文章核心观点 - 金融AI的落地面临缺乏统一评测标准的挑战，行业需要建立公平、公开、实战导向的基准来推动发展 [1][3] - 奇富科技联合高校发布了首个面向信贷场景的多模态评测基准FCMBench-V1.0，旨在为模型评估提供“尺子” [3] 产业实践视角 - AI是工具，金融等高门槛行业是“肥沃的土地”，AI与场景的结合至关重要 [1] - 当前金融机构选择模型时面临困惑，不同模型声称的高分（如95分和98分）难以直接比较，决策易失焦 [1] - FCMBench的价值在于将模型置于同一起跑线，在真实业务条件下检验能力 [1] - FCMBench设计强调“实战性”，包括在合规前提下重构数据体系、映射真实业务流程、模拟光线角度反光等十余种真实干扰场景，直指金融风控中最具挑战性的推理问题 [1] - 构建评测基准非短期收益项目，但从长期看，行业共识和开源力量的形成将反哺业务本身 [1] 学术研究视角 - AI在金融领域的存在感被低估，其已深度参与保险定价、资产评估和量化交易等领域，只是价值未直接呈现在ToC产品中而“看不见” [2] - 好的数据集本身是对“好问题”的定义 [4] - 金融AI不能停留在通用模型的预训练与微调阶段，而应构建内生的金融思维链，让模型天然理解利率、规则与风险，以实现安全可信的推理能力 [4] - 构建具备金融思维链的AI是学界与产业必须协同解决的问题 [4] 行业活动与动态 - 奇富科技于2月5日举办了一场聚焦“信贷多模态AI如何定标准”的直播讨论，汇集了产业与学术前沿观点 [3] - 直播的核心议题是奇富科技联合复旦大学、华南理工大学研究人员近期发布的首个面向信贷场景的多模态评测基准FCMBench-V1.0 [3]

文章核心观点 - 奇富科技联合高校发布了首个面向信贷场景的多模态评测基准FCMBench-V1 0 旨在为金融AI建立统一 公平 公开的评测标准 以解决模型能力评估“各说各话”的行业痛点 推动金融AI的规模化与规范化落地 [1][3][5] 行业现状与挑战 - 金融行业对隐私 安全与合规有天然高要求 模型能力是否可靠不能只靠“自说自话” 缺乏统一标准使得金融AI难以真正落地 [3] - 金融机构在选择AI模型和方案时面临困惑 不同模型声称的分数（如95分和98分）无法直接比较 决策容易失焦 [5] - AI在金融领域（如保险定价 资产评估和量化交易）的深度参与价值 因其不直接呈现在ToC产品中而常被外界低估 存在感看似不强 [5] FCMBench评测基准详解 - FCMBench-V1 0是源自真实信贷业务场景的多模态评测基准 围绕多模态感知 推理与决策等关键环节设计评估任务 并同步开源了数据集与评测工具 [1] - 该基准设计强调“实战性” 包括在合规前提下重构数据体系 将任务映射至真实业务流程 以及模拟光线 角度 反光等十余种真实干扰场景 [5] - 评测直指金融风控中最具挑战性的推理问题 例如检验模型识别职业信息与异常流水之间矛盾的能力 [5] - 从数据规模 任务覆盖度到评测设计的系统性来看 FCMBench是目前国内金融领域乃至国际金融AI研究中规模最大 最具权威性且少有的统一评测基准 [11] 评测基准的战略价值与行业意义 - 评测基准的价值在于将不同模型拉到同一条起跑线上 让其在真实业务条件下接受检验 从而为行业提供一把可被广泛认可的“尺子” [5] - 构建评测基准并非追求短期收益 但从长期看 行业共识和开源力量的形成将反哺业务本身 [5] - 该基准以建立行业共识为目标 定义了真正有价值的问题边界 并非为某一家机构服务 [11] - 好的数据集本身就是对“好问题”的定义 金融AI需要构建内生的金融思维链 让模型天然理解利率 规则与风险 实现安全可信的推理能力 [11] - 金融行业相比医疗AI具有更短的业务迭代周期 这为模型评测和更新提供了现实土壤 [8] 历史参照与发展愿景 - 深度学习发展的关键分水岭是ImageNet的出现 它通过统一的评测尺度终结了小数据集时代“各说各话”的局面 [8] - 金融AI当前正处在类似ImageNet出现前的阶段 FCMBench有望成为“金融领域的ImageNet” [11] - 数据集的发展可分为三个阶段 先夯实数据质量 再通过学术与赛事运营形成影响力 最终获得行业层面的官方认可 成为类似托福 雅思的“准入门槛” FCMBench被认为正处在一个极具潜力的起点 [8] - 推动金融AI走向规模化 规范化发展 需要产业 学界与研究机构的持续共建 并邀请更多伙伴参与数据集测试 评测与赛事 [11]

文章核心观点 - 金融AI的发展正从处理显性知识的“助理时代”向学习隐性知识的“师徒时代”演进，目标是成为高度个性化的“第二个你” [1][4] - 讯兔科技的核心产品Alpha派已服务超7万名专业人士，其发展路径是从效率工具延伸至深度研究，并计划在2027年左右初步具备基金经理助理能力 [1][9] - 公司的长期愿景是构建一个全球投资者AI代理系统，成为AI时代的“金融基础设施”，重塑行业工作流 [1][13] 金融AI发展趋势：从“助理”到“师徒” - **本质差异**：助理解决用户不想干的活，而“徒弟”式AI的目标是学习如何做得更像用户，解决隐性知识传递问题 [4] - **隐性知识**：指行业“老司机”脑海中难以系统表达的经验、逻辑和know-how，是投研真正拉开差距的关键，需在私域环境中通过长期互动传递 [4][5] - **最终形态**：AI将逐步同步用户的思维体系，成为“第二个你”，这需要基于长期、高频的交互来实现深度对齐 [4][5][10] 讯兔科技产品Alpha派的进展与规划 - **当前能力**：产品已从2023年的“实习生”阶段，发展到2025年初的“初级研究员”，目前具备“中级研究员”的影子 [9] - **发展路径**：2026年预计从中级向高级研究员过渡，到2027年左右，目标初步具备基金经理助理的关键特征 [9] - **进化难点**：实现从“研究员”到“基金经理助理”跨越的最大门槛是记忆能力和高度个性化的可适配性 [10] 垂类AI产品的价值与优势 - **解决“最后一公里”**：通用大模型存在垂类数据盲区和细分任务处理短板，而垂直产品能将行业流程、工具和数据调用集成，实现稳定交付 [7][8] - **数据与生态**：金融行业拥有丰富的私域和非结构化数据，垂直产品能构建一套包括数据库、会议纪要在内的工具调用生态 [8] - **交互演进**：产品正从简单问答向“工作台”或“IDE”环境演进，在该环境中，AI能记住用户的每一次交互和偏好，实现自适应学习 [10] AI赋能下投研工作的范式转变 - **交互模式变革**：AI将从被动接收任务转向主动提供信息、推送内容、提示风险并分配任务，实现从单向到双向的交互 [11] - **人的价值迁移**：研究员的基础信息处理工作时间将大幅压缩，人的价值将向“两端”迁移：一是深入线下的产业一手信息挖掘，二是形成基于个人能力的“超额认知”和“非共识”判断 [12] - **行业定位变化**：企业高层不再视AI为单纯的IT工具，而是将其视为业务本身，驱动行业资源投入从传统数据供应商转向AI能力建设 [15] 公司战略与行业竞争 - **发展愿景**：致力于成为金融领域的“新型基础设施”，构建覆盖信息研究、投资决策到整合交易的全球投资者AI代理系统 [13][14] - **竞争壁垒**：在有限的窗口期内，建立人才、产品和数据壁垒至关重要，时间差是关键 [16] - **生态构建**：未来的公司可分为做交互界面和提供数据能力两类，讯兔科技定位为交互公司，其挑战在于与供应商建立激励相容的业务模式，共同构建繁荣生态 [16]

【导读】讯兔科技创始人兼CEO李罗丹：金融AI正在从助理时代向师徒时代演进 在投研圈，最值钱的资产往往不是随处可见的公开数据，而是藏在"老司机"脑子里那些只可意会不可言 传的经验与逻辑。能否把这类隐性知识变成可复用的能力，是AI触达投研核心的一道门槛。 作为业内率先将AI技术落地金融投研场景的先行者，讯兔科技核心产品Alpha派深度嵌入机构投研工作 流，累计服务了超7万名专业人士，当前产品路径已从辅助听会等效率环节，延伸至个股与行业的深度 研究，并持续拓展AI赋能投研的边界。 2025年12月底，讯兔科技创始人兼CEO李罗丹接受中国基金报记者专访，详细阐释了金融AI的发展趋 势和讯兔的发展之道。 李罗丹认为，金融AI正在从"助理时代"向"师徒时代"演进；到2027年左右，Alpha派或将初步具备基金 经理助理的能力，全新的全球AI代理系统，将成为AI时代的"金融基础设施"。 AI投研未来：从"助理时代"向"师徒时代"演进 中国基金报：你最近提到未来投研AI将从"助理关系"走向"师徒关系"，能否具体阐释一下？ 李罗丹：我想表达的是一个本质差别：助理解决的是你不想干的活，徒弟解决的是如何做得更像你。 所以，我用" ...

【导读】讯兔科技创始人兼 CEO 李罗丹：金融 AI 正在从助理时代向师徒时代演进 中国基金报记者 尹振茂 在投研圈，最值钱的资产往往不是随处可见的公开数据，而是藏在 " 老司机 " 脑子里那些只 可意会不可言传的经验与逻辑。能否把这类隐性知识变成可复用的能力，是 AI 触达投研核心 的一道门槛。 作为业内率先将 AI 技术落地金融投研场景的先行者，讯兔科技核心产品 Alpha 派深度嵌入 机构投研工作流，累计服务了超 7 万名专业人士，当前产品路径已从辅助听会等效率环节， 延伸至个股与行业的深度研究，并持续拓展 AI 赋能投研的边界。 2025 年 12 月底，讯兔科技创始人兼 CEO 李罗丹接受中国基金报记者专访，详细阐释了金 融 AI 的发展趋势和讯兔的发展之道。 李罗丹认为，金融 AI 正在从 " 助理时代 " 向 " 师徒时代 " 演进；到 2027 年左右， Alpha 派或将初步具备基金经理助理的能力，全新的全球 AI 代理系统，将成为 AI 时代的 " 金融基 础设施 " 。 AI 投研未来：从 " 助理时代 " 向 " 师徒时代 " 演进 中国基金报： 你最近提到未来投研 AI 将从 " 助 ...

合作概述 - 蚂蚁数科与同方全球人寿于1月22日签署“保险AI创新应用”合作协议，旨在以人工智能技术为核心，在保险全业务领域深化合作[1] - 此次合作标志着金融AI技术在保险业务场景的深度融合，目标是通过科技赋能重塑业务流程，提升运营效率与风控水平[1] - 双方将进一步整合在保险业务场景理解与AI技术应用方面的优势，共同探索核保、营销、风控、客户服务等环节的整体智能化解决方案[4] 行业背景与趋势 - AI技术已成为保险业高质量发展的重要引擎，头部险企纷纷将AI列为战略重点，围绕客户体验、产品体系和专业能力建设，以技术驱动金融创新[1] - 艾瑞咨询预测，2025年中国保险业科技投入将突破670亿元，行业智能化转型进入加速期[1] - 理赔环节的智能化是保险AI升级的重要一环，传统理赔模式下，大量成本沉淀于人工审核、单证传递与多方沟通等环节，成为效率提升的主要瓶颈[1] 合作成果与产品细节 - 双方共同研发的智能理赔系统基于AI智能体与多模态大模型技术，具备材料防伪核验、智能分类、质量检测、上下文语义解析及缺件自动提示、结合保单责任自动审核等核心能力[2] - 该智能理赔系统识别准确率超过99%，可大幅降低人工审核与沟通成本[2] - 测试数据显示，该系统将整体理赔效率提升近一倍，部分简易案件可实现从提交、审核到赔款到账的全流程一小时办结[2] - 该项目因其在客户体验与风险防控方面的突出表现，成功入选《金融时报》“金龙·金融力量”年度案例[2] 合作方观点与未来展望 - 同方全球人寿总经理表示，双方在智能理赔项目上的成功实践为进一步合作奠定了坚实基础，期待将创新模式系统性地推广到更多业务领域，为客户提供更智能、更安心的保险服务[4] - 蚂蚁数科副总裁表示，公司在金融AI领域已沉淀了完善的方法论与全栈技术解决方案，期待通过深度协同、技术共享与场景共创，共同打造保险业AI升级的行业范本，助力行业实现系统性提升[4]

行业趋势：AI在金融业的应用阶段与核心挑战 - AI应用正从核心生产环节的“可用”阶段迈向创造业务价值的“好用”阶段 [3][8] - 其中高达90%的成功取决于工程化能力 [3][8] - 大模型发展正进入“智能体（Agentic）时代”，AI将调用外部工具并自主完成任务，实现业务自闭环 [3][8] 行业影响：AI将引发的结构性变革 - 重塑流量入口：从被动APP点击转向主动识别意图的智能体服务 [3][8] - 重新定义金融产品与服务：实现深度定制化 [3][8] - 以智能体重塑全用户旅程：使金融服务更加普惠 [3][8] - 重构运营对象与形态：智能助理将成为影响客户心智的主渠道 [3][8] - 最终影响人才与组织：迈向“人机共存”的新状态 [3][8] 公司战略：华为的金融AI全栈能力 - 华为金融AI战略旨在支撑行业从“可用”到“好用” [3][8] - 提供从昇腾算力底座、一站式AI开发平台（ModelArts）到智能体开发与运行平台（Versatile Agent）的全栈能力 [3][8] - 辅以人才培养课程 [3][8] 应用场景：与头部金融机构联创的典型案例 - **手机银行APP场景**：采用盘古7B等小参数模型，通过数据合成与精细微调，将精度提升至95%以上，同时优化算力利用并降低成本 [4][9] - 所构建的多级智能体系统支持多轮交互与动态跳转，端到端时延可控制在2秒以内 [4][9] - **智能风控场景**：核心是将风控专家经验转化为“思维链”数据，并选用具有“慢思考”能力的大模型进行强化学习，使模型兼具专家知识与复杂逻辑推理能力 [4][9] - 通过构建从数据合成到模型调优的完整开发流水线与持续运营机制，确保风控模型能实时更新，保持高精准度 [4][9] - **报告生成场景（信贷、投研）**：创新采用“深度研究（Deep Research）”开发范式，智能体可自动进行任务编排，通过与外部数据源和知识库交互、检索、验证与判断，最终生成高质量报告 [4][10] - 该范式有效提升了报告的准确性与生成效率 [4][10] 核心观点：金融业AI应用的关键在于工程化 - 金融业作为强监管、高标准的行业，简单套用通用模型或外挂知识库“不可用”，真正的挑战在于工程化 [5][10] - 以手机银行为例，解决系统性时延、精度、拟人化与成本问题，需具备强大的动态业务编排能力，并完成复杂的模型调优、智能体调优、系统集成及全链路监控体系构建 [5][10] - 华为正将这类工程能力沉淀至平台或转化为专业服务 [5][10] 实施建议：金融机构成功应用AI的要点 - AI应是公司级战略，需一把手牵头 [6][10] - 业务部门必须深度参与，构建“技、业、数”融合团队 [6][10] - 坚持“好用”而非“盆景”式应用，关注日调用量等实际指标 [6][10] - 采用多元化模型与开放架构 [6][10] - 结合专业领域工程经验 [6][10] - 构建企业级AI流水线及符合监管的安全治理体系 [6][10] - 建设高质量数据集 [6][10] - 认识到90%的成功取决于工程能力 [6][10] - 金融机构需以战略决心和定力，在监管指导下构建安全应用环境与适配组织，围绕价值场景释放业务价值 [6][10]

金融AI进入生产级核心场景 - 2025年深圳某商户准入审核从人工线下20分钟缩短至系统自动处理仅需5分钟，标志着AI进入金融生产级核心场景[2] - 某大型金控集团深圳研发中心AI编码平台在新项目中代码AI生成占比超过70%，团队固化场景解决方案数量达数万个[2] - 金融AI正从“能看会说”的辅助工具，进化为“能决策、可执行、担责任”的数字员工，从工具到同事的跃迁是2026年破局关键[2] 金融AI落地面临的核心挑战 - 金融行业需在“安全、效率、普惠”的不可能三角中寻求平衡，对高可用、高可靠、强合规的要求是底线[3] - 早期AI应用多停留在客服、营销等辅助性场景，未触及信贷审批、风控建模、投研决策等高敏感核心流程[3] - AI深入核心业务面临多重障碍：模型需极高准确性且决策过程可追溯、可解释、可审计；系统需满足“五个九”（99.999%）可用性与毫秒级响应；金融机构内部数据烟囱林立，非结构化数据多[4] - 金融机构缺少的不是模型或算力，而是体系化的落地路径与解决方案[4] Agentic AI成为金融AI的终局形态 - 金融业务的多环节协同、强规则约束等特殊性，需要具备自主决策能力的AI形态，Agentic AI应运而生[5] - 真正的Agentic AI具备自主规划、工具调用以及记忆与学习三大核心能力，可应用于财富规划、信贷审批、反洗钱监测等场景[5] - Agentic AI面临“效率与成本”挑战：大模型训练推理算力成本高，单一模型难以适配所有金融场景[6] - 阿里云将Agentic AI视为金融AI落地的“终局形态”，并基于实践提出“大飞轮+小飞轮”协同架构以应对挑战[6] “双飞轮”架构与全栈解决方案 - “大飞轮+小飞轮”架构中，大飞轮构建通用智能能力，负责意图理解与复杂决策；小飞轮通过垂直小模型构建场景执行能力，两者协同降低成本并提升效率[6] - 实际应用中采用“一个基础大模型与多个不同岗位的蒸馏小模型结合（MOA）”的方式，更匹配金融机构实际情况[7] - 为克服“碎片化困境”，金融行业需要“全栈人工智能服务商”，提供从底层算力、中间层模型与平台到上层应用的一体化解决方案[7] - 阿里云通义点金金融AI平台包含金融垂类大模型、开发工具链、场景化解决方案三大核心模块，提供一站式金融垂直模型生产工厂[8] 金融AI实践成果与市场渗透 - 工商银行“工银智涌”大模型技术体系在20多个业务领域、400多个场景实现端到端赋能，打造上千个专业领域智能体，累计调用量达15亿次，日均消耗80亿token[9] - 国泰海通与阿里云合作开发证券行业垂直大模型，围绕智能投研、智能投顾等方向深化应用[9] - 接入阿里云后，中小金融机构能低成本获取先进AI能力，九成政策性银行及大型国有银行、全部12家股份制银行、国内规模前十的财险公司均在使用通义大模型，并以其支撑70%以上的AI应用场景[9] 金融行业迈向AI原生时代 - 金融AI正从“云原生”走向“AI原生”，未来架构是“人+AI+系统”的深度协同，IT建设将从“系统建设”转向“智能增强”[10] - 成功的AI实践需业务构建清晰可评判的SOP，组织打破技术与业务壁垒，构建双飞轮技术范式，逐步迈向Agentic AI[10] - 阿里云通过打造“AI原生架构”，与金融机构共同构建具备自主决策能力的“AI大脑”，实现从“上云换心”到“用AI换脑”的跨越[10][12] 云基础设施与市场支撑 - 金融机构核心系统上云为AI规模化落地提供了稳定、弹性、合规的金融级云底座，解决了算力、存储和安全合规问题[11] - 2025年上半年中国金融云市场规模为380.1亿元人民币，同比增长20.0%[11] - 阿里云在金融公有云基础设施份额为43%，创历史新高并连续7年第一；同时蝉联中国金融云整体市场第一，收入同比增长32%[11] - 通义千问等国产大模型能力成熟，阿里云全栈AI云正成为金融机构智能化升级的核心支撑，通义千问成为金融AI生产级场景的主力模型[11]

政策监管 - 国家发改委、市场监管总局、国家网信办联合发布《互联网平台价格行为规则》，共计7章29条，旨在健全互联网平台常态化价格监管机制，规范价格行为 [2] - 规则明确平台经营者不得强制或变相强制平台内经营者降价、让利或开通自动跟价系统，并重申“明码标价”要求，要求以方便消费者认知的方式标明促销价格或规则 [2] - 规则重点规范价格竞争行为，明确了低价倾销、价格歧视、价格串通等认定标准，并禁止基于大数据对同等交易条件下的同一商品或服务设置不同价格（即“大数据杀熟”） [3] - 规则为长期免费且有利于创新和长远福利的商业模式提供了豁免条款，并规定自动续费扣款前需显著提醒消费者，且允许消费者随时取消 [3] - 国家网信办会同证监会依法处置一批炮制资本市场谣言、非法荐股的账号，强调编造传播虚假信息扰乱市场将受法律惩处 [17] - 广州期货交易所调整碳酸锂期货合约交易限额，自2025年12月23日起，对LC2602至LC2605合约单日开仓量限800手，对LC2606至LC2612合约限2000手 [22] 人工智能与芯片 - 商汤科技联合创始人王晓刚表示，AI研究范式需转向以人为中心，通过采集人类真实行为数据训练具身智能的世界模型 [5] - 阿里云张翅认为，未来金融AI的竞争是“智能体生态”的协同效率之争，需通过多智能体系统实现从“辅助决策”到“自主运营” [5] - 通用人工智能公司MiniMax与智谱华章双双通过港交所聆讯，将争夺“大模型第一股” [5] - 摩尔线程发布新一代GPU架构“花港”，采用新指令集，算力密度提升50%，能效提升10倍，可支持十万卡以上规模智算集群 [5] - 三星发布全球首款2nm手机芯片Exynos 2600，采用2nm GAA工艺，CPU性能提升39%，GPU图形性能翻倍，NPU算力提升113%，由明年2月上市的Galaxy S26系列首发 [13] - 上海交通大学科研人员在新一代光计算芯片领域取得突破，首次实现了支持大规模语义媒体生成模型的全光计算芯片，成果发表于《科学》杂志 [24] 自动驾驶与智能汽车 - 长安汽车获得首块L3级自动驾驶专用正式号牌“渝AD0001Z”，标志着公司率先开启L3级自动驾驶时代 [6] - 理想汽车进行组织架构调整，将原近千人的“零部件集群”并入“制造”部门，由副总裁李斌管理，原负责人罗屏离职，合并后制造部门员工超一万名，占智能汽车群组总人数的1/3 [8] 消费电子与硬件 - 小米集团卢伟冰回应小米17 Ultra价格时表示，由于2025-2027年是内存成本上涨点，且内存涨幅远高于处理器和相机，因此小米17 Ultra一定会涨价，且涨幅会有点多 [7] - 天风证券分析师郭明錤透露，因开发进度滞后，苹果首款折叠屏手机iPhone Fold量产将延后至2026年下半年，消费者最快2027年才能购买，其内部曾预估2026年出货800万至1000万台，但实际产量可能远低于此目标 [14] 互联网与平台经济 - 有消息称字节跳动2025年前三季度累计净利润约400亿美元，全年利润有望达约500亿美元，但知情人士回应称该数据不实且偏差较大 [7] - 拼多多年度股东大会宣布升级治理架构，实行联席董事长制度，赵佳臻获任联席董事长，与陈磊共同担任联席董事长兼联席CEO，同时任命王密为集团工程高级副总裁，李炯为集团财务总监 [9][10] - 外交部发言人回应TikTok美国业务进展时表示，中方在TikTok问题上的立场是一贯明确的，具体问题建议向主管部门询问 [26] 能源与工业 - 中国神华公告，拟通过发行股份及支付现金方式，以1335.98亿元交易价格购买国家能源集团及其全资子公司西部能源持有的多项资产，包括国源电力100%股权、新疆能源100%股权等，同时拟向不超过35名特定投资者发行股份募集配套资金 [9][10] 金融与投资 - 香港财经事务及库务局局长许正宇表示，预计将于2026年初发放首批稳定币牌照，将优先考虑稳健的储备管理、价格稳定和反洗钱措施，截至9月底已收到36份申请 [16] - 财政部公告，自2026年1月1日起，山西省、青海省将实施境外旅客购物离境退税政策 [19] - 中国银河证券指出，市场进入跨年布局关键窗口，可关注元旦前后的小躁动行情，2026年作为“十五五”规划开局之年，政策红利释放节奏预计靠前 [20] - 截至发稿，2025年A股上市公司现金分红总额达2.61万亿元，已超过2024年全年并创历史新高，银行、通信服务、白酒等行业是分红主力，工商银行等五家公司分红金额均超千亿元 [21] 国外企业动态 - 在特拉华州最高法院恢复其价值1390亿美元的特斯拉股票期权薪酬方案后，埃隆·马斯克净资产飙升至接近7490亿美元，成为史上首位身家超7000亿美元的富豪 [10] - 据报道，美国联邦贸易委员会已批准英伟达对英特尔50亿美元的投资 [11] - SpaceX“星链”计划的一颗卫星发生异常，轨道高度迅速下降4000米，表明发生某种爆炸，产生少量碎片并与地面失联，预计将在几周内再入大气层烧毁 [12] 其他行业动态 - 商务部党组扩大会议强调，2026年要大力提振消费，扩大优质商品和服务供给，释放服务消费潜力，并推动贸易创新发展，鼓励数字贸易、绿色贸易 [18] - 2025年中国动画电影全年票房突破250亿元，成为影史动画电影票房最高一年，《哪吒之魔童闹海》《疯狂动物城2》《浪浪山小妖怪》位列票房榜前三 [23] - 中国俱乐部自主设计制造的机器人“深海巨鲨3”在阿联酋阿布扎比举行的第二届未来运动会格斗机器人大赛中夺冠 [25]

文章核心观点 - 大模型并非单纯工具，而是一种新型生产关系，其影响堪比工业革命的范式转移，将重构人机协同模式、催生“碳硅共生”组织形式，并促使CIO职责向智能架构师升级 [1][3][8][9] - 金融AI已进入生产场景应用阶段，行业焦点从过去的系统平台建设转向如何利用AI驱动业务增长与提升投资回报率，客户需求从“要不要用AI”转变为“如何用AI提升ROI” [3][9] - 金融机构选择科技合作伙伴的本质是选择一套可行的方法论与落地路径，而非单纯获取算力或模型，成功关键在于拥有成型的方法论、可复刻的场景模板以及可持续进化的运营机制 [3][4][10] - 财富管理数智化转型面临四大核心痛点：大模型技术应用效果参差不齐、C端投资者接受度“冰火两天”、数据与接口未标准化导致打通困难、高成本投入与ROI验证的决策压力 [4][5][11][12][13] - 建议机构采取“小步快跑”策略，通过调用公有云算力并搭配Agent形式控制成本，先完成业务验证，再在企业内部推广，以跑通商业逻辑 [5][13] - 科技公司与金融机构应基于“四层架构”分工模型实现协同共赢：AI基础设施层由科技公司主导；模型层双方共建；工具能力层双方共建（公开部分科技公司主导，私域部分金融机构主导）；应用解决方案层由金融机构主导 [5][6][14][15] 大模型的性质与影响 - 大模型是一种新型生产关系，正在引发一场堪比工业革命的范式转移 [1][3][8] - 其影响体现在三个层面：重构人机协同的整体模式；催生“碳硅共生”的新型组织形式（人类负责判断决策，AI承担执行工作）；促使CIO职责从运维保障全面升级为智能架构师 [3][8][9] 金融AI的发展阶段与行业转变 - 金融AI已迈入生产场景应用阶段，行业得以从过去十年聚焦平台搭建与系统建设（每家金融机构拥有至少300套甚至上千套系统，运维成本高、ROI模糊）的工作中脱离，转向思考如何用AI驱动业务增长 [3][9] - AI对金融领域不仅是一种新型生产力，更代表了一种全新的协同方式 [3][9] - 从2023年至今，客户需求发生明显转变，关注点从“要不要用AI”转变为“如何用AI提升ROI” [3][9] 金融机构的科技合作方法论 - 金融机构在选择科技合作伙伴时，本质上是选择一套可行的方法论，因为其不缺乏算力与模型，真正的短板在于AI技术落地的具体路径 [3][4][10] - 金融机构做好AI科技金融布局需把握三个关键成功要素：具备成型的方法论、拥有可复刻的场景模板、AI应用上线后能有持续优化的运营机制提供保障 [3][4][10] - 优质的金融科技服务商核心能力在于将复杂问题简单化的能力输出，其价值在于帮助金融机构组装出能真正落地运转的完整解决方案，而非只提供零散的技术“零件” [4][10] 财富管理数智化转型的痛点 - **技术成熟度**：大模型技术在财富管理领域的应用效果参差不齐，例如一项为期一个月的投资大赛中，千问和DeepSeek表现专业并实现不错收益，而Gemini、ChatGPT则亏损了40%多 [11] - **用户接受度**：C端投资者呈现“冰火两重天”局面，约63.8%的投资者已尝试用大模型指导投资行为，但其中78%的投资者看不懂K线、夏普波动率等专业指标 [12] - **基础设施**：财富管理领域数据公开与私有并存，接口未标准化（例如与同花顺合作的to C端产品有海量几百个接口未包装成MCP服务），导致数据打通困难，且性能和稳定性在面对海量互联网用户访问时尚未就绪 [12] - **成本与ROI**：线下部署算力集群投资轻松过亿，在验证大模型价值前决策压力大；而使用公共云算力可将整体ROI成本降低100倍 [13] 实施建议与协同分工模型 - 建议机构采取“小步快跑”策略，通过调用公有云算力并搭配Agent形式控制成本，先完成业务起步阶段的验证，在控制ROI的前提下快速在企业内部推广大模型在投资策略或C端服务中的应用 [5][13] - 提出科技公司与金融机构协同的“四层架构”分工模型 [5][6][14][15] - **AI基础设施层**：包含云基础设施、算力芯片、集成一体机等通用基础组件，由科技公司主导建设，持牌金融机构应避免直接投入 [5][14] - **模型层**：基础模型（如DeepSeek、千问、文心）由科技公司研发开放；金融机构可通过微调、后训练结合行业数据与业务SOP打造专属定制模型，该层双方共建共享 [5][14] - **工具能力层**：涵盖行业数据、MCP工具能力及行业通用Agent，由双方共建；基于公开数据和服务接口的MCP、Agent由科技公司主导；基于机构私域数据和服务的相关能力由金融机构主导搭建 [5][15] - **应用解决方案层**：完全依据持牌金融机构的实际需求、基础设施条件、业务偏好及投资者产品要求定制化开发，由金融机构主导完成 [6][15] 阿里云的相关实践 - 阿里云推出的“通义点金”是金融行业级大模型产品，旨在用技术帮助金融机构实现业务增长和科技赋能的ROI提升 [7] - 过去一年多，在财富管理领域与超过180家客户展开合作，例如中金、进门财经、易方达等，其中已完成交付并生产上线的有30多家 [8]