存量資金構成的市場當中，個股的深蹲跳與蹦極由小作文發動，風格和賽道取決于邊際增量資金。當公募基金發行份額跌回18年與14年的水平，那些被時代β眷顧的小鎮做題家，憑借“好公司好價格”框架在基金公司造星運動一度封神的C位經理，已經開始喪失AH股的定價權，曾經相信光，如今卻不敢AI。

金融系象牙塔里走出來的基金經理，不懂怎么把AI大模型的數學推理翻譯成普通話；沒經歷過2015脫實入虛的人，不理解TMT狂潮可以用PS驅動；照本宣科的散戶，以為通用大模型能吃透所有碎片化市場。導致的結果就是AI機構不買、散戶不跟、游資不撤、板塊指數不跌。種下恐懼、開出貪婪的花，最終因福得禍。

繼AMD開始挑戰英偉達，蘇媽與老黃的PK也加速了國內AI大模型的對決。靠收購的大模型廠商被看作是一體化公司、離婚壓頂的友商再帶不起模型更新直播的流量、唯一剩下的可選項已經講了N年AI的故事，如今難看的吃相深刻“教育”著新入局投資者、又有幾個人能重倉互聯網巨頭呢？所以AI大模型上市公司，有沒有可能多一個可投資選項？

上篇文章我們講過雙下降現象引發的AI大模型時代到來。（《挑干的嘮：百融云AI大模型強在哪？》）在此基礎上，我們接著來解釋大模型發展過程中的其他元素。大模型之所以能夠不斷升級，是因為當模型的訓練量小于10的22次冪時，在幾個自然語言處理任務上的準確率都在0附近，而當訓練量超過10的24次冪，模型的準確率就開始大幅提升，這就是科學文獻中模型的“涌現”效應，也成了大模型勢在必行的原因。

而我們經常說的預訓練，其實就是用未標注的數據訓練大模型，使其能夠學習到普遍特性和結構。而在已經預訓練的模型上用標準數據進行有監督的微調，就是能夠完成特定應用領域任務的Finetune。

所以根據上述原理，能被選擇的AI大模型廠商，必須有足夠的訓練量、已完成的預訓練模型、特有的標注數據。能夠打通垂直領域整條業務線流程，才能使得AI幫助企業完成線上閉環，進而完成私有化部署。在金融AI領域，如果AI只能幫助金融業完成貸款申請者的初步篩選，但將曾經因同業間導流引發的貸款申請次數畸高的用戶拒之門外，并且沒有完整的數據反饋機制完成自動化審批及模型修改。百融云要做的大模型，就是為了解決這些問題。

銀行要在保證貸款可收回的基礎上擴大貸款規模，增加業績。以百融云銀行業案例為例，貸前需要篩查申請者的資質，如果用戶在多個貸款平臺中辦理了信貸業務，就會形成多頭授信，所以如果有過往貸款申請頻次畸高、擊中銀行中風險、非工作日頻繁申請貸款、短期內重復申請次數異常這些情況，銀行就要進行審查。百融云的貸前多頭產品覆蓋了90%以上信用卡客群，用來衡量好壞樣本累計分部之間差值的KS值達到0.5，增加了貸款獲批量；貸中環節需要甄別申請者潛在多賬戶轉賬的風險，貸后需要根據還款人的月付進度及還款期限，擬定不同的提示信息及話術。

那百融云的AI給銀行業賦能情況和效果怎么樣呢？舉個例子，互聯網貸款監管進入下半場，部分銀行面臨線下轉線上的需求，來打破對單一渠道的依賴。但銀行傳統線下貸款模式的信用策略非常依賴強規則和專家經驗，說白了不再適用于線上自動審批，原有規則策略的覆蓋度不足線上渠道的50%，這時候就需要以百融云AI技術的輔助，通過多叉樹、邏輯回歸、LightGBM這些AI算法，在和銀行聯合建模的過程中，百融云幫助銀行篩選或衍生出區分度比較高的信貸指標變量，構建基于這種規則的模型，應用到貸前貸中各個環節。在一些銀行項目合作過程中，百融云總計開發出2000多種衍生字段 ，最終幫銀行把貸款自動化審批通過率從40%提升到80%，相當于效率翻了一倍。更重要的是，客戶對于AI大模型應用過程中的反饋，將是百融云繼續訓練大模型的信息來源。

成立了9年的百融云，用貸款申請者行為信息為銀行提供貸款審批的業務，就是第一大業務“智能分析與運營”，有了這些信息積累，其他公司想做金融AI大模型那就且需要追趕。

根據目前的業績顯示，百融云于2023年一季度實現營收5.66億元，同比增幅25%；基于自研AI平臺的第一大業務“智能分析與運營”收入同比增幅41%至2.81億元；百融云自身的AI產品線“智能運營服務”，收入較去年同期增長68%；22年年報顯示公司現金及等價物共計近40億元，這是一家已經在AI領域兌現業績，并且有錢做大模型的廠商。

怎么聽說2023年的市場，還有人想跟著機構右側進場？今年的范式，就是在機構調倉之前先布局，比起跟機構買，不如抄機構的底，這話沒毛病吧？

申請創業報道，分享創業好點子。點擊此處，共同探討創業新機遇！