摘 要：生成式人工智能在人工智能迅猛发展的过程中崭露头角，证券公司衍生品业务也在境内资本市场逐渐壮大。研究表明，生成式人工智能可在各个业务环节为证券公司衍生品业务提供支持，包括宣传推介、客户准入、协议签署、产品设计、询报价交互、交易行为监测、对冲行为优化、保证金管理等，具体支持的深度和广度不一。本文从多个角度，综合分析了生成式人工智能支持证券公司衍生品业务发展的具体做法，并根据存在的问题和障碍，提出下一步建议。
关键词：生成式人工智能 证券公司 衍生品业务
2024年3月5日，政府工作报告明确 “深化大数据、人工智能等研发应用，开展‘人工智能+’行动” 是2024年政府工作之一。2023年7月10日，国家网信办等七个部委联合发布《生成式人工智能服务管理暂行办法》，第一条开宗明义将“促进生成式人工智能健康发展和规范应用”作为首位目标，将生成式人工智能（Generative Artificial Intelligence, GenAI）的创新与发展置于重要地位。2023年4月28日，中共中央政治局会议强调了发展通用人工智能的重要性，提出需营造创新生态并重视风险防范。为了促进行业发展，现阶段有必要对生成式人工智能在金融行业的垂直应用开展研究。
杨敏然等（2023）分析了截至2023年4月26日的328篇关于人工智能生成内容的学术论文，总结指出目前境内人工智能学术研究主要关注人工智能生成内容的权利属性、知识产权保护、技术开发以及风险防范四个方面。由此可见，境内人工智能学术研究主要还是普适性的、理论性的讨论，涉及具体行业垂直应用的学术研究较少。对于当下探讨大型语言模型和人工智能在金融领域应用的文献，研究大多局限于辅助性场景，如智能客服、风险管理和决策信息提供，尚未形成全面性的应用视角。
为此，本文研究生成式人工智能（GenAI）在证券公司衍生品业务全部环节和具体节点所能提供的服务，并从短期应用和长期发展探讨业务安排和技术搭建。
▍GenAI在证券公司的应用场景——以衍生品业务为例
证券公司衍生品业务大致可分为交易前、交易中和交易后三个时段。其中，交易前主要包括宣传推介、客户准入和协议签署；交易中主要包括产品设计、询报价、交易执行和对冲交易；交易后主要包括合约估值、保证金管理及合约了结（图1）。
目前，GenAI主要问题在于可能幻化事实，如OpenAI的技术报告（2023）称GPT4“仍然不是完全可靠的（它会‘幻想’事实并犯推理错误）”。GenAI的目的是通过学习比肩人类的创造性，体现其“生成性”（Generative）的特点。然而创造性和幻想本身就是一体两面。GenAI一方面有了类人的创造性，一方面也导致它可能“幻化”（Hallucinates）事实，这个问题目前无法完全消除，如GPT-4虽然比GPT-3.5在事实幻想的优化上高出40%，但问题依然存在。
为此，在探索将GenAI嵌入证券公司衍生品业务具体环节中时，应按“稳中求进”的原则，在不同环节分步骤地引入GenAI：在初期，避免GenAI自主决策，将其用于工作辅助，尽量减少其“幻化事实”问题产生的影响；而后随着技术的不断发展和完善，可以探索GenAI在业务中发挥更深层的作用。
（1）在宣传推介方面，GenAI可以基于现行的语料库，为客户定制宣传材料，提升销售效率。
GenAI通过学习现行的法律法规、业务逻辑、产品架构、语言表达和展示示例等，利用先例材料和专业语料库，根据不同客户群体的需求，为其定制宣传材料，并提交给公司合规人员审核。
具体场景如某证券公司衍生品业务销售人员，在拜访某银行客户之前，向公司GenAI申请获取面向该银行客户的宣传推介材料。公司GenAI随即自动生成针对该银行客户内容合规、表达得体的PPT，内容包括公司概况、部门介绍、结构推荐、风险揭示、免责条款、具体实例等模块，并针对银行类客户的特殊需求进行重点介绍。制作完成后，通过OA流程提交公司合规人员审核。对于合规人员反馈的意见，公司GenAI进行针对性地调整，并将相关意见纳入后期学习训练流程，持续提升制作宣传推介材料的能力。公司GenAI还将进一步记录销售人员申请、修改、使用材料的流程，存档最终对外使用的材料，并按要求定期向监管机构报备。
另外，公司GenAI可根据销售人员提供的客户信息，初步判断该客户是否符合衍生品准入的基本条件，确保没有向不合格客户宣传推介。同时GenAI可基于公开数据向销售人员提供该客户近期的公司行为、司法风险、新闻舆论等信息，与该客户在公司的历史业务的表现情况（例如是否违约，是否有纠纷等），提出基本的需求分析和风险提示，供销售人员参考，提升与客户沟通的效率和识别风险的能力。
后期在公司GenAI充分学习和训练的前提下，可以考虑减少人工审核等人工干预步骤，由GenAI根据市场情况、客群分类、监管要求等，自动寻客，并对初步筛选符合衍生品准入要求的客户，自动推送定制的宣传推介材料。
（2）在客户准入方面，GenAI可以基于公开数据和信息，挖掘客户真实身份，提升核查效率。
初期，GenAI可作为人工KYC（“了解你的客户”）审核的重要辅助工具之一，综合客户提供的材料和从外部获取的数据，挖掘客户的真实身份信息，支持合规人员判断准入。需要特别强调的是，在GenAI发展初期证券公司使用第三方通用大模型的情况下，不建议将自身客户信息向外提供。
在GenAI技术发展到一定程度，且证券公司建立了自己的垂直类GenAI的基础上，可以考虑由公司GenAI独立完成证券公司衍生品业务的KYC和AML（反洗钱）流程，认定客户身份并准入。公司GenAI将根据规则要求，结合客户提供的材料和公开信息、第三方数据库等，确保投资者符合参与衍生品业务的门槛要求，且与挂钩标的不存在关联关系。同时，通过对身份信息的分析，整理交易对手方之间的关系，从而在授信以及行为分析等方面，对存在关联关系的对手方可合并处理。上述做法减少了人工干预，进一步提高审核效率和准确性，避免人工失误以及尺度不统一等问题。
（3）在协议签署方面，GenAI可自动生成协议文件，并追踪客户重大信息调整，确保交易对手方身份保持一致。
当交易对手方完成准入后，公司GenAI即可自动根据交易对手方的类别，例如银行、私募、信托、券商或产品等，自动生成对应的主协议、补充协议等一系列文件，提供给对方完成用印。对方对文件条文存在异议的，公司GenAI可以协助我方协议谈判，维护公司权益。另外，GenAI应当针对每个交易对手方，定期搜索公开信息，发现产品类对手方变动受益人、管理人，以及上市公司对手方变更大股东等的，及时提醒证券公司合规人员重新进行资料核查等。
如果考虑将GenAI深度嵌入业务，则此环节可以和准入环节合并，整体由GenAI自动完成。只有在交易对手方对文件出现异议，且GenAI无法与其达成一致时，GenAI应当及时地推送给公司进行人工处理。另外，协议的存储可以引入区块链的智能合约技术，可更好地抵御黑客攻击和防范网络瘫痪，但也应当关注其带来了不可改变的双面性问题。
（4）在产品设计和询报价互动方面，GenAI可提高对客户需求的理解，自动询、报价流程，提升沟通效率。
在目前的大语言模型加持下，GenAI可负责与客户初步对接，由其分析整理客户的需求，将客户表达的内容要素化和标准化，反馈证券公司衍生品业务部门的员工，由其负责制作产品草案并与客户进一步对接。当然，在充分的专业训练之后，也可以试着由GenAI直接制作产品草案，进一步提高工作效率。
例如某上市公司拟通过股票回购的方式，开展员工持股计划或实施股权激励，需要控制在二级市场的回购成本，同时保持股价稳定。该客户将上述需求告知GenAI，GenAI即可将需求理解为在一定股价范围内建仓，从而推荐卖出看跌期权和买入累购期权等不同的衍生品结构给客户，并提供对比分析。客户选择衍生品结构后，GenAI可将客户需求转换为产品方案，包含协议周期、敲出价格、每日购入股数、特殊场景、结算频率、下端倍数、行权价格、风控措施等具体要素，并分析不同市况下的表现，确保客户理解整体结构、业务逻辑和相关风险。
在询、报价阶段，GenAI可以取代查询、手工回复、信息确认等人工操作，有效提升客户服务的效率。例如，银河证券借助百度智能云的AI技术，实现了大模型在衍生品交易业务询、报价的应用，交易询、报价日均业务规模翻倍，客户从询价到下单的转化率由10%提升至30%。
（5）在交易行为管理方面，GenAI可参与监测客户交易行为，进行交易目的分析，提升合规程度。
与准入阶段类似，主要由GenAI辅助监测交易对手方的交易行为，分析了解交易目的。具体的，若交易对手方为一般企业，判断是否符合经营范围、投资范围；若交易对手方为国有企业，判断是否存在真实套保需求；若交易对手方是私募产品，穿透判断其具体投资人的交易目的，是否有风险管理的真实需求；若交易对手方是上市公司，判断是否需要信息披露。考虑到此处涉及客户的交易数据等敏感信息，在适用第三方通用模型进行分析前需要数据脱敏。
后续在建立了自己的垂类大模型基础上，证券公司可考虑由GenAI建立综合数据库，结合前面准入阶段收集的数据信息，全面分析对手方的身份和交易行为，并每日搜索公开信息，根据外部数据更新关键信息。对于信息变更和可疑行为，由GenAI直接开展强化尽调和留痕。对于出现问题的对手方，按照规则直接处理，包括限制交易、加入黑名单、上报监管部门、全面终止协议等。
（6）在对冲交易方面，GenAI可以辅助程序编写，构建数学模型，避免异常交易的同时提升对冲效率。
一方面，可以由GenAI辅助建立异常交易管理系统，识别并进行前端监控。另一方面，可以将GenAI作为交易员的专业高级程序员，由其进行基础的、底层的代码拟写，或者辅助交易员构建数学模型，并由交易员结合新的数据和本地系统进行调试和优化，从而进一步缩短软件开发周期，提升对冲交易的效率。另外，亦可以发挥GenAI的创造性，针对复杂对冲提出建议。
未来在建立了自己的垂直类大模型基础上，可以考虑直接由对策略和模型有清晰认知的GenAI，根据产品结构和客户交易指令，结合自身数据整合能力、多模态数据分析能力，提高对市场的洞察效率和质量，预测市场趋势、估算收益、计算风险等，自动形成合法合规的对冲方案并执行，并为公司赚取合理收益。另外，应当保留人工及时干预的能力，以便在市场出现特殊情况或者收到监管指导时及时调整策略和改变行为。
（7）在保证金管理方面，GenAI可以计算保证金比例等指标，并逐日盯市，提升风险管理效率。
初期由GenAI按照制度规定和监管要求，根据具体客户和业务的风险情况、交易模式、标的品种等计算合理的初始保证金比例，并履行必要的内部审批流程。GenAI负责每日盯市，并管理保证金。当对手方保证金低于维持保证金线时，及时向对手方发送追保通知书。当对手方保证金低于平仓线时，由GenAI平仓所涉合约。
在建立客户数据库，并完成客户画像的基础上，可以由GenAI对客户信用业务的规模、保证金追缴情况、业务集中度等关键指标进行深入分析与实时监控。此外，GenAI可依据业务特性和风险特征，开发包括运营和财务在内的基础指标，以及舆情和公告等高频风险事件指标，构建多维度的风险评估和预警模型，进行评估与归因分析，结合证券公司衍生品部门专业人员的使用反馈，形成一个持续改进的应用闭环，确保预警模型的持续优化和性能提升。
▍GenAI的系统四种搭建方式及路径选择
考虑到GenAI的特性，需要持续地学习和训练，因此，基于不同的训练方式，垂直类大模型的GenAI系统搭建可以大致分为四种（图2）。
一是直接自建原生大模型，即运用行业语料库和自身的算法，加上自购的算力硬件，建立一个类似GPT的全新GenAI，由自身的语料库进行初始的训练和学习。此方式的成本过高，国盛证券研究（2023）显示：以当前最具成本效益的英伟达A100服务器为算力基础，按2 500万日度搜索量计算，ChatGPT初始算力投入约为8亿美元、单次训练投入高达140万美元。我国单一证券公司目前均无法独立承建类似“证券+GPT”系统。而且运用自身的数据库在初期还会面临数据稀缺的问题，影响数据质量，导致原生大模型的学习效果不佳。
二是在第三方通用大模型基础上建立微调大模型，即运用行业语料库，同时利用第三方的通用大模型作为“基底”，加上微调工具，以及自购的算力硬件，建立一个基于通用大模型的微调模型。参数高效微调的主要思想是在保持原有大模型全部或绝大部分参数不变的基础上，通过增加或改变少量参数的方式改善模型在特定任务上的性能，受影响的参数量通常仅为全量参数的0.1%左右。此方法在底层系统逻辑部分较为被动。
三是利用行业信息占比更高的语料库，对通用大模型进行本地化、垂直化训练，激发通用模型的迁移学习能力，引导大模型生成更加精确、可靠和符合预期的输出。但同时，从底层开始训练通用大模型，所需要投入的算力成本亦不小。
四是不改变数据分布的情况下，利用更多的通用语料库进行通用大模型训练，不特别引入行业数据，即尽量将GenAI推进到AGI（Artificial General Intelligence）时代，此方式是未来的发展方向。
考虑到目前GenAI本身存在的问题和证券公司衍生品业务的特性，在前期应用阶段，可使用第三种方式，即对通用大模型进行本地化、垂直化训练，为人工工作提供辅助，提高工作效率。在长期安排上，为确保金融安全、保护数据隐私，同时结合重复建设、搭建成本、数据稀缺等实际问题，可以结合方式一和方式四，探索由行业协会或者大型头部金融机构建立金融行业通用大模型，各证券公司通过微调工具进行个性化和适应性调整，在专业性、针对性、高精度和合规性上，更贴合金融行业的行业特性和底层逻辑。
▍GenAI本身存在的问题
除了前文提到的“事实幻想”这一无法避免的问题之外，GenAI还存在训练成本高，数据库可能被操纵以及“弱者监督强者”悖论等问题。
（1）训练成本高且对环境不友好
基于Transformer的大模型能力与参数数量成对数线性增长，以GPT为例，2018年6月推出的GPT-1，模型参数量为1.17亿，预训练数据量为5GB。2020年5月推出GPT-3，模型参数量飙升至1750亿，预训练数据量高达45TB。据统计，每训练一次GPT-3模型需要耗电约19万度，大约产生85000千克的二氧化碳当量，相当于一辆汽车行驶70万公里（大约是地球与月球间距离的两倍）的排放量。而根据荷兰银行数据专家Alex de Vries估计，ChatGPT每天消耗超过50万千瓦时的电力，用于处理约2亿个用户请求，相当于美国家庭每天用电量的1.7万多倍。
（2）数据库可能被操纵而导致偏见、歧视以及不公正的结果
由于GenAI依赖于大模型海量的数据训练，如果训练数据集质量低下或不全面（例如，包含性别偏见、种族偏见、职业偏见等的歧视性变量），或者数据集被故意篡改以包含偏见（训练数据投毒或污染），这可能改变模型的道德行为，导致GenAI输出不公平的结果。尽管GenAI能够通过用户反馈和互动进行学习，但这一过程亦可能加剧现有的偏见和社会不平等。金融领域的典型案例，是基于人工智能模型的贷款决策可能导致歧视性或不公平的贷款实践。
随着持续深度学习和训练，GenAI发展到比人类聪明得多指日可待，然而目前的训练还是人类反馈强化学习（Reinforcement Learning from Human Feedback，RLHF）等方式，依赖于人类的监督。未来假设GenAI能够做出极其复杂又是创新的行为，例如人工智能可能编写出新颖、人类专家无法理解，而且具有潜在危险的计算机代码。这将使得人类难以对其可靠性进行有效监督，因为对于逐渐强大的人工智能模型，人类将是“弱者”，如何信任和控制强大得多的人工智能？
▍生成式人工智能在境内金融业应用存在的障碍
正如美国商品期货交易委员会（Commodity Futures Trading Commission, CFTC）（2024）提出：在衍生品市场开发和部署人工智能有潜在的好处，但也存在明显的风险。GenAI在我国落地垂直类行业应用主要面临美国的限制、行业的制度框架不够完善、金融风险隐蔽性更高以及数据安全等问题。
（1）限制芯片出口和云服务，影响境内人工智能算力。
据华泰证券（2023）测算，训练一次ChatGPT模型（13亿参数）需要的算力约27.5PFlop/s-day，即以1万亿次每秒的速度进行计算，需要耗时27.5天；而ChatGPT单月运营需要算力约4874.4PFlop/s-day。高性能、低成本算力是AI大模型技术创新和产业化的关键资源。人工智能是美国政府打压中国的重点领域。2023年10月，美国拜登政府出台一系列新的限制措施，包括限制向中国出口更先进的人工智能芯片和半导体设备。2024年2月，美国商务部公布了《采取额外措施，以应对重大恶意网络活动的国家紧急状态》，要求微软Azure、亚马逊AWS等美国云厂商在提供云服务时，要收集验证外国用户的身份和IP地址等信息，限制外国用户对美国云服务产品的访问，将针对中国AI发展的限制延伸到云层面。在目前国产芯片性能仍与国际顶尖水平存在一定差距的情况下，美国的限制无疑直接影响境内人工智能算力的发展。
（2）在强化人工智能监管的同时，垂直类行业制度框架待进一步完善。
在世界各国都在积极针对人工智能强化监管和制定法律的环境下，我国政府也已在人工智能的法律制度层面建立了系统性的框架：在《中华人民共和国网络安全法》、《中华人民共和国数据安全法》（以下简称《数据安全法》）、《中华人民共和国个人信息保护法》（以下简称《个人信息保护法》）的基础上，以《生成式人工智能服务管理暂行办法》为枢纽，统合《互联网信息服务深度合成管理规定》《网络信息内容生态治理规定》《互联网信息服务算法推荐管理规定》的相关规范，初步构建了生成式人工智能的制度框架。但从金融行业的角度，GenAI的垂直应用，尚缺乏行业性质的规范和要求，比如具体应用范围、管理原则、风控要求、技术参数、应急处理等等，需要基于技术性质的法律基础上，凸显行业的属性和逻辑，确保生成式人工智能在垂直行业的应用健康、持续。
（3）引入生成式人工智能可能导致金融风险的隐蔽性更高
由于GenAI模型基于神经网络和深度学习算法构建，其“黑盒”特性使得模型的内部决策过程缺乏透明度，难以揭示输入与输出之间的确切因果关系或解释其决策逻辑。在应用初期，垂直类大模型大多依赖于第三方通用大模型的“基底”，获取相关核心算法和架构逻辑更为困难。假设在证券公司衍生品业务中,如果GenAI对客户的需求完成了分析，但无法提供分析逻辑并解释分析步骤，可能会降低客户的信任程度。同时，由于算法黑箱导致金融风险难以提前被识别，只有当风险发生后才能被观测到，加之如果多家金融机构使用类似的GenAI同时运用于多项金融业务，可能导致风险交叉传导，甚至引发系统性风险。
（4）数据是GenAI的训练基础，但同时也涉及客户隐私和信息安全。
数据在证券行业中扮演着重要的角色，是维护竞争优势的关键因素。同时，GenAI为了有效学习和提高技能，依赖基于大量数据的持续训练。根据IBM的调查，大多数受访CEO表示，数据沿袭和来源（61%）以及数据安全（57%）方面的问题是采用GenAI的主要障碍。对于境内证券公司，在使用第三方人工智能服务，或者使用第三方通用大模型“基底”时，如果提供完整的客户信息，就会面临客户隐私泄露和数据安全的问题，甚至存在违反《个人信息保护法》和《数据安全法》等的可能。但如果不提供客户信息，GenAI就可能无法获得充分的训练数据，这将限制其在分析和支持方面的能力，引入GenAI的潜在价值和效果就会大打折扣。
2024年3月15日，中国证监会发布《关于加强证券公司和公募基金监管加快推进建设一流投资银行和投资机构的意见（试行）》，其中明确提出要鼓励加大科技投入，深化金融科技在证券行业机构的应用。为此，证券公司只有主动拥抱人工智能，尤其是GenAI的快速发展，探索将其嵌入衍生品等具体业务中的做法，拓展其应用的深度和广度，从辅助人工减少重复性工作和流程节点，到逐渐挖掘其深度学习以及大数据算法分析等能力，才能更好地落实好科技金融大文章的战略布局，从而提高金融服务实体经济的质效，积极践行金融高质量发展助力强国建设的责任。
▍建议初期以人为本推进人机协同
尽管GenAI正在对包括证券公司在内的金融行业的传统业务产生深远的影响，但其局限性也不容忽视。GenAI无法克服的缺陷代表着其无法完全取代人类，但使用GenAI的人却可能会取代不使用GenAI的人。人才始终是GenAI战略的核心。
在应用初期，建议主要发挥GenAI的编程辅助、信息整理等功能，减少流程节点，降低重复性工作负担，辅助人工决策，提升工作效率，避免直接依赖GenAI进行复杂的分析判断，确保结果的准确性和可靠性。同时，证券公司应致力于培养具备“AI+证券”背景的复合型人才，以增强业务和内控团队对人工智能的培训和操控能力。建议创建并采用AI设计指南，并将有关算法责任的具体部分纳入企业的商业道德准则。通过多样化的交互和多层次的参与，可以有效地指导GenAI，实现人机交互的自适应性，充分结合自动化与人性化的优势，从而最大化人机协同的潜力。
▍建议在任何阶段都要重视数据安全和隐私保护
建议将数据安全和客户隐私保护放到足够重要的位置。在GenAI应用初期，使用第三方人工智能服务，或者使用第三方通用大模型“基底”时，证券公司应当禁止对外提供客户信息，而是改为利用GenAI信息收集和整理能力，由其将相关的外部信息收集并标准化处理之后，反馈作为人工决策的辅助工具；后续建立相关数据脱敏机制和技术处理后，可考虑将客户信息脱敏后提供给第三方，尤其作为数据库训练其通用大模型，完成信息分析判断后，反馈证券公司，并恢复还原；最后，如果是证券公司自建的，或者行业建立的，负责任的垂直类大模型，则可以考虑将客户数据直接提供给GenAI，但同时需要进一步提高数据保护和防止泄露的能力。
▍建议长期发展以建立金融垂直类大模型为目标
目前境外GenAI都是通用大模型，垂直类模型建立与境内相比少了很多，因此境内有些观点认为可以直接建立AGI，适用所有垂直类行业，所以提出所谓的垂直类大模型是“伪命题”。但本文认为，在通用大模型的基础上，进行行业语料库训练或微调，形成的具体行业垂直类大模型，适应境内分业监管的监管架构，也更有针对性、实时性和合规性。尤其金融行业存在较高的专业性，有较多的专门术语和表达方式，有特别的监管要求和管理逻辑，更适合建立行业垂直类大模型。度小满CTO许东亮（2023）指出“通用模型难以胜任金融领域任务，金融大模型是大模型落地金融行业的必由之路”。
具体的搭建方式，建议由行业头部机构，或者行业协会牵头负责垂直类大模型的建设，因为相关机构和单位本身在业务场景、数据规模等方面更有优势。将此垂直类大模型交由监管部门统一监管，同时向其他的行业机构开放技术后台，各金融机构根据行业本质和自身情况进行微调，从而适用于自己的业务需求。
各证券公司应当确保应用场景易于解释，GenAI生成的工件清晰可识别，GenAI训练保持透明且接受持续审核。持续记录组织中使用GenAI 的所有实例和相关治理，有效管理风险。确保GenAI 生成的结果可以追溯到基础模型、数据集、语料库或其他输入指令。同时将这些源信息植入到数字资产管理和其他系统中。做好随时根据监管风向的转变和新出台的法规做出调整的准备。
在开发和部署人工智能系统时应遵循的一系列指导方针和最佳实践，以确保AI的应用对社会、经济和环境产生积极影响，同时减少潜在的负面影响。实际上，《生成式人工智能服务管理暂行办法》第四条就明确了境内“负责任的AI”原则，即遵守法律、行政法规要求，尊重社会公德和伦理道德，坚持社会主义核心价值观，不得危害国家安全和利益，防止产生民族、信仰、国别、地域、性别、年龄、职业、健康等歧视，尊重知识产权、商业道德，尊重他人合法权益，以及提升生成式人工智能服务的透明度，提高生成内容的准确性和可靠性。
前文提到GenAI的局限性，数据规模和训练成本过大是一大痛点。更大规模的模型可以提供更深入、更准确的语言理解和分析能力,使得模型能够更好地理解和回复复杂的问题和指令。然而,这些模型参数规模与训练数据规模的迅速增长带来极大的成本。算力成本因为摩尔定律具备下降趋势之外，需要进一步研究大模型的轻量化，才能在保证性能的同时降低算法边际成本，推动GenAI大规模应用落地。
【免责声明】本文信息仅用于投资者教育之目的，不构成对投资者的任何投资建议，投资者不应当以该等信息取代其独立判断或仅根据该等信息作出决策。本文信息力求准确可靠，但对这些信息的准确性或完整性不作保证，亦不对因使用该等信息而引发或可能引发的损失承担任何责任。
