回望三年前，行業(yè)尚處于對參數(shù)規(guī)模與對話能力的狂熱追求中；而今，在2026年4月10日于北京舉行的“金融大模型應用與智能體建設研討會”上，取代這種狂熱的是對“產(chǎn)業(yè)落地最后一公里”的冷峻審視。

穿透幻象，AI大模型如何走向產(chǎn)業(yè)“深水區(qū)”？

“大模型本質(zhì)是個‘文科生’，讀過萬卷書，卻行不了萬里路?！蔽浵仈?shù)科金融行業(yè)解決方案總經(jīng)理寧鵬在會上的一番話，精準地戳中了當前金融機構(gòu)的集體痛點。

站在2026年的時間關口，金融業(yè)對AI的期待已不再是寫一封精美的郵件或一段流暢的代碼，而是如何讓AI真正深入信貸風控的復雜決策、理財咨詢的嚴苛合規(guī)、以及投研分析的邏輯推演。金融業(yè)天然的“嚴謹性”與大模型的“幻覺性”之間，依然橫亙著一道難以逾越的鴻溝。

作為國內(nèi)最早踐行“AI First”戰(zhàn)略的領軍者，螞蟻數(shù)科在面對這股巨浪時，展現(xiàn)出了一種冷靜的工程思維。寧鵬直言，在大模型剛剛席卷產(chǎn)業(yè)時，即使是螞蟻內(nèi)部也曾有過“恐慌感”。但經(jīng)過數(shù)千個日夜的實戰(zhàn)，螞蟻得出的結(jié)論是：穿透產(chǎn)業(yè)“最后一公里”的關鍵，不在于模型本身的完美，而在于構(gòu)建一套足以馴服“文科生”的系統(tǒng)工程。

本文將深度解構(gòu)寧鵬在2026研討會中所分享的硬核邏輯：從“默認不相信大模型”的工程哲學，到重塑專家能力的“四車間”架構(gòu)，看螞蟻如何通過系統(tǒng)工程的確定性，消解大模型的隨機性，從而真正打通AI進入金融核心地帶的最后關隘。

馴服“文科生”：為什么工程架構(gòu)比模型參數(shù)更重要？

在AI圈有一句流傳甚廣的話：“模型決定了能力的上限，而工程決定了能力的下限?！钡趯廀i看來，對于容錯率極低的金融業(yè)而言，下限即是生命線。

“我們認為大模型的本質(zhì)是個‘文科生’，”寧鵬在專訪中給出了一個生動的比喻，“它讀過萬卷書，才華橫溢，能言善辯，但它最大的問題是存在‘幻覺’，且邏輯不可解釋。而在金融場景，我們要求的不僅是‘行萬里路’的實干能力，更是對零幻覺和強邏輯的近乎偏執(zhí)的追求。”

這種“文科生”屬性與金融業(yè)務的“嚴謹性”之間，存在著天然的錯位。為此，螞蟻數(shù)科在實踐中提出了一個看似“反直覺”的設計哲學：在構(gòu)建系統(tǒng)時，默認是不相信大模型的。

1. 從“單純調(diào)優(yōu)”到“工程約束”

在2026年的今天，行業(yè)已經(jīng)達成共識：僅僅依靠不斷喂數(shù)據(jù)、精調(diào)（Fine-tuning）參數(shù)，無法從根本上消除大模型的隨機性。 寧鵬指出，金融落地的關隘不在于模型能考多少分，而在于如何把這個“才華橫溢但有時不靠譜”的文科生關進專業(yè)邏輯的“籠子”里。這個籠子，就是工程架構(gòu)。

2. 核心范式：系統(tǒng)工程重于模型本身

為什么工程架構(gòu)在2026年成為了主角？寧鵬梳理了三個核心維度：

• 確定性勝過涌現(xiàn)性：金融業(yè)務流需要的是“1+1必須等于2”的確定性，而非大模型偶爾閃現(xiàn)的“靈光一現(xiàn)”。通過工程化的工作流（Workflow），將業(yè)務邏輯預先固化，讓大模型只在受控的環(huán)節(jié)發(fā)揮其理解和表達能力。

• 從對話框走向工作臺：早期的AI應用多是Chatbot（聊天機器人），用戶問，模型答。而螞蟻數(shù)科推行的則是“工作臺模式”，將大模型嵌入到復雜的業(yè)務流程中，使其成為流程中的一個環(huán)節(jié)，而非流程的全部。

• 安全圍欄的實時監(jiān)控：在模型輸出的前后，設置多層“安全圍欄”，通過對抗性檢測和合規(guī)性校驗，確保輸出的內(nèi)容不越界、不違規(guī)。

3. 認知重塑：AI First的本質(zhì)

寧鵬在演講中強調(diào)，AI First戰(zhàn)略的本質(zhì)并不是簡單的“給業(yè)務加個AI插件”，而是對組織內(nèi)部知識、工具和認知的系統(tǒng)性重塑。這意味著，金融機構(gòu)需要重新審視自己的知識資產(chǎn)，將其從非結(jié)構(gòu)的文檔轉(zhuǎn)化為大模型可理解、可調(diào)用的“專業(yè)技能包”。

“只有當我們不再神話大模型，而是把它當成一個需要被工程約束、被專業(yè)打磨的‘數(shù)字員工’時，大模型才真正具備了穿透產(chǎn)業(yè)最后一公里的可能?！睂廀i如是說。

“四車間”工程范式：把“文科生”關進專業(yè)邏輯的籠子

如果說大模型是提供動力的“引擎”，那么在2026年的金融落地實踐中，螞蟻數(shù)科構(gòu)建的“Agentic AI 系統(tǒng)工程”就是整臺精密儀器的變速箱和剎車系統(tǒng)。

寧鵬在研討會上詳細展示了這套被稱為“四車間”的工程化范式。這不僅是一套技術(shù)架構(gòu)，更是螞蟻解決金融級“零幻覺”和“邏輯可解釋性”的核心密鑰。

1. 意圖車間：聽懂“弦外之音”

在金融交互中，用戶的話語往往是模糊且感性的。意圖車間的作用，是通過大模型強大的語義理解能力，將用戶的“自然語言”精準翻譯成系統(tǒng)的“業(yè)務指令”。

• 不僅是理解，更是對齊：它能識別出用戶究竟是想查賬單，還是想投訴，亦或是潛在的理財意向，并將其引導至預設的合規(guī)路徑上。

2. 策劃車間：專家大腦的“邏輯復刻”

這是解決“幻覺”的關鍵。在這一步，螞蟻并沒有讓大模型自由發(fā)揮，而是采用了“SOP（標準作業(yè)程序）化”的邏輯。

• 行萬里路的邏輯：策劃車間預設了大量的專家知識和業(yè)務流程。當意圖明確后，它會像資深理財師一樣，規(guī)劃出解決問題的最佳路徑。它決定了AI應該調(diào)用哪個數(shù)據(jù)庫，遵循哪條合規(guī)準則，確保每一步思考都有據(jù)可依。

3. 執(zhí)行車間：從“說客”到“實干家”

這是穿透最后一公里的“手腳”。執(zhí)行車間負責調(diào)用底層的專業(yè)工具和插件。

• 嚴謹性保障：涉及資金計算、數(shù)據(jù)提取等硬核操作時，系統(tǒng)會跳過大模型的生成模式，直接調(diào)用經(jīng)過嚴格測試的傳統(tǒng)代碼或?qū)I(yè)金融模型。大模型在這里的作用是“調(diào)度員”，而非“計算器”。

4. 表達車間：安全合規(guī)的“最后防線”

當所有結(jié)果準備就緒，表達車間會對內(nèi)容進行最后的潤色與校核。

• 安全圍欄的實時攔截：寧鵬強調(diào)，在最終輸出給用戶前，必須經(jīng)過合規(guī)性校驗。如果大模型的回復中出現(xiàn)了過度承諾、違規(guī)推薦或不合規(guī)用語，表達車間會立即觸發(fā)現(xiàn)場攔截并修正。

核心邏輯：用“確定性”消解“隨機性”

“這四個車間的前三個，其實都是在固化‘行萬里路’的邏輯。”寧鵬在采訪中解釋道，“我們將大模型的能力拆解開來，只讓它在它擅長的領域發(fā)力，而在需要嚴謹性的地方，由工程架構(gòu)來接管?！?/p>

通過這種“四車間”的流水線作業(yè)，螞蟻數(shù)科成功將大模型的角色從一個“自由創(chuàng)作的文科生”，改造為一個“接受專業(yè)指令的數(shù)字專家”。這種架構(gòu)上的重塑，讓金融機構(gòu)敢于把核心業(yè)務交到AI手中，真正實現(xiàn)了從“PPT里的愿景”到“工作臺上的工具”的跨越。

復刻Top Sales：Agent如何重塑金融“超級個體”？

在 2026 年的金融職場，一個新入職半年的理財師，如何能像擁有十年經(jīng)驗的資深專家一樣，為高端客戶提供精準的資產(chǎn)配置建議？

答案就在寧鵬提到的“2P（Professional）業(yè)務助理”模式中。

1. 85% 的“大腦復刻”

寧鵬在采訪中分享了一個核心指標：通過 Agentic AI 系統(tǒng)工程，螞蟻已經(jīng)能夠?qū)崿F(xiàn)對 Top Sales（頂尖銷售/顧問）大腦能力的85% 復刻。

“我們并不是在造一個機器人取代人，而是在為每一個理財師配備一個‘數(shù)字分身’?！睂廀i解釋道。這個助手不僅讀過萬卷書（大模型底座），更掌握了行萬里路的邏輯（四車間架構(gòu)下的專家經(jīng)驗）。它能實時輔助理財師洞察市場波動，自動生成個性化的客戶陪訪建議，并確保所有的溝通都符合監(jiān)管紅線。

2. 從 2C 到 2P 的全域重塑

在 2026 年的實踐中，這種能力正在全面重塑金融業(yè)務的每一個端點：

• 2C端（觸達）： AI 金融管家為用戶提供管家式服務。它不再是冰冷的搜索框，而是能記憶用戶偏好、實現(xiàn)“千人千面”配置的數(shù)字伙伴。

• 2P端（賦能）： 重點在于擴大服務半徑。過去，一名優(yōu)秀的理財師由于精力有限，只能深度服務幾十個高凈值客戶；而今，在 AI 助手的協(xié)同下，人均產(chǎn)能和運營效率得到了指數(shù)級提升。

• 2B端（效率）： 在對公業(yè)務和信貸風控領域，AI 正在從繁雜的文檔審核、資質(zhì)核查中解放人力。

3. AI First 帶來的職業(yè)進化

寧鵬強調(diào)，AI First 的本質(zhì)是對組織內(nèi)部認知的重塑。在螞蟻內(nèi)部，這種變革讓員工從重復性的“體力勞動”轉(zhuǎn)向了更具創(chuàng)造性的“策略設計”。

“當大模型可以規(guī)模化地復刻專家經(jīng)驗時，金融服務的門檻被拉低了，但專業(yè)化的上限被拉高了。”這種“超級個體”的崛起，正是 AI 穿透產(chǎn)業(yè)最后一公里的最生動注腳——它讓專業(yè)的金融服務不再是少數(shù)人的特權(quán)，而是像掃碼支付一樣，成為每個人指尖上的便利。

從“能力評估”到“效果交付”：RaaS模式破解AI投資回報率難題

在 2026 年的金融大模型招標中，機構(gòu)最常問的一句話已經(jīng)從“你的模型多少參數(shù)？”變成了“你的 AI 到底能幫我賺多少錢（或省多少錢）？”

面對這個直接且現(xiàn)實的 ROI（投資回報率）拷問，寧鵬提出了螞蟻數(shù)科的評估哲學——RaaS（效果即服務） 模式。這一模式的出現(xiàn)，標志著 AI 應用從“炫技階段”正式跨入“實效階段”。

1. 何以 RaaS？

為何RaaS 模式能將 AI 的價值與業(yè)務效果對接？這要從三個維度展開衡量：

• 業(yè)務效果為目標： AI 是否帶來了業(yè)務效果的提速？例如，信貸審批的通過率是否提升，或者是否帶來了用戶定投次數(shù)（+78%）和資產(chǎn)配置合理度（+5%）的真實增長。

• 能力復刻為抓手： 這是最核心的指標——AI 能否復刻頂尖專家的隱性經(jīng)驗？寧鵬提到的“復刻 Top Sales 85% 的能力”正是 這一 維度的具象化。它衡量的是 AI 輔助下，新手與老兵之間能力鴻溝的縮減程度。

• 效率與規(guī)模做“功放”： AI 是否解決了單靠人力無法覆蓋的規(guī)?；瘑栴}？比如實現(xiàn) 7x24 小時的全天候盯盤，或是在不增加人力的前提下，將理財師的服務半徑擴大數(shù)倍。

2. 告別“幻覺率”，擁抱“勝率”

寧鵬在專訪中提到一個深刻的觀察：很多金融機構(gòu)糾結(jié)于大模型回答的準確率，但這往往是技術(shù)視角的誤區(qū)。在 RaaS 模式下，螞蟻更看重的是“勝率”——即 AI 給出的建議，在真實業(yè)務博弈中是否比傳統(tǒng)方案更有效、更精準。

3. 與業(yè)務效果深度綁定

“我們正在探索與業(yè)務結(jié)果深度綁定的合作模式，”寧鵬表示。在 2026 年，單純賣 API 接口的時代已經(jīng)過去。RaaS 模式的本質(zhì)是“風險共擔、價值共創(chuàng)”：科技公司不再只提供工具，而是提供一種能夠直接轉(zhuǎn)變?yōu)闃I(yè)務產(chǎn)出的“數(shù)字產(chǎn)能”。

通過 RaaS 模式，金融機構(gòu)可以清晰地看到：AI 的投入不再是一筆不知何時回籠的“科研費用”，而是可以直接計入業(yè)務利潤表的“生產(chǎn)要素”。

結(jié)語：讓AI像掃碼支付一樣便利

穿透產(chǎn)業(yè)“最后一公里”，終點在哪里？

寧鵬在演講最后給出的答案簡潔而有力：讓 AI 像掃碼支付一樣，便利地服務于每個人的生活。

從 2023 年的驚艷亮相，到 2026 年的深水實戰(zhàn)，大模型在金融業(yè)的足跡證明了：技術(shù)的價值不在于它有多“像人”，而在于它能多好地“為人服務”。當“四車間”架構(gòu)馴服了“文科生”的幻覺，當 RaaS 模式量化了 AI 的價值，一個由“超級智能體”支撐的普惠金融時代已然降臨。

這不僅僅是一次技術(shù)升級，更是一場關于信任、專業(yè)與效率的產(chǎn)業(yè)重塑。在 2026 年的北京春天，我們看到的不僅是代碼的涌現(xiàn)，更是金融服務真正回歸“以人為本”的全新起點。