21世纪经济报道 实习生 张长荣 记者 崔文静 北京报道在金😜融科技加速渗透的行业背景下，机构竞争的重心正悄然生变。 😴 如今，从底层技术架构的数字化重构，到前端业务场景的智能化升🔥级，金融科技已从“可选项”变为行业“必答题”——大模型、云计😎算等技术的规模化应用，不仅降低了中小机构的技术准入门槛，更让😢行业整体的技术底座逐步趋同。 “未来大中小机构在算法与😜算力上的差距必将逐步缩小，金融机构的核心竞争力也将随之转向数😉据。”恒生聚源总经理吴震操判断，对于规模相近、业务模式易同质😎化的机构，内外部数据的挖掘利用能力将成为竞争胜负手。 😍作为国内领先的金融、产业数据资讯服务提供商，恒生聚源的行业判👏断并非空穴来风——其不仅拥有聚源金融数据库、洞见智能投研、智🤗能小梵、智眸风险预警系列等丰富产品线，更经过25年市场耕耘，😘在金融市场需求理解、产品设计、客户拓展及专业服务等领域，积累😂了扎实的实践能力与深厚经验。 基于对行业趋势的洞察，恒❤️生聚源在2023年推出面向金融投研场景的大模型产品“Warr🥳enQ”，随后，于今年发布AI友好型金融数据库AIDB。AI😁DB通过统一数据范式、简化查询逻辑及强化数据治理，可实现大模🎉型对金融结构化数据的精准调取。 不过，恒生聚源的思考并😍未止步于数据基础建设。在其看来，相较于技术本身，未来金融AI🎉发展的真正突破口，在于将技术与业务深度融合的“场景化应用”。⭐ 在这场大模型赋能金融行业的进程中，恒生聚源希望承担三👍大核心作用：立足数据公司本源，发挥数据要素企业的核心价值；以💯行业先行者身份，助力金融机构大模型落地；联合各方，共同探索商🚀业模式创新。 而从长远来看，恒生聚源的目标不仅是成为技😎术服务提供者，更是AI时代金融行业的“智能信息服务伙伴”。为💯实现这一愿景，恒生聚源已展开精准布局，重点聚焦投研、财富管理😁、风险预警三个与金融机构核心业务紧密相关的领域。 21😂世纪：当前通用大模型在辅助工作中容易出现幻觉，应如何解决？个👏人投资者又该如何辨别信息？ 吴震操：AI幻觉是大模型固🤗有的现象。目前常见的应对方式是让大模型结合外部信息进行结果优😂化。行业常用的“检索增强生成（RAG）”和“上下文工程”，通🔥过检索获取外部知识，再结合大模型自身的推理能力生成内容。这样👏做一方面可以弥补大模型自身知识储备的局限，另一方面也可能帮助😀用户发现因自身知识或检索能力有限而未能获取的信息。 对🎉于用户来说，在使用大模型时常需要判断信息的真实性，建议采取以😡下措施：第一，多对比不同的大模型。不同模型的训练数据和算法不😉同，输出的结论和分析角度也会有差异。 第二，对结果进行👏溯源验证。目前主流商业大模型平台通常会提供来源链接、参考文献😉或相关图表，用户应主动核查来源的发布时间及可靠性，以评估信息⭐的时效性和可信度。 第三，可借助智能体平台自定义工具。😉目前不少智能体平台开放自定义功能，用户可根据自己的投资习惯和🚀分析方法搭建专属智能体。 21世纪：面对机器逐渐替代部😂分基础岗位的趋势，我们应如何建立“人机协同”的工作模式？需要⭐掌握哪些关键技能才能与机器深度合作而非被替代？ 展开全😆文 吴震操：大模型处理基础操作和日常重复性工作的能力会😉越来越强，这是技术发展的必然。但目前大模型仍有明显局限，无法🤗完全替代人类。 首先，重大决策仍依赖人类。决策不仅需要👍足够多的背景知识、全局观和行业经验，更需要判断力和坚决的意志👍，而大模型仅依靠训练数据推理，缺乏真实场景经验，目前无法承担😅重大决策。其次，大模型尚不能替代人类在精准洞察和信息挖掘方面👍的作用，尤其是人际深度交流方面。大模型的信息来源局限于已有知😁识库或网络内容，无法及时获取第一手信息，也不具备第一时间对原🚀始信息进行进一步探究、整合并影响决策的能力。 事实上，😉人类与大模型并非对立，而是走向共存。这种共存不仅推动大模型能😢力不断进化，也会促使人类持续提升自身能力。因此，我们不必过度🙌担忧大模型的发展，而应更主动地将其作为协作伙伴，建立深度合作😴关系。 21世纪：目前中小券商由于科技投入资金有限，往⭐往依赖外部技术支持。如果多家机构采用相同或相似的外部技术，这🥳是否可能导致服务或策略上的同质化？应如何应对可能出现的同质化🌟现象？ 吴震操：这一问题并非中小金融机构独有，大型金融🤯机构同样面临类似的挑战。当前，大模型的马太效应日益显著，未来🙌市场上广泛应用的通用大模型可能会高度集中，推动形成“算法平权😆”和“算力平权”两大趋势。不同规模的机构在算法和算力方面的差👍距将逐渐缩小。 在这一背景下，机构在投资决策、市场研判😅等核心业务上的差异，将越来越取决于其在“取数、用数、算数”环❤️节的能力。金融机构的核心竞争力，正在转向对数据的获取与运用能😍力。 因此，机构应重点从两个方向发力：一是获取更多更有🤗价值的外部数据；二是深度挖掘和高效利用自身内部数据。尤其对规🤯模接近、业务模式趋同的机构而言，数据的高效挖掘与利用能力将成🎉为决定机构竞争胜负的关键。 高效运用内部数据，关键在于😊机构内部的数据治理能力。我们认为，未来商业场景中的大多数数据🌟，不应仅服务于人类或传统业务系统，还应主动适配大模型的使用需😅求。 正是基于这一认识，我们今年推出了“AI友好型数据😘库”（AIDB）产品。AIDB通过一套系统化的数据治理方案和😅标准化市场数据指标体系，帮助机构优化数据供给，充分释放内部数😉据价值。 21世纪：随着大模型逐步落地，其规模化应用的🤯问题也逐渐受到关注。AI智能体距离真正处理复杂、多步骤的金融😍投资决策流程还有多远？ 吴震操：目前，随着金融机构将更😍多传统业务流程交由大模型处理，“智能体+大模型”在金融场景的🎉融合应用已进入关键实践阶段。 过去，受限于大模型的生成😁式特性，其难以独立承担复杂任务。行业普遍认为，涉及复杂金融工💯程的任务很难直接通过大模型完成。但智能体的引入改变了这一状况⭐：它能够调用现有的金融工程模型、机构内部细分模型，并适配内部😘投资策略等，实现对既有专业工具的高效复用。在这一模式下，智能🤔体、大模型与机构现有的金融工程体系和业务系统实现了有机融合，🙌不再孤立运作。恒生聚源的金融智能体平台把大模型能力、业务系统🔥逻辑和金融数据编织在一起，进一步提升投研和投顾的效率。 😍 展望未来，大模型本身推理能力的提升也会朝着与金融工程模型融🤗合方向不断演进。大模型技术能力的进一步提升，将推动金融工程模🎉型持续迭代和效能升级。 21世纪：中国金融科技公司在人😍工智能应用方面有哪些优势？还可以从哪些方面提升？ 吴震👍操：当前国内在很多细分的工程场景下，例如图计算、联邦学习等技😊术已处于全球领先水平。在此基础上，我认为未来金融AI发展的突🔥破口在于“场景化应用”。 推动场景化应用，可以依托资本🙌市场与股权投资市场机制，建立科研成果向企业转化的有效通道。目😁前许多优秀成果仍在实验室阶段，若要实现价值转化，必须与实际金😀融场景深度融合，落地到具体业务环节中。 在此过程中，需😡打通科研力量、行业需求与资本之间的协同链路，明确各方角色与作🙌用，共同推动优质科研成果从实验室走向企业实践、在行业领域落地😎生根。 除此以外，还可以扩大与海外金融机构及金融科技企😅业的交流合作。受益于风险资本的持续支持与推动，目前海外金融A😢I领域的场景落地实践已非常丰富。建议密切关注海外动态，与海外⭐金融机构、金融科技企业开展常态化沟通。 21世纪：未来🤔3-5年大模型发展会有哪些变化？恒生聚源希望发挥什么作用？ 🌟 吴震操：我们预计未来三到五年大模型发展将逐步显现三大变😘化：首先操作层面将实现关键突破，逐步替代大量繁琐工作；其次人🤔机交互模式将发生深刻变革，人类可通过日常自然语言直接与业务系😅统交互；此外，行业IT建设将显著变化，“大模型+智能体”能让🚀过去需大量IT人员的开发实现低/无代码化，这类工具普及后可助😊力业务人员自主操作、盘活资源，大幅释放业务团队能力与生产力。🙌 与此同时，大模型发展也面临新的挑战，例如“幻觉”问题🥳、数据安全与伦理风险等。金融作为“国之重器”，在大模型应用过😉程中，必须强化审核与监管机制，我们亦期望与监管部门共同探索合😅规路径。 在大模型赋能金融行业的进程中，恒生聚源希望承😉担三大核心作用： 其一，立足数据公司本源，发挥数据要素🤔企业的核心价值。聚焦金融数据的流通与赋能，助力金融行业充分激😡活数据价值。 其二，以行业先行者身份，助力金融机构大模👏型落地。恒生聚源作为金融行业大模型早期实践者，近年已完成大模🚀型训练、产品品牌构建，积累了丰富经验与教训。我们期望将这些经😉验转化为行业资源，助力金融机构在数字化转型中高效推进大模型落😊地应用。 其三，联合各方，共同探索商业模式创新。当前行😉业对大模型的认知多停留在“降本提效”，我们更愿联合金融机构、🚀监管部门等共同探索其对金融机构商业模式、客户服务渠道与方式的😍变革价值，最终共创全新商业模式——这也是恒生聚源面向行业长远😡发展的目标。 21世纪：恒生聚源成为“智能信息服务伙伴😀”的具体路径是什么？哪些领域会优先突破？ 吴震操：在数💯据要素市场化的大背景下，恒生聚源明确“数商”定位，形成“金融🥳、科技、AI”三大核心标签。我们期望能够落地更多应用到投资研🤩究、财富管理及风险预警等具体业务场景中，真正融入客户的业务流😊程、提供信息支持与参考，未来将主要聚焦三个领域： 一是😊投资研究领域。过往数据厂商多仅对知识初步加工，核心原因是投研😍与投资策略高度多样化——不同从业者有独特风格，难以标准化，因😡此行业多提供半加工的中端形态数据。而人工智能时代，借助大模型💯可深化知识加工，还能依据机构及投研人员的个性化偏好，协助提取😍所需信息、生成符合其风格的深度研究数据与阶段性成果。因此，我🥳们认为，未来5至10年将是研究类数据的蓬勃发展期。 二🙌是财富管理领域。我们不仅拥有传统金融工程基础设施，还积累了海🤯量高质量数据。我们期望在人工智能时代从两方面提供支持：一是为🤔用户优化资产配置、提升投资能力提供信息支持；二是赋能投资顾问😎，为实现财产增值提供研究支撑。 三是风险预警领域。风险😆与流动性、投资、交易活动紧密相关。未来，我们将依托AI技术进😁一步助力金融机构提升风险预判、评估能力。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

文 | 穆胜 文 | 穆胜 “人效”的全称是“人💯力资源效能”，对应的英文是“HR Efficiency”，而😂“Efficiency”，是投产比、效率的意思。这就产生了一👍个非常明显但鲜有人提及的问题——为什么不直译为“人力资源效率😆”，而要翻译为“人力资源效能”？ 我算是国内几个最早研🌟究“人力资源效能”的人，这里，我给出一个解释。 01 🤗主打防守的模式 人效是个投产比，分母是“人力资源投入”🌟，分子是“财务或业务产出”。从数学逻辑上看，要提升人效，显然😜有两种模式： 第一种模式主打防守，主张减少分母，即“降😘低人力资源投入”。 具体做法是，精简机构、压缩编制、裁🤗撤人员。考虑一般的企业里多多少少都有组织冗余，这样的做法显然😉是立竿见影。但问题是，一方面，这种做法不可持续，组织规模不可😅能无限缩小；另一方面，如果没有理解组织的运作机制，盲目压缩组😂织，很有可能导致业务流程和组织氛围被破坏，进而影响产出（分子😜），最终得不偿失。 事实上，大多企业就是在这条错误的道🔥路上“砥砺前行”。2015年左右，我为国内一家年营收千亿的企😍业担任人力资源顾问，当时我就为他们引入了最先进的人效管理理念😴。也就是说，很多现在才流行起来的概念，我在十年前就给他们讲过🌟了。当时现场的反馈很有意思，相当一部分HR认为：“穆老师，您💯这理念很好，但现实中，HR能够控制的只有分母，要提升人效，我❤️们只能动刀砍人、砍组织。” 道理我都讲透了，但他们看到🔥的只是分母，所以，人效管理的理念并没有在这家企业落地生根。不😜能不说，这是一种遗憾，规模如此庞大的企业，但凡找一两个试点，🤯尝试探索人效管理，形成成本端的竞争力和经营者的效能意识，他们🙌现在的江湖地位，就不会如此憋屈了。 02 主打进攻的模😜式 第二种模式是主打进攻，主张增加分子，即“增加财务或🤯业务产出”。 有一部分企业，的确能够只管业绩增长，不管🌟人力投入。甚至他们在人力资源投入上豪掷千金，还会被认为是“有😂格局”“有眼界”“战略性储备”。 说白了，如果业绩保持🤩高速增长，人力资源这点投入，还不是九牛一毛？老板们进而就可以😴上价值——“人才是最宝贵的资源，好的人才决定了企业的未来，找😢人才，不应该看价格。” 眼看着这些企业在人力资源投入上😎的“大手笔”，其他企业的HR就开始泛酸——“看看人家的老板，😢看看人家的企业，看看人家的HR！我们就没打过这么富裕的仗！”😆 其实，这种“全力进攻（分子），不管防守（分母）”逻辑⭐，还是因为企业有业绩增长的势能。老板们大可以把这种势能归结于😉自己在人才上的全力投入，甚至可以举出个别人才改变竞争格局的个🤩例，但说到底，这种势能还是来自于宏观经济和行业的红利，显然是🤯倒果为因嘛。但舆论就是慕强的，当你业绩好了，你说什么别人都会👍认为全是对的。 展开全文 我从来不相信那种豪掷投😍入，然后赌不确定性产出的投资模式，这种模式赌性太大，不靠谱。😡这就好比有的头部投资机构，宣传自己的理念是“投赛道”，也就是😘哪个赛道上出现机会的时候，就投这个赛道上几乎所有的头部项目。😉他们形容为，一把飞镖扔出去，总有一个落在靶盘上。但现实却在打🎉脸，经济红利期过去了，进入寒冬了，他们的这种投资模式就不灵了😍。所以，不要把“蒙对了”说得这么清丽脱俗嘛。 03 防😘守反击的模式 不考虑经济周期，人力资源的投资，也不能是⭐只管防守（分母）的“龟缩”；如果考虑现在是经济寒冬期，人力资🌟源的投资，就不能是只管进攻（分子）的“豪赌”。 进一步😎看，即使现在经济再回归上行期，依赖“豪赌”模式的HR们价值就👍会被认可，就有前途吗？显然也不是呀。他们所谓的专业成功，在老👏板和业务部门眼中，不过是蝇附马尾，企业要不要干掉HR，全凭老🌟板心情。 两种模式本质的问题，都是割裂了进攻（分子）与😡防守（分母）之间的关系。奉行两种模式的企业，都不清楚人力资源😆投入是如何产生业绩的，他们只能“抓一头”。 我主张的人⭐效管理，是防守反击的模式，是把有限的人力资源筹码进行合理配置🌟，最大程度确保企业的确定性增长。直观来说，即使一个企业人力资🤗源总投入不变，我认为，通过优化配置方式，也能明显提升人效。因😀为大多企业的人力资源配置方式，实在有点像是“蒙眼放筹码”“菜👍市场议价定编制”，造成的局部冗员那可不是一点点。把冗员挤出来🎉，放到一些真正需要人力投入的领域里，再辅以若干的人效赋能手段😊（选用育留等），业绩增长自然就来了。 如果考虑我的这种🔥理念，人力资源效能，应该就有两层意思：一是“效”，即效率；二😢是“能”，即产出。这个概念本身就有导向性，它表面是防守反击，❤️其实是一种精实增长的进攻理念，它坚信人力资源投入和业绩产出之⭐间的强联系，认为通过人力资源职能的各种工具能够推动经营。有没😆有发现？这个概念本身就是人力资源专业的革命，野心还挺大的！ 🙌 这样看来，中文博大精深，“人力资源效能”的翻译，实在是😜妙！返回搜狐，查看更多