无限光年：可信AI金融的破冰者 | 数据猿专访

“无限光年可信AI金融，为产业智能化变革注入持久动力。

当前，大模型与AI在金融领域的应用正呈现扩张态势，应用的深度与广度不断拓展。然而，其发展也面临着诸多安全风险，诸如金融数据的敏感性、碎片化及跨机构流通壁垒，导致大模型训练难以获取高质量、规模化的合规数据；模型的“黑箱”特性与金融领域对可解释性的强需求存在冲突，某些场景下的决策可靠性仍需验证；监管政策的适配性、算法偏见引发的公平性问题，以及AI系统与传统金融架构的融合难度等，都成为制约其进一步落地的关键瓶颈。

如何突破这些瓶颈？在2025年世界人工智能大会WAIC上，中国可信AI金融的实践给出了答案。

数据猿记者现场看到的一系列成果精准回应着行业痛点：一键式年报分析，5分钟内即可完成单份财报全维度分析，效率较人工提升超90%；AI驱动中小企业银行业务全流程解决方案，通过“数据整合—自动化风控—智能决策”全流程体系，让普惠金融突破数据壁垒走进千家万户……

这些创新成果来自于同一家企业——无限光年（INF）。作为可信AI技术的深耕者，无限光年创始人漆远强调，可信AI金融正成为突破行业发展瓶颈的关键支撑，为金融机构智能转型提供可借鉴的实践范例。

可信AI金融，机遇与挑战并存

可信AI金融是指人工智能技术在金融领域的应用中，通过技术手段和治理框架，确保系统的可靠性、安全性、公平性、透明性及合规性，从而建立用户、机构和监管方的信任。其核心目标是在提升金融服务效率的同时，规避技术风险并满足行业特殊需求。

可信AI金融的发展源于行业的“强烈”需求。金融行业对风险控制、合规经营和客户信任的高要求，推动AI技术必须具备内生安全能力。例如，银行需确保信贷审批模型的公平性，避免数据偏见导致的歧视性决策。

同时AI的黑箱特性、数据投毒、深度伪造等技术漏洞可能引发系统性风险。2024年美股AI板块因模型趋同导致的“算法共振”，就曾引发流动性踩踏风险。

另一方面监管压力也在不断升级。全球范围内，欧盟《人工智能法案》将金融AI列为高风险领域，要求算法透明和可审计；中国人民银行发布《人工智能算法金融应用信息披露指南》，明确数据合规和模型可解释性要求。

可信AI金融解决方案旨在技术层面，解决模型不透明、数据安全与隐私、鲁棒性不足等问题；在治理层面，保证跨地区业务满足不同司法管辖区的监管要求，解决AI决策引发的风险难以界定责任主体等问题；在伦理层面，解决AI的算法偏见，平衡效率提升与社会稳定等关系。

近年来包括无限光年、阿里等众多企业推出了针对不同场景的可信AI金融解决方案，可信AI在金融领域的应用正逐步深化，为行业带来效率提升与风险控制的双重价值。

在应用层面，从智能投顾根据用户风险偏好生成个性化理财方案，到AI风控系统实时监测信贷数据识别欺诈风险，再到大模型基于自然语言处理等技术自动生成财报分析、助力投研效率提升，AI技术已覆盖信贷评估、反欺诈、智能投顾、市场预测及合规监管等核心场景。

例如，机器学习模型通过分析多维数据提升信用评级的准确性；自然语言处理（NLP）辅助实时监测交易异常行为；算法交易系统依托强化学习优化投资组合等。这些应用显著降低了人工成本，提高效能，同时增强了决策的客观性与响应速度。

然而，可信AI在金融领域的落地仍面临多重挑战。首要问题是数据质量与隐私保护的矛盾：金融数据高度敏感，但AI模型训练依赖海量数据，如何在合规（如GDPR或《个人信息保护法》等全球记地区性法规）前提下实现数据共享成为难题。

其次，模型可解释性不足制约了监管信任，尤其在深度学习领域，“黑箱”特性导致关键决策难以追溯，与金融业审慎监管原则形成冲突。

此外，算法偏见可能引发系统性风险，例如历史数据中的性别或种族偏见若被模型放大，将导致歧视性放贷。

技术层面，对抗性攻击威胁模型安全，黑客可能通过微小数据扰动误导风控系统。

最后，基础设施成本高昂与复合型人才短缺也限制了中小金融机构的AI应用深度。

无限光年CFO王艾华说，构建“可信AI”的理念逐渐成为金融行业的共识，只有平衡技术创新与风险管控，才能真正释放可信AI在金融领域的变革潜力。

基于这些共识，行业正从多维度推进实践。目前，金融行业在聚焦三大方向——开发兼顾隐私与效能的联邦学习等技术，推动可解释AI（XAI）框架与监管沙盒的协同创新，建立跨机构的AI伦理治理标准，逐渐推出了可信AI解决方案，落地金融行业的智能化转型。

深耕核心场景，

无限光年形成差异化竞争力

目前可信AI金融的服务商不乏阿里、腾讯等巨头，无限光年在这一场景领域如何打造自身的差异化优势呢？答案来自两方面，一是可信AI全栈技术体系的广度，二是长期深耕核心场景的深度。无限光年依托领先的可信AI全栈技术体系，横向打通“算力-工具链-模型-应用”平台服务能力，纵向深耕金融与科学智能两大核心领域。

无限光年可信AI技术体系，创新性融合神经符号计算（擅长逻辑规则推理）与大模型（从海量数据学习概率预测）的双引擎优势，结合金融领域海量专业数据与知识，构建“精准计算-可控推理-透明决策”闭环能力，为金融智能化升级提供核心支撑。

接受记者采访的无限光年CFO王艾华介绍说，深耕金融核心场景，依托独特资源禀赋，无限光年塑造了强大的核心竞争力：

在资管领域深耕，不仅涉及指数打造、投研报告等基础环节，还在财富管理领域推出智能解决方案，助力销售人员提升专业度与合规度；

在中小企业贷款领域，通过AI帮助收集信息，整理高质量信贷分析材料，辅助信贷部门决策，同时在KYC（了解你的客户）、反欺诈等领域积极响应用户需求，为中小银行等机构提供支持。

王艾华介绍说，由于中小银行科研能力较弱，且中小企业财务资料不健全，导致信贷分析难以快速完成。无限光年可信AI金融能够结合多源数据，为中小企业实现精准画像，助力中小银行实现智能审批，提升服务效能与精准度。

此外，无限光年还关注区块链与AI融合对金融领域的影响。

另一方面，无限光年团队拥有深厚的科研底蕴，核心成员多为AI科学家，且深度融入科研生态，与复旦、上智院等顶尖科研机构紧密合作，持续夯实技术根基；同时团队具备阿里、蚂蚁背景，过去10年深度参与上一代金融科技发展，积累了丰富实践经验。

这种“科研能力+金融场景深度理解”的融合，使得无限光年无需像大厂那样布局百行千业，而是专注于最具资源优势的金融领域，形成精准服务能力。

金融方案亮相WAIC，

展示不一样的可信AI金融实践

在WAIC大会上，无限光年集中展示四大金融可信AI解决方案及标杆案例，包括股票指数动态定制、AI赋能金融专业培训、智能信贷分析、AI投研助手。

其中AI动态指数定制方案针对传统指数编制模式中人工处理导致的覆盖不足、调仓周期滞后等瓶颈，以AI驱动实时指数引擎，提升资产配置效能。

在核心突破方面，无限光年团队的“INF Index Co - Pilot”（INF 指数协同引擎）生成式AI解决方案表现突出：广度上，成分股覆盖从600只拓展至2600只，范围提升3倍，实现全市场覆盖；深度上，AI处理数据的数量、质量与精度远超人工，为精准分析奠定基础；速度上依托分钟级计算引擎，调仓周期从季度压缩至实时响应；颗粒度上支持多维度策略适配，可灵活生成多种主题指数，满足差异化需求。

该方案的行业意义显著，斩获2024香港金融科技周创新奖项，以透明化推理机制满足严谨计算要求，已成功应用于实际指数编制场景。其“技术创新+数据量化+权威认证”的闭环，既解决了传统模式痛点，又验证了AI在升级金融基础设施中的核心价值，为行业提供了从“痛点破解”到“效能跃升”的可复制路径。

智能信贷分析旨在激活中小银行普惠金融效能。中小银行作为服务中小企业的主力军，因信贷客户数据数字化程度低、多源信息整合难，且信贷分析依赖人力，导致服务时效与风险响应速度难以满足小微企业融资需求。该方案正是为解决此痛点而推出的。

其核心突破在于构建“数据整合—自动化风控—智能决策”全流程体系：数据整合环节，统一采集金融报表、交易流水等多源信息，形成企业全息数据资产；自动化风控环节，借助AI自动处理财务报表、识别风险点，实时生成风险警报、预测评分及信贷建议；智能决策环节，输出动态财务健康报告与行业对标分析，助力银行从“被动响应”转向“主动经营”。

该方案能显著提升中小银行运营效率，降低人工流程占比，缩短数据处理时效，同时使风险管控更精准，改善滞后性，推动业务增长与普惠服务质效协同进阶，实现从“人力驱动”向“数据智能驱动”转型，为破解中小银行普惠金融难题提供了可复制方案。

AI投研工具则是一款实现一键式年报分析的工具，能在5分钟内重塑投研效率。随着资本市场扩容、注册制推进，可研究标的数量大增，传统人工解读年报模式难以适配市场对投研速度与精准度的要求，该工具应运而生。

AI投研工具已经成为分析师信任的“最佳助手”，5分钟内可完成单份财报全维度分析，覆盖A股5364家上市公司，财务指标计算零误差，保障数据质量。能高效处理繁杂的非机构化数据，并输出一份专业化、结构化的报告，大大降低分析师的工作量。某头部券商使用后，投研报告产出效率提升3倍。

该工具精准适配注册制下券商投研需求，为投研决策提供高效、精准的技术支撑，助力券商在激烈市场竞争中把握先机。

全栈发力，助力可信AI金融弯道超车

除了公司的定位、技术和解决方案外，无限光年还在可信AI边界与成本，高质量数据建设等方面都进行深度探索，树立起了行业标杆。

首先，王艾华介绍了无限光年在可信AI边界与成本、阈值的关联上的策略。可信AI的边界既受准确率等阈值（与成本挂钩）约束，也受技术局限性影响，最终需通过人机协同来平衡边界内的效率与可靠性。

她认为，可信AI的边界需结合准确率阈值来设定：不同阶段（试验/落地）对AI的准确率要求不同，如试验阶段70%即可，落地阶段则需90%以上，阈值的高低直接影响边界的划定。

而边界设定需明确确定性差异，需向用户区分AI计算中“高确定性部分”（无需人工检查）和“低确定性部分”（因信息问题需人工补充调研），这就是边界的具体体现。

王艾华认为，边界与人机协同是关联的。技术局限性决定了边界，当前AI尚未完全替代人类经验，尤其在“深水区”场景中，需以“人机协同”为边界——不追求AI端到端解决所有问题，而是通过“机器完成90%+人类检查10%”的模式，让人从“制作者”转为“检查者”，在提升效率的同时，以人类介入弥补AI的边界局限。

其次，无限光年在高质量数据方面持续创新。数据在可信AI金融中扮演着核心基石角色，既是AI高效赋能金融业务的前提，也是保障AI应用可信、可靠的关键。无限光年不仅通过整合商业数据与公开数据，大幅提升金融分析等工作的效率，更通过高质量的数据体系支撑AI精准性，满足金融机构对敏感性、精确性的严苛要求。

无限光年在建设高质量数据方面持续创新，主要体现在全链路的精准化与智能化体系：

数据抽取环节，依托最精准的模型实现原始数据的高效抓取，确保源头信息的完整性与准确性；

在数据处理阶段，融合神经符号计算技术，将行业规则嵌入处理框架，使计算过程既符合逻辑规范，又能发挥算法优势；

借助AI的强化学习能力实现持续迭代，通过首次结果评估、重新输入学习等流程，让数据加工能力不断优化，如同AI自我对弈般快速提升精准度，最终形成高质量、可信赖的数据供给，为可信AI在金融领域的深度应用筑牢根基。

可信AI金融的发展正从技术单点突破转向生态系统重构。未来，金融机构需在技术创新与风险治理间找到动态平衡，通过“技术+治理”双轮驱动，实现从“能用”到“敢用”再到“好用”的跨越。

这一过程中，监管政策的引导、行业标准的建立及跨领域合作将成为关键变量，而最终的竞争力将体现在对风险本质的洞察与人性化服务的温度上。

正像无限光年创始人漆远所说，无限光年始终围绕“技术筑基-平台支撑-场景落地-价值创造”路径为各行业赋能，未来将继续深化可信AI全栈技术在金融场景的落地，同步探索科学智能领域创新，为产业智能化变革注入持久动力。