21世纪经济报道 实习生 张长荣 记者 崔文静 北京报道在金😉融科技加速渗透的行业背景下，机构竞争的重心正悄然生变。 🙄 如今，从底层技术架构的数字化重构，到前端业务场景的智能化升😂级，金融科技已从“可选项”变为行业“必答题”——大模型、云计😘算等技术的规模化应用，不仅降低了中小机构的技术准入门槛，更让🤯行业整体的技术底座逐步趋同。 “未来大中小机构在算法与🙌算力上的差距必将逐步缩小，金融机构的核心竞争力也将随之转向数🤯据。”恒生聚源总经理吴震操判断，对于规模相近、业务模式易同质😘化的机构，内外部数据的挖掘利用能力将成为竞争胜负手。 👏作为国内领先的金融、产业数据资讯服务提供商，恒生聚源的行业判🤯断并非空穴来风——其不仅拥有聚源金融数据库、洞见智能投研、智🙄能小梵、智眸风险预警系列等丰富产品线，更经过25年市场耕耘，⭐在金融市场需求理解、产品设计、客户拓展及专业服务等领域，积累❤️了扎实的实践能力与深厚经验。 基于对行业趋势的洞察，恒😁生聚源在2023年推出面向金融投研场景的大模型产品“Warr😍enQ”，随后，于今年发布AI友好型金融数据库AIDB。AI😎DB通过统一数据范式、简化查询逻辑及强化数据治理，可实现大模🤯型对金融结构化数据的精准调取。 不过，恒生聚源的思考并🔥未止步于数据基础建设。在其看来，相较于技术本身，未来金融AI🌟发展的真正突破口，在于将技术与业务深度融合的“场景化应用”。⭐ 在这场大模型赋能金融行业的进程中，恒生聚源希望承担三⭐大核心作用：立足数据公司本源，发挥数据要素企业的核心价值；以😁行业先行者身份，助力金融机构大模型落地；联合各方，共同探索商😍业模式创新。 而从长远来看，恒生聚源的目标不仅是成为技💯术服务提供者，更是AI时代金融行业的“智能信息服务伙伴”。为😍实现这一愿景，恒生聚源已展开精准布局，重点聚焦投研、财富管理❤️、风险预警三个与金融机构核心业务紧密相关的领域。 21😜世纪：当前通用大模型在辅助工作中容易出现幻觉，应如何解决？个🥳人投资者又该如何辨别信息？ 吴震操：AI幻觉是大模型固⭐有的现象。目前常见的应对方式是让大模型结合外部信息进行结果优😎化。行业常用的“检索增强生成（RAG）”和“上下文工程”，通😁过检索获取外部知识，再结合大模型自身的推理能力生成内容。这样⭐做一方面可以弥补大模型自身知识储备的局限，另一方面也可能帮助😉用户发现因自身知识或检索能力有限而未能获取的信息。 对💯于用户来说，在使用大模型时常需要判断信息的真实性，建议采取以🤩下措施：第一，多对比不同的大模型。不同模型的训练数据和算法不🥳同，输出的结论和分析角度也会有差异。 第二，对结果进行🥳溯源验证。目前主流商业大模型平台通常会提供来源链接、参考文献😜或相关图表，用户应主动核查来源的发布时间及可靠性，以评估信息😢的时效性和可信度。 第三，可借助智能体平台自定义工具。🤩目前不少智能体平台开放自定义功能，用户可根据自己的投资习惯和💯分析方法搭建专属智能体。 21世纪：面对机器逐渐替代部🤗分基础岗位的趋势，我们应如何建立“人机协同”的工作模式？需要🥳掌握哪些关键技能才能与机器深度合作而非被替代？ 展开全🔥文 吴震操：大模型处理基础操作和日常重复性工作的能力会🚀越来越强，这是技术发展的必然。但目前大模型仍有明显局限，无法🔥完全替代人类。 首先，重大决策仍依赖人类。决策不仅需要👍足够多的背景知识、全局观和行业经验，更需要判断力和坚决的意志🔥，而大模型仅依靠训练数据推理，缺乏真实场景经验，目前无法承担😉重大决策。其次，大模型尚不能替代人类在精准洞察和信息挖掘方面😀的作用，尤其是人际深度交流方面。大模型的信息来源局限于已有知❤️识库或网络内容，无法及时获取第一手信息，也不具备第一时间对原😆始信息进行进一步探究、整合并影响决策的能力。 事实上，😀人类与大模型并非对立，而是走向共存。这种共存不仅推动大模型能😘力不断进化，也会促使人类持续提升自身能力。因此，我们不必过度😀担忧大模型的发展，而应更主动地将其作为协作伙伴，建立深度合作💯关系。 21世纪：目前中小券商由于科技投入资金有限，往🙌往依赖外部技术支持。如果多家机构采用相同或相似的外部技术，这🤔是否可能导致服务或策略上的同质化？应如何应对可能出现的同质化❤️现象？ 吴震操：这一问题并非中小金融机构独有，大型金融🤗机构同样面临类似的挑战。当前，大模型的马太效应日益显著，未来🙄市场上广泛应用的通用大模型可能会高度集中，推动形成“算法平权🤔”和“算力平权”两大趋势。不同规模的机构在算法和算力方面的差😀距将逐渐缩小。 在这一背景下，机构在投资决策、市场研判🤗等核心业务上的差异，将越来越取决于其在“取数、用数、算数”环🤗节的能力。金融机构的核心竞争力，正在转向对数据的获取与运用能⭐力。 因此，机构应重点从两个方向发力：一是获取更多更有🙄价值的外部数据；二是深度挖掘和高效利用自身内部数据。尤其对规🌟模接近、业务模式趋同的机构而言，数据的高效挖掘与利用能力将成⭐为决定机构竞争胜负的关键。 高效运用内部数据，关键在于👏机构内部的数据治理能力。我们认为，未来商业场景中的大多数数据😅，不应仅服务于人类或传统业务系统，还应主动适配大模型的使用需😅求。 正是基于这一认识，我们今年推出了“AI友好型数据😆库”（AIDB）产品。AIDB通过一套系统化的数据治理方案和🤩标准化市场数据指标体系，帮助机构优化数据供给，充分释放内部数👍据价值。 21世纪：随着大模型逐步落地，其规模化应用的🎉问题也逐渐受到关注。AI智能体距离真正处理复杂、多步骤的金融🤯投资决策流程还有多远？ 吴震操：目前，随着金融机构将更🔥多传统业务流程交由大模型处理，“智能体+大模型”在金融场景的👍融合应用已进入关键实践阶段。 过去，受限于大模型的生成❤️式特性，其难以独立承担复杂任务。行业普遍认为，涉及复杂金融工👍程的任务很难直接通过大模型完成。但智能体的引入改变了这一状况⭐：它能够调用现有的金融工程模型、机构内部细分模型，并适配内部🔥投资策略等，实现对既有专业工具的高效复用。在这一模式下，智能😢体、大模型与机构现有的金融工程体系和业务系统实现了有机融合，😢不再孤立运作。恒生聚源的金融智能体平台把大模型能力、业务系统😢逻辑和金融数据编织在一起，进一步提升投研和投顾的效率。 😘 展望未来，大模型本身推理能力的提升也会朝着与金融工程模型融😴合方向不断演进。大模型技术能力的进一步提升，将推动金融工程模😀型持续迭代和效能升级。 21世纪：中国金融科技公司在人❤️工智能应用方面有哪些优势？还可以从哪些方面提升？ 吴震🤔操：当前国内在很多细分的工程场景下，例如图计算、联邦学习等技🔥术已处于全球领先水平。在此基础上，我认为未来金融AI发展的突❤️破口在于“场景化应用”。 推动场景化应用，可以依托资本😡市场与股权投资市场机制，建立科研成果向企业转化的有效通道。目😜前许多优秀成果仍在实验室阶段，若要实现价值转化，必须与实际金😂融场景深度融合，落地到具体业务环节中。 在此过程中，需😆打通科研力量、行业需求与资本之间的协同链路，明确各方角色与作😉用，共同推动优质科研成果从实验室走向企业实践、在行业领域落地😜生根。 除此以外，还可以扩大与海外金融机构及金融科技企😡业的交流合作。受益于风险资本的持续支持与推动，目前海外金融A🤯I领域的场景落地实践已非常丰富。建议密切关注海外动态，与海外😀金融机构、金融科技企业开展常态化沟通。 21世纪：未来🤔3-5年大模型发展会有哪些变化？恒生聚源希望发挥什么作用？ 😀 吴震操：我们预计未来三到五年大模型发展将逐步显现三大变😘化：首先操作层面将实现关键突破，逐步替代大量繁琐工作；其次人😍机交互模式将发生深刻变革，人类可通过日常自然语言直接与业务系😉统交互；此外，行业IT建设将显著变化，“大模型+智能体”能让😘过去需大量IT人员的开发实现低/无代码化，这类工具普及后可助🙌力业务人员自主操作、盘活资源，大幅释放业务团队能力与生产力。🌟 与此同时，大模型发展也面临新的挑战，例如“幻觉”问题😴、数据安全与伦理风险等。金融作为“国之重器”，在大模型应用过🤩程中，必须强化审核与监管机制，我们亦期望与监管部门共同探索合😅规路径。 在大模型赋能金融行业的进程中，恒生聚源希望承❤️担三大核心作用： 其一，立足数据公司本源，发挥数据要素👏企业的核心价值。聚焦金融数据的流通与赋能，助力金融行业充分激🔥活数据价值。 其二，以行业先行者身份，助力金融机构大模😡型落地。恒生聚源作为金融行业大模型早期实践者，近年已完成大模😘型训练、产品品牌构建，积累了丰富经验与教训。我们期望将这些经🙄验转化为行业资源，助力金融机构在数字化转型中高效推进大模型落🙌地应用。 其三，联合各方，共同探索商业模式创新。当前行😜业对大模型的认知多停留在“降本提效”，我们更愿联合金融机构、😆监管部门等共同探索其对金融机构商业模式、客户服务渠道与方式的🥳变革价值，最终共创全新商业模式——这也是恒生聚源面向行业长远😁发展的目标。 21世纪：恒生聚源成为“智能信息服务伙伴⭐”的具体路径是什么？哪些领域会优先突破？ 吴震操：在数❤️据要素市场化的大背景下，恒生聚源明确“数商”定位，形成“金融🙄、科技、AI”三大核心标签。我们期望能够落地更多应用到投资研😁究、财富管理及风险预警等具体业务场景中，真正融入客户的业务流😜程、提供信息支持与参考，未来将主要聚焦三个领域： 一是🤯投资研究领域。过往数据厂商多仅对知识初步加工，核心原因是投研🤔与投资策略高度多样化——不同从业者有独特风格，难以标准化，因😡此行业多提供半加工的中端形态数据。而人工智能时代，借助大模型😡可深化知识加工，还能依据机构及投研人员的个性化偏好，协助提取🚀所需信息、生成符合其风格的深度研究数据与阶段性成果。因此，我😢们认为，未来5至10年将是研究类数据的蓬勃发展期。 二🤩是财富管理领域。我们不仅拥有传统金融工程基础设施，还积累了海😆量高质量数据。我们期望在人工智能时代从两方面提供支持：一是为🥳用户优化资产配置、提升投资能力提供信息支持；二是赋能投资顾问😴，为实现财产增值提供研究支撑。 三是风险预警领域。风险😡与流动性、投资、交易活动紧密相关。未来，我们将依托AI技术进🥳一步助力金融机构提升风险预判、评估能力。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多