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)

第一财经 不同硬件、不同大脑，不同机器人厂商进入不同场🌟景，在多方变量的加持下，机器人的规模化落地似乎遥遥无期。 😎 9月17日，第一财经记者在采访第三方部署方、机器人本体厂🤗商和场景落地方时发现，一个行业新角色正在出现。一个类似于安卓🤗操作系统的中间算法层正在承担屏蔽硬件差异、兼容不同大脑架构的🔥功能，为机器人在真实场景中的规模化落地提供可能。 如今😁，这一产业角色已经吸引了谷歌、智元、富临精工（300432.❤️SZ）、格力博（301260.SZ）、东土科技（300353😴.SZ）、巨星新材料等企业押注。但在硬件厂商坚持自家体系、大🤗模型企业追逐通用智能的格局下，行业的“安卓时刻”何时到来，仍😂有待市场与现实工况的双重检验。 机器人涌入场景，跨本体🎉训练遇阻 当机器人厂商涌向场景方，新的问题正在出现。 🥳 “这个月至少有两家机器人公司正在和我们谈合作。”Kel🤩vin是长三角一家物流上市公司的技术负责人，他告诉记者，为了😢和人形机器人厂商进行合作，自己不得不拨出一个八人左右的团队和😢不同机器人企业进行对接。“我们需要开放不同的数据接口，提供一😁个专门的实验场景，还需要根据各家机器人的要求不断调整流程和测😊试参数”。 在大量的人力和物力投入之外，Kelvin坦❤️言自己算不过来ROI（Return on Investmen💯t，投资回报率）。“机器的工作效率不稳定，且运维需要大量后续😁的费用。”他向第一财经记者透露，物流企业马上就会备战“双11🤩”时间，在此期间是否继续让机器人上岗，他还在犹豫。 更😂大的问题是，由于不同厂商的机器人算法不兼容、硬件各自封闭，导🌟致一个场景的成功经验难以迁移到另一个场景。“有的时候我们的流😁水线哪怕是多一个弯折，机器人都需要重新走一轮POC（Proo⭐f of Concept，概念验证）。” “厂商觉得我🙌们不够开放，我们觉得机器人厂商要得太多。”Kelvin说，这🎉是产业上下游之间对接存在的普遍问题。第一财经记者了解到，一些👍“中间人”的角色正在产业链中诞生。前上汽自动驾驶域控制器算法😘负责人，安努智能工程算法总监杨曾告诉记者，团队正在研发的一套⭐中间件算法平台，希望像手机里的操作系统一样，把不同厂商的机器🔥人纳入统一的兼容框架。 就像手机的操作系统让不同软件在💯同一套规则下运转一样，中间件希望能够通过屏蔽底层硬件差异，使😉一套算法能够迁移到不同厂商的机器人上。“如果每遇到一个新的硬🙄件，就要重新训练，机器人在实际场景部署的速度就会非常慢。”重🌟庆大学助理教授，人工智能及多模态实验室具身智能负责人，安努智🤗能首席科学家胡喆告诉第一财经记者，想要提高机器人的通用化，跨😅本体是必须跨过的门槛。 在不改动模型本身的前提下，兼容🤩不同机器人的大脑，成为中间件的挑战。“虽然主流的模型是VLA🤔模型（Vision-Language-Action Mode😢l，视觉-语言-动作模型），但其中的架构仍然不同，有端到端，🥳也有分层式。”胡喆说，中间件在机器人大脑和机器人作业的实际场💯景中充当一个“翻译官”的角色。在他的设想里，输出的指令会先被😆中间件被转化为统一的目标和约束，再交由各家机器人自身的规划控😊制器执行。 “这样我们就不必为每一个新厂商重新训练模型🤔，只需要向每一个机器人的规划控制器下达指令，就能让中间件跑通🤗整个流程。”胡喆说。 展开全文 物理规律难仿真，🎉机器人“干中学” “我们曾经试过，在实验室里跑通了所有😴算法，结果到实际场景中发现完全不是一回事儿。”钛维云创的创始🤯人张磊告诉记者，当自己试图让机器人处理布料这样的柔性物体时，🚀由于布料材质、厚薄、摩擦力不同，实验室的环境并不能完全满足操😆作需要。 张磊透露，像布料、不规则包裹等物体，POC周😜期“很长，且难以给出确切的时间”，“因为我们需要提前磨合算法🙄、下线采集数据、再拿到实验室反复训练，才能勉强适配场景”。 🎉 工厂中的物料、工艺成千上万，换一条生产线、换一个工位，😅都可能带来完全不同的情况。 “离线的强化学习不可能把所🙄有真实场景一网打尽。”胡喆告诉第一财经记者，机器人不仅需要根😎据场景反复调试算法，还往往要重新采集数据回到实验室做离线训练😂，这让整个周期被拉长，时间和人力都被大量消耗。 边做边🚀改，或许才是机器人进行学习的关键。 胡喆透露，他正在尝😴试利用实时的在线学习算法，允许机器人在实际作业过程中一边操作😜一边采集数据，并实时更新模型。这种方式只需在现场额外增加几秒👏钟运行和100个数据量，“我们会根据模型出来的结果选择数据，😉让机器人在不断学习的过程中遗忘无用的数据，保持数据的精简，也😀不会对算力提出过多的要求”。 机器人“干中学”的另一边🙄，团队也在尝试利用仿真等手段降低机器人的学习成本。“现在大部🎉分机器人仿真环境离现实工况还有很大差距，因为仿真环境中缺乏物🔥理定律的支撑。”美国肯塔基大学空气动力实验室仿真负责人、安努❤️智能联席科学家付博直言，大部分仿真平台依赖数据驱动，却缺乏物😴理定律的支撑。 “如果只是换个环境光影、物体形状等表层🔥变量，那在这种仿真里能跑通的算法，一旦放到现实中，往往会失效😀。”付博说。 让虚拟环境逼近真实世界，并不是一件容易的🔥事。“摩擦力、空气流动等连续变化的环境很难被拆成可以极端的小👏单元。”付博解释，以机器人搬箱子举例，这个场景涉及了力学、刚😡体运动学与工程力学等基本的物理规律。付博说，加入这些规律的仿🤔真能够模拟不同重量箱子堆叠时的微小形变，计算箱内散落零件导致😡的重心偏移，并让机器人理解物体变化对抓取稳定性的影响，以及机🤩器人发力点与物体形变的关联。 他坦言，将这些物理定律的😢融入仿真环境是一个“正在进行的过程”，需逐步攻克计算量庞大的🙄技术难题。付博认为，只有当机器人在仿真环境中充分理解并内化这🤩些物理规律，才能在真实场景中更好地应对突发情况，实现泛化能力🎉的提升。“模型永远无法完全替代实验，但我们希望通过极致的物理😀仿真，让真实实验只需做一次就能验证可行性。” 谷歌提前⭐布局，中间件或成规模化关键 从机器人本体和大脑厂商到最😉终的应用企业，中间还需要大量复杂的部署工作——包括接口打通、😂场景适配、算法迁移等环节。对整个产业链而言，这是一块颇具吸引🤩力的“肥肉”，盯上的远不止安努智能一家企业。 今年6月🤗，银河通用和博世中国成立合资公司博银合创。根据双方披露内容，😀合资公司将聚焦复杂装配、智能质检等高精度制造场景，并且构建标😂准化、模块化、可复制的训练与部署体系，支撑机器人产品的快速迭🤔代与规模化部署。 今年年初，富临精工宣布公司与智元机器⭐人等相关方签署了《人形机器人应用项目投资合作协议》，各方共同😂投资设立合资公司实施人形机器人项目。当前，富临精工、智元、巨😢星新材料均为安努智能股东。就在9月，专注于北美市场的产业股东🤩格力博、聚焦机器人操作系统的东土科技也宣布增资安努智能。 👏 在海外，Google（谷歌）的母公司Alphabet孵化😎的Intrinsic也在扮演类似的角色。Intrinsic试🤩图通过通用算法和工具链降低机器人系统的集成成本，让不同厂商的😆机器人在同一套兼容框架下运行。 通过一个类似操作系统的😂中间件来对接不同机器人厂商和场景，这是安努智能董事长文宏杰提😍出的解题思路。虽然路径各异，但上述三家兼具机器人和产业方背景🙄的第三方部署商，它们的共同点都是试图在碎片化的产业格局中，寻👏找一套能跨越厂商和场景的兼容方式。 不过，机器人产业是👏否会像手机产业那样，最终走向由统一“操作系统”支撑的格局，仍😢充满疑问。一位由数码3C行业转至机器人产业的工程师告诉第一财😆经记者。与手机产业面临的问题不同，机器人领域的情况更为复杂，😅硬件厂商坚持各自的体系，而大模型企业则瞄准通用智能，“屁股决😊定脑袋，大家想的未必是同一个目标”。 多方角力之下，第😊三方部署商设想的中间件是否能够建立起产业上下游的桥梁，还需要😴进一步观察。“模型如果停留在实验室、本体如果只会跳几支舞，那😜最终只是一个故事。”文宏杰认为，在当下的机器人产业，关键不是😆讲模型和本体的“故事”，而是扎进具体场景，通过部署获取真机数🥳据和工程化经验，将商业化的流程拉通、沉淀。 在他看来，🔥这些工程化的经验和数据才能汇聚成类似“操作系统”的底座，真正🔥支撑机器人跨厂商、跨场景的落地。“如果中间件能够像安卓这样的🚀操作系统一样稳定通用、开放兼容，任何厂商都能接入，机器人产业😜的规模化会越来越近。” (本文来自第一财经)返回搜狐，😊查看更多