大模型与RPA、隐私计算结合，或加速推动银行数字化转型

人工智能大模型是指拥有超大规模参数、超强计算资源的机器学习模型，可处理海量数据，完成各种复杂任务，如自然语言处理、图像识别等。

2023年，国内外不少科技、互联网企业推出或更新大模型，开启“百模大战”，好不热闹！而在应用侧，银行等金融机构跃跃欲试，意在以大模型加速推动业务数字化、智能化转型。

事实上，近几年，受到银行业关注并进行布局的新兴技术还有RPA、隐私计算等。值得注意的是，大模型与这些技术之间有着“微妙”的关系，比如两者结合带来更大的想象空间，或者两者之间的相互促进与推动等。

01

RPA结合大模型：实现自动化+智能化操作

RPA（机器人流程自动化），指通过软件机器人模拟人类与计算机的交互过程完成大量规则明确、重复机械的业务操作。其在银行业的应用场景包括客户服务、信用卡审批、风险防控、运维等，可助力降本增效，提升操作的准确性和运营效率。

多家银行早已研究布局该技术。比如2019年7月，建设银行总行自研的RPA运营平台正式投产上线，以促进集团范围内应用的快速推广；2020年末，工商银行实现RPA规模化应用，建成企业级数字劳动力体系。

但RPA主要处理大量重复、规则明确的结构化数据。然而，在银行，基于规则化数据的业务只占一小部分，剩下的则大量涉及图片、文字甚至音视频等非结构化数据，且非结构化数据一直在快速增长。因此RPA并不是万能的，其有着较为明显的弊端和局限性。

而处理结构化数据，是AI技术所擅长的。事实上，金智维、弘玑、来也科技、达观数据等RPA厂商早就开始探索RPA与AI的融合，以为银行等机构提供更为智能的“数字员工”。

推出具有超大规模参数的大模型，是AI领域的一大步。大模型与RPA结合，或有不小的好处。

RPA可执行重复性、规则驱动的任务，而基于大模型，则能提供更深层次的理解和学习能力，帮助RPA处理更抽象和非结构化的任务。RPA的自动化能力结合大模型的理解、创造能力，可赋能多个领域。

比如在客户服务领域，两者结合，RPA自动处理客户查询等任务，大模型则能帮助理解客户需求，提供更有个性化和主动化的服务；在运营管理领域，RPA可自动执行数据录入、报表生成等任务，而大模型可帮助分析数据等；在供应链管理领域，RPA可自动执行订单处理、库存管理等任务，而大模型可帮助预测需求、优化运输路线等。

在大模型的助力下，RPA有望升级为真正的“IPA”。

02

隐私计算与大模型：实现更安全的数据计算与训练

隐私计算是指，在不泄露数据本身的前提下实现对数据的分析计算，在保护好数据和隐私的同时，让数据价值可以最大化地转化和释放。简而言之，即推动数据要素可信流通。

同样，已有多家银行布局隐私计算技术。比如农业银行2022年报显示，落地企业级隐私计算平台，验证与第三方平台互联互通；邮储银行2022年报透露，建设全行级数据多方安全计算平台，推动多方安全计算与隐私计算技术应用。

而训练大模型，需要大规模的数据量。随着国家和监管方对信息保护、数据安全的愈加重视，大模型显然需要保证数据方面的安全合规，尤其是在强监管的金融业。

以隐私计算做大模型的“防火墙”是一个可行方向，从这个方向上而言，两者或将互相推动。

一方面，基于隐私计算，在大模型的训练、应用过程中可更好地保障数据安全，在合规的情况下，加速推动大模型落地，从而真正释放大模型的潜力，赋能银行等更多机构。比如部署TEE（可信执行环境）以保护大模型训练、微调过程中的数据安全，在推理阶段使用多方安全计算提升隐私保护能力。

而且，由于隐私计算可实现数据安全共享，从而提高数据利用率，有利于进一步提升大模型的数据量、数据质量。

另一方面，如今大模型处在“百花齐放”的阶段，虽然还存在幻觉、可解释性等挑战，但相比元宇宙，其实际落地的可能性要大很多。

而大模型的崛起，将有力带动隐私计算的发展，迎来“柳暗花明”。另外，大模型导致算力、数据、场景方面更大的供需矛盾，带来更大的分布式需求，这会对隐私计算提出新的要求，或促使隐私计算“再进化”。

据了解，目前已有机构研究隐私计算和大模型的融合应用，比如联邦大模型等。

写在最后

最后值得一提的是，目前银行正探索研究的元宇宙、数字人等领域，实际上也需要大模型的赋能，从而提供个性化、智慧化体验。

在这个新技术层出不穷且对智能化不断提出更高要求的时代，没有哪一项技术是孤立的，大模型也是如此。大模型与RPA、隐私计算等技术的结合或相互促进，将有利于加速银行等机构数字化、智能化转型。

-? END??-