2023年，人工智能革命推動了一級和二級市場的投資熱潮，也激發了公眾的想象力。以ChatGPT為代表的變革性消費產品由大語言模型（LLM）驅動，這類模型擅長對代表單詞或詞塊的token序列進行建模。與此同時，LLM的能力邊界正在從文本生成向金融決策、自主任務執行等實際場景延伸。
The Gradient刊文探討了LLM在金融市場的應用，而AI研究者Lilian Weng則系統梳理了以LLM為核心控制器的自主智能體架構。兩條線索共同指向同一趨勢：LLM正被框定為強大的通用問題求解器，而非僅僅是寫作、故事、文章和程序的生成工具。
數據事實
The Gradient的文章指出，AI革命在2023年驅動了對私營和上市公司的狂熱投資，並俘獲了公眾的想象力。ChatGPT等變革性消費產品由大語言模型驅動，這類模型擅長對代表單詞或詞塊的token序列進行建模。
Lilian Weng於2023年6月23日發佈文章提出，以LLM作為核心控制器構建智能體是一個很酷的概念。AutoGPT、GPT-Engineer和BabyAGI等概念驗證演示是啓發性的例子。她指出，LLM的潛力超越了生成寫得好的文案、故事、文章和程序，它可以被框定為強大的通用問題求解器。
解讀分析
在LLM驅動的自主智能體系統中，LLM充當智能體的大腦，並輔以若干關鍵組件。這些組件包括規劃、記憶和工具使用三大模塊。
| 組件 | 功能 |
|---|---|
| 規劃 | 通過子目標與分解，將大型任務拆解為更小、可管理的子目標，從而高效處理複雜任務；同時通過反思與改進，對過往行動進行自我批評和自我反思，從錯誤中學習並優化後續步驟，進而提升最終結果的質量。 |
| 記憶 | 短期記憶被視為利用模型的上下文學習能力；長期記憶則為智能體提供在較長時間內保留和回憶（無限）信息的能力，通常借助外部向量存儲和快速檢索實現。 |
| 工具使用 | 智能體學習調用外部API以獲取模型權重中缺失的額外信息，這些信息在預訓練後往往難以更改，包括當前信息、代碼執行能力、對專有信息源的訪問等。 |
LLM的潛力超越了生成寫得好的文案、故事、文章和程序；它可以被框定為強大的通用問題求解器。
——Lilian Weng
文章認為，LLM在金融市場的應用是這一技術向實際場景延伸的重要方向。不過，素材未提供該文關於金融應用的具體案例、數據或結論細節。
後續關注
兩條線索共同指向大語言模型從文本生成向金融決策、自主任務執行等實際場景延伸的趨勢。這一趨勢對財經與科技交叉領域具有報道價值。後續值得關注的是：LLM在金融市場的具體應用案例與效果評估，以及自主智能體架構在真實任務中的落地進展與風險控制。