张翅介绍通义点金平台的架构组成和未来展望

内容编辑丨特工少女 特工小鹏

内容审核丨特工小天

金融行业的数字化转型正站在一个微妙的十字路口。

问题的根源在于，金融业务的复杂性远超一般认知。当一家企业申请跨境贸易融资时，AI 需要理解的不仅是申请材料本身，还包括汇率风险、贸易政策、企业信用、现金流预测等多维度信息，更要在这些信息之间建立逻辑关联，给出可解释的决策建议。

这已经不是简单的“生成”或“问答”能够解决的，而是需要 AI 像一个经验丰富的金融专家那样思考和行动。

金融 AI 的真实挑战

中国金融行业的数据现状揭示了一个残酷事实：尽管金融被认为是数据密集型行业，但 70%+ 的金融数据仍然沉睡在纸质文档或未结构化的系统中。这意味着，即便有了强大的基础模型，如何让 AI 真正理解和运用这些数据，仍是一道难题。

更关键的是，金融业务天然具有高度的严谨性要求。监管合规、风险控制、资金安全，任何一个环节的疏漏都可能造成重大损失。这就要求 AI 不仅要给出答案，更要说明为什么是这个答案，每一步推理都要可追溯、可审计。

当前市面上大部分 AI 应用还停留在辅助提效层面——帮你总结会议纪要、回答知识库问题，这些确实有用，但距离真正参与核心业务决策还有很远的路要走。

真实的金融业务是任务驱动的：一个投资经理需要在市场波动中给出投资建议，一个信贷专员要评估企业的还款能力，一个理赔专员要判断保险事故的真实性。这些任务不是简单的一问一答，而是需要分解目标、调用多个工具、综合分析信息、给出可解释的结论，整个过程还要能够被监督和优化。

从垂直模型到业务闭环

在国内，通义点金团队在这个问题上的思考始于 2020 年，远早于 ChatGPT 的爆发。在经历了 1300 天的默默积累和 700 天的快速迭代后，他们给出的答案是：不追求一个包治百病的超级模型，而是构建一个“垂直模型矩阵 + 数据飞轮平台”的组合拳。

这个思路的核心在于承认一个现实：金融业务的复杂性不是单一模型能够覆盖的。信贷评估需要理解财务报表和现金流，投资研究需要分析市场趋势和公司基本面，保险理赔需要判断事故真实性和责任归属。与其训练一个巨大的通用模型，不如针对不同场景训练专门的模型，然后通过平台能力将它们有机组合起来。

在模型层面，通义点金推出了多个针对金融场景优化的模型。

其中，DianJin-R1专注于融入金融领域的专业框架和 SOP，让模型的回答不再是散乱的信息堆砌，而是按照投研分析、风险评估等专业框架组织；

但仅有模型还不够。金融业务的特点是持续变化：市场在变、政策在变、风险偏好在变。一个在训练时表现优异的模型，可能几个月后就不再适用。这就需要一个能够持续学习和优化的机制。

数据飞轮：让 AI 在业务中成长

通义点金的数据飞轮平台正是为此而生。这个平台包含两个核心组件：Simulator（数据拟合器）和 Evaluator（评测系统）。

Simulator 的作用是构建一个接近真实的业务环境。就像自动驾驶需要在仿真环境中测试各种路况一样，金融 AI 也需要在模拟的业务场景中训练。当一个模型要学习如何处理跨境贸易融资时，Simulator 会模拟真实的申请流程、文档格式、审批逻辑，让模型在这个环境中不断练习和改进。

这个过程直接解决了金融高质量数据获取困难的问题——通过业务模拟，将散落的非结构化知识转化为高质量训练样本，同时可以结合阿里云丰富的数据库和大数据能力完成对多源、多模数据的处理，覆盖数据采集、数据清洗与转换、特征工程、数据集划分与检索、数据存储与供给的全链路数据预处理场景。

Evaluator 则负责评估模型的表现，但它的评估方式与传统 AI 评测有本质不同。在金融场景中，仅仅看最终答案对不对是远远不够的。如果一个模型判断某笔贷款应该批准，那么它调用了哪些工具、参考了哪些数据、每一步推理是否符合逻辑，这些中间过程同样重要。Evaluator 会对整个推理链条进行轨迹级的评分，确保模型不是碰运气得出了正确答案，而是真正理解了业务逻辑。

更重要的是，这个平台形成了一个闭环：智能体在实际业务中的每次调用都会被记录，这些真实的业务数据经过处理后重新进入训练流程，让模型不断从实践中学习。这种持续迭代的能力，正是金融 AI 从“能用”走向“好用”的关键。

通义点金数据飞轮平台界面展示

构建可观测的智能体系统

在应用层面，通义点金提供了完整的智能体开发平台。这个平台的设计理念是“可观测、可编排、可优化”。

可观测意味着 AI 的决策过程是透明的。当一个智能体在处理信贷申请时，业务人员可以清楚地看到它调用了哪些工具、查询了哪些数据、每一步耗时多久、得出了什么中间结论。这种透明度不仅满足了监管要求，也让业务人员能够理解和信任 AI 的决策。

可编排则体现在对复杂业务流程的支持上。金融业务很少是单一任务，往往需要多个环节协同。比如企业贷款审批，需要先进行资质审查，然后评估财务状况，接着分析行业风险，最后给出授信建议。通义点金支持将多个智能体和工具编排成工作流，每个环节可以由不同的专门模型负责，确保专业性的同时保持流程的连贯性。

可优化是这个系统的生命力所在。通过持续收集业务反馈，结合数据飞轮的训练能力，智能体可以不断提升表现。一个处理客户咨询的智能体，可能初期准确率只有 60%，但随着真实对话数据的积累和模型的迭代优化，准确率可以逐步提升到 90% 以上。

通义点金工作流平台界面展示

深度与广度的平衡

通义点金的路线选择反映了一种务实的思考：在金融这样的专业领域，与其追求一个无所不能的通用 AI，不如先在垂直场景中做深做透。

这种选择背后有清晰的逻辑。首先，金融行业的容错率极低，一个错误的投资建议或信贷决策可能造成巨大损失，因此准确性和可靠性必须放在首位。其次，金融知识具有高度的专业性和地域性，中国的金融政策、市场环境与国外存在显著差异，简单套用国外模型难以满足本土需求。最后，金融机构对数据安全和合规有严格要求，需要一个可控、可审计的 AI 系统。

从技术演进的角度看，通义点金代表了金融 AI 从“大模型时代”向“智能体时代”的转变。不再迷信单一模型的能力，而是通过模型组合、工具调用、流程编排来解决复杂问题；不再满足于一次性的模型训练，而是建立持续学习和优化的机制；不再停留于辅助性的应用，而是深入到业务决策的核心环节。

金融 AI 的发展正处在一个关键节点。一方面，基础模型的能力在快速提升，为金融智能化提供了技术基础；另一方面，如何将这些能力转化为真正的业务价值，仍然充满挑战。

通义点金的实践提供了一个可行的路径：通过垂直模型解决专业问题，通过数据飞轮实现持续优化，通过可观测的平台满足合规要求。这不是一个完美的终极方案，但它代表了当前技术条件下的一种务实选择。

但这一切的前提是，AI 必须真正理解金融业务的复杂性，能够在严谨性和创新性之间找到平衡，在效率提升和风险控制之间做好权衡。这需要技术创新，更需要对业务的深刻理解和长期投入。

金融智能化不是一蹴而就的革命，而是一个渐进的演化过程。在这个过程中，像通义点金这样深耕垂直领域、注重业务落地的实践，或许比那些宏大的技术愿景更有现实意义。因为只有当 AI 真正解决了业务问题，创造了实际价值，金融智能化才能从概念走向现实。