Page 30 - 金融科技视界2023-2期

Technical Tracking
技术追踪

型训练数据中与金融领域相关的数据筛选出来，这样可以提升 可以预见，合成数据作为数据要素
模型生成的文本与金融领域的匹配程度，使模型的输出看起来 市场的新增量，在具备产业价值的同
“更专业”。 时，也可以解决人工智能和数字经济
的数据供给问题。

目前，合成数据应用正迅速向金
02 融、医疗、零售、工业等诸多产业领

域拓展。在金融行业，金融机构可以
合成数据将成为大模型训练数据的新来源 在不提供敏感的历史交易信息前提

下，通过合成数据集训练量化交易模
当前，大模型的训练严重依赖现有的互联网公开文本数据。 型提升获利能力，也可以用来训练客
如果下一代大模型的参数达到万亿级别以上的话，数据短缺的问 服机器人以改善服务体验；在生物医
题将成为训练瓶颈。对此，合成数据将是一种有效的解决方案。 药行业，可以通过合成数据集，在不

合成数据是计算机模拟技术或算法创建生成的自标注信息， 提供患者隐私信息的条件下训练相
能够在数学上或统计学上反映原始数据的属性，因此可以作为原 关模型完成药物研发工作；在自动驾
始数据的替代品来训练、测试、验证大模型。合成数据可分为三 驶领域，可以通过合成数据集模拟各

类：表格数据和结构化数据；图像、视频、语音等媒体数据；文本 种驾驶场景，在保障人员和设备安全
数据。在大模型的训练开发上，合成数据相比原始数据，可以发 的条件下提升自动驾驶能力。
挥同样甚至更好的作用，实现更廉价、更高效的大模型训练、测
试和验证数据供给。ChatGPT类面向终端用户的应用只是大模
型落地的开始，而产业互联网领域的应用空间更为广阔，合成数 03

据可以解决ChatGPT类大模型的潜在数据瓶颈，推动科研和产
业的进一步发展。 大模型训练数据的合规风险及
合成数据可以精确地复制原始数据集的统计特征，但又与 监管必要性

原始数据不存在任何关联，所以实际应用过程中的效果强于传
统的脱敏数据，便于在更大范围内分享和使用。合成数据创造的 从目前的情况看，ChatGPT类
新样本具有原始数据的性质，甚至可以通过深度学习算法合成原 大模型输出侧的结果数据在自然科
始数据中没有的罕见样本。合成数据的产业价值主要体现在以下 学领域的应用相对可控，但在社会科
几个方面：实现数据增强和数据模拟，解决数据匮乏、数据质量 学领域的应用尚存在诸多不确定性。

等问题；有效解决数据隐私保护和数据安全问题，这对于金融、 尤其值得注意的是，大模型过度依
医疗等领域尤为重要；确保数据多样性，纠正历史数据中的偏 赖训练数据，因此在数据输入层面
见，消除算法歧视；应对罕见案例，创建现实中难以采集的数据 可能会存在恶意操纵的风险，包括有

场景，确保大模型输出结果的准确性。 毒输入、偏见、意识形态攻击、舆论
全球IT研究与咨询机构Gartner预测，到2024年用于训练 操控、虚假信息、隐私泄露等。例如，
大模型的数据中有60%将是合成数据，到2030年大模型使用的 有研究者指出，如果向大模型GPT-2
绝大部分数据将由人工智能合成。《麻省理工科技评论》（MIT 输入“北京市朝阳区”，GPT-2会自
Technology Review）将大模型合成数据列为2022年十大突破 动补充包含这些信息的特定人员的

性技术之一，称其有望解决人工智能领域的“数据鸿沟”问题。 全名、电话号码、电子邮件和实际地

28 金融科技视界