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“WarrenQ”，随后，于今年发布AI友好型金融数据库AIDB。AIDB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”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？
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。
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”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AI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。
