蚂蚁数科AI科技创新部技术负责人 蚂蚁天玑实验室主任 李哲
效率跃升与算力成本的两难博弈：大模型训练对高性能算力的依赖，传统依赖高算力的模型优化路径，在普惠金融场景中难以规模化复制。蚂蚁数科通过“算法优化+混合架构”破局，在不牺牲模型效果的前提下降低算力需求，实现成本与效率的动态平衡。
数据价值释放与安全可信的持续挑战：金融数据的敏感性与合规要求，使得数据流通与价值挖掘成为棘手难题。蚂蚁数科通过多模态安全治理模型与可信AI技术，构建数据“可用不可见”的流通机制。
场景泛化需求与专业垂类能力的断层矛盾：通用大模型在金融专业场景中的“水土不服”问题显著。蚂蚁数科通过“垂直领域微调+知识注入”策略破解这一难题。
高质量CoT数据体系构建
高质量垂类数据是智能体应用的下限，行业长思维链数据则决定应用的上限。蚂蚁数科构建了覆盖“数据采集-加工-标注-质检”的全流程解决方案，使模型对行业风险的预判准确率得到有效提升，将预标注模型依赖的人工标注量实现极大降低。
可信大模型与智能体开发
在大模型侧，针对ToB垂类行业，蚂蚁数科专门加强了权威数据收集和合成管道；在后训练过程中强化领域推理、知识遵循、幻觉降低、上下文表达一致等“可信”价值观；同时，立足金融风控、营销等环节，强把评测出口，以此保障垂类大模型能够为智能体提供坚实可靠的行业知识和行业推理能力。在智能体执行侧，主打人机交互的协同推理，通过借鉴企业过往沉淀的SOP规划、向人类白盒化展示思考和执行过程，同时在执行过程中接受人类反馈，即实修改自己的思考和行为方向，直到达成人类接受的成果，从而大大提升了智能体对复杂问题解决成功率。
金融智能体的场景落地实践
- 智能投顾场景：理财智能体通过接入金融资讯、行情数据与用户持仓信息，实现 “市场分析-风险评估-策略推荐”的全流程自动化；
- 智能风控场景：某金融机构引入蚂蚁数科风控智能体后，通过CoT技术将小微企业信用评分的决策链条拆解为十几个可解释环节，不仅使风控审批效率提高，还因逻辑透明性获得监管认可，不良贷款率下降；
- 智能客服场景：座席助手智能体基于知识库与CoT推理，自动提取政策文件中的关键条款，并生成标准化话术，提升了客服响应准确率，降低了培训成本。
从“工具应用”到“决策中枢”的角色升级
金融智能体将超越单一工具属性，成为连接数据、模型、业务的智能决策中枢。蚂蚁数科MCP服务广场的上线，标志着这一趋势的落地——平台聚合基金评价、股票研究、企业风控等百种智能体能力，实现“即插即用”的生态协同。
安全合规体系的“主动免疫”进化
面对日益复杂的监管要求，蚂蚁数科构建了“防御围栏+数据治理+合规引擎”的三维安全体系：
- 动态防御：通过大小模型结合的风险意图识别引擎，实时拦截99.8%的恶意提问；
- 数据治理：实现数据来源可追溯、分级管理自动化，敏感数据过滤准确率达99.9%；
- 合规引擎：内置31类金融合规规则，在智能体生成回答前自动进行合规校验，确保符合《生成式人工智能服务安全基本要求》等法规。
人机协同的“透明化智能”新范式
未来的金融智能不是替代人类，而是增强人类决策能力。蚂蚁数科通过白盒化交互 +场景自动评测”，构建人机协同的可解释体系：
- 决策透明化：智能体的每一步推理均可转化为人类可读的逻辑图
- 交互式优化：人类专家可实时介入智能体决策流程，修改推理逻辑或补充数据，形成“机器推理-人类修正-模型迭代”的闭环。
