财联社10月27日讯 10月23日，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顺利举行。

同济大学计算机科学与技术学院副院长王成出席论坛，发表《AI赋能金融研究的思考与进展》的主题演讲。

他表示，金融是AI 落地难度最高的场景之一，仅依靠大模型所属的第四范式存在局限，需走多范式融合路径穿越当前大模型应用的浅水区。他介绍了自研FAMEπ全栈架构与先进模拟方案，尝试通过智算要素无接触匹配和行为模拟等技术，解决金融AI模型浅水区、数据难出域、算法无依据、算力空置率四大痛点。

金融是AI应用的高难场景

基于科研视角，王成从AI赋能金融的独特性、痛点与技术路径、架构与实践三个维度，系统分享了团队的研究思考与阶段性进展。

“论及独特性，须先厘清共性”，王成表示，各领域信息工作的核心在于消除不确定性。

人工智能近年在这一主线上的能力边界不断拓展，当前居于主流的是以深度学习为代表的“第四范式”，即假定规律蕴含于数据中并从中拟合得出，大模型亦属此列，变量是关键。

以此标尺衡量，金融处于难度最高的层级。据王成介绍，科研问题的难度沿两条线索展开：一是复杂性即变量规模，二是随机性。金融属于变量众多且高度关联的系统。

“数据、算法、算力三个维度的能力增长催生了相应的科研范式，固守第四范式恰恰要求三个维度同时达到极致。”王成表示，下一步的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：数据难出域、算力空置率、算法无依据、模型浅水区

王成构建了“三棱锥”式的分析框架：顶端为模型输出，底部由数据、算力、算法三要素构成支撑。那么，人工智能当前在金融领域有何痛点？

首先，数据难以出域。“团队也开展其他领域的研究，但金融领域的数据约束造成的困难最为突出。”王成直言；

其次，算力层面的“空置率”难以平衡，按峰值需求配置算力易造成资源闲置，不按峰值配置又难以满足训练需求，而受制于数据安全，租用外部算力并不适宜，具备实力的机构往往选择自建。

此外，算法选型无依据。构造解决应用场景的模型往往需要基于合适的基础模型、调用合适的算法或算子来做训练调优。如何选择，尚缺乏理论及技术依据。

此外，输出模型的范式局限性约束了解决深水区问题的能力。王成表示，基于大模型的方法可以解决部分问题，但在重要决策、预测与推演场景中难以奏效，根源在于前述假设并不成立——数据并未蕴含规律，或规律过于复杂而难以被覆盖。

对此，团队提出以行为模拟破解这一难题：将经济运行中的主体以智能体模拟，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，由此构建多层次的“模型塔”，模拟现实中各类主体的决策过程。王成提示，要让模拟结果可信，还需保证状态的完备性、分布的一致性与模拟的收敛性。

针对模型选型缺乏依据这一痛点，团队研发了“智算要素无接触匹配技术”。王成解释，不同数据需与不同算法相匹配，核心在于复杂度适配；而数据具备零成本复制特性，“不可能将数据取来试用后再行退回”，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，团队采用物理传输与逻辑传输相结合的方式，兼顾算力利用效率与数据难以出域的约束。

FAMEπ全栈架构：统筹模型、数据、算力与算法

“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，在成本与效果之间择优并统筹调度。

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。“金融领域最重要的问题在于实践验证。”王成坦言，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。“金融领域对可解释性与异常识别的要求，关乎实实在在的资金风险。”王成表示。

当前团队的核心工作聚焦宏观经济模拟，这不仅涉及模型本身，更需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，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。