嘉賓｜ 高磊、平野，賈志鵬
策劃｜薛梁
審校｜何逸燦
諸多新技術範式的出現正在重塑 AI 大模型應用的落地路徑，大模型在推動企業向全面數智化轉型的同時，也在對以往的 AI 應用開發與運維流程產生深遠影響。當大模型爆紅之初驚喜又興奮的心情平復下來時，AI 大模型落地行業場景時的諸多挑戰逐一浮出水面。
各行各業如何面對大模型應用探索中的新挑戰？對於金融行業等數據密集、對產出結果精確度有很高要求的產業，或是要求嚴謹專業的物流與供應鏈領域而言，大模型應用如何平穩走進業務場景？下一步，AI 大模型該如何結合行業特點、滿足行業要求，向行業垂直領域大模型發展？
在日前的《超級連麥. 數智大腦》x ArchSummit直播節目上，順豐科技運籌優化算法總工程師高磊、天弘基金人工智慧部負責人平野、Fabarta 高級技術專家賈志鵬就這些問題展開了深度探討。
以下內容根據對話整理，篇幅有刪減，點擊「閱讀原文」可觀看直播回放
大模型應用現狀簡介
高磊：平野老師曾經在支付寶第五代智能風控引擎 Alpharisk 的開發中發揮了重要作用，能否分享一些 AI 和大模型在智能風控領域的技術創新和實踐經驗？目前，天弘基金在大模型領域又有哪些探索？
平野：在支付寶支付風控部門任職期間，我參與了風控引擎架構的轉型建設。最初，風控引擎的設計主要依賴於策略，當時大約 70% 以上的風險防控措施都是基於策略的。制定策略時先由專業分析師根據具體場景構建特徵，再通過這些特徵組合成策略進行風險管理。
隨著時間的推移，支付寶開始探索以 AI 模型替代人工的策略，在 2017 年至 2019 年這一早期階段，儘管全球成功的 AI 風控案例並不多，我們仍堅持在 AI 風控領域不斷探索和創新。風控引擎架構從傳統的策略開始，逐漸過渡到一些機器學習模型，最終逐步引入了更高級的技術，如圖神經網絡和深度神經網絡。我們還設計了高性能的分布式支付決策鏈路，顯著提升了風控效率。
在 AI 應用方面，我們進行了多項獨特創新，包括基於 MOE 的多任務學習框架，並針對具體場景進行了創新。此外，我們還開發了圖算法和可信網絡等技術，這些技術在支付寶的風險防控中發揮了重要作用。
Alpharisk 作為支付寶風控引擎的核心組件，經過數次疊代，已發展至第五代，其智能化水平顯著提升。從風險感知、決策到結果演化，這一系列決策過程現在主要都由模型自動完成。目前，約 90% 的風險防控場景均利用模型來實現高效運作。
高磊：阿里巴巴開發的大模型通義千問非常強大，支付寶在這方面是否有過合作？
平野：在天虹基金大模型項目進行的過程中，我們曾經考慮過與第三方廠商合作，或者直接調用一些行業領先的大模型 API 來實現我們的目標。然而，我們很快意識到，金融業務場景對數據的準確性和專業性有著極高的要求。這一行業特點使我們不得不面臨兩點問題：
基於這些考慮，我們決定主要通過自主研發來完成大模型項目，以更好地滿足我們的業務需求。
高磊：賈老師在 Fabarta 擔任高級技術專家，曾在 IBM、阿里雲、HSBC 等公司從事金融、製造和汽車等行業的業務解決方案諮詢與實施工作，能不能從您的角度介紹一下，大模型技術在這些不同領域的應用現狀，主要能解決哪些業務問題？不同行業之間存在哪些獨特挑戰？
賈志鵬：在公司成立之後，我們為多家企業提供了解決方案服務。這些服務包括針對不同行業設計定製化的解決方案，如金融、製造和醫療等行業。在這一過程中，我們注意到不同企業對大型 AI 模型（大模型）抱有多種期待。根據我們的經驗，可以將這些期待大致分為以下三類。
高磊：我在順豐集團負責智慧供應鏈的建設工作。在公司內部，我們正在探索大模型技術在物流和供應鏈領域的應用。我們正在構建基於開源模型的「豐語」大模型，該模型專注於物流供應鏈領域的專業知識。依託此模型，我們嘗試了多種應用，主要分為三大領域：