存量资金构成的市场当中，个股的深蹲跳与蹦极由小作文发动，风格和赛道取决于边际增量资金。当公募基金发行份额跌回18年与14年的水平，那些被时代β眷顾的小镇做题家，凭借“好公司好价格”框架在基金公司造星运动一度封神的C位经理，已经开始丧失AH股的定价权，曾经相信光，如今却不敢AI。
金融系象牙塔里走出来的基金经理，不懂怎么把AI大模型的数学推理翻译成普通话；没经历过2015脱实入虚的人，不理解TMT狂潮可以用PS驱动；照本宣科的散户，以为通用大模型能吃透所有碎片化市场。导致的结果就是AI机构不买、散户不跟、游资不撤、板块指数不跌。种下恐惧、开出贪婪的花，最终因福得祸。
继AMD开始挑战英伟达，苏妈与老黄的PK也加速了国内AI大模型的对决。靠收购的大模型厂商被看作是一体化公司、离婚压顶的友商再带不起模型更新直播的流量、唯一剩下的可选项已经讲了N年AI的故事，如今难看的吃相深刻“教育”着新入局投资者、又有几个人能重仓互联网巨头呢？所以AI大模型上市公司，有没有可能多一个可投资选项？
上篇文章我们讲过双下降现象引发的AI大模型时代到来。（《挑干的唠：百融云AI大模型强在哪？》）在此基础上，我们接着来解释大模型发展过程中的其他元素。大模型之所以能够不断升级，是因为当模型的训练量小于10的22次幂时，在几个自然语言处理任务上的准确率都在0附近，而当训练量超过10的24次幂，模型的准确率就开始大幅提升，这就是科学文献中模型的“涌现”效应，也成了大模型势在必行的原因。
而我们经常说的预训练，其实就是用未标注的数据训练大模型，使其能够学习到普遍特性和结构。而在已经预训练的模型上用标准数据进行有监督的微调，就是能够完成特定应用领域任务的Finetune。
所以根据上述原理，能被选择的AI大模型厂商，必须有足够的训练量、已完成的预训练模型、特有的标注数据。能够打通垂直领域整条业务线流程，才能使得AI帮助企业完成线上闭环，进而完成私有化部署。在金融AI领域，如果AI只能帮助金融业完成贷款申请者的初步筛选，但将曾经因同业间导流引发的贷款申请次数畸高的用户拒之门外，并且没有完整的数据反馈机制完成自动化审批及模型修改。百融云要做的大模型，就是为了解决这些问题。
银行要在保证贷款可收回的基础上扩大贷款规模，增加业绩。以百融云银行业案例为例，贷前需要筛查申请者的资质，如果用户在多个贷款平台中办理了信贷业务，就会形成多头授信，所以如果有过往贷款申请频次畸高、击中银行中风险、非工作日频繁申请贷款、短期内重复申请次数异常这些情况，银行就要进行审查。百融云的贷前多头产品覆盖了90%以上信用卡客群，用来衡量好坏样本累计分部之间差值的KS值达到0.5，增加了贷款获批量；贷中环节需要甄别申请者潜在多账户转账的风险，贷后需要根据还款人的月付进度及还款期限，拟定不同的提示信息及话术。
那百融云的AI给银行业赋能情况和效果怎么样呢？举个例子，互联网贷款监管进入下半场，部分银行面临线下转线上的需求，来打破对单一渠道的依赖。但银行传统线下贷款模式的信用策略非常依赖强规则和专家经验，说白了不再适用于线上自动审批，原有规则策略的覆盖度不足线上渠道的50%，这时候就需要以百融云AI技术的辅助，通过多叉树、逻辑回归、LightGBM这些AI算法，在和银行联合建模的过程中，百融云帮助银行筛选或衍生出区分度比较高的信贷指标变量，构建基于这种规则的模型，应用到贷前贷中各个环节。在一些银行项目合作过程中，百融云总计开发出2000多种衍生字段 ，最终帮银行把贷款自动化审批通过率从40%提升到80%，相当于效率翻了一倍。更重要的是，客户对于AI大模型应用过程中的反馈，将是百融云继续训练大模型的信息来源。
成立了9年的百融云，用贷款申请者行为信息为银行提供贷款审批的业务，就是第一大业务“智能分析与运营”，有了这些信息积累，其他公司想做金融AI大模型那就且需要追赶。
根据目前的业绩显示，百融云于2023年一季度实现营收5.66亿元，同比增幅25%；基于自研AI平台的第一大业务“智能分析与运营”收入同比增幅41%至2.81亿元；百融云自身的AI产品线“智能运营服务”，收入较去年同期增长68%；22年年报显示公司现金及等价物共计近40亿元，这是一家已经在AI领域兑现业绩，并且有钱做大模型的厂商。
怎么听说2023年的市场，还有人想跟着机构右侧进场？今年的范式，就是在机构调仓之前先布局，比起跟机构买，不如抄机构的底，这话没毛病吧？
