123,123,123

阿里云張翅：金融 AI 將現(xiàn)推理算力倒置，需構(gòu)建“雙飛輪”協(xié)同體系

2026-01-06 17:27

在近日召開的“中國財富管理 50 人論壇 2025 年會”上，AI 與金融的融合路徑成為焦點(diǎn)。

阿里云智能集團(tuán)副總裁張翅在題為“2026 年 AI 最新趨勢與產(chǎn)業(yè)協(xié)同”的前沿對話中指出，人工智能正驅(qū)動全球金融機(jī)構(gòu)的數(shù)智化升維從效率革命邁向業(yè)務(wù)形態(tài)重構(gòu)。

他預(yù)判，AI 算力需求格局將發(fā)生關(guān)鍵轉(zhuǎn)變：推理算力將超過訓(xùn)練算力，成為未來主導(dǎo)。

面對這一趨勢，張翅提出，金融行業(yè)應(yīng)用 AI 的核心范式需從單點(diǎn)工具升級為系統(tǒng)生態(tài)。他認(rèn)為，成功的金融 Agent 并非簡單的流量消耗或外部掛載，其關(guān)鍵在于構(gòu)建大飛輪驅(qū)動意圖理解、小飛輪落實執(zhí)行的協(xié)同體系。

這一“雙輪”架構(gòu)旨在讓 AI 從輔助角色，深度融入并協(xié)同專業(yè)工作流程，最終通過完整的解決方案支撐生產(chǎn)級場景的規(guī)�；涞亍＿@一判斷，為金融機(jī)構(gòu)在“十五五”期間布局 AI 戰(zhàn)略提供了清晰的技術(shù)演進(jìn)框架。

推理需求超越訓(xùn)練

張翅關(guān)于“推理算力超過訓(xùn)練算力”的判斷，揭示了 AI 產(chǎn)業(yè)落地進(jìn)入深水區(qū)后的必然趨勢。

這一現(xiàn)象的背后，是基礎(chǔ)大模型技術(shù)逐漸成熟并進(jìn)入大規(guī)模應(yīng)用部署階段。當(dāng)各行各業(yè)，特別是金融這類高價值、高并發(fā)的行業(yè)，開始將大模型廣泛嵌入實際業(yè)務(wù)流程時，持續(xù)不斷的在線交互、實時分析與決策支持所產(chǎn)生的推理計算需求，將遠(yuǎn)遠(yuǎn)超過周期性、階段性的模型訓(xùn)練需求。

對于金融機(jī)構(gòu)而言，這一轉(zhuǎn)變具有深刻的實踐意義。它意味著基礎(chǔ)設(shè)施的投資重點(diǎn)和資源調(diào)配邏輯需要前瞻性調(diào)整。算力體系必須能夠支撐高并發(fā)、低延遲、高穩(wěn)定的實時推理服務(wù)，同時兼顧成本效率。

張翅曾指出，金融 AI 落地面臨算力工程挑戰(zhàn)，頭部機(jī)構(gòu)需應(yīng)對高并發(fā)推理，而中小機(jī)構(gòu)則受限于算力碎片化。推理算力成為主角，將迫使行業(yè)更加關(guān)注算力的精細(xì)化管理和普惠化獲取。

阿里云等廠商提出的通過“全棧AI云”提供從底層芯片到模型服務(wù)的完整體系，正是為了應(yīng)對這種從集中訓(xùn)練到分布式深度應(yīng)用的全新算力需求。

“雙飛輪”體系破解難題

面對推理普及化帶來的海量、碎片化、高實時性的需求，如何讓 AI 真正理解復(fù)雜業(yè)務(wù)意圖并可靠執(zhí)行，成為關(guān)鍵挑戰(zhàn)。張翅提出的“大小飛輪”協(xié)同體系，正是阿里云針對此難題給出的架構(gòu)性答案。

所謂“大飛輪”，側(cè)重于宏觀意圖理解與復(fù)雜任務(wù)規(guī)劃。它基于對金融領(lǐng)域?qū)I(yè)知識和企業(yè)全域數(shù)據(jù)的深度學(xué)習(xí)，能夠精準(zhǔn)解析用戶或業(yè)務(wù)系統(tǒng)提出的復(fù)雜、模糊的指令，并將其拆解為結(jié)構(gòu)化的、可執(zhí)行的任務(wù)序列。

而“小飛輪”則專注于垂直場景的極致執(zhí)行與快速進(jìn)化。它由眾多嵌入在具體業(yè)務(wù)環(huán)節(jié)中的專業(yè)化小模型或智能體構(gòu)成，例如專門負(fù)責(zé)信貸審批、合規(guī)審查、數(shù)據(jù)治理或客戶服務(wù)的模型。

這些“小飛輪”在“大飛輪”調(diào)度下行動，利用其領(lǐng)域?qū)＞芰Ω咝瓿扇蝿?wù)，并將執(zhí)行結(jié)果與反饋實時回流，從而驅(qū)動整個系統(tǒng)持續(xù)優(yōu)化。

一個典型的成功案例是南京銀行與阿里云合作的數(shù)據(jù)安全分級分類項目。該項目運(yùn)用“模型飛輪”范式，僅用 6000 條訓(xùn)練數(shù)據(jù)就使模型準(zhǔn)確率達(dá)到 94.6%。

其核心正是通過大模型理解冗長的合規(guī)標(biāo)準(zhǔn)文檔生成知識，再驅(qū)動輕量化的小模型精準(zhǔn)執(zhí)行數(shù)據(jù)識別與分類任務(wù)，形成了高效的數(shù)據(jù)治理“小飛輪”。

這印證了張翅的觀點(diǎn)：金融AI需從“局部試點(diǎn)”轉(zhuǎn)向“系統(tǒng)化布局”，構(gòu)建自我進(jìn)化的智能體生態(tài)，而非依賴孤立的點(diǎn)狀工具。

參考資料：

https://finance.sina.cn/bank/yhgd/2026-01-04/detail-inhfcpht8954843.d.html?vt=4

https://www.sohu.com/a/886036491_411876?scm=10001.325_13-109000.0.0.5_32&spm=smpc.channel_248.block3_308_NDdFbm_1_fd.4.1744944938936JJNjYHY_324

https://www.cnfin.com/hb-lb/detail/20251028/4324822_1.html