在金融行业的实际业务场景中，往往需要高度专业的金融知识、复杂的业务逻辑推理能力以及严格的金融级安全合规等要求，然而，现有的大模型在解决实际金融任务时仍然存在诸多挑战。

　　7月28日，在世界人工智能大会期间，蚂蚁数科正式发布金融推理大模型Agentar-Fin-R1，为金融AI应用打造“可靠、可控、可优化”的智能中枢。

　　蚂蚁数科CEO赵闻飙在大会期间发表演讲时表示，通用大模型距离产业实际应用通常存在“知识鸿沟”。构建专业的金融大模型是推进金融与AI深度融合的必然路径，未来，金融大模型的应用深度将成为金融机构竞争力的关键要素。

　　蚂蚁数科CTO王维在接受
 

　　王维参加媒体交流环节

　　“大模型技术出来后，很多金融机构都在进行研究，目前大模型的应用还处在从基础的能力块到业务深水区的过程。”蚂蚁数科金融AI产品总经理曹刚表示，像做传统的客服知识检索以及写代码等通用领域，金融机构中都有不同程度的应用，但一旦涉及业务深水区，比如机构里做相应营销、风控以及客户经理销售等，这些领域智能体应用渗透率就会低很多。

　　究其原因，曹刚认为，这与技术发展的规律和成熟度有关系，在应用的深度方面也有更高的要求。比如银行有很多零售业务场景，每个场景都有不同的问题以及细的分类，如存款、贷款、信用卡等十四个大的场景，上百个小的细分场景，每个场景都需要智能个人助理各个攻克，对专业领域数据和场景的要求非常高。“从通用走向业务场景的深化，一定是大的方向。”他表示。

　　当前，金融行业把AI用好还面临很多挑战——金融在AI场景中遇到很多的幻觉、差错或者回答没有达到金融级审慎的要求，如何把通用能力和场景鸿沟加以弥合，业内正积极探索，试图从通用大模型向金融专业大模型演进。

　　以上述金融推理大模型Agentar-Fin-R1为例，其主旨是要通过构建全面的金融任务数据体系以及模型训练算法创新，实现模型更强的金融推理能力及可信性。

　　模型在金融能力显著增强的同时，通用能力也表现出较高水准。据悉，目前Finova已经全面开源，推动行业共同提升大模型在金融领域的应用水平。

　　对于不同规模的金融机构而言，应选择自建金融大模型还是采购？业内在受访时坦言，平衡好技术投入成本以及商业产生的价值，是其中的关键问题。

　　蚂蚁数科AI技术负责人章鹏对

　　随着金融数智化转型加速，大模型在金融领域的应用正持续深化，然而在实际业务场景中，由于需要高度专业的金融知识、复杂的业务逻辑推理能力以及严格的金融级安全合规等要求，特别是在复杂的金融场景中，对于模型可靠性、安全性及金融专业知识的要求极高。

　　在7月27日下午的“从通用智力到专业生产力：高阶程序引领的AI应用新范式”论坛上，浙江大学教授、区块链与数据安全全国重点实验室主任陈纯表示，大模型的专业化应用，首要的是可靠性问题。尽管当前技术SOTA已经到了80%到90%的水平，但其可靠性距离医疗、工业、金融等专业场景的要求仍有显著差距。

　　陈纯说，有人将这一问题简单归结为“幻觉”，但需要强调的是：幻觉是智力的必然代价。若消除所有幻觉，大模型将退化为机械的检索工具。因此，可靠性的突破不在于消灭“智力特征”，而在于构建工程化保障框架。

　　蚂蚁密算董事长韦韬进行交流分享 蚂蚁集团副总裁、蚂蚁密算董事长韦韬认为，要突破大模型在专业化应用中的可靠性困境，技术上不应当只依赖于大模型“十全十美”不犯错，而是通过智能体系和工程体系的结合，实现专业应用可靠性的保障。

　　他举例说，正如每个人作为个体，是容易犯错、容易有幻觉的，但人类几千年以来不断在工程体系上的进步，能够在易错的个体之上构建庞大而可靠的工程体系，完成诸如登月、探访火星等巨型任务。他提出，通过全新的程序表达、场景知识嵌入和闭环核验反馈机制，可以将大模型不确定的智力输出转化为可信的专业生产力。

　　以金融联合风控为例，在传统金融风控体系下，从数据探查、处理到模型构建与调优的全链路操作，高度依赖人工干预，导致流程冗长、响应缓慢，并且容易受人员主观因素影响，制约了金融风控联合建模的效率与一致性。

　　在应用高阶程序技术框架后，将复杂的标准作业程序转化为可执行的流程和代码，实现风控全链路的智能化编排与自动化执行。相较于传统建模人员手动进行数据分析和代码开发，大模型结合HOP能够在确保高精度的同时缩短建模周期，并显著减少了重复性数据处理和流程执行等繁琐的基础工作。这不但能降低处理成本，还能够缓解专业人才紧缺的局面。

　　据悉，蚂蚁密算开源高阶程序HOP框架，探索智能与工程融合的AI应用。“大模型可靠性的解法，不在于大模型本身，而在于工程化和智能化的融合。我们相信，解决了可靠性问题，大模型即将涌现新的Killer App。”韦韬表示。