为了朝着实践层面发展，财务模型必须完全满足金融领域的特征。

安全是所有金融业务发展的核心。财务领域对数据准确性和安全性，风险控制和实时信息有很高的要求。当在金融行业实施通用模型时，它将面临数据准确性，财务常识和业务理解等问题。

在此功能的局限性下，了解金融机构的财务，技术和技术公司在金融大型大型模型的开发和竞争中具有一定的优势，并且也将成为促进金融大型模型前进的主要力量。

同时，金融业从业人员对金融模式也有很高的期望。根据毕马威（KPMG）发布的“ 2023年中国金融科技企业首席见解报告”，超过90％的金融科技公司对应用生成人工智能（AIGC）的前景乐观。金融行业是一个典型的创新驱动和数据和技术密集型行业。在Chatgpt点燃AIGC技术的应用和金融机构的数字化转型的时候，金融业有望成为AIGC实施的“测试领域”和“边境”位置。

在金融领域，大型模型已成为军事战略家的必不可少的地方。根据不完整的统计数据，目前在金融领域有20多种大型模型。

为了促进金融大型模型的发展，其核心痛点是如何平衡数据融合应用程序和安全保护。

为了关注这个疼痛点，“ tianjing”大型模型提供了四个想法。首先是真正解决企业的核心痛点，尤其是零售金融企业；第二个是将大型模型与基于团队合作精神的现有系统和模型相结合，以成为具有更强大功能和更多问题的大型模型。第三个是在与业务结合的过程中实现安全性和合规性；第四个是积极适应现有系统。

基于这个设计思想，江宁介绍了“ tianjing”大型模型后，它仍然面临着人工智能的四个关键问题。

首先，关键任务和动态适应性。简而言之，大型模型必须基于特定任务中的大型模型和分析能力，并且无论外部环境如何变化，都可以始终保持决策准确性。

第二，个性化要求和隐私保护。金融行业需要为用户提供个性化服务，这些服务涉及使用个人数据时的个人隐私数据保护问题。

第三，团体智能和安全性是可控制的。江宁认为，使美国前进的大型模型的一个因素之一是，它已经形成了一个完整的生态系统，而中国尚未形成一个完整的生态系统，因此很难形成团体智慧。一方面，我们必须积累小组数据，最终形成积极的反馈，并共同建立一个行业模型。另一方面，我们还必须在是否可以基于值得信赖和安全性共享数据之间进行明确的区分，以确保共享数据的安全性和可靠性。

第四，基础设施能力挑战。财务大型模型所需的计算体系结构不同。我们必须不断优化基础架构，以适应垂直和金融领域中大型模型的发展。

江宁提到了三个思维方向：首先，学习大型模型的持续学习的能力，您使用它的越多，您将会越聪明；其次，加强了强大的决策，在金融领域实现100％合规性和安全性，并确保金融大型模型在任何情况下都能实现可靠，安全和稳定的产出结果；第三，组件AI集成了自适应能力，机器解决能力，语言理解能力以及金融大型模型建立新兴财务大型模型系统的声音感知能力。

江宁介绍了将来，我们将使用大型模型来优化所有金融业务，提供个性化的信息生成，营销助理，座位援助，智能质量检查，知识引擎和其他综合服务，并在金融领域实现“立即速度”。