2023年，人工智能革命推动了一级和二级市场的投资热潮，也激发了公众的想象力。以ChatGPT为代表的变革性消费产品由大语言模型（LLM）驱动，这类模型擅长对代表单词或词块的token序列进行建模。与此同时，LLM的能力边界正在从文本生成向金融决策、自主任务执行等实际场景延伸。
The Gradient刊文探讨了LLM在金融市场的应用，而AI研究者Lilian Weng则系统梳理了以LLM为核心控制器的自主智能体架构。两条线索共同指向同一趋势：LLM正被框定为强大的通用问题求解器，而非仅仅是写作、故事、文章和程序的生成工具。
数据事实
The Gradient的文章指出，AI革命在2023年驱动了对私营和上市公司的狂热投资，并俘获了公众的想象力。ChatGPT等变革性消费产品由大语言模型驱动，这类模型擅长对代表单词或词块的token序列进行建模。
Lilian Weng于2023年6月23日发布文章提出，以LLM作为核心控制器构建智能体是一个很酷的概念。AutoGPT、GPT-Engineer和BabyAGI等概念验证演示是启发性的例子。她指出，LLM的潜力超越了生成写得好的文案、故事、文章和程序，它可以被框定为强大的通用问题求解器。
解读分析
在LLM驱动的自主智能体系统中，LLM充当智能体的大脑，并辅以若干关键组件。这些组件包括规划、记忆和工具使用三大模块。
| 组件 | 功能 |
|---|---|
| 规划 | 通过子目标与分解，将大型任务拆解为更小、可管理的子目标，从而高效处理复杂任务；同时通过反思与改进，对过往行动进行自我批评和自我反思，从错误中学习并优化后续步骤，进而提升最终结果的质量。 |
| 记忆 | 短期记忆被视为利用模型的上下文学习能力；长期记忆则为智能体提供在较长时间内保留和回忆（无限）信息的能力，通常借助外部向量存储和快速检索实现。 |
| 工具使用 | 智能体学习调用外部API以获取模型权重中缺失的额外信息，这些信息在预训练后往往难以更改，包括当前信息、代码执行能力、对专有信息源的访问等。 |
LLM的潜力超越了生成写得好的文案、故事、文章和程序；它可以被框定为强大的通用问题求解器。
——Lilian Weng
文章认为，LLM在金融市场的应用是这一技术向实际场景延伸的重要方向。不过，素材未提供该文关于金融应用的具体案例、数据或结论细节。
后续关注
两条线索共同指向大语言模型从文本生成向金融决策、自主任务执行等实际场景延伸的趋势。这一趋势对财经与科技交叉领域具有报道价值。后续值得关注的是：LLM在金融市场的具体应用案例与效果评估，以及自主智能体架构在真实任务中的落地进展与风险控制。