ChatGPT：人工智能助手的新篇章

ChatGPT与客服 12个月前 lida

31 0 0

文章主题：关键词：自然语言处理，图灵测试，人工智能，语言理解，语言生成，ChatGPT，Transformer模型，神经网络，机器学习，深度学习，自然语言处理技术，语言模型，语言理解模型，语言生成模型，人机交互，智能客服，智能投顾，金融AI，金融科技，数字化转型

666ChatGPT办公新姿势，助力做AI时代先行者！

一、ChatGPT概述（一）ChatGPT是具有划时代意义的自然语言处理模型

自然语言处理作为人工智能的基石领域，其重要性不言而喻。“图灵测试”作为人工智能理论的起点，所设定的评估准则——当人在与机器的对话中无法区分对方是人类还是机器时，即可视为机器具备了人类的智慧。为了顺利通过“图灵测试”，人类在探索过程中大致经历了三个阶段。

在过去的几十年中，我们的技术团队致力于研究各种模式匹配算法，以便在（1960s-90s）这个时间范围内建立关键词与答案之间的精确线性关联。一旦用户提出的问题包含这些关键词，系统就会自动为用户提供我们事先准备好的答案，从而确保信息传递的准确性和高效性。

在20世纪90年代，机器学习的应用领域逐渐拓展，其核心理念发生了显著变化。传统的知识体系不再作为预设的关键词和标准答案，而是将大量的历史资料呈现给机器，使其自主从中挖掘规律并进行深入探讨。这种 shift from predefined keywords and answers to an open-ended approach marked a significant development in the field of machine learning. By providing machines with a wealth of historical data, this method allows for more flexible and adaptive learning, as the system is able to establish connections and draw conclusions on its own. This shift towards a more hands-off approach to knowledge representation represents a major advancement in the way that machine learning operates, allowing for greater autonomy and adaptability in the process of learning and understanding.

自2010年代以来，神经网络已成为机器学习的一个重要分支。其基本原理是通过建立模型来模拟人类大脑中大约100万亿个神经元的运作方式。在此之前，主流的人工智能模型主要是循环神经网络（RNN）。这种模型在处理语言时需要严格按照语言的先后顺序进行，无法并行计算，而且容易出现长句语义理解困难等问题。然而，在2017年，一种名为Transformer的新模型被提出。它的工作原理是计算句子中每个单词与其他单词之间的相关性，从而能够同时学习大量的文本信息。这种模型的出现，标志着人工智能技术的一大进步。ChatGPT（这里的”T”指的是Transformer）是一种将这种新型模型转化为实际应用的划时代创新。它的出现，不仅解决了传统模型在处理复杂语言时的诸多问题，也为我们提供了一种全新的方式来理解和生成自然语言。

（二）ChatGPT打开人机交互想象空间

凭借超强算力，基于超大数据的学习和训练，ChatGPT首次展示了强大的综合性语言材料生成能力。

决策式AI是一种智能技术，其核心是根据对历史数据的总结与分析，为用户提供明确的决策建议。相比之下，生成式AI则侧重于为人类提供全方位的信息支持，从而帮助他们做出更加明智的选择。

在众多人工智能技术中，生成式AI领域的佼佼者——ChatGPT，以其卓越的功能表现引领着行业潮流。作为首个具备强大综合性文字生成能力的AI，ChatGPT在理解用户提问、搜集资料并将其转化为逻辑性强的信息输出方面表现尤为出色。此外，它还能与用户展开连续对话，依据实时更新的信息提供更为精确的答案，这一能力更是达到了前所未有的高度，彻底改写了语言理解和表达的边界。

语言即为指令，ChatGPT与其他领域人工智能技术的耦合，或将完全开启人工智能的新时代。

ChatGPT Whisper：OpenAI已经通过提供ChatGPT和Whisper的收费API接口，Whisper是OpenAI开发的语音处理工具，如将ChatGPT和Whisper功能进行耦合，可以得到无障碍的语言交流工具。所谓的语言，就是指令体系。随着指令体系的智能化，一切智能工具之间的边界或将逐渐模糊，人类与智能工具的关系或将彻底改变，AIGC（AI生产内容）的时代将加速到来。

图1. 语言即为指令

（三）ChatGPT的潜在挑战

ChatGPT风头一时无两，其潜在挑战在于语料库的范围及准确性、运营成本高及回答的道德风险等问题。

语料来源：ChatGPT本质上仍是一个基于有限语料范围的概率归纳模型，它并不能对未知的事情像人类那样做常识性推演。与相关领域语料不够充分或完全未覆盖的领域，ChatGPT很可能会给出误导性内容；另外，微软计划将GPT-4与Bing搜索引擎深度耦合，搜索引擎庞杂的数据是否会对GPT-4的学习和训练带来负面干扰，仍需观察。

运营成本：据报道，目前ChatGPT一次模型底座的训练需要500万美元的算力成本，在运营过程中需要大量的算力支持其训练和部署。GPT-4与Bing耦合后，满足来自搜索引擎的搜索需求需要更大量的资源投入，如不解决成本问题恐将制约未来发展。

道德风险：即使引入人类反馈，也不能100%避免ChatGPT故意提供虚假答案或回答带有攻击性的答案。

二、ChatGPT与金融科技的共生与挑战（一）关于ChatGPT影响金融科技的猜想

1、优化行业默认发展路径

线上化-数字化-智能化发展路径虽已达成共识，但在现实中尚未找到可行路径。线上化-数字化-智能化是业内默认的金融科技发展路径。从支付、信贷、理财、保险各业态来看，线上化程度由高到低，其决定因素是功能的使用频次和刚需程度。支付这一高频刚需已经成为线上化入口并延伸至信贷、理财、保险等业态。而数字化尚处探索的初级阶段，如何从数字化迈向智能化尚未可知。

ChatGPT类人机交互有望加速数据的闭环迭代，为智能化发展指明方向。在过去的发展中，金融科技企业通常需要去挖掘数据用于模型训练和知识图谱构建，先数据后模型是一个单向的流程，数据迭代闭环不充分。在与客户交互过程中，若采用人工方式，有成本较高、难以生成标准化数据流等问题；若采用机器人方式，语义理解能力限制了数据质量，而且由于功能有限，客户通常没有耐心去与之沟通。ChatGPT在人机交互和语义识别方面的巨大提升可能为金融科技企业带来新的数据渠道，生成数据-打标签-训练模型，在形成人工智能体系的同时，构建专业的知识图谱，有望进一步反向推动数字化进程，使模型持续迭代效率提升。这一方面可能优化金融科技默认发展路径，另一方面也有望加速金融科技行业发展。

2、突破行业原有瓶颈

财富管理是金融科技最大的增长点。从支付、信贷和理财（包括保险）三个业务板块来看，目前支付和信贷已步入稳定发展阶段，而理财（包括保险）尚处于蓬勃发展的初级阶段，在行业规模快速增长的同时，行业集中度也在加速提高。

第三方财富管理（含保险在内的大理财）最大痛点是投顾服务线上化，投顾服务线上化的难点是用户交互。把投顾服务分解为财务规划、情绪管理、资产配置三个方面：

财务规划的前提是了解用户（KYC，KnowYourClient），根据客户的风险偏好、投资期限、投资目标来指定财务规划。

情绪管理则对KYC提出了更高的要求，不仅要及时回应用户提问，而且要管理用户预期，在用户产生焦虑之前，根据掌握的用户画像和市场预判给予适合的专业指导，真正成为“情绪阻断器”。

资产配置不仅要KYC，还要了解产品（KYP，KnowYourProduct），因为资产配置的核心是匹配。另外，资产配置再平衡是对用户的持续服务。

由此可见，KYC是财务规划、情绪管理、资产配置的基础，自动化KYC的难题则是用户交互。

ChatGPT为用户交互体验大幅提升提供可能性。ChatGPT的语义识别和多轮交互能力有望增加与用户对话时长，增加使用场景，积累用户数据并进行分析，形成用户画像，从而为数字化打下基础。

3、全面提升客户服务效率

ChatGPT的语义理解、多轮对话、信息输出能力为未来全面的客户服务效率的提升打开了想象空间，对于很多基础性工作有一定的替代能力。按服务对象分类：

零售客户：通过智能客服直接与客户互动，替代人工基础性工作。包括不限于：

金融、产品等基础知识科普；

实时行情分析、定制化咨询推送、盘后账户总结；

电话、线上智能营销，不定期对存量客户推荐定制化产品。

投资顾问：赋能理财师，形成后端支持。包括不限于：

服务客户时，提供用户画像分析，以便提供千人千面定制化服务；

调取海量数据库，提供市场分析、舆情分析、文本书写等功能。

机构客户：提供数据分析和投资信息整理支持。包括不限于：

从海量数据中筛选核心数据和信息，生成相应文件，对投资进行支持；

针对不同投资报告进行分析，形成一定判断。

（二）ChatGPT对金融科技行业的影响

1、超级生态与垂直生态都有机会

大型互联网平台具备模型训练能力和数据基础，可以创建通用模型来提高业务效率和表现，以及对外输出。ChatGPT为全世界展示了大型语言模型在人机交互方面的潜力，大型互联网平台在数据基础和算力方面具备壁垒，并且业务种类多，同时具备了训练大型通模式转型用模型的能力和动力，可以训练出符合自身用户特性的模型，通过细分领域独特的知识图谱和数据积累实现针对垂直领域的微调，从而显著提升能力，为各条业务线进行赋能，提升内部效率和服务质量。同时，也可以向外部输出模型能力，并获取外部数据来源，进一步加强模型能力，形成良性循环。

小平台通过结合ChatGPT等人工智能模型的API以及自身金融知识图谱实现垂直领域模型应用。大型语言模型，例如GPT-3，具有高度的通用性，可以通过微调来调整其在特定领域中的表现。这是通过在训练模型时使用特定领域的数据和知识来实现的。用户可以使用OpenAI的API来微调模型，从而在不损害模型总体性能的情况下，提高其对特定领域的准确性。小平台往往深耕一定垂直领域，在该领域中有独特的知识图谱/数据基础，通过OpenAI这类科技公司赋能，同样有望受益、加速智能化进程。

2、数据-模型-算力结合构成核心竞争力

在ChatGPT这个应用场景下，如果能够持续贡献海量真实且有标注的数据，使模型不断优化，有望实现自我迭代和形成闭环。同花顺、蚂蚁集团、天天基金、盈米基金等公司都在AI上有所尝试。以同花顺、蚂蚁集团、天天基金为例：

（1）同花顺：金融AI领域先行者，技术数据有望实现迭代闭环

布局AI已十余年，如今产品多点开花。2009年公司开始布局人工智能领域，成立定位为金融垂直搜索引擎的“i问财”部门，专为股民提供专业的股票信息搜索服务。2012年上线问答功能，并从金融垂直领域拓展到股票、基金、债券、保险、法律法规等领域。2015年自主研发“语音识别技术”，处于第一梯队。2017年上线AI开放平台，推出智能投顾、知识图谱、智能语音技术、自然语言基础服务、智能金融问答、智能大数据等多项产品服务。现如今，同花顺拥有省级高新技术企业研发中心、省级人工智能企业研究院、博士后工作站等研发平台；自主研发的ASR（AutomaticSpeechRecognition语音识别技术）、NLP等人工智能技术均处于业内领先地位。

对股票投资垂直市场的深耕和庞大的用户基础形成了在投资领域AI发展的壁垒。同花顺创立至今专注于为国内零售客户和机构客户提供金融信息服务，早期依靠免费行情软件等服务积累了大量客户，并不断精进产品形成口碑，积累了大量的优质客户基础。截至2022年第二季度，同花顺金融服务网注册用户约6亿人，同花顺网上行情客户端平均日活和周活分别为1452万人和1927万人。在垂直领域中庞大的用户基础意味着优质的数据获取渠道，数据的积累也是公司创立至今AI技术发展的基石。ChatGPT的出现标志着智能客服等人机交互领域的一次突破，同花顺的数据获取渠道有望进一步扩容，持续加强公司在AI领域的护城河。

图2. 同花顺历年用户数量信息（万）

蚂蚁集团：“金融大脑”辐射丰富场景，“支小宝” “帮你投”打开投顾想象空间

蚂蚁集团将人工智能技术融入丰富的金融场景。蚂蚁集团业务涉及支付、信贷、理财、保险等多个领域。蚂蚁集团深耕人工智能领域，通过金融数据智能中台与应用层紧密联系在一起，进而提供智能营销、智能风控、智能信贷、智能客服、智能舆情和金融视觉等能力，最终耦合于金融场景。典型应用如：

支付：实时反盗用、实时反欺诈、实时反洗钱；

信贷：实时授信、实时准入、实时提额、风险识别、反套现；

保险：差异化定价、实时核保、在线定损、反保险欺诈。

在财富管理领域，蚂蚁集团与资管机构合作形成了智能投资生态。蚂蚁集团本身不直接提供资产管理产品，而是通过前沿科技和海量用户洞察构建起用户和资管机构之间的桥梁。在这个生态体系中，资管机构负责产品设计，蚂蚁集团负责产品筛选、获客、投教、投顾等服务。

图3. 蚂蚁运用前沿科技和用户洞察构建了智能投资生态

智能投顾：“支小宝” “帮你投”打开想象空间。智能投顾可以分为“投”和“顾”两个部分，两者缺一不可。“投”方面，不仅拥有丰富的投资产品还提供全委投顾产品，需要基于客户的诉求和用户画像给出适合的投资组合，并根据市场情况协助或自动调仓。“顾”方面，不仅需要投前KYC和投中专业服务，软性的心理按摩也是服务长尾客户的重点。支付宝在“顾”方面推出智能助理“支小宝”，贯穿全部流程，覆盖客户第一次接触-思考-选品-涨跌后操作等。“顾”方面客户不仅可以自己决定投资，还可以通过支付宝智能投顾平台实现全委投资：

“支小宝”是支付宝推出的理财助理，借助人工智能和数据分析向投资者提供个性化理财服务。消费者能够通过它学习理财知识、培养投资理念、获得金融机构提供的投资建议、理财产品和市场信息，做出投资决策。用户购买产品后，“支小宝”能够对投资分配和风险收益的优化提出建议。据中国经济时报，支小宝能一分钟可以同时服务1000万用户，目前，支小宝覆盖5000 金融百科的词条，能够解答约8000种理财问题。2020年，支小宝一共累计解决了8亿多个理财问题。2021年6月，“支小宝”团队登顶WikiSQL，人机对话识别准确率达93%。

“帮你投”是蚂蚁集团与Vanguard合资公司推出的基金投顾服务。用户最低投资金额为人民币800元。“帮你投”推出后的100天内已吸引了约20万名新客户，合计投资额达22亿元。2022年，“帮你投”首创并推出“跟踪看看”服务，用户无需正式投资，便可提前“试用”投顾服务。根据先锋领航在2022中国基金投顾峰会上披露，“帮你投”持仓用户的平均持有天数达到了251天，较上一年增长了120%，而持仓满一年以上的用户中，94%都获得正收益。截至2021年底，“帮你投”累计服务用户已突破300万。

（3）天天基金：配备AI客服小天，与投顾专区打通

与蚂蚁财富相仿，天天基金同样配备了AI客服功能。天天基金在APP首页即可唤醒AI客服“小天”，目前看，初始交互主要包含用户常见问题，以及常用功能，与蚂蚁财富的界面较为相似，能够为用户提供产品筛选、持仓分析、产品评测以及资讯等基础功能。如果能够进一步提升交互能力，将有效提升用户综合体验。

天天基金在首页设立投顾管家专区，并与AI客服能力打通。相较于蚂蚁财富，天天基金给予基金投顾的入口流量扶持更加明显，基金投顾拥有独立账户，在基金投顾账户内可跳转至机构的自运营阵地，包括财富号、视频、直播和社群。除财富号和直播外，用户选择加入机构相关社群，除为投资者进行答疑和进行产品推介外，还与AI客服小天打通，用户可通过关键词检索跳转至相应投顾专区。

综合看，目前天天基金对于AI应用更偏向于运营工具化，作为平台中心化运营和机构自运营工具，提升用户交互体验，帮助机构衔接自运营内容与平台生态。

3、飞轮效应和有效拓客尚待时日

用户调用和模型迭代的飞轮效应仍需耐心等待。真实的用户调用和模型迭代之间形成飞轮效应是所有人追求的目标，但这一步的基础需要大量真实数据积累和人工标注，需要时间，参考ChatGPT的训练流程，训练大型语言模型还需要投入大量人力和算力，这意味着除了大量资本投入之外，如果美国制裁趋严导致中国企业没有办法获得高性能GPU会进一步延长等待时间。

有效拓客是线上理财的瓶颈，智能投顾仍需等待用户走出“第一步”。用户愿意接受机器人对主动提问的解答是第一步，接受机器人的陌生拜访不仅需要机器人较高水平的问答能力来完成多轮的对话，还需要用户逐渐认可智能机器人的专业水平，形成一定程度的信任。虽然看到ChatGPT这类大型语言模型在人机交互问答和语义理解方面实现了质的飞跃，但在基础知识、回答清晰度等方面仍有待加强。唯有专业才能赢得客户信任，吸引用户走出财富管理智能投顾的“第一步”。

三、ChatGPT与银行业的共生与挑战（一）机遇与挑战：前中后各具潜力

从银行客服开始，无论是业务前台还是中后台，各项流程都有用ChatGPT重做一遍的潜力。

银行客服：对于客服、催收等人工的替代，与ChatGPT关联最直接，银行应用最广泛，或将开启深度智能化阶段。

业务前端：对于财富管理、小微客户、个人消费贷款等标准型产品，客户识别有望进一步细化，产品匹配有望更加精准。

业务中端：诸如授信报告、审批报告、贷后管理报告等强格式性案头工作，如能以ChatGPT替代，可有效提高运营效率。

科技基础：银行投入人工智能相关研究需要持续投入资源，特别是要投入支持模型运转及数据计算的算力资源。

1、银行客服：与ChatGPT关联最直接，或将开启深度智能化阶段

诸如银行客服、不良催收等需要与客户进行沟通的内容可预期、重复规律性强的客户交流性工作，与ChatGPT的特点最为契合。

适用范围：银行客户、不良催收等。

现有实践：①工商银行：2021年，利用数字人、智能问答、语音等交互技术，在客户服务前台、业务运营后台等领域加大应用“机器换人”，落地600 具有数字员工属性的智能应用场景。②平安银行：2022年上半年，AI平台新增模型1,080个，客服机器人场景每日对话量达60万次，问题解决率超90%。③招商银行：2022年上半年，AI智能客服、语音质检、智能审录、海螺RPA（机器人流程自动化）等共实现人力替代超过10,000人。

未来前景：ChatGPT的成功为已经部署人工智能客服的银行提供了优化模型、提高智能化水平的方向。预计这一类业务都将开启深度使用更加成熟人工智能客户工具的阶段。

2、业务前端：客户识别及产品匹配有望进一步细化

诸如财富管理这类标准化程度较高的业务，可以利用ChatGPT的数据分析能力，细分客户标签，提高产品推荐匹配度。

适用范围：财富管理、小微客户、个人消费贷款等标准化程度较高的业务。

现有实践：①平安银行：2022年上半年，AI客户经理累计上线超1,400个场景，上半年月均服务客户较2021年月均水平增长63.2%。②招商银行：2021年，招商银行推出智能财富助理“AI小招”，基于大数据技术，通过知识沉淀与机器训练，实现更懂客户和产品，为客户提供收益查询、涨跌分析、市场热点解读、产品推荐、资产配置建议等财富管理综合服务。

未来前景：将客群更加细分，需求挖掘更加细化，产品需求匹配更加精准。

图4. ChatGPT与银行业务前端

3、业务中端：案头工作AI替代，业务运转效率有望提升

诸如授信报告、审批报告等业务中后段强格式性的案头工作，ChatGPT潜在替代性较高。

适用范围：授信报告、审批报告、贷后管理报告等强格式性案头工作。

现有实践：基于语言生成技术的应用目前暂无先例，仍有待探索。

未来前景：对于对公营销、授信审批等岗位人员来说，工作中有很大一块时间被消耗在诸如授信报告、审批报告、贷后管理报告这些格式性很强案头材料的撰写上，占用了本可产生更大价值的客户营销、调研等工作时间。ChatGPT对于这一类主要可利用外部公开信息完成的强格式性报告具有天然的适配性，如果能够实现替代，展业效率预计能够实现较大幅度的提高。

4、科技基础：基础设施重构，算力需持续投入

正如ChatGPT成功的基础一样，银行投入相关研究需要持续投入资源，特别是要投入支持模型运转及数据计算的算力资源。

适用范围：银行科技基础设施建设。

现有实践：近几年我国主流商业银行大多推动了“系统上云”计划，相应地将原本的主机架构转为有若干服务器组成的云架构。在这一转型中，大多数银行已经初步具备了算力基础，但要在人工智能领域做出突破性创新，仍需要在看清方向后对算力资源的持续投入。比较具有代表性的银行基础设施转型情况如下：①建设银行：率先实现“多专区多地域多技术栈多芯”布局，提供标准算力规模超20万台云服务器，整体规模和服务能力保持同业领先。②招商银行：上云后可支持的应用更多，单位算力成本大幅下降。以信用卡为例，招行信用卡业务上云后，业务成本约节省了60%，算力提升了10倍。

未来前景：人工智能的突破需要强大基础设施支撑，仍需持续投入及探索。

表1. 银行科技基础建设情况

（二）合规与成本：十字路口上的最大考验

在当前中美科技竞争大背景下，中国商业银行想要直接适用诸如ChatGPT这样高度依赖大数据支撑的技术，存在较大障碍和风险。从成本和收益的角度来看，无论是接入API还是自主开发类似功能，均存在成本与收益的不确定性。

数据隐私：银行数据的特殊性决定了应用第三方技术的审慎性，应用技术须考虑本地化、私有化部署模式。

系统稳定：银行不掌握ChatGPT核心技术，很难控制内容输出的正确性，也很难确保系统稳定运行，这在经营中存在很大风险。

成本投入：无论是接入ChatGPT，还是自主开发类似功能，均须较大成本投入，是否能够实现预期收益，存在不确定性。

1、数据隐私：银行数据的特殊性决定了应用第三方技术的审慎性

银行拥有的数据具有高度的隐私性和敏感性，直接应用开源第三方技术存在一定隐患。

主要障碍：①客户隐私：使用ChatGPT可能会涉及个人信息的收集、使用和披露，需要遵守相关法律法规的规定并获得客户的授权。②银行隐私：银行的数据不仅涉及客户隐私，还涉及自身的商业秘密，在使用开源第三方技术处理内部数据时，存在核心商业机密被泄露、酿成商业损失的隐患。③地缘风险：中美之间在技术安全、数据安全领域的争端愈演愈烈。今年2月，中方发布《美国的霸权霸道霸凌及其危害》报告，在此背景下，境内银行直接应用ChatGPT前景并不乐观。

实践案例：据报道，美国银行、花旗集团、德意志银行、高盛集团、富国银行等银行最近纷纷对使用ChatGPT发布了禁令。微软和亚马逊因担心泄露机密信息，禁止公司员工向ChatGPT分享敏感数据。埃森哲也警告员工不要将客户信息透露给ChatGPT。

改进前景：同为人工智能技术服务商的科大讯飞，此前可以为客户提供本地化、私有化部署的产品，以解决技术应用和数据隐私之间的矛盾，或可为解决数据隐私与技术应用的矛盾提供思路，但地缘风险的影响仍有待观察。

2、系统稳定：内容输出正确性及系统运行稳定性受制于人

银行不掌握ChatGPT核心技术，很难控制内容输出的正确性，也很难确保系统稳定运行，这在经营中存在很大风险。

主要障碍：由于在经济金融活动中的关键地位，监管对银行科技系统有着较高要求。诸如ChatGPT这一类外接应用，银行不具备技术自主性，一方面无法保证其输出内容的准确性，另一方面也无法保证不对其他系统运行稳定性造成影响，存在较大风险。另外，ChatGPT本质仍是依赖语料库的语言概率统计系统，对于语料库不涵盖的内容，极易给出错误答案。

实践案例：据报道，2021年7月15日，某行突发系统故障，业务中断20多分钟，引发故障的原因可能与系统更新有关。

改进前景：投产前需要对内容和系统稳定性进行周密验证。

3、成本投入：自主与合作，投入与收益之间的取舍

无论是接入ChatGPT，还是自主开发类似功能，均须较大成本投入，是否能够实现预期收益，存在不确定性。

接入成本：目前ChatGPTAPI接口收费标准为每百万Tokens收费2.7美元（约18元人民币）；同属OpenAI公司开发的Whisper语音转文本工具API每分钟收费0.006美元（约人民币4分钱）。以建行为例，假设文本转语音成本与语音转文本成本相同，推算建行仅智能客服一项每年成本需要额外投入约3亿元。（不含开发成本和对ChatGPT模型进行专属训练的成本。）建行2021年人均薪酬为33.71万元，如智能客服实际可替代人力少于890人，则效能并不显著。

自主成本：ChatGPT初始投入成本在8亿美元左右，每年电费约1825万美元。考虑到中美电费差异，国内开发与ChatGPT同等功能的资金投入约为人民币初始投入56亿 1.7亿电费/年。（不含开发人员薪酬和维护成本。）但在开发环境、人才能力种种因素制约下，自主开发的类似工具能够收获与ChatGPT的同等效果，存在极大不确定性。2023年3月5日，科技部王志刚部长在两会部长通道表示，ChatGPT是个大模型、大计算、很好的计算方法，同一种原理，但做的质量还是不一样的。

未来前景：大多数银行已有AI技术储备，建议根据业界前沿修正技术方向，在既有成果上继续探索，达成成本与收益的平衡。

来源：银通智略

长期坚持提供干货不易，如文章引起大家共鸣、对大家有帮助，请大家点赞并转发，以支持我们提供更多干货，谢谢。

专注十年，持续打造全面有价值的贸易金融知识库