式去提升对计算相关问题的处理能力，但这其中又涉及到性价比即ROI的问题。LLM目前还是一个非常昂贵的技术，在中短期内，在上文所述的计算相关的任务中其性价比都不可能超越传统模型，因而LLM在金融业的应用不太可能是“替代传统AI”，而是需要找到自己的新战场。

除以上所列的三点以外，LLM在金融领域的落地还有一些挑战（这些并不核心），随着时间发展会慢慢找到解决方案：如信息的时效性问题（金融业对于信息的时效性要求很高，但目前大模型时效性不好）、客户数据的隐私保护等等。

 03  创业机会在哪里？

说了这么多挑战，是否意味着LLM+金融方向没有机会了？哪些是最适合这一轮LLM创业公司去挖掘的业务场景？

结合LLM技术的优势与行业特性，现阶段LLM创业公司最能发挥价值的场景，我们看好如下几个：

• 与人交互的环节。如营销、客服等，LLM技术的介入有助于提升客户体验与转化率，也有可能帮助金融机构开发出新的市场——当服务用户的成本进一步下降，新的增量市场就会出现，触达那些之前无法得到金融服务的人群，正如之前很多Fintech公司所做到的那样。

• 文本及非结构化数据的处理。LLM可以从更多的非结构数据中挖掘商业洞察（business insight）, 从而为金融机构提供更独特的决策基础——这是传统AI技术没有解决好的问题，而背后潜藏着巨大的商业价值。在这个方向上能够延展出的业务方向，包括更全面的BI、信息抽抽取工具、媒体舆情分析、AI投研助手等等。

• 智能投顾。智能投顾一直是AI与金融结合的重点领域，在大模型之前就已有很多产品与尝试。这一轮LLM发展对于智能投顾最大的提升之一，是LLM能够让智能投顾更好地感知用户情绪，更精准地识别用户意图，从而给出更好的投资建议，提升用户的使用体验，让智能投顾更加个性化。

• 保险业务自动化。梳理目前LLM与金融领域结合的项目时我们发现，保险领域是LLM应用最多的方向，在保险的销售、承保、出险等各个环节，都有创业公司在尝试，保险是个从业者众多，销售及售后服务流程复杂的行业，LLM的信息抽取整合能力、对用户意图的识别及沟通能力，能够很好地帮助提升保险行业的效率及客户体验。

• Code Copilot。金融领域有大量编程的需求，据我们了解，目前国内几大银行及围绕银行的几大集成商的编程人员在数十万。代码生成在金融行业是非常刚需的场景，由于隐私及安全性考虑，金融机构无法使用GitHub Copilot, 自研对金融机构来说难度也比较大，这其中可能存在一些创业机遇。

以上是我们对于LLM+金融领域的初步观察。金融行业规模大，细分赛道多，相信随着LLM技术的发展与完善（如多模态等出现），还会有更多基于LLM的创业机会出来，我们会保持关注，也期待与从业者们交流、探讨。

About Atom Capital

我们是一家新成立的风险投资基金，专注于AI、大数据和云原生领域的早期投资。作为一群连续创业者和风险投资人，我们热爱颠覆性的创新技术，相信长期价值。希望通过投资和孵化，陪伴创业者一起成长。