一個(gè)“技術(shù)問題”,導(dǎo)致巴菲特的伯克希爾-哈撒韋公司股價(jià)暴跌近100%。

　　想必很多小伙伴已經(jīng)感受過了這則鋪天蓋地的消息,所帶來的億點(diǎn)點(diǎn)震撼。

　　而根據(jù)事后的消息來看,這個(gè)大故障是紐交所的合并報(bào)價(jià)系統(tǒng)(CTA)在更新軟件時(shí)出現(xiàn)了問題。

　　許多專家都對(duì)此做了分析,有人認(rèn)為是CTA軟件在進(jìn)行版本更新時(shí)出現(xiàn)了數(shù)據(jù)一致性問題;也有人提出最大的問題應(yīng)該是出現(xiàn)在了數(shù)據(jù)庫(kù)。

　　但總而言之,這并非是紐交所今年來第一次出現(xiàn)的故障,而是眾多里的一個(gè):

　　甚至某開源數(shù)據(jù)庫(kù)聯(lián)合創(chuàng)始人Jason直言不諱地表示:

　　>紐交所在CTA軟件上相關(guān)的IT水平還不及中國(guó)的大型金融機(jī)構(gòu)和互聯(lián)網(wǎng)公司,在中國(guó)已經(jīng)很少會(huì)發(fā)生這種低級(jí)錯(cuò)誤了。

　　即便如此,這也不禁令人產(chǎn)生更大的顧慮和擔(dān)憂——

　　傳統(tǒng)軟件問題尚能引發(fā)如此大的問題,那么站在大模型時(shí)代當(dāng)下,AI+金融,是否又能做到準(zhǔn)確可信?

　　正所謂實(shí)踐是檢驗(yàn)真理唯一標(biāo)準(zhǔn),要回答的這個(gè)問題,我們不妨了解一下已經(jīng)在金融領(lǐng)域“上崗”了的AI大模型。

　　大模型上崗金融,都在做什么?

　　誠(chéng)然AI大模型的發(fā)展已然呈現(xiàn)勢(shì)不可擋的趨勢(shì),但在金融領(lǐng)域真正應(yīng)用的時(shí)候,依舊存在一些顯著的困難和挑戰(zhàn)。

　　例如數(shù)據(jù)隱私和安全方面,金融數(shù)據(jù)往往高度敏感,涉及個(gè)人和企業(yè)的財(cái)務(wù)信息,確保數(shù)據(jù)隱私和安全是首要挑戰(zhàn)之一。

　　并且這些數(shù)據(jù)具有多源和異構(gòu)的特點(diǎn),需要進(jìn)行有效的整合和處理,才能確保它們的準(zhǔn)確性和完整性。

　　再如模型本身,大模型往往被視為“黑箱”,因?yàn)槠鋬?nèi)部決策過程難以解釋;在金融領(lǐng)域,尤其是涉及風(fēng)險(xiǎn)管理和監(jiān)管合規(guī)時(shí),可解釋性和決策透明性是非常重要的。

　　還有在實(shí)時(shí)性和資源消耗方面,金融市場(chǎng)瞬息萬變,需要實(shí)時(shí)數(shù)據(jù)處理和決策支持,大模型的推理涉及到大量的矩陣乘法計(jì)算,對(duì)硬件的矩陣乘法計(jì)算能力提出較高要求,計(jì)算復(fù)雜性可能導(dǎo)致響應(yīng)時(shí)間延遲,不利于實(shí)時(shí)應(yīng)用。

　　加之大模型訓(xùn)練和推理過程需要大量的計(jì)算資源和能量消耗,這對(duì)企業(yè)的成本和環(huán)保要求提出了挑戰(zhàn)。

　　而成立于1998年的老牌金融科技公司金證,面對(duì)上述固有的重重困難,卻有著自己的一套解法。

　　在金證看來,大模型的優(yōu)勢(shì)在于文本及非結(jié)構(gòu)化數(shù)據(jù)處理能力、人機(jī)交互能力、生成能力和邏輯推理能力較強(qiáng)。

　　而相比小模型而言,大模型也存在明顯的劣勢(shì),例如大模型“幻覺”問題(即大模型答非所問),大模型的部署算力要求高造成算力資源浪費(fèi),部署成本高等問題。

　　因此,金證的解法就是——通過組合式AI,即大模型+小模型+工具,以此來支撐各個(gè)業(yè)務(wù)場(chǎng)景AI需求。

　　大模型方面,包含金證去年年底推出的K-GPT以及業(yè)內(nèi)眾多頂流的大模型,在特定的金融任務(wù)中發(fā)揮大模型的特長(zhǎng)。

　　小模型則是指諸如OCR、NLP、人臉識(shí)別、文字識(shí)別、財(cái)務(wù)分析等傳統(tǒng)模型,可以細(xì)分任務(wù)做到快準(zhǔn)狠地處理。

　　至于工具,則是指地圖、天氣、CRM、郵件、OA等。

　　一言蔽之,在某個(gè)金融領(lǐng)域任務(wù)中,這種模式可以讓大模型、小模型和工具做到“專業(yè)的人干專業(yè)事”,尤其能極大地提高效率。

　　值得一提的是,相比于通用大模型,金證的K-GPT在數(shù)據(jù)查詢的準(zhǔn)確性方面表現(xiàn)更佳,能夠更好地理解金融術(shù)語(yǔ),提供專業(yè)且數(shù)據(jù)扎實(shí)的回復(fù)。

　　據(jù)了解,K-GPT還支持查看引用的知識(shí)源,并具備與實(shí)時(shí)數(shù)據(jù)和模塊化集成的能力,可以調(diào)取實(shí)時(shí)數(shù)據(jù)和組件。

　　依托龐大的金融知識(shí)庫(kù),K-GPT專為金融場(chǎng)景服務(wù),其核心優(yōu)勢(shì)在于對(duì)金融的深入理解、數(shù)據(jù)準(zhǔn)確、可驗(yàn)證性以及支持調(diào)用Agent功能。

　　從效果上不難看出,金證已然讓大模型在金融領(lǐng)域中合格地上崗,那么針對(duì)成本和資源上的痛點(diǎn),金證又是如何解決的呢?

　　背后是高帶寬內(nèi)存(HBM)的至強(qiáng)處理器在發(fā)力

　　金證K-GPT方案中,還有一點(diǎn)比較特別:與英特爾合作,采用了基于CPU的大模型推理方案。

　　據(jù)了解,他們主要是看中的是英特爾?至強(qiáng)? CPU Max系列處理器。

　　這是英特爾唯一一款基于x86架構(gòu)并采用高帶寬內(nèi)存(HBM)的CPU系列,采用了片上HBM設(shè)計(jì),內(nèi)存帶寬高達(dá)4TB/s。和傳統(tǒng)DDR5內(nèi)存相比,HBM具有更多的訪存通道和更長(zhǎng)的讀取位寬,理論帶寬可達(dá)DDR5的4倍之多。

　　要知道,大模型推理涉及大量的權(quán)重?cái)?shù)據(jù)讀取,對(duì)硬件平臺(tái)的內(nèi)存訪問帶寬提出了很高的要求。

　　至強(qiáng)? CPU Max具有64GB HBM,每個(gè)內(nèi)核可以分?jǐn)偟匠^1GB的內(nèi)存,對(duì)于包括大模型推理任務(wù)在內(nèi)的絕大多數(shù)計(jì)算任務(wù),HBM都可以容納全部的權(quán)重?cái)?shù)據(jù)。

　　內(nèi)存帶寬還不是金證選擇這款CPU的全部理由。

　　英特爾?至強(qiáng)? CPU Max系列還內(nèi)置了英特爾?高級(jí)矩陣擴(kuò)展 (英特爾?? AMX)引擎,大幅提升了大規(guī)模矩陣乘法運(yùn)算性能。

　　金證K-GPT基于Transformer架構(gòu),其核心特點(diǎn)包括多頭注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)層,這其中都包含大量矩陣運(yùn)算,而英特爾? AMX通過1024位TMUL指令和8個(gè)獨(dú)立的矩陣計(jì)算單元,可以每時(shí)鐘周期執(zhí)行8次獨(dú)立的矩陣乘累加操作,為這些運(yùn)算提供強(qiáng)大的加速能力。

　　如此一來,大模型推理的效果如何呢?

　　在只用單顆 CPU的情況下,推理130億參數(shù)大模型,首個(gè)詞元生成時(shí)間就能壓到1秒左右,模型推理TPS超過10 tokens/s,用戶提問后約2秒內(nèi)就能得到響應(yīng)。

　　別忘了遇到負(fù)載高峰等情況,還可以同時(shí)啟用2顆CPU,性能還能提升將近一倍,可以說足以滿足金融場(chǎng)景的大部分應(yīng)用需求了。

　　除了硬件層面的突破,英特爾還提供了經(jīng)過優(yōu)化的軟件工具來挖掘硬件潛力。

　　比如廣泛使用的OpenVINO?工具套件,就被用來專門調(diào)優(yōu)加速模型的Embedding處理進(jìn)行。

　　金融場(chǎng)景涉及大量專業(yè)文檔的輸入任務(wù),Emedding正是把文本從離散變量轉(zhuǎn)變?yōu)檫B續(xù)向量的過程,好讓AI能夠理解。

　　經(jīng)過OpenVINO?工具套件優(yōu)化后,K-GPT大模型的批量Embedding性能提升到3倍之多。

圖注:OpenVINO?工具套件優(yōu)化前后 Embedding性能比較

　　再比如金證與K-GPT配合使用的開源向量數(shù)據(jù)庫(kù)Faiss,英特爾也提供了優(yōu)化版本,以提升在至強(qiáng)? CPU Max上的模型推理性能。

　　在大規(guī)模向量相似性檢索任務(wù)中,經(jīng)英特爾優(yōu)化過的版本性能可提升至4倍左右。

圖注:英特爾優(yōu)化版 Faiss與原始 Faiss性能對(duì)比(越高越好)

　　除了性能方面之外,金證選擇英特爾?至強(qiáng)? CPU Max系列作為算力底座還帶來其他方面的優(yōu)勢(shì):

　　首先是靈活性。由于與主流的 x86架構(gòu)完全兼容,金證可以繼續(xù)使用原有的機(jī)器,靈活搭配適合自身業(yè)務(wù)的配置。而且 CPU能同時(shí)應(yīng)對(duì)推理和通用計(jì)算,可根據(jù)負(fù)載情況隨時(shí)調(diào)配資源。

　　第二是總擁有成本 (TCO)。從長(zhǎng)遠(yuǎn)來看,CPU路線能以更低的部署和維護(hù)開銷,實(shí)現(xiàn)與專用加速器相媲美的性能。這對(duì)于需要控制預(yù)算的金融機(jī)構(gòu)來說至關(guān)重要。

　　綜合看下來,英特爾?至強(qiáng)? CPU Max系列處理器在硬件能力、軟件優(yōu)化、生態(tài)適配、總擁有成本優(yōu)勢(shì)等方面都與金融場(chǎng)景非常契合,不失為業(yè)界大模型落地的一種新思路。

　　如何評(píng)價(jià)?

　　隨著數(shù)字化轉(zhuǎn)型的不斷深入,大模型為金融行業(yè)帶來的機(jī)遇與挑戰(zhàn)并存。

　　越來越多的金融機(jī)構(gòu)開始探索如何將 AIGC技術(shù)與實(shí)際業(yè)務(wù)相結(jié)合,在提質(zhì)增效的同時(shí)控制成本。但總的來說,大模型在金融行業(yè)的應(yīng)用仍處于初步探索階段。

　　金證攜手英特爾打造的這套大模型推理方案,可謂是應(yīng)用層、模型層、算力層的深度融合,為業(yè)界樹立了標(biāo)桿。

　　不久前舉辦的金證科技節(jié),就吸引了眾多金融機(jī)構(gòu)前來"取經(jīng)"。

　　作為連接金融與科技的重要平臺(tái),金證科技節(jié)吸引了眾多來自銀行、證券、保險(xiǎn)等領(lǐng)域的金融行業(yè)玩家參與,共同探討 AI技術(shù)在金融領(lǐng)域的應(yīng)用前景與優(yōu)質(zhì)實(shí)踐。

　　可以預(yù)見,在英特爾的算力加持下,金證將在大模型技術(shù)上不斷突破,助力更多金融機(jī)構(gòu)實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型,為用戶帶來更智能、高效的服務(wù)體驗(yàn)。