同济大学王成：金融成AI应用最难领域，多范式融合破局大模型浅水区

徽声在线10月27日消息 10月23日，一场聚焦金融科技前沿的盛会——静安区2026年苏河财富对话暨2026年国泰海通金融科技文化节主题论坛，在苏河湾中心圆满落幕。

同济大学计算机科学与技术学院副院长王成作为特邀嘉宾出席了此次论坛，并发表了题为《AI赋能金融研究的深度思考与最新进展》的主题演讲，为与会者带来了关于AI在金融领域应用的独到见解。

王成在演讲中明确指出，金融行业是AI技术落地应用中难度最高的领域之一。他强调，单纯依赖大模型所代表的第四范式存在明显局限，要突破当前大模型应用的瓶颈，必须走多范式融合的道路。为此，他介绍了团队自主研发的FAMEπ全栈架构与先进模拟方案，旨在通过智算要素无接触匹配和行为模拟等创新技术，解决金融AI模型面临的浅水区问题、数据出域难题、算法选择无依据以及算力空置率高等四大痛点。

金融：AI应用的高难度挑战场

从科研的视角出发，王成从AI赋能金融的独特性、面临的痛点与技术路径选择、以及架构与实践应用三个层面，系统分享了团队的研究成果与阶段性进展。

“在探讨独特性之前，我们需先明确共性。”王成表示，各领域信息工作的核心目标都是消除不确定性。

近年来，人工智能在这一主线上的能力边界不断拓展。当前，以深度学习为代表的“第四范式”占据主流地位，大模型也属于这一范畴，其核心在于变量。然而，以此标准衡量，金融行业无疑处于难度最高的层级。据王成介绍，科研问题的难度主要沿两条线索展开：一是复杂性，即变量规模；二是随机性。金融行业正是一个变量众多且高度关联的复杂系统。

“数据、算法、算力三个维度的能力提升催生了相应的科研范式。但固守第四范式，恰恰要求这三个维度同时达到极致水平。”王成指出，未来的发展方向不是要素的简单叠加，而是四个范式的有机融合。

AI+金融的四大痛点解析：数据出域难、算力空置率高、算法选择无依据、模型浅水区

王成构建了一个“三棱锥”式的分析框架：顶端代表模型输出，底部则由数据、算力、算法三要素构成支撑。那么，人工智能在金融领域目前面临哪些痛点呢？

首先，数据出域难题突出。王成坦言，团队在其他领域的研究中并未遇到如此严重的数据约束问题，但金融领域的数据保护要求却给研究带来了巨大挑战。

其次，算力层面的“空置率”问题难以平衡。按照峰值需求配置算力容易导致资源闲置，而不按峰值配置又难以满足训练需求。由于数据安全限制，租用外部算力并不适宜，因此具备实力的机构往往选择自建算力中心。

此外，算法选型缺乏依据也是一个亟待解决的问题。构造解决应用场景的模型需要基于合适的基础模型、调用合适的算法或算子进行训练调优。然而，如何选择却缺乏理论及技术依据。

最后，输出模型的范式局限性也约束了解决深水区问题的能力。王成表示，基于大模型的方法虽然可以解决部分问题，但在重要决策、预测与推演场景中却难以奏效。这主要是因为前述假设并不成立——数据并未蕴含规律，或规律过于复杂而难以被覆盖。

针对这一难题，团队提出了以行为模拟为突破口：将经济运行中的主体以智能体进行模拟，每个智能体背后配置一套涵盖常识、专业及个性化认知与学习机制的知识体系，从而构建多层次的“模型塔”，模拟现实中各类主体的决策过程。王成强调，要让模拟结果可信，必须保证状态的完备性、分布的一致性与模拟的收敛性。

针对模型选型缺乏依据的问题，团队研发了“智算要素无接触匹配技术”。王成解释说，不同数据需要与不同算法相匹配，核心在于复杂度适配。而数据具备零成本复制特性，因此不可能将数据取来试用后再退回。这就要求在双方不发生接触之前完成适配性判断。

在数据流通与算力使用环节，团队采用了物理传输与逻辑传输相结合的方式，既兼顾了算力利用效率，又满足了数据难以出域的约束条件。

FAMEπ全栈架构：统筹模型、数据、算力与算法的全方位解决方案

“若仅从数据、算力或算法单一维度部署与优化方案，难以从体系层面解决问题。必须统筹考虑‘三棱锥’的四个支点。”王成表示。基于此，团队提出了自主的全栈架构FAMEπ。

这一架构自用户侧依次为装置层、应用层与模型层：用户需求经过应用层判别模型类型后传递至模型层，由模型层完成算力与算法的适配组合，在成本与效果之间寻求最优解并统筹调度。

目前，相关应用已覆盖ToC（面向个人消费者）、ToB（面向企业）、ToG（面向政府/公共机构）三类板块，涉及期货、交易反欺诈、反洗钱等多个方向。王成重点介绍了仍处于实验阶段的几项工作。

一个课题是期货交易模拟，团队以核心智能体“青山”开展宏观推演。王成坦言：“金融领域最重要的问题在于实践验证。”团队也希望借此验证方法在现实场景中的可行性。

在国债相关研究中，团队引入多频模拟数据，与基于第四范式的方法结合后性能显著提升。相较于第四范式的黑箱特征，模拟路径能够呈现状态演化的全过程。王成表示：“金融领域对可解释性与异常识别的要求极高，这关乎实实在在的资金风险。”

当前，团队的核心工作聚焦于宏观经济模拟，这不仅涉及模型本身，更需要大规模算力支撑与系统性准备。王成观察到，人与大模型、智能体之间正呈现“双向奔赴”的态势：人工智能日益趋近人类行为模式，而人类因高频使用大模型，行为方式也日趋与之相似。在他看来，这一趋势将为人工智能赋能金融研究打开更为广阔的空间。