构建可控的推理链路:金融场景垂直 AI 研发—专访沁闻投资高阳
深圳
深圳 > 综合 > 正文

构建可控的推理链路:金融场景垂直 AI 研发—专访沁闻投资高阳

技术出身的她,习惯把每一次业务争议还原成可复现的日志。在她看来,资产评估行业的智能化,卡点从来不在“有没有一个大模型”,而在这个模型是否真的懂这门手艺。过去几年,她把这些手艺拆成规则、特征和算法,装进一套自研系统,也把自己从一个写代码的人,磨成了一个既清楚模型边界、也守得住业务底线的技术负责人。

一、通用模型“不懂”的地方,正是研发的起点

项目做得越多,高阳越确认一件事:通用大模型在资产评估场景里的问题,不是答得不够快,而是答得不像一个真正的从业者。它能流畅地解释什么是折现率,却接不住一份真实的评估底稿——报表之间的勾稽关系、准则里没有写死的判断尺度、监管对结论表述的约束,这些沉淀在行业里的默会知识,通用模型没有。更麻烦的是,一旦遇到没见过的边界场景,它往往不会承认自己不知道,而是顺着上下文编一个看起来合理的答案。她由此判断,通用AI缺的是资产评估的行业记忆,把它直接架到核心业务上,等于把执业风险交给概率。

于是她定下的路线不是给通用模型加一层插件,而是把底层重写一遍:数据怎么进来、规则怎么表达、结论怎么被验证,全部自己搭。几年下来,团队累计取得十余项计算机软件著作权,代表性成果包括固定资产市场价值动态模拟评估平台、资产评估风险因子识别模拟控制软件和虚拟资产价值影响因素分析预测平台;三套系统各有分工,但共用同一套数据底座与算法框架,彼此之间可以互相调用,能力是叠加的。她并不否认通用模型在办公提效上的价值,却坚持把“能对话”和“能执业”分成两件事:眼下不少机构的数字化仍停在文档归档、数据统计这一层,智能化并没有真正进入判断环节,而她想做的,正是把算法推到那个位置上。

二、把业务规则翻译成模型能执行的东西

在她看来,垂直AI的第一道功夫不在模型结构,而在翻译。评估业务里的判断标准大多以文字形式存在:准则条款、内控要求、监管口径、历史案例的处理惯例。团队要做的,是把这些文字拆成可计算的特征和约束——哪些指标之间存在固定联动,哪些异常必须触发复核,哪些结论在什么条件下不成立。这个过程没法外包,只能由懂业务的人和技术人员坐在一起,一条一条对。对出来的东西一部分进入行业知识库,按条款、口径、出处和版本号结构化存放,模型组织结论时先检索依据,再在依据允许的范围内表述;另一部分进入规则引擎,口径换算、勾稽校验、阈值判断这类不允许“猜”的环节,一律走确定性逻辑。她把这种分工讲得很直白:算的交给规则,查的交给知识库,剩下的才交给模型去理解。

第二道功夫是数据。评估要用到的信息散落在公告、合同、财报、招投标文件与舆情里,格式从PDF到接口报文应有尽有。平台的做法是先做结构化抽取,再做实体对齐和关联:同一家企业在不同文件里的不同称呼要被认成同一个主体,一条规划信息要能和它影响到的片区、地块挂上钩。清洗之后的数据进入特征层,才谈得上建模。她提到,这条流水线跑顺之后,原本需要人工翻阅数天的材料,系统能在很短时间内完成初步归集,人只需要复核模型标出的疑点。每一条进入模型的数据都保留来源,结论一旦被追问,可以一路回溯到原始文件的那一页;数据源按固定节奏增量更新,模型在同一口径下重算,避免新旧口径混用导致结论跳变。

第三道功夫才是算法本身。平台采用的是能随环境变化自动调整权重的机器学习框架:当宏观政策、区域规划、产业景气度这些外部条件发生改变,因子的相对重要性会被重新计算,而不是靠人手动改参数。在她看来,评估结论不该是一个时点的快照,而应随输入变化连续更新;她打了个比方,传统做法像拍照,现在的系统更像持续录像。算法也不是训完就定型:一线评估师在系统里修改过哪一条结论、补充了哪一份材料、否掉了哪一个因子,这些操作会回流成训练与调优的信号,模型按版本节奏迭代,改动前后都要跑一遍历史样本,确认没有把已经判对的东西改错。

三、结论必须能被追问到底

金融场景对AI最尖锐的质疑只有一个:你凭什么这么判。高阳在模型设计之初就把这个问题写进了架构——每个输出结果都附一份因子贡献说明,可视化呈现哪些条件在起作用、各占多少分量;再往下一层,是一条条可以点开的依据,以及模型主动列出的反例与不确定项。“投资者需要的不是一个算命先生,而是一个能把推理过程摆到桌面上的顾问。”这份说明同时也是内部排查的工具:一旦结论与业务直觉冲突,团队可以顺着权重往回查,判断是数据脏了、特征错了,还是场景超出了模型的学习范围。

与之配套的是三段式校验:模型给出初判,行业专家复核业务合理性,历史样本回测检验稳定性,极端情景压力测试检验鲁棒性,三道都过,结论才允许对外输出。她把这一层叫作“给算法装刹车”。刹车还包括对幻觉的工程化处理:关键事实必须回指知识库里的原文片段,无法回指的表述不允许进入结论;数值计算走独立的规则引擎,不让模型自由发挥;置信度低于阈值时,系统主动标记为需人工判断,而不是硬给一个答案。她认为,“可解释”不是给结果配一段漂亮话,而是让每一个数字都能被追到出处、被另一个懂行的人重新算一遍;连输出的措辞也受约束,能说到什么程度、哪些结论必须加限定语,由模板与规则共同控制。

四、从判断当下,到推演几种未来

资产评估真正的难点,很多时候不在算一个现值,而在回答“如果条件变了会怎样”。她的团队把这块能力做成情景仿真:用户可以设定营收下滑、回款延迟、原材料涨价、政策口径调整等假设,模型据此推演现金流的走向和资金链承压的概率,同时给出乐观、中性、悲观三组结果。风险识别模块从另一个方向切入,把财报异常、股权与高管变动、司法纠纷、供应商舆情等数百个维度纳入监测,模拟风险沿产业链、资金链传导的路径,输出可视化的风险画像和分级提示。

她特别提醒,这类输出的价值不在于“预测得准”,而在于把不确定性摆到台面上。“模型不会告诉你未来一定怎样,它能告诉你哪几种未来更可能发生、每种情况下的敞口有多大。这个信息本身就足以改变决策。”在她看来,AI在金融场景里最容易被误用的地方,就是把概率当成承诺;系统的职责是把假设、边界和置信区间一起交出去,让人知道自己在什么条件下做了这个判断。这也是她坚持保留人工复核环节的原因:算法负责把可能性排开,人负责在其中作出取舍。

数字资产是另一块试验田。虚拟资产价值影响因素分析预测平台把链上行为、开发者活跃度、社群传播路径和宏观政策放进同一个模型,借助多模态能力读取社交平台上的图文内容,识别传播圈层与关键节点。她解释说,这类资产没有稳定的历史成交序列,只能从行为数据里找信号;平台服务的投资者数量已经超过两千名,但团队更看重方法本身——在一个没有成熟定价锚的市场里,如何搭出一套可解释、可复核的判断逻辑。

五、合规不是上线前才补的课

资产评估是强合规、强责任的行当,这决定了系统不可能先做出来、再想办法合规。她带队做过一件很耗工夫的事:把模型的核心参数从一百多项精简到不足一百项,逐条与监管要求对齐。“参数不是越多越聪明,越多越难解释、越难审计。”在她看来,可审计性和准确率一样,都是系统必须交付的指标。数据侧也是如此,训练与推理环节都做了脱敏处理,公司是业内较早通过ISO/IEC 27701隐私信息管理体系认证的机构之一。整套架构从底层模型到业务逻辑均为自研,不依赖第三方技术底座,也让每一次合规调整都能落在自己的代码里;在她这里,合规不是一次性的验收,而是随监管口径变化持续校准的过程,模型每轮迭代都要重跑一遍约束检查。

更难的是人的问题。算法团队写得出模型,写不出业务的分寸;业务专家说得清分寸,说不清怎么把它变成代码。她的办法是把两边按项目绑在一起,需求评审、样本标注、结果验收三个阶段都要双方签字;前端则刻意压低了使用门槛,复杂的运算和参数调整留在后台,评估师面对的仍是一个熟悉的业务流程,只是每一步都多了系统的提示和留痕。在她看来,垂直AI最难的部分,从来不是把模型跑通,而是让跑通的结果达到这个行业愿意签字的标准。

六、她的边界感

谈到AI会走到哪一步,高阳的态度比不少同行保守。她认为现阶段仍有几处硬约束:高质量标注样本稀缺,边界场景的覆盖永远不完整,大模型在长链条推理中依然会漂移,算法方案之间也越来越像。在她看来,这些不是一次版本升级能解决的,只能靠长期的数据积累和工程打磨。

她给团队定的下一步很具体:把垂直领域的小样本学习做扎实,让系统在样本不足的新场景里也能给出可信区间;把多模态能力接进流程,让图纸、影像、扫描件这类非文本材料也能被读懂;把行业知识库继续沉淀,形成可复用、可版本化的指标体系。她说,技术上的事,只要能拆成清单,就能推进。

至于人和机器的关系,她的答案一直没变:“AI是帮手的角色。资料搜集、初步测算、多维筛查交给它,实地尽调、商业逻辑判断、方案设计留给人。人机协同不是口号,是把各自最擅长的事分清楚。”采访临近结束,她说自己最怕听到的一句话是“这个模型很先进”。在她看来,先进不是理由,能用、能查、能担责,才是。作者(宋知)



(免责声明:此文内容为本网站刊发或转载企业宣传资讯,仅代表作者个人观点,与本网无关。仅供读者参考,并请自行核实相关内容。)