作者 | 黄楠
编辑 | 陈彩娴
6月6日，创新工场首席科学家、澜舟科技创始人周明博士代表澜舟科技，在北京与华夏基金签署战略合作协议，宣告成立「金融NLP联合实验室」。
这是继周明在2020年12月离开微软亚洲研究院后的又一个重大动向。
周明博士是我国研究自然语言处理（NLP）的先驱者之一：
他是中国第一个中英翻译系统CEMT-I（哈工大1989年）、日本最有名的中日机器翻译产品J-北京（日本高电社1998年）的研制者，曾担任2019年国际计算语言学协会（ACL）主席，中国计算机学会理事、中文信息技术专委会主任、术语工作委员会主任、中国中文信息学会常务理事，谷歌学术引用数超过32000次。
1999年，周明加入微软亚洲研究院，随后担任自然语言研究组的负责人、微软亚研副院长。2020年12月，他从微软离职，随后加入创新工场担任首席科学家，2021年6月孵化出澜舟科技，7月就推出轻量化模型——「孟子」，在中文语言理解评测CLUE榜单的多项指标上登顶第一，引起不少关注。
如今，不到一年，澜舟科技便与华夏基金成立「金融NLP联合实验室」，致力于在金融场景中实现NLP技术的落地，成长着实迅速。而据AI科技评论与周明博士的对话，在此次与金融的「联姻」中，轻量化模型「孟子」将扮演重要角色。
根据华夏基金首席数据官陈一昕的介绍，在以往的「金融+NLP」建设中，他们往往面临模型与行业场景适配性差、训练代价大、中文理解能力不足等问题。面对金融领域文本专业性强、应用场景多变的情况，构建落地快、易迭代、可适配金融垂直领域的中文NLP模型是一个亟待实现的目标。
而此时，「孟子」的轻量化优势便发挥了出来。
周明告诉AI科技评论，诸如「孟子」的轻量化模型部署成本低，能够快速迭代，用户压力小，且适配性强。此外，通过知识融合、数据增强，能力上或并不逊于大模型，十分适合金融场景的需求，更容易落地。
以下是雷峰网-AI科技评论与周明博士的对话：
AI科技评论：能否简单介绍一下澜舟科技跟华夏基金共同成立金融NLP联合实验室的背景？
周明：我在2020年年底从微软亚洲研究院离开，到创新工场担任首席科学家，去年6月孵化了澜舟科技。澜舟科技的核心技术是自然语言理解，可以用于实现文本的智能理解、搜索、问答、摘要、翻译以及知识图谱等等。但具体落地，要找一个场景。
刚创立澜舟科技时，我就首先想到金融。那时候我就想，要进入金融领域，不能隔靴瘙痒，而是要有更紧密的合作。我们要了解金融的需求，金融方也要知道我们的技术长板和短板，所以我就开始寻找能够紧密合作的金融伙伴。
恰好在去年10月，我应邀参加一个在上海举行的智能投研大会，做了一个特邀报告，其中介绍了澜舟科技的自然语言处理技术，包括「孟子」预训练模型。华夏基金的杨思成在台下，对我们很感兴趣，就介绍我和华夏基金的首席数据官陈一昕认识，双方一拍即合。
我们共同认为，过去科技企业与金融公司的项目合作模式不够密切。项目制是甲方与乙方，对方拟好一个需求，我围绕需求提供技术、按时间交付，但技术的不断迭代需要科技与场景的紧密结合，所以我和陈一昕最终决定采用「联合实验室」的方式，把大家放在一个篮子里，AI 可以随着市场变化快速迭代，业务也可以更了解 AI。
AI科技评论：项目制是目前 AI/NLP与其他领域结合的主流合作形式吗？联合实验室是不是相对比较少？
周明：是的。在这里我要解释一下，金融是一个特殊的领域，不像有的领域可以实现相对标准化的服务，「AI+金融」或「金融+AI」在当前还没有定论。
金融的需求没有那么明确，而且场景多样化，同时 AI 技术也在不停地迭代，例如，大模型约每三个月就要迭代一次。
因此，金融行业的人士对 AI 是既渴望、又觉得太繁复，跟不上 AI 的节奏。在这种方式下，项目制就会产生一些问题，而联合实验室则能更灵活地应付这种快速多变的局面，把双方的优势与长处发挥出来。
AI科技评论：据您观察，目前国内做 NLP 落地、或凭借 NLP 技术进军金融领域的公司多吗？
周明：两者都不多。由于技术的局限性，NLP落地很难，因此全世界的NLP公司都比较少，但像百度、微软、谷歌等背后都有 NLP 团队，主要是服务于它们自身的业务和产品，作为一个部件，例如拼写检查、文档分析、索引等等，但极少有公司专门以 NLP 技术立足。
近两年大模型出现后，NLP 的能力大幅度提升，开始有人尝试基于 NLP 技术创业，但受疫情影响无法推行，很多科研者还在等待机会。也有将 NLP 当应用的公司，例如客服公司，但并非专门研究NLP。
AI科技评论：金融业务有哪些特征？在金融场景中，NLP能够解决什么样的问题？
周明：首先说NLP（自然语言处理）技术。目前 NLP 领域有许多基于互联网的海量数据训练出来的大规模预训练模型，过去几年也在全世界引起了广泛关注。但澜舟科技做的是「孟子」轻量化模型，模型不大、容易落地，同时又具备分析、搜索、翻译、生成等能力。
NLP的这些能力在金融领域有很多用处，比如智能信息抽取。几乎所有金融单位都要处理很多无结构、有结构或半结构的文档，如网页有表格、有字段。举个例子，基金的变化，昨天的价格多少、今天的价格多少、基金数量、购买人数、交易量、上升与下降幅度等等，有可能写在年报里，也有可能写在网页里，我们就可以使用智能文档分析技术，将其重要信息抽取出来形成数据库。
再联想其他能力，NLP 几乎贯穿金融业务的所有环节，所以金融机构都重视 NLP 技术。但如何将NLP能力开发好、部署好，成本极低又能快速便捷地用起来，却是不容易做到的。
AI科技评论：在这次NLP与金融的联合中，「孟子」模型的落地如何体现？
周明：「孟子」在澜舟公司的所有技术体系中都会体现，包括智能文档、信息抽取、知识图谱、搜索问答，还有文本生成等，这些核心技术均会进入到跟华夏一同成立的联合实验室中。「孟子」会基于一些金融数据做训练，从而获得处理金融数据的能力。
基于「孟子」，我们希望可以在金融领域中做文档智能信息抽取、OCR、舆情分析、暴雷事件分析、报警、风控，也可以做国内外金融信息的抽取汇总和检索、年报的自动生成和和行情预判等等，还有金融行业需要的客服、获客、客户推荐优秀产品、客户跟踪、用户画像等。
AI科技评论：「孟子」强调的是小模型，小模型对于处理金融领域的问题是否有独特的优势？
周明：在一定的情况下，模型越大、参数越多，泛化能力就越强、水平就越高，这是共识。但训练一个巨大的模型需要巨大算力，在使用大模型时，推理也需要很大的计算集群，需要买成百上千张卡来支持运行，一般的公司（包括金融机构）都负担不起，性价比也拉低。
而轻量化模型对用户的压力非常小，一般情况下只用少量GPU，甚至有些任务只用CPU也可以，部署成本可以大幅降低，又快又准。即便性能也许比大模型差了一点，但在大部分用户看来是划算的。也是基于这样的市场，我们在成立澜舟科技时就决定做轻量化模型。
澜舟科技是国内最早研究轻量化模型的公司之一。在研究「孟子」时，我们以为模型的能力会大幅削弱，但后来发现，如果轻量化模型的算法过关，加上知识的融入、数据的增强，轻量化模型有可能不输给大模型。这是非常了不起的一件事。
图注：2021年7月，「孟子」刷榜，在中文语言理解评测CLUE榜单的多项指标上登顶第一
AI科技评论：训练「孟子」大概需要多少算力？
周明：算力比较低，用 16 块 GPU、训练两三周就能训练出一个孟子轻量化模型。当然，卡越多，速度越快。
AI科技评论：轻量化模型是否更经济实用？
周明：是的，尤其适合中国的用户。
「孟子」模型实际上是做了折中，不盲目追求大模型，也不盲目追求一两个点的能力提高。要实现真实场景中一两个点的能力提高，可以使用别的方式，例如更多的用户数据、运用知识迭代等等。
当用户在使用小模型时没有成本压力，能很快上手，不仅有助于企业数字化转型，也能帮助我们这样的科技公司尽快落地。所以我认为，无论从哪个角度考虑，都应该往轻量化模型去努力。
AI科技评论：「孟子」模型之所以能够在某些基准上表现优于大模型，是因为其针对特定任务去做训练吗？
周明：针对自然语言的分析、理解、生成等通用任务，孟子的能力不低于大模型。此外，由于跟业务场景的密切结合，包括同华夏的紧密合作，我们知道问题的症结是针对性的，可以加入新数据或知识来提升下游任务的能力。
在提供给用户时，用户并没有感知到模型的大和小、快与慢、能力高或低，而只关心解决任务的能力。所以，在跟大模型的比较上，孟子反倒能胜出。
AI科技评论：在金融这样一个特定场景中，是否更有利于「孟子」这类轻量化训练模型的发展？
周明：金融领域比较特殊，由于其数据不公开，大模型反倒不那么适用。应用在金融领域的模型最好有出色的适配能力，在拿到数据后能够快速适配，针对其任务特点快速迭代，这样的模型反倒能力强。
也因为金融的特殊性，场景过于复杂，需求太多样，到目前为止，还没有 NLP 公司能够在金融领域独霸。
AI科技评论：您一直是轻量化模型的追随者吗？
周明：是的，我也是倡导者。别人都在做巨量化模型的时候，我是反其道而行之。当时很多人都笑话我，说那是因为你穷、做不起大模型。他们这么说也是对的，但即使我有充足的经费，我也还是觉得应该做轻量化模型，不能因为片面追求人工智能的最大化，不惜浪费资源、造成大量污染，这是不对的，要有社会责任。
另外，也要站在客户的角度考虑问题。在落地时，小模型的成本是最小的。我认为中国公司不能靠烧钱，像谷歌、微软一样，而是应该拼算法、拼智力、拼业务场景，这也是我们的特色，更可能成为我们的优势。