在數字化浪潮下，傳統金融機構正面臨變革，外部經營環境不確定性提升、內部成本壓力、客戶群體結構變遷等，都在倒逼著金融業踏上破局之路。對于消費金融機構而言，通過數字科技服務有金融服務需求的社會各階層和群體，是其重要機遇之一。

但機遇面前，消費金融機構也面臨不小的挑戰：轉化效率低、投入產出比不高、建設周期長、獲客成本高等都是當今時代消金機構面臨的痛點。

何解？科技是答案。面對小額、高頻、分散、海量的客服服務，唯有向技術要效率。

據了解，馬上消費成立8年以來，科技研發投入超33億元，公司建立了一套涵蓋云計算、大數據、人工智能、區塊鏈等多種前沿技術的數字化技術體系，實現了從數據采集、存儲、分析、應用到安全保障的全流程智能化管理。

通過技術賦能，馬上消費有效提升了金融服務的效益和質量。公開數據顯示，馬上消費基于大模型驅動的金融智能客服，客服團隊效率提升10倍，用戶好評率提升23%；通過精細的資源管理優化技術，云平臺CPU利用率提升到行業平均水平4倍，2022年節省IT硬件采購成本數千萬元；營銷素材AI自動質檢流程立項后，機器人“秒級”內容審核率已達80%。

并且，公司主動融入國家與地方發展大局，踐行企業社會責任。以產業界通用的納稅額與用地面積、員工數的比值來看，2023年，馬上消費米均納稅達24萬元/平方米，人均稅收貢獻66萬元/人。

營銷方面，馬上消費不斷淬煉數據、團隊組織能力以及技術能力等，通過自研平臺，打通用戶感知、圈選與轉化的鏈路，最終打造出不依賴于第三方流量、能夠自主獲客的數字化營銷體系，從而擺脫了依靠大量投放換取增長的路徑。

在風控領域，馬上消費依托10萬變量特征、2000多個風控策略、決策及數據模型算法筑起全流程、體系化的風險防火墻，防范金融風險。

在技術的賦能下，馬上消費人工智能系統由傳統的機器學習躍遷到大規模特征計算和以大模型為代表的新一代AI應用體系。

今年8月，馬上消費正式發布全國首個零售金融大模型——“天鏡”大模型，先后入選省部級重大科技項，榮獲重慶市專利獎、申請發明專利100余項（其中國際PCT近10項），被收錄于中國人工智能系列白皮書《大模型技術（2023年）》。依托金融大模型相關技術，公司參編IEEE全球首個金融風控大模型標準、《金融大模型智能服務平臺關鍵技術研發及應用》成功入選重慶市科技局2023年度技術創新與應用發展重大專項，《基于大模型驅動的智能客服平臺》上榜工信部移動互聯網應用服務能力提升優秀案例名單、榮鷹中國人工智能產業發展聯盟 (AIIA) 十大潛力應用案例，以新技術創新賦能產業變革，全方位推進數字化轉型。

大模型作為“大腦”，基于認知推理的復雜任務拆解，精密規劃并調用相應工具和小模型，大模型+小模型，打通金融服務的“最后一公里”，在營銷獲客、風險審批、客戶服務等多個零售金融場景實現應用。記者專訪了馬上消費首席信息官蔣寧，一起聊一聊馬上消費成立以來不同發展階段的技術迭代，同時呈現科技創新給馬上消費帶來的發展成效。

關于馬上消費心理學研究與大模型、數據研究的結合，這種成熟的應用在國內很罕見，當時是怎么產生這種動念的？

蔣寧：新時代發展強調在更廣范圍內滿足人們對美好生活的向往，對金融服務而言，質效提升十分重要。當前零售金融面臨以下幾個問題：一是效率低，對比企業貸款，零售貸款涉及到大量個人，且金額較小，需要處理大量個人相關信息；二是投入產出比低；三是建設周期較長，比如零售金融頭部機構招商銀行在這個領域已積累長達30多年。

為了改善這些問題，信息化、平臺化、自動化是解決方案。但這個過程始終需要人與人之間的互動，因為純人工智能方法難以完全替代人的服務。提供溫暖人性化的服務非常重要，但人工智能技術還存在很多局限，和消費者期待的“智能”還有一定距離，很難實現基于心理、情緒的極致體驗。

為了保證服務質量，必須賦予數字金融服務一定情感色彩。因此，我們就思考如何通過聲音語調、文字特點等方式讓智能客服具備情緒感知能力，從而提升效率。

為了實現這一目標，我們和西南大學教授碰撞。起初，他們對這個非常前沿的課題有所猶豫，但是看到我們必做的決心，且有客群、語言文字等大規模數據基礎，可行性較高。在雙方合作研發的努力下，在現有模型中引入了MBTI人格心理學的16種人格類型分析研究，希望能夠更好地理解消費者的個性化需求，提供更加高效的服務。

你剛才談到“有溫度的服務”，如果我們從技術角度拆解來看，這個“溫度”是由什么來構成的？

蔣寧：我和心理學老師交流時發現，心理過程包括：接受信息、感受信息、處理信息。

感受信息有時候是根據直覺判斷，但有時候也可能基于邏輯判斷，更為理性。按照心理學的邏輯，這是因為信息有上下文，有input和output。

什么是input和output？即“一問一答”。如果話與話之間存在明確的邏輯關系，那么這個客戶可能是基于理性判斷。舉個例子，如果客戶的選擇依據合同、講話有理有據，那么他可能比較理性；如果input和output之間沒有明顯的聯系，并且語言與語調有很多情緒變化，那就可以判斷這是感性的。

基于以上邏輯，我們可以利用大量的 input和output信息進行對比測試。經過百萬組對話的訓練，并引入心理學MBTI十六種人格測試，取得了一些成果。盡管心理學不像自然科學，每個人都是動態變化的，可能時而感性、時而理性，但至少可以以心理學理論為支撐，并結合最新的人工智能技術和大模型的語言解析能力，提供相對可靠的支撐。

個人認為這些實驗可能對心理學也是一種很大的促進，尤其是數據的支撐，能驗證很多理論假設，這與之前的心理學實驗完全不一樣，這個事你是從什么時候開始的？

蔣寧：大概從2019年開始做，從最開始沒有理論支撐，就在通過語言語調的變化等基礎工作來做情感識別。

目前心理學的情緒因子，在馬上消費整個風控體系中占比多大？

蔣寧：心理學被用來解決運營效率低的問題，在金融運營中包括貸前、貸中和貸后。在貸后階段，心理學的運用較為廣泛，因為貸款后客戶可能對交易規則、產品服務、還款規則等產生異議，這時候會有大量客戶來進行溝通。而在貸前階段，心理學運用相對較少，因為貸款是一種相對剛性的需求，客戶的關注點主要在于獲取貸款，心理因素在此階段的影響相對較小。

目前，在公司風控層面，聲音、文字、圖片等非結構化數據已經得到廣泛應用。舉個例子，貸款后客戶通過電話進行溝通時，他特別關注還款方式、逾期后是否影響個人的央行征信。這些信息對評估個人風險是非常有幫助的，如果客戶特別關注違約是否會上央行征信，那說明客戶很在乎個人信用，那么這個客戶的欺詐風險較低。因此，對客戶的風險評估就可能更需要關注的是額度和信用風險。通過對客戶的聲音、文字進行人工智能處理及心理學分析等，科技將人工智能最基本的技術轉化為對客戶的風險評估，這也是研究人工智能的初衷。

能否請你把馬上消費成立8年以來技術迭代的進程做一個全面的介紹？

蔣寧：技術的發展不是一蹴而就的，是不斷的積累和迭代。我將按照能力發展的視角分成四個階段：一是初創階段、二是創新階段、三是平臺化階段、四是生態化階段。

在初創階段的特點，就是要快速開業，并且滿足監管合規的要求，具備基本的展業能力。半年后進入第二階段——創新階段。

如果按照“矛盾的普遍性和特殊性”來講，第一階段就是矛盾的普遍性，第二階段是矛盾特殊性。在創新階段，基本上要把公司的系統全部進行打造，實現自我掌控，但這個階段還不具備大規模的創新能力，包括團隊、數據、業務模式等都是局部創新。

第三階段主要是大規模創新平臺化，比如分布式系統、數據中臺、定量風險管理、個性化體驗、自動化流程、平臺化運營等。這個階段主要是在2017-2020年，當時形成了上百個產品。整體而言是一個從集中走向分散，從共享走向專業的過程，實現了風險的定量、個性化的服務體驗、自動化的流程、智能化的運營等關鍵性目標。

第四階段是走向生態前沿，成為一家科技驅動的新型企業。在科技板塊，馬上消費以科技實力比肩科技公司為定位，與場景融合，包括消費場景、資金場景等，與銀行合作、第三方數據公司合作，成為一家生態化的企業，在確保安全可信合規的前提下，把我們的科技能力變成開放性的能力。

傳統角度來看，利差模式是非常好的模式，為什么還要去探索科技能力？這是不是一個苦活兒？

蔣寧：科技自立自強是新時代企業發展實現高質量發展、高水平安全的核心。這段時間，剛成立的國家數據局深入調研平臺企業，并將持續發布平臺企業典型投資案例。在數字經濟時代，平臺模式是發揮“數據要素”潛能的重點方向。

以亞馬遜模式為例，它給我們帶來的啟示是通過業務鍛煉科技能力，從而拓展開放性的能力并形成新的科技收入。因此，我們的思考就是如何在基礎業務模式上構建我們核心能力，以及如何將這些核心能力轉化為開放性服務，賦能我們的生態合作伙伴。這些核心能力的背后就是科技能力的差異，因此我們必須加大科技能力的投入和建設，來支持我們在金融領域的長期發展。

在金融機構的發展中，有兩條路徑可供選擇：一是靠股東不斷追加資本金才能擴大規模，二是靠自營業務產生收益來補充資本。無論選擇哪一條路，都難以實現持續的增長模式。

我們希望通過金融業務的數據、場景、算法、平臺形成核心能力。目前，我們的營銷、風控、貸后管理能力皆在向開放性業務轉化，預計今年的收入來源比例分布更加穩健。

在此前的演講中，你談到“盡量不依靠第三方流量，要建立自主獲客的數字化營銷體系”，請問是怎么做到的？

蔣寧：國家發改委近期發布“數據要素×”行動計劃，其中金融服務是重點支持的十二個行業方向之一。金融是發揮數據要素乘數效應的典型場景，其中最核心的板塊在營銷和風險管理上。

金融是典型的高價值低頻的業務，獲客成本非常高，且客戶易流失。在互聯網的浪潮下，隨著線上化、移動化程度的提高，互聯網的平臺擁有大量的生活場景和客戶，金融機構必須和這些互聯網平臺合作，往往付出昂貴的獲客成本。金融機構自建老百姓衣食住行的場景難度比較大，這樣，金融機構逐步變成了單純的風險產品持有者，失去提升用戶體驗和忠誠度的機會，也缺乏對消費者的了解，很難研發出以用戶為中心的個性化的產品和服務。

早年，馬上消費也是和場景合作，相當于批發業務。雖然可以快速形成一定業務規模，但上游平臺獲取了大部分的利潤，導致我們的利潤比較薄，主要獲得的是團隊、數據以及公司組織能力等。

走過批發階段，我們開始探索做自營，打通客戶感知、客戶轉化、客戶運營的完整鏈條。其中客戶感知最難，需要進行廣告投放、品牌宣傳、APP的宣傳活動等來觸達客戶，同時要與廣告平臺博弈，還存在快速漲規模但利潤不高等挑戰。此外，還可能存在廣告投放不準、難以轉化、轉化之后“一錘子買賣”等問題。金融機構運營的難點包括二次貸款、交叉營銷，這既涉及組織的協作問題，也涉及產品之間的割裂。

在轉化和運營環節，我們需要利用智能化手段，包括人機協作、智能機器人等提高轉化效率，降低營銷成本。經過長時間的摸索、打磨，馬上消費逐漸把“自營”從一個既沒有規模又不賺錢的模塊，轉變為先賺錢再擴大規模的模式。目前，我們70%的客戶是自營客戶。這是一個艱難的過程，必須經歷批發階段，讓客戶意識到我們的價值，然后再把這個價值轉化為實際收益，持續進行長久的經營。

這也是很多行業特別頭疼的問題，比如多年以前酒店行業就高喊“甩掉攜程”，多年過去后，真正能“甩掉攜程”的只有華住。

蔣寧：對，這是全行業的事情。比如金融行業里最理想的戰略模式就是金融超市，銀行就是一個典型的金融超市概念。

但很遺憾的是，當下銀行潛在的客群面臨威脅，主要是因為銀行的物理網點經營的都是老年人，年輕人很少去銀行。所以，對于當今的金融行業來講，把“線上能力”修煉好一定是條光明之路。要修煉好“線上能力”，渠道、營銷能力是非常核心的競爭能力。

如何通過數據技術把營銷、風控等能力串在一起？

蔣寧：一是以用戶為中心的產品和服務體系，傳統金融機構不是以用戶為中心，而是以產品為中心；二是生態化的平臺能力；三是數據決策的技術，包括用戶的圈選、轉化；四是以人機協作、人工智能為核心的智能化及個性化的體驗工具。

以用戶為中心，對金融而言最重要的是風險定量、價格個性化。例如，馬上消費根據風險、時間等指標，實時動態評估不同的額度、利率，這需要解決交易問題、會計核算等問題，對整個金融系統和架構平臺的挑戰非常大。我們目前有700多個產品，核心交易系統是基于用戶為中心的動態定價系統。這也使得我們的產品能快速在各種場景上展開合作，與資金、資產方進行多方交易、多方核算。

在數據決策方面，主要涉及圈選、轉化。首先是在茫茫人海中找到我們的目標用戶，在不同生態平臺上，用戶特點差異較大，因此我們一直在分析用戶特點，深入洞察用戶，已實現基于用戶行為軌跡來分析，了解其特點。其次是精細化轉化，通過算法創新、數據平臺創新等實時動態分析用戶的因果行為、實時行為，了解為什么用戶進行轉化和購買，以及用戶行為背后的相關因素。這也涉及到全生命周期的數據決策能力，并且通過轉化結果的歸因來完成大量的分析和嘗試工作。

個性化體驗方面要求針對不同的客戶，APP展示不同的內容。比如，針對剛借款的客戶，展示的內容可能不是信貸產品，可能是騰訊視頻會員等合作方權益的推薦。這就需要啟動人工智能，確保每一刻展示的都是基于客戶洞察的個性化內容。

你如何定義一次好的金融服務？

蔣寧：中央金融工作會議強調，新時代金融要推進高質量發展。馬上消費在提供金融服務上，尤其注重運用數字技術，提升金融服務的覆蓋性、可得性。

首先，好的風控能力非常重要。信貸是上帝的禮物，讓人們能提前享受美好生活。但資金成本被少量不還錢的人推高了。如果風控做得好，那就能讓更多的人以更低的成本享受到更好的金融服務。

在好的風控基礎上，我們要提高普適性和對客戶類型的包容性，提供更高的普惠性服務，以更好的價格提供個性化的產品。

馬上消費的營銷端的確與很多金融機構不一樣，營銷是向外的一個過程，風控更多是基于已有的數據向內，公司的風控與其他金融機構是相似的嗎？

蔣寧：不能說差異很大，但思路不同。我們構建一個特征空間來描繪違約的變量特征，未來目標是要做到百萬變量特征，實現風險的更加精準、實時識別，進而控制風險，降低營銷成本。

但百萬特征面臨的挑戰較大，舉個例子，這些特征相當于廚師做菜時冰箱里的原材料，有中餐系列、西餐系列、辣的、咸的、保質期長或短、加工路徑很復雜等問題，可能還會不斷變換。簡言之，基于大規模特征做決策，需要構建工程化、體系化的支撐能力。

公司目前擁有2000多個小模型，為什么要做這樣的事情？

蔣寧：金融機構的獲客、風控，要么依靠人，要么依靠智能化手段。我們必須在保質保量的基礎上降低成本，因此選擇了科技驅動的道路，強化人工智能技術的研發是必然的。

要走科技之路，就得比肩科技巨頭。

今年8月份，公司發布了“天鏡”大模型，2000多個小模型與“天鏡”大模型之間是什么關系？

蔣寧：一個通用大模型不能代表所有，在企業內部，有四類大模型：私有化部署的通用大模型、知識大模型、工具大模型和決策型大模型。然而，大模型不能進行持續優化（optimazition），這對它來說非常難。大模型不是傳統模型的替代品，但它的優勢在于與人類的交互能力更強。

舉個例子，營銷模型中的質檢模型，主要是未來解決安全合規的問題，目前主要是基于傳統模型制定的。當大模型在對話溝通中，識別到“貸款”一詞后，它調用傳統模型，因為傳統模型中已經設定相關規則。

此外，針對大模型的“幻覺”問題，在金融領域需要進行很多事實、合規、安全的確認，而這些工作是非常瑣碎的，需要工程機制和傳統人工智能的結合才能有效解決合規安全問題。這個過程需要使用很多小模型。

因此，幾千個小模型與大模型進行合作，即大模型就像一個大腦，自動萃取人工經驗，進行認知推理，拆解復雜任務，并規劃調用工具和小模型。簡而言之，大模型可以通過語言等理解用戶的意圖，但需要傳統模型來執行具體任務。

“最后一公里”問題類似于光纖引入小區，大模型是無法解決這個問題的。因此需要用小模型來解決。這也是我們未來的工作重點。

你之前演講中有提到可信AI大模型，你如何定義“可信”這個詞？

蔣寧：“可信”是一個很廣泛的概念。我個人認為，在任何情況下，能夠實現可預期可控的結果是最重要的。金融要實現高質量發展，必須和安全動態平衡、相得益彰，以高水平安全保障高質量發展。因此，安全和可控是第一目標，只有達到了第一目標，才能實現其他目標。

要實現安全可信，需要從算力的穩定性保障、算法的魯棒性和安全性、數據有序性等各方面進行工作。馬上消費對安全可信的實踐工作，不僅要保證金融服務的安全可信，還要保證服務系統的安全合規。

同時，我們也積極探索金融行業大模型全域標準規范建設，努力從構建基礎設施、金融全域數據規范、金融算法規范和金融應用規范等四個維度尋求突破，目前參與發布國內首個金融行業大模型標準、編寫IEEE全球首個金融風控大模型標準，與監管、協會、同業共同推進行業可信生態建設。