--- id: "v-d1WTqIULs" title: "为金融打造 ChatGPT——Joseph Kim，OpenAI 金融服务负责人" channel: "Latent Space" host: ["swyx","Richard"] guests: ["Joseph Kim"] date: "2026-10-31" updated: "2026-11-01" duration: "27:34" duration_seconds: 1654 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=v-d1WTqIULs" canonical: "https://pod-exp.pages.dev/v-d1WTqIULs/" transcript_jsonl: "https://pod-exp.pages.dev/v-d1WTqIULs/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["人工智能","金融基础设施","企业软件","模型评测"] series: ["OpenAI"] --- # 为金融打造 ChatGPT——Joseph Kim，OpenAI 金融服务负责人 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Joseph Kim 介绍了 OpenAI 面向金融机构推出的 ChatGPT 金融服务版：金融推理训练进入共享主模型，产品则围绕企业数据、插件架构和行业工作流程进行适配。他解释了为什么即使已有 MCP 连接器，仍要把金融数据直接捆绑进产品；也谈到初创公司如何用通用插件原语补齐领域产品最后的关键部分。对安全，他强调现有产品仍由专业人员复核，并可借助银行原有的层级审查机制。谈及模型能力，他认为事实错误正在改善，真正难的是人类判断与品味；成对偏好反馈可用于训练品味，而金融评测需要更可靠地衡量职业任务。团队下一步希望从初级分析师任务逐步扩展到更高阶的投资判断。 ## [0:01] 冷场开篇 · YouTube **Joseph Kim：** 我确实认为，会有人基于 ChatGPT 插件做出一家价值十亿美元的公司。但我们做的东西里，有 95% 初创公司完全也能做，别的公司也能做。 **Joseph Kim：** 在 OpenAI，我们遇到过预训练方面的问题，因此模型扩展起来很困难。到了 2026 年，其中很多问题已经解决了。 ## [0:28] 介绍 Joseph Kim · YouTube **swyx：** 今天请到了 Joseph Kim，他是 OpenAI ChatGPT 金融业务的负责人之一。Latent Space 的联合主持人、编辑负责人 Richard 也在现场。今天是特别节目，我们在纽约的 AI Finance 活动现场。Joseph 刚做完一场很精彩的主题演讲。我们不想把大部分内容再讲一遍，大家可以去看演讲；不过能不能先用三十秒介绍一下你讲了什么？我们给大家留些线索，之后可以去看完整演讲。 **Joseph Kim：** 好，我可以快速用三十秒介绍一下我们刚才聊的内容。 ## [0:56] ChatGPT 金融服务 · YouTube **Joseph Kim：** 第一，我们刚发布了 ChatGPT 金融服务版。这是一款面向企业的产品，想把 ChatGPT 的强大能力，以及消费者版里大家喜欢用的工具和功能，带到金融机构，同时加上企业层的能力，比如公司专属模板，以及 Dilupa、标普（S&P）等数据源。我们和摩根士丹利、Evercore 这样的设计合作伙伴一起做这个产品，市场反响非常好。这是演讲的前半部分。 后半部分更着眼未来：我们仔细分析模型能力提升的趋势，并把这些趋势往未来推演，思考到 2027 年年中、年底时模型能做什么。这对基于模型构建产品的人意味着什么？大家又该如何提前规划，迎接几个月后就会到来的智能能力？ **swyx：** 现在挺有意思，因为你原本来自研究领域，如今负责很多产品和工程工作。跟我们讲讲，打造一款面向金融领域的产品需要什么？你在主题演讲里提到，ChatGPT Work 上线后，用户出现了一波增长。随着 Codex 开始向大众开放，大家开始把它用于金融场景，现在你们又要推出第一款金融产品。金融推理数据是什么样的？金融专用模型需要加入什么？ **Joseph Kim：** 问得很好。我先说一点：我们做的所有金融推理分析训练，都是放在上游，也就是我们所说的“大训练”里完成的——那是生成 GPT-6 Astra 这类模型的主要训练流程。所以，即使我们给模型加入了大量金融数据，它们也是进入主模型的。这样一来，想在主模型之上构建产品的人也能用到这些能力。这一点对我们非常重要。 ## [2:20] 把金融推理训练进模型 · YouTube **Joseph Kim：** 金融推理和分析方面的训练是在上游完成的，也就是我们所说的“大训练”——生成 GPT-6 Astra 或 GPT-6.1 Astra 这类模型的主要训练流程。我们虽然给模型加入了很多金融数据，但它们进入的是主模型，因此也能供想在它之上构建产品的人使用。这对我们很重要。 在 OpenAI，我们确实希望这种智能能力不只用于我们自己开发的第一方产品，也能让想创业、想做生意的人，以及希望把它直接整合进公司的金融机构使用。我们会让这些能力都能被他们调用。 你刚才提到了产品和研究；这正是 OpenAI 的核心。我们内部称自己为一家“研究与部署”公司，特意把顺序排成先研究、再部署。我们希望最终改变人们做知识工作的方式，所以工作也按这个顺序展开：先看模型能力、能力将走向哪里、能带来哪些新可能；接着深入考虑要开发哪些产品功能和入口，才能让更多人用上模型的智能。我觉得你提到了我主题演讲里的一页…… ## [3:32] Codex 在 OpenAI 内部的普及 · YouTube **Joseph Kim：** ……那页展示了 Codex 在 OpenAI 内部的使用情况。挺有意思的：软件工程领域的采用率曲线一直稳步向上，大家逐渐用起来，并把它纳入日常工作。但金融、法律和销售领域的采用率原本几乎为零，随后突然升到了 90%。看看曲线跳升的时间点，会发现我们在二月发布了 Codex 桌面应用，采用率正是在那时上升的。我认为这说明产品和模型需要协同开发；产品的目的，就是让尽可能多的用户用上模型能力。 **swyx：** Codex 在金融应用中的使用量上升以后，你们学到了什么？后来又把哪些经验用到了金融数据的后训练里？ **Joseph Kim：** 问得好。我可以讲讲我们是怎么打造 ChatGPT 金融服务版的…… ## [4:28] 打造金融产品 · YouTube **Joseph Kim：** ……这次很特别。我们以前做的第一方产品不算多，Codex 大概是规模最大、最主要的一个。这是我们第一次把产品、模型能力和研究放在同一个团队里开发，给了我们很大的灵活性。 过去六个月左右做这个产品，我最大的体会是：在企业市场做产品，必须正视所在行业的现实，并围绕这些现实来构建。这一点很容易被忽略。只从第一性原理出发，你可能会得出一个听起来合理、也能用逻辑论证的结论；但如果忽略了开始做产品时的真实环境，以及行业里正在起作用的力量——比如竞争压力、各方自己的目标——你就做不出正确的产品。ChatGPT 金融服务版也一样。我们对此想得很多，我举个例子：数据是产品设计中非常重要的一部分。 ## [5:30] 为什么要捆绑金融数据？ · YouTube **Joseph Kim：** 数据是我们思考产品设计时非常重要的一部分。把数据打包进产品这件事，从第一性原理出发有点难以辩护。你可能会说：“我想把季度财报电话会文字稿放进产品里，直接捆绑提供。”别人第一反应会是：“商店里已经有 MCP 连接器了，你额外提供的价值是什么？这看起来不划算。客户可能已经买了数据授权，再买一次就像重复付费；而且他们也可能已经有 MCP，为什么还要自己做？” 实际情况是，我们把这些 MCP 都拿来测了一遍，发现错误率非常高。接入的一些知名服务，MCP 错误率超过 40%。有些东西纸面上看起来很好，但还是得看看数据，了解实际情况。对金融数据来说，我们发现体验确实很差。想要大规模解决问题，唯一的办法就是把数据放到内部，端到端地控制整个体验。为捆绑数据多付的费用是值得的。这是一个非常符合行业特点的产品决策，而且客户很认可；他们最常提到的就是数据。这个决定奏效了。 ## [6:39] 初创公司可以构建什么？ · YouTube **swyx：** 你们在这件事上做得不错。能不能谈谈技术层面？如果有人想为某个垂直领域做一套适配产品的 harness，该怎么做？你们调整了 Codex、做了后训练，还做了其他工作，才做出 ChatGPT 金融服务版。假如有人想给法律、销售等其他领域做类似产品，有什么最佳实践？你们学到了什么？如何把现成模型真正做成面向特定领域的产品？ **Joseph Kim：** 这是个好问题。我在主题演讲里也试着提到过这一点。大家喜欢讨论后训练，因为这是我们独特的工作，也很容易让人兴奋；但我们做的东西里有 95% 初创公司完全也能做，别的公司也能做。我们并不需要动用修改模型的能力，就能做出很棒的产品。 我想强调两点。第一，我们做的大部分产品，是基于 Codex——或者说现在的 ChatGPT——插件架构和插件原语构建的。我们在这方面投入了很多时间和精力。OpenAI 是一家挺特别的公司：我们在内部遇到的问题，和初创公司基于 OpenAI 构建产品时遇到的问题很像。很多方面，我的团队就像一家基于 OpenAI 技术构建产品的初创公司。我们也需要找到可扩展的方法，让像我们这样的团队能站在巨人的肩膀上，基于 Codex 构建产品。Codex 很出色：记忆能力好，有不错的技能，而且能持续工作。它有很多优点。 不过我们团队的判断是，Codex 能帮你完成一款成功产品的大约 80%，但还差 20%。我们得想办法把这 20% 补上，产品才有机会赢。我们还有一个判断：如果直接把 Codex 当成金融产品推出，它会失败。所以缺少的那 20% 至关重要。我们是在插件架构上继续构建，使用的原语和所有想在 ChatGPT 之上做产品的开发者都能用到的一样。 我在演讲里说过，我确实认为有人会基于 ChatGPT 插件做出一家价值十亿美元的公司。你可以利用平台已有的通用功能，再加上自己的独门优势——可能是数据、界面改造，也可能是集成。这样的独门优势很有价值，我认为在那里能创造出价值十亿美元的生意。 **swyx：** 对行业来说，现在是个有意思的时期：编排正变得更加自动化，一群智能体可以出去完成任务。不过在金融领域…… ## [9:19] 安全与人工复核 · YouTube **swyx：** 显然这当中有不少风险。能谈谈你们在产品里加入了哪些安全措施吗？ **Joseph Kim：** 安全非常重要，而且只会越来越重要，因为智能体已经变得更自主、更独立。我们预计这个趋势会延续到 2027 年、2028 年。我们上个月推出的产品，已经可以沿用一些成熟的安全做法，比如审计工作，确保模型不会犯下影响业务结果的错误。 目前这款产品是给金融从业者使用的知识工作效率工具，它有个很重要的前提：始终有人参与。假设你是一名金融分析师，一天有一长串事情要做，就像软件工程师用 Codex 一样，你会先尝试用 ChatGPT 处理每一项任务。它可能帮你完成 30%，也可能完成 80%，要看任务是什么；但默认始终有人在环路中负责把关。这让我们很容易把审计和复核的责任交给用户，这种设计也很容易解释。 我们正在认真考虑接下来怎么做。下一步的产品会不同于始终有人监看的效率工具。我们主要思考两件事。第一，怎样把产品的安全与防护机制设计得直观易懂。人们最熟悉的事情之一就是如何和别人共事。如果产品的工作方式像与同事、实习生或身边的人合作，大家就能很快上手。我们的想法是让产品的安全机制也像一个人那样运作。 举个例子，读写权限。即使是新入职的软件工程师，也常常要先通过代码审查（readability）之类的流程。公司会设置各种检查和平衡机制，在你开始接触系统之前先把关。人类的工作本来就有监督系统；如果模型像人一样工作，就可以沿用这些机制，也更容易向金融机构解释和推进。我们接下来会大力投入这个方向。至于最后一点，在银行业——也就是我们最初切入的领域——本来就有一套层级复核机制…… ## [12:04] 银行的复核链条 · YouTube **Joseph Kim：** 银行的层级体系中，工作会逐级传递和复核：初级分析师完成基础工作，副总裁助理检查并补充判断，再交到副总裁、董事和董事总经理手里。大家会在过程中相互检查，尽量拦住错误。人类和模型都会犯错，银行已有相应的防错体系，我们也在金融产品里充分借助这些体系。 ## [12:36] 金融工作中的错误与 AI 应用 · YouTube **swyx：** 好。我觉得金融行业里有一种误解：犯一次错，后果就会层层放大，可能整个职业生涯都毁了。如果你是分析师，应该怎样开始使用这些工具？有没有什么类比可以帮助大家理解当前所处阶段？你在某页幻灯片里好像预测，到 2027 年大家就不再做 PowerPoint 了，很多人会把 AI 工具纳入工作流程。人们该如何看待现在和未来，又该怎样开始采用这些工具，尤其是那些担心“错一次，我的职业生涯就完了”的人？当然，过程中会有人把关；不过随着人们把越来越多的工作交出去，应该怎么理解这个变化？ **Joseph Kim：** 这个问题很好。我有两种看法，它们基于不同的前提。先说，我认为“犯一次错，职业生涯就完了”这个想法不对。但我们先假设它是真的。如果真是这样，我会说，错误的严重程度不一样，模型的能力也各不相同。 模型或人犯下可能毁掉职业生涯的错误，通常是在职级比较高的时候。副总裁承担的风险就比初级分析师大，因为人们默认工作已经经过层层检查。如果董事总经理发现错误，那问题就很严重，说明原本的多道安全网都没能拦住它。 所谓足以毁掉职业生涯的错误，通常是某个事实信息错了，而且这个错误信息改变了结论。这显然是最严重的一类错误。我们看到模型在细节准确性方面进步很大。2022、2023 年大家常说“幻觉”，现在提得少多了。模型在减少事实错误、提高可靠性方面已经有了巨大进步，而且还会继续改善。所以我相当有信心：模型不断进步，再加上已有的检查体系，能让这类错误一路传到董事总经理那里的概率非常低。 我认为模型现在还欠缺、仍需提升的，其实不是避免这种职业生涯终结式错误的能力…… ## [14:56] 判断力、品味与准确性的边界 · YouTube **Joseph Kim：** ……而是涉及人类判断和品味的部分。比如一页幻灯片看着很难看。内容没错，但排版不行，颜色有点不协调，整体显得潦草，所以它不是一张好幻灯片。这不像事实性错误那样会毁掉职业生涯，但仍然重要，因为它影响工作的实际价值。 展望 2027 年，我预计模型在人类品味这方面会进步很多。这也是我在主题演讲里想表达的：对于目标比较柔性的任务，模型会更懂人的品味。评价标准不是简单的对或错，而是比较：这个是不是比那个更好？我认为模型今后会在这方面进步很大。 **swyx：** 怎么做到？我们怎样解决品味问题、把品味训练进模型？ ## [15:46] 如何把人类品味训练进模型 · YouTube **Joseph Kim：** 这挺有意思的。很早期的强化学习，训练模型的核心其实就是品味：通过人类反馈做强化学习，而人类反馈一直是成对比较——给你两个选项，哪个更好？所以强化学习早期建立在训练人类品味的基础上。 后来我们发展出可验证奖励、环境等机制，构建了很多工具来实现其他类型的奖励和强化学习。大家渐渐忘了，强化学习的早期阶段其实都围绕着人类品味。那怎么用人类品味训练模型？我觉得技术上的答案很简单，实际操作当然复杂得多。实践上就是训练一个奖励模型：让很多人比较两样东西，选出更好的那个。这种方法现在仍然有效。 比如我们做幻灯片模型时就这么做。怎么让模型更会生成演示文稿？我们让很多人比较两套幻灯片，判断哪套更好。人类的审美判断其实非常强，这是我们发现的。人看两张幻灯片，几秒内就能说哪张更好；如果让模型来评判，它可能花很多推理 token 去分析像素、颜色和细节，最后还可能得出错误结论。所以人类对改进模型仍然很有价值。我们会大量依赖人类偏好，把品味这类能力教给模型。 另一个先例让我们相信这套策略行得通，那就是编程。编程问题还没有完全解决，但可以说已经完成了 80%，剩下 20% 也在持续推进。编程能力是可验证奖励和人类品味的结合。可验证奖励可以检查代码能否编译、有无语法错误、函数输出是否符合预期；但优秀的软件工程还要看系统设计是否清晰、能否长期维护、是否容易写单元测试，以及是否符合大多数开发者或行业认可的范式。 从这个角度看，很多金融工作也很像编程。比如 Excel 模型的求和是否正确、有没有引用错误，这些都能验证，可以做第一轮合理性检查。但还有很多主观判断：我会不会用这种方式搭模型？我开始接触金融后，了解到业内会说模型有没有“手感”。你稍微改变几个输入，再看输出；有经验的金融从业者能判断数据在模型里流动得是否合理。这种人类偏好很像判断代码是否干净、写得好不好。我认为我们在编程领域的成功，让我有信心在金融领域解决很多类似问题。 ## [18:40] 用代码质量衡量品味 · YouTube **Richard：** 我们可以提一下 Cognition 的一个前沿编程基准。它不只是看答案对不对，也会看你会不会把代码合并。可能有好几种答案都能通过、都符合合并请求（PR）的要求，但你最终会合并哪一个？所以有时你会看到推理较少的模型反而表现更好的图表。这也是一个品味基准。 **swyx：** 对。你对 2027 年还有一个预测，我觉得挺有意思…… ## [19:04] 投资构想与向上延伸的分析工作 · YouTube **swyx：** ……你预测正在训练的模型会更擅长形成投资论点、提出投资和交易想法。但这类事情显然是经验丰富的金融从业者擅长的，他们对这类判断有直觉，而且往往会得出与主流观点相反的结论；不然就不太可能获得很好的回报。你们怎么训练智能体做这类工作？ **Joseph Kim：** 到目前为止，AI 在金融领域绝大多数应用，主要集中在初级分析师的工作上。我觉得有两个原因。第一，产品必须根据今天模型的能力来做。现在的模型很擅长执行具体明确的指令，比如“帮我做一页幻灯片，按这种方式排版，用我们的模板”等等。模型做这些事已经相当能干，所以我们围绕这些能力设计产品体验。 第二，我们通常希望模型擅长做人类不擅长或不喜欢做的事。我聊过的很多人——当然也有例外——都不喜欢搭 Excel 模型。这种工作很繁琐，特别注重细节，也容易出错。幻灯片也一样：复制 logo，再把它们精确放到页面指定位置，是很多人不喜欢做的琐碎工作。这些就是我们关注这类任务的动力之一。 所以，产品方向由两件事共同推动：一是现有模型已经擅长某些任务；二是人们喜欢或不喜欢做哪些事。这两者结合在一起，决定了我们做什么。我觉得这两个方向里容易取得的成果已经做了不少。到了 2027 年，我们会开始沿着分析师的工作层级往上走：从初级分析师能做的任务，扩展到副总裁助理，再到董事总经理的工作。 层级越高，目标就越模糊。一张幻灯片显然好不好、能不能拿给客户看，比较容易判断；但一个投资想法是不是好，要等三年后才能根据市场表现给出明确、具体的答案。目标越模糊，训练模型、提升模型的难度就越大，对研究来说也越来越难。不过并非无法解决，需要大量研究投入、优质数据，以及领域专家的反馈。我们希望得到 P99.9 水平的专家反馈，让模型尽可能接近人类专家。 我不觉得这是不可逾越的问题。我们需要继续扩大基础模型，也需要研究机构把注意力放在这个重要问题上。我所在的团队正在把它列为 OpenAI 的重点工作。两方面结合起来，我有信心我们在 2027 年会取得很大进展。 **swyx：** 你怎么看目前的金融基准？现在似乎还停留在核对数字对不对。大家该如何自己设计基准、把品味也纳入评估？这也是向业内研究者发出的邀请，希望大家一起做基准。还有个相关问题：你说要为今天的模型构建系统，同时也对未来做了很多预测。你们现在为金融服务构建产品时，怎样设置护栏、限制和检查，让大家相信它不会失控？ ## [22:14] 为什么金融评测很难 · YouTube **Joseph Kim：** 有道理。聊聊评测吧，我很关心这个问题，也花了很多时间做评测。我想先告诉大家：做好一个评测极其困难。没做过评测的人可能不容易意识到这一点。要设计一个真正与目标相关的评测，也就是能衡量你想测量的技能或能力，非常难。因为你能设计出来的东西终究只是目标本身的代理指标，而且通常只覆盖一个维度。 第二，编制标准答案或建立正确的评分方法非常费工夫。如果评分标准不对，评测就很容易被钻空子、被奖励机制“黑掉”。模型可能在评测中得高分，实际目标技能或能力却很差。 所以评测真的很难，不只是金融工作如此，各个领域都一样。目前我们认为还没有很好的金融工作评测。有不少先前研究，我可以提一下我们做过的 GDP 评测，它覆盖的知识工作范围更广。大家看 GPT-6 Astra 发布时会发现，我们没有再提 GDP 评测，因为它已经完全饱和了；那些还没饱和的部分基本上也坏掉了。所以我们不再报告或跟踪它。 GPT-6 Astra 有个难点是，我们当时没怎么谈金融评测。内部确实有一些，但当时不想透露太多，还没准备好分享；之后会公布。问题是，当时我们没有好办法通过这些评测展示金融任务上的进步。 评测里还有一种有趣的偏差：数字好看时，研究者就以为模型变强了，不会再调查；如果模型明明强了很多，评测数字却不好看，或没有按预期增长，大家才会去查。这种偏差会影响我们调查评测的方式。GPT-6 就遇到过类似情况：我们用它跑了一组金融评测，分数几乎没变化。于是我们想：“怎么回事？来看看这套评测。”深入检查后发现很多地方有问题：评测已经饱和，而模型答错的问题，是因为标准答案不正确、提示词写得不清楚，或评测本身还有其他缺陷。 总之，我的团队现在正在做一套更好的评测，目标是预测模型能否自动化某个具体职业的工作。比如投行评测，如果分数不错，就能说明模型大概可以自动完成投行初级分析师的很多工作。 **swyx：** 我们很快得收尾了。最后想问问金融领域和 Latent Space 听众：有什么机会或消息想分享？你的团队应该也在招人。大家怎样能帮上你？ ## [25:26] OpenAI 金融团队正在招聘 · YouTube **Joseph Kim：** 好。首先，欢迎大家了解 ChatGPT 金融服务版。它目前是企业产品，但我们正努力让更多 Pro 订阅用户也能用上，希望很快会有好消息。 第二，我们团队确实在招聘。产品获得了很好的客户反馈，所以我们正在快速扩张。团队岗位很多，我快速提几类：常规的前端和后端工程师，也就是传统产品开发岗位；我们非常需要优秀的产品经理。我认为，优秀的产品管理在某种程度上是这个领域取得成功的主要瓶颈。因此我们希望招聘投行、股票研究、资产管理等领域的产品经理。 还有一个特别想提的岗位，我们称之为“领域专家”。我们在编程方面做得不错，其中一个原因是训练模型、帮助模型进步的人知道好的代码应该是什么样子。这给模型改进带来了很大助力。但在金融领域，我们没有这样的优势。因此我们正在招募许多能够带来金融专业知识的人，和工程师、研究人员、产品经理一起改进模型和产品，让它们适用于各自的专业领域。如果这些岗位适合你，欢迎联系我。我在 LinkedIn 上可以找到，招聘信息也挂在我们的招聘页面，很容易搜到。 **swyx：** 太好了，你回答了我本来想问的问题：我什么时候能试试？看来它会开放给 Pro 用户。 **Richard：** 这很符合 OpenAI 一贯的路径：先做企业产品，随后能力再逐步下放到普通模型和 Pro 方案。等一段时间后，通用用途也会变得更好，控制台相关的工作也会更强。 **swyx：** 太棒了，很高兴请到你。大家可以去看你的主题演讲，里面有不少有意思的预测，也提到了你们解决了预训练问题。我就给大家留些线索，让大家去看演讲。感谢你来参加节目。 **Joseph Kim：** 太好了，非常感谢。