市场还是那个市场，周期还是曾经的周期，人性也从来都是一样的人性。每当板块回调浪袭来时，投资者总会尝试用事后紧急找到的逻辑来解释自己看不懂的盘口：ChatGPT访问量环比下滑，让市场充斥着AI热度消散的声音，但背后限制访问只为节省算力、扩展B端API接口的逻辑却无人提及；中报披露期或许出现的不及预期，反而让投资者忘了之前为何财务模型没有好转的AI公司能被纳入公募股票池。
如果具身智能是AI的延申炒作，那便证明这仍是有AI的市场；但换来的却是，一系列市值不足百亿的减速器标的需要20亿成交额拉板儿。当问询函劈至面门，市场批评那些还未变身擎天柱的汽车人，没能力带动谐波龙头的赛博坦。AI横盘涨不动的时候，投资者说运动员在季后赛之前都会轮休；但当AI开始回调，基本面却背上了引发下跌的大黑锅。
事实上，无论是ChatGPT开始主攻B端API接口，还是英伟达连投三家生成式AI公司，都指向了应用端慢慢转变为AI新战场，分时图上CPO与AIGC指数的此消彼长却被忽略，越来越多想要节省算力投入，却同时垂涎私有化部署的应用端，最该寻求的就是大模型厂商的帮助。预期差是超额收益的底层来源，AH股作为零和博弈的资本游戏，你该庆幸的是：在别人没看懂之前你已经明白了。
(资料图片)
越是对精细度要求越高的垂直领域，通用AI大模型就越难伺候，金融业就是最典型的代表，其对信息的私有化要求更高。我们以@百融云-W（6608.HK）这家金融AI大模型公司为例，来看看具体怎么满足金融业应用端的需求。
关于百融云这家公司的文章，证券平台上有很多，其以积累了多年的金融业信贷行为信息、银行业NLP语音机器人来训练金融AI大模型的基本情况，已经是基础的基本面解读。但由于金融业对精度要求极高，且需要完整的解决方案，所以能进行私有化部署、调用部分模型参数解决应用端问题、已有成型AI模型基础上精调、节省算力成本的方式才是重点。那百融云会怎么做？
由于百融云的业务应用在金融业N多场景，所以其MaaS服务通常都会包含多种AI应用。举个例子，比如在存贷款申请者审批领域，百融云的MaaS服务帮助银行补足用户画像来提升贷款量，百融云AI大模型包含整个贷前、贷中、贷后流程的训练信息，能帮银行定制完整的线上自动化审批流程。
贷前环节根据AI模型训练信息中，用户过往的一系列经过隐私计算和保护的贷款申请行为信息来进行指标计算，同时根据每家银行不同的客户指标要求输出模型结果，同时根据风险类历史信息汇总，打造银行用户的反欺诈模型和信用评分。而在存款账户申请人信息评定领域，百融云MaaS服务当中会针对存款用户画像的信息来进行评定，比如某些存款账户开户者曾有的不良记录，触及到百融云AI模型中的低等评分，那就会被直接标注为存款账户中高风险客户，这个规则也会从百融云MaaS中直接提取出来针对特定场景；此外，也会根据高维用户信息来帮助银行确定风险等级。
那此时就会涉及一个问题，如果一家银行业客户，只需要针对财富营销、汽车金融线上化、存贷款审批、智能运营其中任意一个单一领域应用，怎么办？因为传统的AI深度学习模型在训练时，单个样本的输入就意味着整个大模型都要被激活，但随着模型参数的增加，这种全局性的运行方式所带来的处理成本也越来越高，也就会增加银行业AI私有化部署的算力成本。那百融云可能会怎么解决这个问题呢？参考8个220B模型组成、总参数量达1.76万亿的GPT-4，MoE（混合专家模型架构）是一种解决思路。
与模型蒸馏技术路线不同的是，MoE的核心思想是将神经网络划分为不同的“子模型”，每个子模型只针对特定类型的任务或信息。这里的“子模型”就像人类不同领域的专家，这样AI大模型在面对不同任务时，只由最擅长该领域的训练信息来进行处理，而且后续还可以进行模型精调。因此在训练阶段，根据输入训练的向量数据不同，大模型可仅触发并更新某一部分而非全局数据集；在推理时，针对不同的下游任务将大模型拆解为体积更小但效果更好的子模型，这样就可以达到金融AI既要“精度”也想“省算力”的要求。
那百融云有没有资本做这个事儿？成立了9年的百融云，第一大业务就是针对金融业客户的“智能分析与运营”；其中财富管理类业务线能帮国有大行的营销转化率提升2-3倍，肯定也是基于存量运营的信息积累；同理也出现在财富营销的客户偏好预测、汽车金融线上化当中。所以针对金融AI的私有化部署和针对性应用，累计为7000家金融机构提供信息服务的百融云，自然能用大模型的MoE办得到。
虽然百融云的中报还没有发布，但金融AI的业绩起码可以“线性外推”，因为90%以上的客户留存率，就是线性外推的分母。在2023年一季度，百融云已经实现营收5.66亿元，同比增幅25%；基于自研AI平台的第一大业务“智能分析与运营”收入同比增幅41%至2.81亿元；百融云自身的AI产品线“智能运营服务”，收入较去年同期增长68%。券商报告最擅长的一件事，不就是拍脑门算业绩嘛？
关键词：