文/本刊记者 姚亮宇

从ChatGPT到DeepSeek，再到Manus，人工智能浪潮席卷各行各业，技术发展日新月异。如今，人工智能已从通用模型OpenAI进阶为具备自主决策能力的任务导向型智能体AI Agent，这一转变正深刻重塑银行业的发展格局。上月，中国人民银行召开2025年科技工作会议，会上明确提到，要加快金融数字化智能化转型，安全稳妥有序推进人工智能大模型等在金融领域应用。如今，如何利用“数据+AI”助力金融行业提质增效发展，成为行业内关注的热点。2025年4月9日举办的AI势能大会，全面更新阿里云的全栈AI云进展，展示在阿里云和通义大模型的最新优秀实践，呈现AI应用生态的生机勃勃。《金融电子化》新媒体记者专访了阿里云智能集团副总裁、新金融行业总经理张翅，与他一起探讨AI赋能之路。

提问

记者：如今大模型在金融场景落地中面临的关键挑战与此前有何变化？

回答

张翅：当前，大模型在金融行业的应用正经历从“执行工具”向“自主思考”跨越的奇点时刻。这一过程中，既有技术突破带来的机遇，也面临行业特性与工程化落地带来的多重挑战。结合阿里云的实践与行业观察，我认为关键挑战与变化主要体现在以下几个方面：

首先，金融机构在认知层面经历剧烈转变。金融机构从早期观望技术潜力，到苦练内功提升基础设施能力，再到如今真切感受到大模型的火热，这是认知上最大的变化——从观望到快速拥抱，这个转变速度之快在我从业多年都很少见。金融机构在此过程中一定会感受到挑战与困扰，比如在开源模型、闭源模型及行业定制化路线中该如何抉择？短期投入与长期价值该如何平衡？面对差异化的技术路线选择，部分金融机构可能会陷入“既要追赶转型窗口期又要平衡资源投入、既要保证业务合规数据安全又要提升场景适配性敏捷迭代”的困局。

其次，在大家认知高度统一、拥抱节奏加速的情况下，如何提供“AI平权”方案，让不同规模的金融机构都能找到满足“既要又要”的落地路线成了新的技术难题。我们将其总结为“四大工程”，一是应用工程，金融场景落地需解决动态适配难题。传统固定流程难以应对实时性需求，而多智能体协同架构通过动态拆解任务可实现灵活响应。二是模型工程，平衡性能与可控性是核心挑战。传统模型架构虽能整合多元知识，但算力消耗较大且存在幻觉风险。三是知识工程，内外数据融合与质量管控是关键瓶颈。金融决策依赖外部信息与行内业务数据、音视频等非结构化数据的深度融合，但“垃圾进垃圾出”现象仍然存在。四是算力工程，软硬一体优化是降本增效的核心。金融机构需支持千人并发的高性能推理，需要千卡推理集群实现万亿参数模型在线服务，而中小机构面临算力碎片化问题亟待解决。

正因有了这些挑战，也促使阿里云更加积极地开源模型能力、优化落地方案、完善基础设施，我们召开本届AI势能大会，也正是想向业界同仁分享阿里云的所思所为。

提问

记者：在人工智能迈向动态决策与全场景服务的背景下，金融机构如何更好地利用Agent实现个性化服务？

回答

张翅：我认为，要做到这一点，首先要突破认知误区，即Agent不是工具链，而是模型能力的内化。当前行业存在一个常见误解，认为Agent是流程编排工具或低代码平台与Prompt Engineering的简单叠加。这种思路往往导致“技术空转”——业务部门需人工设计复杂步骤以规避模型幻觉，反而增加开发负担。真正的Agent应该是模型内在能力的体现，需通过强化学习将业务规则、行业知识深度内化至模型中，使Agent具备动态适应复杂场景的能力，而非依赖外部工程手段。例如，金融场景中的审计报告生成，需让模型掌握审计规则、信贷准入标准等专业知识，而非通过人工编写流程模板实现。

其次，要善建技术路径，我们建议以MOA架构实现“通识+专业”能力融合。金融行业业务场景复杂多变，采用MOA（基础大模型+领域小模型）架构，有助于平衡通用智能与专业能力。我们常说，基础大模型可以选择“通义千问”等开源方案提供通用认知能力，相当于“通识教育”筑基，覆盖基础语义理解、逻辑推理等通识技能；领域小模型则基于业务数据通过知识蒸馏训练聚焦风控、投研等细分场景的轻量化专业模型，实现“专精一门”实战。我们认为MOA架构具备三大优势，一是，算力优化与敏捷迭代，小尺寸模型通过蒸馏技术仅需少量业务数据与算力即可完成训练，周期从数月缩短至两周；二是，动态更新与灵活切换，可自由替换底层开源模型，技术开放性更强，基础模型升级时领域小模型通过短期蒸馏即可同步最新能力，规避系统重构风险；三是，能力泛化与精确适配，通过“通识+专精”的分层设计，既保留了大模型的泛化能力，又通过领域小模型实现金融场景的高精度适配，为金融机构构建自主可控的智能体生态提供技术基石。

提问

记者：阿里云的数据飞轮解决方案如何帮助金融机构解决大模型幻觉问题？金融机构如何结合自身数据实现更简单高效地落地？

回答

张翅：金融行业事关重大对大模型幻觉的容忍度极低，阿里云数据飞轮解决方案通过“分层校验+持续进化”机制，构建三层架构，系统性降低幻觉风险。

RAG基础层：结构化知识兜底。RAG（检索增强生成）是抑制大模型幻觉的基础手段，通过对接产品手册、合规条例等行内知识库，可确保模型输出基于可信数据源。然而，RAG的局限性在于其依赖静态知识库，难以应对多步骤推理任务。以审计场景为例，审计报告生成需要串联财务数据勾稽、逻辑一致性校验等复杂流程，仅靠RAG无法保证结论的连贯性与准确性。因此，金融机构需在RAG基础上叠加更深层的校验机制，形成“基础检索+专业纠偏”的双重保障，以覆盖复杂业务场景的需求。

专业校验层：领域小模型精准纠偏。针对复杂任务中的“高阶风险”，阿里云在MOA架构引入专业校验小模型，将人类专家经验转化为模型能力。依然以审计场景为例，可以基于行内历史审计报告与专家修正记录训练轻量化校验模型，使其掌握财报勾稽关系、计算验证逻辑等专业规则，从而实时拦截大模型的错误输出。这种机制不仅减少人工编写校验脚本的成本，还能提升模型输出的准确性与一致性，避免因多步骤推理疏漏导致的结论偏差。

持续进化层：反馈闭环驱动迭代。为实现模型的动态优化，金融机构需构建“数据回流-模型迭代”的闭环机制。业务人员对模型输出的修正记录自动进入训练池，形成持续更新的数据集，通过足够多的优质样本和反馈循环，模型可以快速达到专业水平并不断优化，实现从被动防御到主动进化的跨越。

阿里云数据飞轮解决方案通过“分层校验降低幻觉、数据闭环驱动进化、轻量化模型适配场景”，为金融机构提供了从技术到落地的完整路径。帮助金融机构以自身业务数据为燃料，通过MOA架构与持续学习机制，构建自主可控的智能体生态，最终实现AI从“可用”到“可信”的质变。

提问

记者：如今金融机构都在拥抱大模型，阿里云下一步的重点会放在何处？

回答

张翅：在金融机构全面拥抱大模型的趋势下，阿里云的差异化布局聚焦于全栈能力构建，通过“全尺寸+Agent+生态”三位一体发力，赋能金融机构打造从底层算力到上层应用的全链路智能化体系。

一是，坚持“全尺寸策略”，覆盖从基础大模型到垂直场景推理模型的完整技术栈，一方面发力通用基础模型夯实底层能力；另一方面针对金融、互联网等行业特性，不断优化专用模型与融合模型开发。

二是，深化Agent能力，推动AI从“流程自动化工具”升级为“业务认知伙伴”。当前，阿里内部已全面推动业务“Agent化”与“AI化”——从夸克的智能搜索到高德的实时服务，均通过AI Agent实现业务流程的自动化与个性化。未来，阿里云将把这一经验系统化输出，为金融机构提供“开箱即用”的Agent开发框架与工具链，通过降低Agent开发门槛，阿里云旨在推动金融机构从“功能叠加”向“场景驱动”的智能化跃迁。

三是，生态融合创新，推动金融与多元生态深度融合，重新定义服务边界。阿里云认为，未来可能将打破APP孤岛，进入智能体时代，金融服务将融合嵌入更多场景。例如，养老金融服务可无缝嵌入高德地图的出行服务，提供“金融+生活”一站式服务，跨业务场景的智能融合也必会创造出新的价值。

阿里云的全栈能力布局，直指金融智能化的核心命题——未来的竞争不再是单一技术或流量的比拼，而是“模型精度×场景理解×生态协同”的综合较量。通过全尺寸模型、深度Agent化与生态融合，阿里云将助力金融机构构建自主进化的智能体生态，实现从“功能上线”到“认知赋能”的质变。以算力为引擎、数据化为燃料、模型进阶为认知伙伴，金融服务的终极形态将是无所触形却无处不在的智能网络。在这一进程中，阿里云的角色不仅是技术提供者，更是金融行业智能化转型的战略共建者。