独家 | 创新工场首席科学家周明：NLP 与金融「联(2)

NLP的这些能力在金融领域有很多用处，比如智能信息抽取。几乎所有金融单位都要处理很多无结构、有结构或半结构的文档，如网页有表格、有字段。举个例子，基金的变化，昨天的价格多少、今天的价格多少、基金数量、购买人数、交易量、上升与下降幅度等等，有可能写在年报里，也有可能写在网页里，我们就可以使用智能文档分析技术，将其重要信息抽取出来形成数据库。

金融的需求没有那么明确，而且场景多样化，同时 AI 技术也在不停地迭代，例如，大模型约每三个月就要迭代一次。

因此，金融行业的人士对 AI 是既渴望、又觉得太繁复，跟不上 AI 的节奏。在这种方式下，项目制就会产生一些问题，而联合实验室则能更灵活地应付这种快速多变的局面，把双方的优势与长处发挥出来。

AI科技评论：金融业务有哪些特征？在金融场景中，NLP能够解决什么样的问题？

而此时，「孟子」的轻量化优势便发挥了出来。

周明：两者都不多。由于技术的局限性，NLP落地很难，因此全世界的NLP公司都比较少，但像百度、微软、谷歌等背后都有 NLP 团队，主要是服务于它们自身的业务和产品，作为一个部件，例如拼写检查、文档分析、索引等等，但极少有公司专门以 NLP 技术立足。

AI科技评论：「孟子」模型之所以能够在某些基准上表现优于大模型，是因为其针对特定任务去做训练吗？

周明：首先说NLP（自然语言处理）技术。目前 NLP 领域有许多基于互联网的海量数据训练出来的大规模预训练模型，过去几年也在全世界引起了广泛关注。但澜舟科技做的是「孟子」轻量化模型，模型不大、容易落地，同时又具备分析、搜索、翻译、生成等能力。

周明：「孟子」在澜舟公司的所有技术体系中都会体现，包括智能文档、信息抽取、知识图谱、搜索问答，还有文本生成等，这些核心技术均会进入到跟华夏一同成立的联合实验室中。「孟子」会基于一些金融数据做训练，从而获得处理金融数据的能力。

他是中国第一个中英翻译系统CEMT-I（哈工大1989年）、日本最有名的中日机器翻译产品J-北京（日本高电社1998年）的研制者，曾担任2019年国际计算语言学协会（ACL）主席，中国计算机学会理事、中文信息技术专委会主任、术语工作委员会主任、中国中文信息学会常务理事，谷歌学术引用数超过32000次。

根据华夏基金首席数据官陈一昕的介绍，在以往的「金融+NLP」建设中，他们往往面临模型与行业场景适配性差、训练代价大、中文理解能力不足等问题。面对金融领域文本专业性强、应用场景多变的情况，构建落地快、易迭代、可适配金融垂直领域的中文NLP模型是一个亟待实现的目标。

周明告诉AI科技评论，诸如「孟子」的轻量化模型部署成本低，能够快速迭代，用户压力小，且适配性强。此外，通过知识融合、数据增强，能力上或并不逊于大模型，十分适合金融场景的需求，更容易落地。

周明：算力比较低，用 16 块 GPU、训练两三周就能训练出一个孟子轻量化模型。当然，卡越多，速度越快。

以下是雷峰网-AI科技评论与周明博士的对话：

AI科技评论：「孟子」强调的是小模型，小模型对于处理金融领域的问题是否有独特的优势？

恰好在去年10月，我应邀参加一个在上海举行的智能投研大会，做了一个特邀报告，其中介绍了澜舟科技的自然语言处理技术，包括「孟子」预训练模型。华夏基金的杨思成在台下，对我们很感兴趣，就介绍我和华夏基金的首席数据官陈一昕认识，双方一拍即合。

1999年，周明加入微软亚洲研究院，随后担任自然语言研究组的负责人、微软亚研副院长。2020年12月，他从微软离职，随后加入创新工场担任首席科学家，2021年6月孵化出澜舟科技，7月就推出轻量化模型——「孟子」，在中文语言理解评测CLUE榜单的多项指标上登顶第一，引起不少关注。

文章来源：《系统科学学报》 网址: http://www.xtkxxb.cn/zonghexinwen/2022/0607/832.html