Flint8作品 AI时代：码农的涅盘重生全文阅读简介:AI时代：码农的涅盘重生最新章节 第252章 跨界合作(第1页/共2页)
AI时代：码农的涅盘重生 第252章 跨界合作(第1页/共2页)
****3*6*0**小**说**阅**读**网**欢**迎**您****
请用户自行鉴定本站广告的真实性及其合法性，本站对于广告内容不承担任何责任。
林晨正在写代码，看了一眼消息，手指悬在键盘上方停了两秒。
证券公司的考察。这意味着FinGPT的名声已经从T厂内部传到了外部机构。他回了一个字：
会议定在周三下午两点。国泰证券来了三个人——技术总监姓王，四十出头，头发梳得一丝不苟，说话慢条斯理但每个问题都问在技术上；一个产品经理姓赵，三十出头，带着一个平板和一本厚厚的笔记；还有一个合规主管沉默寡言，全程只在本子上记录。
林晨这边带了陈铭和产品部的刘姐。会议室还是二十楼那间——空调出风口还是对着座位吹。
王总开门见山：我们公司最近在推数字化转型，其中有一个方向是智能投研——用AI帮分析师提高研报撰写效率，同时帮普通投资者降低信息获取门槛。我们在网上看到了您们在FinGPT上的技术分享，想了解一下能不能合作。
陈铭把FinGPT的技术架构和金融问答能力投在屏幕上，从数据采集、指令微调、RLHF对齐到评测体系，每个环节大概讲了两分钟。王总听得很认真，在陈铭讲到领域微调数据规模的时候打断了一下：你们的金融训练数据大概有多少？
目前高质量标注数据大约两万条，覆盖理财、保险、基金、股票四个领域。另外有十几万条半自动标注的公开监管文件数据。
两万条标注数据听起来不多，但在金融这个领域已经是相当可观的积累。金融数据的标注成本远高于通用领域——一条涉及复杂金融产品的问答对，需要具备专业资质的标注人员花十五到二十分钟才能完成，单条成本在五十块以上。
王总显然知道这个成本结构，所以他没有追问为什么只有两万条——而是问了另一个问题：如果我们想合作开发一个智能投研助手，您们需要什么？
林晨接过话头——这也是他的主场：两样东西。第一，数据。券商手里有大量的研报、路演纪要、行业数据库，这些都是训练投研模型的燃料。没有数据，模型再强也做不出垂直场景的效果。第二，业务场景和反馈。我们不知道一个券商分析师每天的工作流程长什么样，不知道他看研报的时候最需要什么维度的信息——这些需要你们的产品经理和分析师告诉我们。
你们能提供什么？赵经理第一次开口。
模型能力。包括文本理解、信息抽取、摘要生成、合规审查——这些都是FinGPT已经在金融场景验证过的。另外——林晨顿了一下，我本人有三年的量化投资系统的开发经验，对金融数据的理解不只是停留在NLP层面——我理解金融数据的业务含义。
这一点是林晨独有的优势。大部分做大模型技术的工程师懂算法但不懂金融，能把损失函数夏普比率放在同一句话里讨论的人不多。
王总合上笔记本，身体往椅背靠了靠。我想确认一下——您说的量化投资系统是您个人做的还是商业项目？
个人项目。从零开始开发的，覆盖A股、基金、可转债、期货期权，目前管理规模不到一百万的实盘。林晨没有回避金额，不是机构级别的量化系统，但让我理解了金融数据的底层逻辑——量价关系、波动率结构、市场微结构。这些理解在做FinGPT投研模型的时候很有用——因为你知道用户看到的研报里的每一组数据背后代表什么。
比如说？
比如说一份研报里提到某公司的经营性现金流同比下降百分之二十五。一个单纯的NLP模型只会把这句话当成一段文本，提取出实体——公司名——和数字——负百分之二十五。但懂金融的人知道：经营现金流下降百分之二十五意味着这家公司的盈利质量在恶化。如果同时发现应收账款在增长，说明公司可能在通过放宽信用政策来维持账面利润。这两条信息交叉验证之后，才能得出有意义的分析。FinGPT要做的不是简单的文本提取——是把这个交叉验证的逻辑内化到模型里。
王总沉默了大概十秒，然后侧头跟赵经理交换了一个眼神。
林总，我们的合作意向是认真的。王总把一张名片推到林晨面前，下周我们内部开一个立项会，如果您有空，希望您能来我们公司做一个分享——给我们的技术团队和业务团队讲一下FinGPT在投研场景的应用可能性。
林晨接过名片。可以。我让陈铭跟您们确认时间。
散会后，陈铭在走廊里忍不住说了一句：林总，您刚才那段关于经营现金流和应收账款的例子——讲得太清楚了。比我方案里写的那些提升投研效率之类的空话有力一百倍。
林晨没接这个茬。他说的是：回去把国泰证券需要的技术对接方案先准备出来。他们下周立项会如果通过，这个合作就是FinGPT第一个外部商业项目。
如果外部合作推进来，那跟金融事业部那边怎么协调？
>>>点击查看《AI时代：码农的涅盘重生》最新章节