金融科技與人工智能推動下一波創新浪潮

Anna Schoff－擁有語音與自然語言處理（Speech and NLP）碩士學位，專長於深度學習、資料科學和機器學習。她的研究興趣包含對古代語言的神經解碼（neural decipherment）、低資源機器翻譯，以及語言識別。她在計算語言學、AI 與 NLP 研究方面，橫跨學界與業界，擁有豐富經驗。

Bhushan Joshi－銀行 ISV、金融市場與財富管理的能力負責人，具有紮實且廣泛的數位銀行、資本市場與雲端轉型經驗。他曾領導企業策略、顧問服務，以及大型金融科技落地專案，服務全球銀行，聚焦微服務（microservices）、流程優化（process optimization）與交易系統（trading systems）。

Kenneth Schoff－IBM AI Applications 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（fintech）經驗。他專精於 IBM Sterling 解決方案、技術銷售，以及就供應鏈與金融服務中的 AI 驅動轉型向 C-suite 高階主管提供建議。

Raja Basu－產品管理與創新領導者，專長於金融市場中的 AI、自動化與永續發展。憑藉紮實的銀行科技轉型背景，他曾領導遍及美國、加拿大、歐洲與亞洲的全球顧問與落地專案。目前是 XLRI 的博士研究生（doctoral scholar），研究重點為 AI 對金融系統與永續性的影響。

探索頂尖金融科技（fintech）新聞與活動！

訂閱 FinTech Weekly 的電子報

JP Morgan、Coinbase、Blackrock、Klarna 等高階主管閱讀

金融科技（FinTech）的 AI 技術開發正在快速成長，且具備很大潛力，但由於問題本身的複雜度，成長速度可能會比其他應用更慢。

AI 能夠捕捉人類通常察覺不到的模式與異常，因為 AI 系統能以多種結構化與非結構化形式，吸收非常大量的資料。

然而，擁有超過 600 兆（trillion）突觸連接的人類大腦，被稱為我們所知世界上最複雜的物體－從地球、太陽系到更遠的地方。AI 能透過其在大量資料中處理細節的能力來增強人類分析，但它無法思考。

多年前，在耶魯（Yale）的 AI 課堂上，他們將 AI 定義為 「以計算模型來研究認知過程（the study of cognitive processes by means of computational models）」。這個定義至今仍適用。所形成的計算模型往往本身就很有用，而其能力也從專家系統（Expert Systems）與小型人工神經網路（small Artificial Neural Networks），進步到用於建立大型語言模型（Large Language Models，LLMs）的深度學習技術，以及用於生成式 AI（Generative AI）的基礎模型（Foundation Models）。硬體的進步讓其中很大一部分成為可能，而且我們確信接下來還會有更多發展。

回到 1990 年代，我們就知道 AI 系統缺乏一般知識（general knowledge）是重要的限制因素，而如今我們能在大型 AI 模型中提供這些能力。早期的 AI 技術只能用於非常特定的任務，某種程度上就像「白痴天才」－能把單一任務做得很好，但對其他事情則幾乎沒有用處。

不過，這些系統仍能以遠低於一般運算成本，對其特定任務提供價值。出於永續考量，這些技術仍可在 AI 生態中扮演其角色。

由 LLM 提供的 自然語言處理（Natural Language Processing，NLP）與語音處理（Speech Processing） 能力，如今或許能以相當高的準確度捕捉自然語言對話內容的 90% 左右，這對人機互動具有非常高的價值。

在目前最先進的狀態下，用於 NLP 的模型會以 非常高的計算成本（也就是非常高的電費）運行，這與永續考量背道而馳。請記住，一位有經驗的圖書館員或類似的專業人士，能提供 100% 準確的結果，而且只需要一頓午餐。我們應該在適當的時間，使用適當的資源。

較近期，隨著 DeepSeek 等發展，我們看到透過以較小規模、針對特定應用來構建系統（使用與大型綜合模型相同的技術）所帶來的最佳化。**透過在降低計算成本的同時，提供強健的 AI 技術來解決特定問題領域，這是一個雙贏。**例如，支援財富管理的 Fintech AI 系統不需要具備英國文學（English literature）的背景。

AI 輔助財富管理諮詢

讓我們把財富管理當作一個範例應用來思考。

為建立客戶檔案而進行的客戶訪談，可以由基礎的 AI 技術驅動，例如決策樹（decision tree）或專家系統（Expert System）。**然而，根據我們先前對由某些專家系統驅動的訪談的經驗，一位資深且具備資格的顧問，只靠對話就能得到更好的結果。**懂得自己在做什麼的人，無可取代。AI 應該協助而非主導。

投資組合分析

如果客戶目前已有投資組合，就需要進行分析，AI 在這裡也能協助。投資隨時間的表現如何？客戶是否傾向專注特定產業？這些資產在未來可能的表現前景（prognosis）如何？客戶交易的歷史是什麼樣的？

根據客戶檔案與投資組合分析，顧問可能會引入針對建議投資組合而言，分析應納入哪些面向的特定限制。這些限制可能包括個人偏好、風險上限、可用資金的上限，以及任何其他可能限制選擇的考量。

AI 輔助財富管理諮詢

有幾家公司會使用 AI 模型，提供建議：哪些股票或市場板塊可能表現較好、哪些可能表現較差。**這要嘛被包裝成預測問題（prediction problem），即預測趨勢的走勢；要嘛被包裝成分類問題（classification problem），而這正是 AI 擅長的領域。**顧問可以使用這些既有服務來提供此類資訊。

環境、社會與治理（Environmental, Social, and Governance，ESG） 的考量也可能影響結果。這些考量可能已經被包含在用於進行分析的 AI 模型輸入之中。顧問與客戶需要討論在投資組合模型中要納入哪些具體內容。

假想架構（Strawman Architecture）

一個假想的概念性視圖可能會像下圖所示。有許多不同的變體可以採用。

一種非常常見的實作會以單一 GenAI 基礎模型（GenAI foundation model）來完成我們以下描述的所有事情，但我們認為把任務切分開來會是更好的做法。

每個模型都能處理問題領域的一部分，因此可能會比單一綜合模型更小。有些系統可能會持續運作，而其他系統則可能在需要時才運行。

在圖中，我們假設會有「預測式生成式 AI 模型（Predictive Generative AI models）」作為顧問系統，服務於其他用途特定的 AI 模型。這些 GenAI 模型將進行大部分的市場分析，並針對各種市場與金融工具進行訓練。

它們會消耗資料供應（data feeds），並結合資料湖（data lake）中的其他資料，產生用於成長（growth）與異常偵測（anomaly detection）的市場預測，以可能降低風險。我們尚未確信這類系統已成熟到足夠可靠的程度，但它們在持續進步與開發中。

每個預測式 GenAI 模型的結果會被記錄在資料湖中。此外，分析模型也可以向其他模型推送通知，以執行特定任務。這些模型可能會按週期運行，或是在關注的市場活躍期間以較持續的方式運行。

自主交易系統（Autonomous trading systems）可能會使用來自市場分析的狀態回饋（status feeds）來觸發交易。分類系統（Classification systems）會定期為資產評分，並在資料湖中持續保存資產分類的歷史。最後，我們來到 GenAI 投資組合助理（GenAI Portfolio Assistant）。

**投資組合助理將是一個由 AI 支援的推薦系統（Recommender system），可存取最新的市場數據與歷史資料。**顧問可以與助理互動，提供客戶檔案並提出建議需求。這最適合在客戶在場的情況下完成。顧問與客戶的互動應被捕捉並記錄在資料湖中，作為分析的輸入。

顧問使用 AI 系統的方式，是透過自然語言處理（NLP）介面；該介面可以是文字或語音。

投資組合助理會根據模型中的資訊、資料湖中的資料，或是對市場分析模型的 API 查詢，來回應顧問。NLP 介面能提供強大的助理能力，但根據經驗，顧問需要知道如何提問，才能取得有用的結果。

沒有那位人類中介，對於初學者而言，要在如此複雜的主題上與 NLP 系統互動，可能會令人沮喪。大型語言模型（Large Language Models）在這個領域的能力遠超以往任何技術，但它們仍不太可能通過圖靈測試（Turing Test）。

圖靈測試要求：人類應無法僅靠對兩邊都提出的問題的回覆（replies to questions）來區分機器與另一位人類。這些機器並非人類，也無法像人類那樣精確回應。許多公司會雇用人員，其工作描述字面上就是透過設計提示詞（crafting prompts），讓 LLM 與 GenAI 系統回覆更好。

根據 Juniper research 在 2021 年的一份報告，截至 2025 年，全球 40% 的銀行客戶將使用 NLP 聊天機器人來完成交易。把 NLP 加在任何面向客戶的應用前端，往往就是一家公司開始的方式。其他 AI 系統則著重於自動化常見任務。後者在供應鏈（Supply Chain）應用上非常成功。

基於 AI 的自動化可以消除許多手動流程，讓工作流程更有效率。NLP 與任務自動化幾乎能使任何產業的應用受益。用於金融市場分析的 AI 開發是一項相對困難的任務。

康乃爾大學（Cornell University）開發了 GenAI 模型 StockGPT。請參閱：<“StockGPT: A GenAI Model for Stock Prediction and Trading”>，位於

結論

對金融市場的分析，其複雜度有些超過像供應鏈（Supply Chain）甚至銀行（Banking）這類應用。驅動其中的變數更多，且也更複雜；其中部分行為會受到市場數字、法規，以及參與者情緒反應的影響。

其中有些可以透過統計來降低風險，但金融市場的預測屬於代數問題的範疇：變數太多，方程式卻不夠。AI 不僅能像計算數學那樣去做，也能在數學之外尋找模式與異常。

量子計算（Quantum Computing）是另一項值得探索的技術。它在科學某些應用中已展現出價值。有建議將其用於風險管理，透過蒙地卡羅模擬（Monte Carlo simulations）來處理一個金融情境。

我們將拭目以待未來會發生什麼。